Integrating forest fuels and land cover data for improved modelling of fire containment in Albert, Canada
Notice bibliographique
Résumé
<!--!introduction!--> Knowledge of pre-fire fuel type, varied by foliar moisture content, is crucial information for fire-containment detection, which is highly needed by fire management. However, the detection is still a big challenge for boreal forests in Alberta, Canada, containing a broad range of fuel types that will be either very fire-prone or fire-resistant, or in between. The primary fuel data source is the Canadian Forest Fire Behavior Prediction (FBP) system, which is used nationwide and provides a classification system of various specific fuel types yearly. Given its 100-meter resolution, it is always wondering if another fuel data based on Landsat (LSAT) in 30-meter higher resolution updated every five years poses potential in playing the amending role or not, but still needs to be determined. In this study, 241 historic fire perimeters documented during ten years (2008-2018) were examined to investigate the role of land cover attributes on the formation of fire perimeters in the Boreal Forest Region of Alberta covering 11 natural ecological sub-regions and all fire seasons, by using these two sets of fuel data respectively. Results show that the difference between the Landsat and FBP data does not affect the concordance level of the model efficiency of Matched case-control conditional logistic regression as much as regrouping the fire under different conditions including seasonality and initial fire weather. However, higher resolution of remote sensing data shows higher capability in discerning the role of fuels on fires for specific fuel types with different foliar moisture content status.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».