Investigation of temporal trends in fire occurrence in Ontario with consideration of monthly teleconnections
Notice bibliographique
Résumé
Climate change can impact various facets of a region’s fire regime, such as the frequency and timing of fire ignitions. This study investigates the temporal trends of monthly fire counts in the northwest region of Ontario, Canada, between 1960 and 2023. Fires ignited by human activities or lightning are analysed separately. The significance of trends are determined using the trend-free pre-whitened Mann-Kendall test with a Thiel-Sen slope estimate, and are contrasted with those obtained using the Cochrane-Orcutt method. Both of these approaches consider and adjust for autocorrelations in the time series data. We also consider the forecasting of future monthly fire counts using a Negative Binomial Auto-Regressive (NB-AR) model suitable for count time series data with the presence of overdispersion while investigating the use of climate teleconnections such as ENSO, NAO, AO, PDO, and AMO as predictors at differing temporal lags. Several candidate models having varying time lags for each predictor are identified and their predictive skills are quantified through cross-validation estimates of Mean Absolute Error. These models omit months when there are historically no or few ignitions and use monthly indicator functions to capture seasonal trends alongside an AR(1) term of the previous month's count. We find that a model with 6-month-lagged AMO is the most suitable for forecasting counts of human-caused fires, while no teleconnection predictor was found to be significant when forecasting lightning counts.
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 | 0,000 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».