A Survey of Wildfire Spread Prediction and Risk Estimation Methodswith Machine Learning Techniques
Notice bibliographique
Résumé
Wildfires can be very dangerous and destructive. In 2021, states in the USA particularly affected by deadly and damaging wildfires include California, Oregon, Montana, Washington, and Arizona (statista.com, 2021). Worldwide, countries recently affected significantly by devastating wildfires include, but are not limited to, Algeria, Australia, Brazil, Canada, Greece, India, Spain, South Korea, and Turkey. Thus, two important research questions are “how to predict fire spread behaviours?” and “how to evaluate wildfire risks?”. To answer these questions, in this paper we conducted a survey of recent methods and approaches that are based on machine learning techniques. For the first research question, fire spread is an important element of fire behaviours. Based on our survey, fire spread models can be categorised into three groups: traditional physical models (based on physics), data-driven models (based on machine learning techniques), and hybrid models (that combine both physical models and machine learning techniques). Regarding the second research question, it is challenging to quantify fire risks, particularly the wildfire probability and the fire risk zone, because numerous factors are involved, including human factors and natural factors. In this paper, we surveyed existing wildfire research work that involved human and natural factors. Human factors, such as human presence and socioeconomic transformations, and natural factors, such as weather and geographic information, were usually selected and leveraged to predict wildfire probability. We surveyed related journal and conference articles published recently, organised them in two taxonomies (ontology trees) pertaining to each of the two research questions addressed, provided comprehensive discussions for both questions, and suggested several possible directions of future work. Among the most significant results obtained, we found out that (i) For the fire spread behaviour prediction problems, traditional physical models play an important role but can be improved with machine learning techniques. For example, machine learning techniques are commonly used to assist traditional physical modelling for more accurate results and less time consumptions; and (ii) For the risk estimation problems, machine learning is commonly and effectively used for modelling the connections between human and natural factors and wildfire burned areas as well as for quantifying fire risks.
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 | 0,006 | 0,014 |
| Méta-épidémiologie (sens strict) | 0,003 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,003 |
| Bibliométrie | 0,004 | 0,005 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,004 |
| Science ouverte | 0,003 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
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 ».