Predicting the minimum height of forest fire smoke within the atmosphere using machine learning and data from the CALIPSO satellite
Notice bibliographique
Résumé
Forest fire smoke is a growing public health concern as more intense and frequent fires are expected under climate change. Remote sensing is a promising tool for exposure assessment, but its utility for health studies is limited because most products measure pollutants in the total column of the atmosphere, and not the surface concentrations most relevant to population health. Information about the vertical distribution of smoke is vital for addressing this limitation. The CALIPSO satellite can provide such information but it cannot cover all smoke events due to its narrow ground track. In this study, we developed a random forests model to predict the minimum height of the smoke layer observed by CALIPSO at high temporal and spatial resolution, using information about fire activity in the vicinity, geographic location, and meteorological conditions. These pieces of information are typically available in near-real-time, ensuring that the resulting model can be easily operationalized. A total of 15,617 CALIPSO data blocks were identified as impacted by smoke within the province of British Columbia, Canada from 2006 to 2015, and 52.1% had smoke within the boundary layer, where the population might be exposed. The final model explained 82.1% of the variance in the observations with a root mean squared error of 560 m. The most important variables in the model were wind patterns, the month of smoke observation, and fire intensity within 500 km. Predictions from this model can be 1) directly applied to smoke detection from the existing remote sensing products to provide another dimension of information; 2) incorporated into statistical smoke models with inputs from remote sensing products; or 3) used to inform estimates of vertical dispersion in deterministic smoke models. These potential applications are expected to improve the assessment of ground-level population exposure to forest fire smoke.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 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) | 0,000 | 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 ».