Scénarios de probabilité et puissance potentielle des feux de végétation dans le département des Landes, France
Bibliographic record
Abstract
Le sud-ouest de la France n’a pas connu d’incendie majeur depuis plusieurs décennies, mais il présente un fort potentiel de feu de grande ampleur. Cette menace concerne la sécurité de la population qui augmente significativement lors de la saison estivale touristique, ainsi que les ressources forestières considérables de cette région. Largement utilisée en Amérique du Nord, la modélisation de la probabilité d’incendies de végétation à l’échelle du paysage est désormais une méthode éprouvée pour la cartographie du risque de feu de forêt. La présente étude vise à adapter le modèle de probabilité canadien Burn-P3 au contexte géographique du département des Landes, en France, afin de calculer la probabilité d’incendie et la puissance potentielle (considérés ici comme les deux composantes majeures de l’aléa) des feux pour divers scénarios météorologiques. Pour ce faire, le principal défi fut de convertir les formations végétales du secteur landais en combustibles forestiers issus de la méthode canadienne. Les résultats montrent une probabilité d’incendie et une puissance du front de flamme très variables à travers le paysage, ces deux composantes ayant des configurations spatiales fort différentes. De plus, l’aléa feu de forêt augmente rapidement et de façon non linéaire en fonction de la sévérité croissante des conditions météorologiques. Ces résultats représentent une première cartographie détaillée de la probabilité de feux de forêts dans le sud-ouest de la France, réalisée à l’aide d’un modèle de simulation probabiliste. Celui-ci pourra être utilisé à des fins d’analyse des risques et pour guider des actions de mitigation ciblées afin d’améliorer la sécurité des personnes et optimiser la protection du massif forestier.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.001 | 0.001 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.001 | 0.000 |
| Scholarly communication | 0.001 | 0.001 |
| Open science | 0.001 | 0.000 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.002 | 0.000 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".