Modelos de combustibles específicos para comunidades de matorral desarbolado y helechales en Galicia
Bibliographic record
Abstract
[ES] Tanto los simuladores geoespaciales de comportamiento y riesgo de incendio, como los modelos y software de evaluación de efectos y estimación de emisiones suelen utilizar modelos de combustible estándar para simplificar la recogida de datos y la inclusión de escenarios de combustible complejos. Es habitual generar cartografía de estos modelos utilizando información obtenida de sensores remotos. Sin embargo, dada la gran complejidad de los complejos de combustible, con propiedades que varían ampliamente tanto en el tiempo como en el espacio, el uso de modelos estándar puede limitar en gran medida la precisión de la cartografía generada. Esto afecta a la evaluación del riesgo de incendio, a la planificación de tratamientos de gestión del combustible, a la toma de decisiones en durante la extinción y a la evaluación del impacto medioambiental de los incendios. En este estudio se han desarrollado modelos de combustible personalizados y específicos para comunidades de matorral desarbolado y helechales, utilizando el análisis clúster k-medoids basado tanto en las características estructurales del combustible como en el comportamiento potencial del fuego. Para ello, utilizamos una base de datos de 722 parcelas con muestreo destructivo distribuidas entre nueve comunidades diferentes de matorral y helechal y cubriendo toda el área de distribución de estas comunidades en Galicia, una de las regiones de Europa más afectadas por los incendios forestales. Se utilizaron variables estructurales como la cobertura, la altura media y las cargas de fracciones de combustible diferenciadas por tamaño y estado vegetativo (vivo o muerto) para estimar el comportamiento del fuego potencial incluyendo la velocidad de propagación (utilizando cinco modelos diferentes, tres empíricos, uno semifísico y uno físico), la intensidad lineal, el calor por unidad de superficie y la longitud de la llama en cada lugar de muestreo y considerando condiciones ambientales extremas. El número óptimo de grupos se estableció combinando el conocimiento sobre el terreno de las comunidades de matorral objeto de estudio y de su comportamiento de fuego asociado, con la maximización del valor medio de la variable silhouette y la minimización de la suma de cuadrados de las distancias entre observaciones dentro de cada grupo. Las características estructurales de la parcela representativa de cada grupo (medoide) se asociaron a cada uno de los cuatro modelos de combustible propuestos para comunidades de matorral y a los dos modelos de combustible propuestos para helechales. Finalmente, se desarrolló una clasificación dicotómica simple basada únicamente en la altura del matorral que facilitará el desarrollo de mapas de modelos de combustible espacialmente explícitos basados en datos de teledetección. Por tanto, la metodología aplicada permite generar una representación más realista de la distribución del combustible en el paisaje, basada en mediciones de la estructura del combustible de ecosistemas regionales naturales en lugar del uso de modelos estándar. Creemos que la metodología propuesta podría generalizarse a comunidades compuestas por otras especies de matorral o helechos de diferentes regiones biogeográficas, ampliando así su aplicabilidad.
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 distilled prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. Learned from the 10,348 direct Codex labels and 10,348 direct Gemma labels. Candidate is the union of thresholded teacher heads; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels or direct frontier model labels.
Codex and Gemma teacher scores by category
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.001 | 0.000 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.000 |
| Bibliometrics | 0.000 | 0.001 |
| Science and technology studies | 0.001 | 0.000 |
| Scholarly communication | 0.001 | 0.001 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.001 | 0.001 |
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; both teacher heads agree on what is shown here.
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".