Fire has been an integral part of the Earth for millennia. Several recent wildfires have exhibited an unprecedented spatial and temporal extent and their control is beyond national firefighting capabilities. Prescribed or controlled burning treatments are debated as a potential measure for ameliorating the spread and intensity of wildfires. Machine learning analysis using random forests was performed in a spatio-temporal data set comprising a large number of savanna fires across 22 years. Results indicate that fire return interval was not an important predictor of fire spread rate or fire intensity, having a feature importance of 3.5%, among eight other predictor variables. Manipulating burn seasonality showed a feature importance of 6% or less regarding fire spread rate or fire intensity. While manipulated fire return interval and seasonality moderated both fire spread rate and intensity, their overall effects were low in comparison with meteorological (hydrological and climatic) variables. The variables with the highest feature importance regarding fire spread rate resulted in fuel moisture with 21%, relative humidity with 15%, wind speed with 14%, and last years rainfall with 14%. The variables with the highest feature importance regarding fire intensity included fuel load with 21.5%, fuel moisture with 16.5%, relative humidity with 12.5%, air temperature with 12.5%, and rainfall with 12.5%. Predicting fire spread rate and intensity has been a poor endeavour thus far and we show that more data of the variables already monitored would not result in higher predictive accuracy.


翻译:数千年来,火灾一直是地球不可分割的一部分。 最近的几起野火已经展现出前所未有的空间和时间范围,而且其控制超出了国家消防能力。 对限制或控制燃烧处理作为改善野火扩散和强度的潜在措施,可以用来改善野火扩散和强度。 使用随机森林的机器学习分析是在一个由22年大量热带草原火灾组成的时空数据集中进行的。 结果表明,火灾返回间隔不是火率或火烈度的重要预测,在另外8个预测或变数中,火灾蔓延速度或火烈度的显著重要性为3.5%。 火烧季节性调整显示火灾蔓延速度或火烈度的特性重要性为6%或更低。 被操纵的火灾返回间隔和季节性反应减缓了火灾蔓延速度和强度的幅度。 与气象(水利和气候)变量相比,使用随机森林的学习分析效果较低。 火灾蔓延速度具有最高特点的变量导致燃料湿度为21%,相对湿度为15%,风速为14%,降雨量为14 %。 火灾强度最高的变数中,火灾强度最高的变量包括燃料密度为21.5%的准确度,而温度为12.5 %,燃料温度则显示,燃料温度为1.5%,燃料温度为16.5 %,温度为1.5%,而温度为16.5 温度为甚高的数据显示为1.5%,温度为1.5%,温度为1.5%,温度为16.5

0
下载
关闭预览

相关内容

【AAAI2021】对比聚类,Contrastive Clustering
专知会员服务
76+阅读 · 2021年1月30日
【AAAI2021】记忆门控循环网络
专知会员服务
48+阅读 · 2020年12月28日
【AAAI2021】 层次图胶囊网络
专知会员服务
82+阅读 · 2020年12月18日
专知会员服务
61+阅读 · 2020年3月4日
【SIGGRAPH2019】TensorFlow 2.0深度学习计算机图形学应用
专知会员服务
39+阅读 · 2019年10月9日
Transferring Knowledge across Learning Processes
CreateAMind
27+阅读 · 2019年5月18日
计算机 | EMNLP 2019等国际会议信息6条
Call4Papers
18+阅读 · 2019年4月26日
【TED】生命中的每一年的智慧
英语演讲视频每日一推
9+阅读 · 2019年1月29日
Unsupervised Learning via Meta-Learning
CreateAMind
42+阅读 · 2019年1月3日
A Technical Overview of AI & ML in 2018 & Trends for 2019
待字闺中
16+阅读 · 2018年12月24日
Disentangled的假设的探讨
CreateAMind
9+阅读 · 2018年12月10日
disentangled-representation-papers
CreateAMind
26+阅读 · 2018年9月12日
二值多视角聚类:Binary Multi-View Clustering
我爱读PAMI
4+阅读 · 2018年6月24日
【TED】同情心的进化论
英语演讲视频每日一推
3+阅读 · 2017年8月16日
【今日新增】IEEE Trans.专刊截稿信息8条
Call4Papers
7+阅读 · 2017年6月29日
Arxiv
0+阅读 · 2021年3月21日
Arxiv
14+阅读 · 2020年12月17日
The Measure of Intelligence
Arxiv
6+阅读 · 2019年11月5日
VIP会员
相关VIP内容
【AAAI2021】对比聚类,Contrastive Clustering
专知会员服务
76+阅读 · 2021年1月30日
【AAAI2021】记忆门控循环网络
专知会员服务
48+阅读 · 2020年12月28日
【AAAI2021】 层次图胶囊网络
专知会员服务
82+阅读 · 2020年12月18日
专知会员服务
61+阅读 · 2020年3月4日
【SIGGRAPH2019】TensorFlow 2.0深度学习计算机图形学应用
专知会员服务
39+阅读 · 2019年10月9日
相关资讯
Transferring Knowledge across Learning Processes
CreateAMind
27+阅读 · 2019年5月18日
计算机 | EMNLP 2019等国际会议信息6条
Call4Papers
18+阅读 · 2019年4月26日
【TED】生命中的每一年的智慧
英语演讲视频每日一推
9+阅读 · 2019年1月29日
Unsupervised Learning via Meta-Learning
CreateAMind
42+阅读 · 2019年1月3日
A Technical Overview of AI & ML in 2018 & Trends for 2019
待字闺中
16+阅读 · 2018年12月24日
Disentangled的假设的探讨
CreateAMind
9+阅读 · 2018年12月10日
disentangled-representation-papers
CreateAMind
26+阅读 · 2018年9月12日
二值多视角聚类:Binary Multi-View Clustering
我爱读PAMI
4+阅读 · 2018年6月24日
【TED】同情心的进化论
英语演讲视频每日一推
3+阅读 · 2017年8月16日
【今日新增】IEEE Trans.专刊截稿信息8条
Call4Papers
7+阅读 · 2017年6月29日
Top
微信扫码咨询专知VIP会员