thumbnail

Springer Science and Business Media LLC

SCIE-ISI SCOPUS (2009-2023)

 

  1933-9747

 

Cơ quản chủ quản:  Association for Fire Ecology , SPRINGER

Lĩnh vực:
Environmental Science (miscellaneous)ForestryEcology, Evolution, Behavior and Systematics

Các bài báo tiêu biểu

Post-Fire Burn Severity and Vegetation Response Following Eight Large Wildfires Across the Western United States
Tập 3 Số 1 - Trang 91-108 - 2007
Leigh B. Lentile, Penelope Morgan, Andrew T. Hudak, Michael J. Bobbitt, Sarah A. Lewis, Alistair M. S. Smith, Peter R. Robichaud
Twenty-first century California, USA, wildfires: fuel-dominated vs. wind-dominated fires
Tập 15 Số 1 - 2019
Jon E. Keeley, Alexandra D. Syphard
Fire Regime Attributes of Wildland Fires in Yosemite National Park, USA
Tập 3 Số 2 - Trang 34-52 - 2007
Jan W. van Wagtendonk, James A. Lutz
A Way Forward for Fire-Caused Tree Mortality Prediction: Modeling A Physiological Consequence of Fire
Tập 6 Số 1 - Trang 80-94 - 2010
Kathleen L. Kavanagh, Matthew B. Dickinson, Anthony Bova
Fire Effects on Wildlife in the Central Hardwoods and Appalachian Regions, USA
- 2016
Craig A. Harper, W. Mark Ford, Marcus A. Lashley, Christopher E. Moorman, Michael C. Stambaugh
Dự Đoán Diện Tích Cháy Rừng: Một Phương Pháp Trí Tuệ Nhân Tạo Dịch bởi AI
Mauro Castelli, Leonardo Vanneschi, Aleš Popovič
Tóm tắt

Các vụ cháy rừng có ảnh hưởng quan trọng đến môi trường và đời sống của chúng ta. Khả năng dự đoán chính xác diện tích có thể bị ảnh hưởng trong một sự kiện cháy rừng có thể giúp tối ưu hóa các nỗ lực quản lý cháy. Với sự phức tạp của nhiệm vụ này, cần có các công cụ tính toán mạnh mẽ để dự đoán diện tích sẽ bị cháy trong một vụ cháy rừng. Mục đích của nghiên cứu này là phát triển một hệ thống thông minh dựa trên lập trình di truyền để dự đoán các khu vực bị cháy, chỉ sử dụng dữ liệu liên quan đến rừng đang phân tích và dữ liệu khí tượng. Chúng tôi đã sử dụng lập trình di truyền hình học dựa trên các toán tử hình học đã được định nghĩa gần đây cho lập trình di truyền. Kết quả thí nghiệm, đạt được bằng cách sử dụng cơ sở dữ liệu của 517 sự kiện cháy rừng từ năm 2000 đến 2003, đã cho thấy tính thích hợp của hệ thống đã đề xuất trong việc dự đoán các khu vực bị cháy. Cụ thể, các kết quả đạt được với lập trình di truyền hình học tốt hơn đáng kể so với những gì được tạo ra bởi lập trình di truyền tiêu chuẩn và các phương pháp học máy tiên tiến khác trên cả dữ liệu huấn luyện và dữ liệu ngoài mẫu. Nghiên cứu này cho thấy việc điều tra sâu hơn về lập trình di truyền trong lĩnh vực dự đoán cháy rừng có thể mang lại hiệu quả cao.

Fire decreases arthropod abundance but increases diversity: Early and late season prescribed fire effects in a Sierra Nevada mixed-conifer forest
Tập 2 Số 2 - Trang 79-102 - 2006
Scott Ferrenberg, Dylan W. Schwilk, Eric E. Knapp, Eric Groth, Jon E. Keeley
Fires Following Bark Beetles: Factors Controlling Severity and Disturbance Interactions in Ponderosa Pine
Tập 13 Số 3 - Trang 1-23 - 2017
Carolyn Hull Sieg, Rodman R. Linn, François Pimont, Chad Hoffman, Joel D. McMillin, Judith Winterkamp, L. Scott Baggett
Assessing Accuracy of Manually-mapped Wildfire Perimeters in Topographically Dissected Areas
Tập 3 Số 1 - Trang 22-31 - 2007
Crystal A. Kolden, Peter J. Weisberg
Relating Fire-Caused Change in Forest Structure to Remotely Sensed Estimates of Fire Severity
- 2016
Jamie M. Lydersen, Brandon M. Collins, Jay Miller, Danny L. Fry, Scott L. Stephens