A machine learning model to predict wildfire burn severity for pre-fire risk assessments, Utah, USA

Background High-severity burned areas can have lasting impacts on vegetation regeneration, carbon dynamics, hydrology, and erosion. While landscape models can predict erosion from burned areas using the differenced normalized burn ratio (dNBR), post-fire erosion modeling has predominantly focused on...

Celý popis

Uloženo v:

Podrobná bibliografie
Vydáno v:	Fire ecology Ročník 21; číslo 1; s. 8
Hlavní autoři:	Klimas, Kipling B., Yocom, Larissa L., Murphy, Brendan P., David, Scott R., Belmont, Patrick, Lutz, James A., DeRose, R. Justin, Wall, Sara A.
Médium:	Journal Article
Jazyk:	angličtina
Vydáno:	Cham Springer International Publishing 01.12.2025 Springer Nature B.V
Témata:	Accuracy Biomedical and Life Sciences Combustion Correlation coefficient Correlation coefficients Ecology Forestry Fuels Geographical locations Hydrology Life Sciences Machine learning Original Research Predictions Risk assessment Vegetation Weather Wildfires United States > US Utah Fire modeling Fire effects Intermountain West Remote sensing Burn severity Machine learning
ISSN:	1933-9747
On-line přístup:	Získat plný text
Tagy:	Přidat tag Žádné tagy, Buďte první, kdo vytvoří štítek k tomuto záznamu!

Buďte první, kdo okomentuje tento záznam!