A comparative analysis of wildfire initial attack containment objectives and modelling strategies in Ontario, Canada

The study aims to examine the sensitivity of different time and size-based IA success definitions on model predictive accuracy and compare different modelling approaches. Using 30 years of historical fire report data from Ontario, Canada (n = 26,171), we developed logistic regression models, bagged classification trees and random forest models to predict IA success for eight different definitions. Model predictive accuracy, sensitivity and specificity were assessed on an independent validation dataset.

L’étude vise à examiner la sensibilité de différentes définitions de la réussite de l’IA, fondées sur le temps et la taille, sur la précision prédictive des modèles, et à comparer différentes approches de modélisation. À l’aide de 30 ans de données historiques issues des rapports sur les feux de forêt en Ontario, au Canada (n = 26 171), nous avons développé des modèles de régression logistique, des arbres de classification « bagged » et des modèles de forêt aléatoire afin de prédire la réussite de l’IA pour huit définitions différentes. La précision prédictive, la sensibilité et la spécificité des modèles ont été évaluées sur un ensemble de données de validation indépendant.