Machine Learning Prediction of Early-Season Wildfire Risk in Ghana’s Guinea Savannah Using Multi-Source Data and CMIP6 Climate Scenarios
Cette étude développe et évalue un prototype d'apprentissage automatique performant pour prédire le risque de feux de brousse en début de saison dans la savane guinéenne du Ghana en intégrant des données environnementales et humaines multi-sources, démontrant une précision supérieure par rapport aux indices traditionnels tout en offrant des projections futures illustratives sous les scénarios climatiques du CMIP6, avec la réserve qu'il demeure un outil de recherche plutôt qu'un système d'alerte opérationnel pleinement validé.