Annual mapping of large forest disturbances across Canada’s forests using 250 m MODIS imagery from 2000 to 2011
Notice bibliographique
Résumé
Disturbances such as fire and harvesting shape forest dynamics and must be accounted for when modelling forest properties. However, acquiring timely disturbance information for all of Canada’s large forest area has always been challenging. Therefore, we developed an approach to detect annual forest change resulting from fire, harvesting, or flooding using Moderate Resolution Imaging Spectroradiometer (MODIS) imagery at 250 m spatial resolution across Canada and to estimate the within-pixel fractional change (FC). When this approach was applied to the period from 2000 to 2011, the accuracy of detection of burnt, harvested, or flooded areas against our validation dataset was 82%, 80%, and 85%, respectively. With FC, 77% of the area burnt and 82% of the area harvested within the validation dataset were correctly identified. The methodology was optimized to reduce the commission error but tended to omit smaller disturbances as a result. For example, the omitted area for harvest blocks greater than 80 ha was less than 14% but increased to between 38% and 50% for harvest blocks of 20 to 30 ha. Detection of burnt and harvested areas in some regions was hindered by persistent haze or cloud cover or by insect outbreaks. All resulting data layers are available as supplementary material.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».