Satellite-based mapping of Canadian boreal forest fires: Evaluation and comparison of algorithms
Notice bibliographique
Résumé
This paper evaluates annual fire maps that were produced from NOAA-14/AVHRR imagery using an algorithm described in a companion paper (Li et al., International Journal of Remote Sensing, 21, 3057-3069, 2000 (this issue)). Burned area masks covering the Canadian boreal forest were created by compositing the daily maps of fire hot spots over the summer and by examining Normalized Difference Vegetation Index (NDVI) changes after burning. Both masks were compared with fire polygons derived by Canadian fire agencies through aerial surveillance. It was found that the majority of fire events were captured by the satellite-based techniques, but burnt area was generally underestimated. The burn boundary formed by the fire pixels detected by satellite were in good agreement with the polygons boundaries within which, however, there were some fires missed by the satellite. The presence of clouds and low sampling frequency of satellite observation are the two major causes for the underestimation. While this problem is alleviated by taking advantage of NDVI changes, a simple combination of a hot spot technique with a NDVI method is not an ideal solution due to the introduction of new sources of uncertainty. In addition, the performance of the algorithm used in the International Geosphere-Biosphere Programme (IGBP) Data and Information System (IGBPDIS) for global fire detection was evaluated by comparing its results with ours and with the fire agency reports. It was found that the IGBP-DIS algorithm is capable of detecting the majority of fires over the boreal forest, but also includes many false fires over old burned scars created by fires taking place in previous years. A step-by-step comparison between the two algorithms revealed the causes of the problem and recommendations are made to rectify them.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,003 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».