Temporal dependence of burn severity assessment in Siberian larch (Larix sibirica) forest of northern Mongolia using remotely sensed data
Notice bibliographique
Résumé
Assessing burn severity is critical for understanding both the short- and long-term effects of fire disturbance on forest ecosystems. This study proposed a methodology to reconstruct burn severity from the Landsat imagery at different time lags after a fire (≤18 years) in Siberian larch (Larix sibirica) forest. The estimated accuracy of the burn severity models we developed indicated strong effects of forest recovery, image acquisition date and remote sensing predictors on the burn severity assessment. In the first several years after the fire, the dNBR (differenced Normalized Burn Ratio) was the most important remotely sensed index for assessing burn severity, followed by the dNDMI (differenced Normalized Difference Moisture Index) and dNDVI (differenced Normalized Difference Vegetation Index). However, the dNDMI was more important than the dNBR and dNDVI in explaining burn severity when larch forest regrowth dominated. The overall accuracy of the classification and regression tree models showed a decrease in accuracy from 83% to 62% depending on the lag times of burn severity assessment. The high severity class had the lowest omission and commission errors, followed by the low and moderate classes among lag times. Our evaluation of model transferability and thresholds of burn severity index demonstrates the advantage of the proposed methodology for rapid assessment of fire effects in boreal larch forest that will assist in understanding the complex relationships among forest fires and ecological processes in Eurasian boreal ecosystems.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 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 ».