Calibrating Satellite-Based Indices of Burn Severity from UAV-Derived Metrics of a Burned Boreal Forest in NWT, Canada
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Wildfires are a dominant disturbance to boreal forests, and in North America, they typically cause widespread tree mortality. Forest fire burn severity is often measured at a plot scale using the Composite Burn Index (CBI), which was originally developed as a means of assigning severity levels to the Normalized Burn Ratio (NBR) computed from Landsat satellite imagery. Our study investigated the potential to map biophysical indicators of burn severity (residual green vegetation and charred organic surface) at very high (3 cm) resolution, using color orthomosaics and vegetation height models derived from UAV-based photographic surveys and Structure from Motion methods. These indicators were scaled to 30 m resolution Landsat pixel footprints and compared to the post-burn NBR (post-NBR) and differenced NBR (dNBR) ratios computed from pre- and post-fire Landsat imagery. The post-NBR showed the strongest relationship to both the fraction of charred surface (exponential R2 = 0.79) and the fraction of green crown vegetation above 5 m (exponential R2 = 0.81), while the dNBR was more closely related to the total green vegetation fraction (exponential R2 = 0.69). Additionally, the UAV green fraction and Landsat indices could individually explain more than 50% of the variance in the overall CBI measured in 39 plots. These results provide a proof-of-concept for using low-cost UAV photogrammetric mapping to quantify key measures of boreal burn severity at landscape scales, which could be used to calibrate and assign a biophysical meaning to Landsat spectral indices for mapping severity at regional scales.
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.
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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 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 découle