Multi-sensor, multi-scale, Bayesian data synthesis for mapping within-year wildfire progression
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
As freely available remotely sensed data sources proliferate, the ability to combine imagery with high spatial and temporal resolutions enables applications aimed at near-term disturbance detection. In this case study, we present methods for synthesizing burned-area information from multiple sources to map the active phase of the Elephant Hill fire from the 2017 fire season in British Columbia. We used the Bayesian Updating of Land Cover (BULC) algorithm to merge burned-area classifications from a range of remote-sensing sources such as Landsat-8, Sentinel-2, and MODIS. We created provisional classifications by comparing the post-fire Normalized Burn Ratio against pre-fire image composite within the fire boundary provided by the Province of British Columbia. BULC fused the classifications in Google Earth Engine, producing a cohesive time-series stack with updated burned areas for 19 distinct days. The fire burned unevenly throughout its lifespan: a rapid burn phase of 53,097 ha in two weeks by late July, a steady burn phase to 60,000 ha until late August, an accelerated burn phase of 95,766 ha until mid-September, and containment at 203,560 ha in October. The highly automated methods presented herein can synthesize multi-source fire classifications for active phase monitoring both retrospectively and in near-real-time.
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 | 0,001 | 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 | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,001 |
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