Incorporating biophysical gradients and uncertainty into burn severity maps in a temperate fire‐prone forested region
Notice bibliographique
Résumé
Abstract As forest fire activity increases worldwide, it is important to track changing patterns of burn severity (i.e., degree of fire‐caused ecological change). Satellite data provide critical information across space and time, yet how satellite indices relate to individual measures of burn severity on the ground (e.g., tree mortality or surface charring) and how these relationships change across biophysical gradients remain unclear. To address these knowledge gaps, we used Bayesian hierarchical zero‐one‐inflated beta (ZOIB) regression models with nearly 600 plots of individual field measures of burn severity distributed across the U.S. Rocky Mountains. We asked the following: How do three commonly used satellite indices of burn severity relate to individual field measures of canopy burn severity and forest‐floor burn severity (Q1)? Then, using the highest ranked satellite index, how is reliability affected by biophysical gradients that can be captured in accessible geospatial data (e.g., latitude, slope) (Q2) and stand‐structure data typically available only with field data (Q3)? The Relative differenced Normalized Burn Ratio (RdNBR) outperformed the differenced Normalized Burn Ratio (dNBR) and the Relative Burn Ratio (RBR) across canopy and forest‐floor measures of burn severity, but differences among index performances were minor. Overall, indices performed better for field measures of canopy burn severity than for forest‐floor measures. The relationship between RdNBR and individual field measures of burn severity changed across several biophysical gradients. For example, the same value of RdNBR corresponded to different field levels of burn severity depending on latitude, pre‐fire forest structure, and pre‐fire beetle outbreaks—and effects of biophysical gradients were often different for canopy vs. forest‐floor measures of burn severity. We show that estimating field measures of burn severity using satellite indices can be improved by including biophysical information, but if variables that are difficult to obtain without field data (e.g., pre‐fire beetle outbreak severity) are lacking, we suggest caution in interpreting satellite indices of burn severity across gradients of pre‐fire biophysical conditions. Finally, using an example fire, we illustrate contrasting maps of burn severity that arise from differences in the relationship between individual field measures of burn severity and RdNBR after accounting for error in those relationships.
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 | 0,002 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 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 ».