Incorporating biophysical gradients and uncertainty into burn severity maps in a temperate fire‐prone forested region
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
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 (Rd NBR ) 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 Rd NBR and individual field measures of burn severity changed across several biophysical gradients. For example, the same value of Rd NBR 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 Rd NBR 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.
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 | 0,000 |
| 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 | 0,001 |
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