Relationships between Satellite-Based Spectral Burned Ratios and Terrestrial Laser Scanning
Notice bibliographique
Résumé
Three-dimensional point data acquired by Terrestrial Lidar Scanning (TLS) is used as ground observation in comparisons with fire severity indices computed from Landsat satellite multi-temporal images through Google Earth Engine (GEE). Forest fires are measured by the extent and severity of fire. Current methods of assessing fire severity are limited to on-site visual inspection or the use of satellite and aerial images to quantify severity over larger areas. On the ground, assessment of fire severity is influenced by the observers’ knowledge of the local ecosystem and ability to accurately assess several forest structure measurements. The objective of this study is to introduce TLS to validate spectral burned ratios obtained from Landsat images. The spectral change was obtained by an image compositing technique through GEE. The 32 plots were collected using TLS in Wood Buffalo National Park, Canada. TLS-generated 3D points were converted to voxels and the counted voxels were compared in four height strata. There was a negative linear relationship between spectral indices and counted voxels in the height strata between 1 to 5 m to produce R2 value of 0.45 and 0.47 for unburned plots and a non-linear relationship in the height strata between 0 to 0.5m for burned plots to produce R2 value of 0.56 and 0.59. Shrub or stand development was related with the spectral indices at unburned plots, and vegetation recovery in the ground surface was related at burned plots. As TLS systems become more cost efficient and portable, techniques used in this study will be useful to produce objective assessments of structure measurements for fire refugia and ecological response after a fire. TLS is especially useful for the quick ground assessments which are needed for forest fire applications.
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 | 0,003 |
| 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 | 0,000 | 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) | 0,001 | 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 ».