Giving Ecological Meaning to Satellite-Derived Fire Severity Metrics across North American Forests
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
Satellite-derived spectral indices such as the relativized burn ratio (RBR) allow fire severity maps to be produced in a relatively straightforward manner across multiple fires and broad spatial extents. These indices often have strong relationships with field-based measurements of fire severity, thereby justifying their widespread use in management and science. However, satellite-derived spectral indices have been criticized because their non-standardized units render them difficult to interpret relative to on-the-ground fire effects. In this study, we built a Random Forest model describing a field-based measure of fire severity, the composite burn index (CBI), as a function of multiple spectral indices, a variable representing spatial variability in climate, and latitude. CBI data primarily representing forested vegetation from 263 fires (8075 plots) across the United States and Canada were used to build the model. Overall, the model performed well, with a cross-validated R2 of 0.72, though there was spatial variability in model performance. The model we produced allows for the direct mapping of CBI, which is more interpretable compared to spectral indices. Moreover, because the model and all spectral explanatory variables were produced in Google Earth Engine, predicting and mapping of CBI can realistically be undertaken on hundreds to thousands of fires. We provide all necessary code to execute the model and produce maps of CBI in Earth Engine. This study and its products will be extremely useful to managers and scientists in North America who wish to map fire effects over large landscapes or regions.
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 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) | 0,000 | 0,002 |
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