Generating annual estimates of forest fire disturbance in Canada: the National Burned Area Composite
Notice bibliographique
Résumé
Determining burned area in Canada across fire management agencies is challenging because of different mapping scales and methods. The inconsistent removal of unburned islands and water features from within burned polygon perimeters further complicates the problem. To improve the determination of burned area, the Canada Centre for Mapping and Earth Observation and the Canadian Forest Service developed the National Burned Area Composite (NBAC). The primary data sources for this tool are an automated system to derive fire polygons from 30-m Landsat imagery (Multi-Acquisition Fire Mapping System) and high-quality agency polygons delineated from imagery with spatial resolution ≤30 m. For fires not mapped by these sources, the Hotspot and Normalized Difference Vegetation Index Differencing Synergy method was used with 250–1000-m satellite data. From 2004 to 2016, the National Burned Area Composite reported an average of 2.26 Mha burned annually, with considerable interannual variability. Independent assessment of Multi-Acquisition Fire Mapping System polygons achieved an average accuracy of 96% relative to burned-area data with high spatial resolution. Confidence intervals for national area burned statistics averaged ±4.3%, suggesting that NBAC contributes relatively little uncertainty to current estimates of the carbon balance of Canada’s forests.
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 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 | 0,000 |
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 tête enseignante, 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 ».