Mapping and comparing wildfire progressions using freely available, multi-source satellite data
Notice bibliographique
Résumé
Extreme wildfire seasons are becoming the new normal in Canada, and satellite imagery is a useful way to map these fires as they grow across the vast, fire-prone regions of the country. However, single-date and single-sourced imagery of active fires often contain clouds, flares, smoke, and haze that can create challenges for monitoring burned areas over time. To address this gap, we applied rapid and scalable methods for synthesizing information on fire progressions using freely available satellite imagery, novel image fusion algorithms, and cloud-based data processing platforms. We identified images from Landsat-7, -8, Sentinel-2, and MODIS (MCD64A1 burned-area dataset) for the 2017 and 2018 British Columbia fire seasons that intersect the buffered extents of Canadian wildfires as determined by Canadian National Fire Database. We classified each raw image individually using a standard burned-area classification protocol related to each data source. We used the Bayesian Updating of Land Cover Classifications (BULC) algorithm to create coherent time series from the single-date classifications of optical data sources in Google Earth Engine. From the BULC classification stack, we calculated within-year, intra-annual fire progression metrics to compare satellite-derived fire behaviours between the 2017 and 2018 fire seasons, both at the whole fire season and the individual fire level. End-of-season burned-area estimates corresponded with estimates derived from the National Burned Area Composite (NBAC) product that is generated retrospectively from best-available fire mapping approaches. Additionally, we compared the BULC time series with fire progression estimates from MCD64A1 burned-area dataset to evaluate the influence of spatial resolution on burned-area estimates. Information outputs from this research enable cross-validation of fire behaviour models for different fire seasons and comparison of fire progression metrics between historic fires and fire seasons in Canada. The approach presented can be used to provide rapid and reliable information about active wildland fire progressions to better understand fire growth and associated drivers.
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) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,005 | 0,004 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».