Area burned adjustments to historical wildland fires in Canada
Notice bibliographique
Résumé
Abstract Prior to delineation of fire perimeters from airborne and satellite imagery, fire management agencies in Canada employed conventional methods to map area burned based on sketch mapping, digitization from a global positioning system unit, and point buffering from geographic coordinates. These techniques usually provide a less precise representation of a wildland fire’s size and shape than those derived from image data. The aim of this study is to assess the discrepancy in fire size from these techniques that contribute to uncertainty in area burned. We paired independently generated fire perimeters derived from Landsat satellite imagery with conventional perimeters ( n = 2792; mean area difference per fire = 40.1%), and developed a set of prediction models to estimate a Landsat area burned from conventional perimeters by considering the mapping source, method, agency, and time period. A two-fold cross validation predicting the logarithm of area burned from the models, indicated an R 2 = 0.95 (MAE = 0.10 ha; RMSE = 0.19 ha). From this, we created an adjusted area burned time series from 1950 to 2018 using the model-predicted estimates from conventional perimeters (75% of agency-reported area) in combination with unchanged estimates from agency perimeters derived from airborne and satellite imagery (13% of fires). The predicted estimates reduced the size of individual fires over 2000 ha on average in some years, contributing to an annual average reduction of approximately 11% of the area burned reported in the national agency fire database. By retrospectively applying a robust statistical adjustment to the fire size data, the historical overestimation in annual area burned—up to 1.4 Mha in a single year—could be substantially minimized.
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 | 0,001 | 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 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 découleClassification
machine, non validéePrédiction automatique; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».