Improved fire severity mapping in the North American boreal forest using a hybrid composite method
Notice bibliographique
Résumé
Abstract Fire severity is a key driver shaping the ecological structure and function of North American boreal ecosystems, a biome dominated by large, high‐intensity wildfires. Satellite‐derived burn severity maps have been an important tool in these remote landscapes for both fire and resource management. The conventional methodology to produce satellite‐inferred fire severity maps generally involves comparing imagery from 1 year before and 1 year after a fire, yet environmental conditions unique to the boreal have limited the accuracy of resulting products. We introduce an alternative method – the ‘hybrid composite’ – based on deriving mean severity over time on a per‐pixel basis within the cloud‐computing environment of Google Earth Engine. It constructs the post‐fire image from satellite data composited from all valid images (i.e., clear‐sky and snow‐free) acquired in the time period immediately after fire through the early growing season of the following year. We compare this approach to paired‐scene and composite approaches where the post‐fire time period is from the growing season 1 year after fire. Validation statistics based on field‐derived data for 52 fires across Alaska and Canada indicate that the hybrid composite method outperforms the other approaches. This approach presents an efficient and cost‐effective means to monitor and explore trends and patterns across broad spatial domains, and could be applied to fires in other regions, especially those with frequent cloud cover or rapid vegetation recovery.
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 | 0,000 |
| 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 ».