Refined burned-area mapping protocol using Sentinel-2 data increases estimate of 2019 Indonesian burning
Notice bibliographique
Résumé
Abstract. Like many tropical forest nations, Indonesia is challenged by landscape fires. A confident understanding of the area and distribution of burning is crucial to understanding the implications of these fires and how they might best be reduced. Given uncertainties surrounding different burned-area estimates, and the substantial differences that arise using different approaches, the accuracy, and merits of such estimates require formal examination. Despite investment in fire mitigation measures since the severe El-Niño 2015 fire season, severe burning struck Indonesia again in late 2019. Here, drawing on Sentinel-2 satellite time-series analysis, we present and validate new 2019 burned-area estimates for Indonesia. The corresponding burned-area map is available at: https://doi.org/10.5281/zenodo.4551243. We show that > 3.11 million hectares (Mha) burned in 2019, 31 % of which on peatlands. This burned-area extent is double the Landsat-derived Official estimate of 1.64 Mha from the Indonesian Ministry of Environment and Forestry, and 50 % more that the MODIS MCD64A1 burned-area estimate of 2.03 Mha. It has greater reliability as these alternatives, attaining a user’s accuracy of 97.9 % (CI: 97.1 %–98.8 %) compared to 95.1 % (CI: 93.5 %–96.7 %) and 76 % (CI: 73.3 %–78.7 %), respectively. It omits fewer burned areas, particularly smaller- (< 100 ha) to intermediate-sized (1000 ha) burn scars, attaining a producer’s accuracy of 75.6 % (CI: 68.3 %–83.0 %) compared to 49.5 % (CI: 42.5 %–56.6 %) and 53.1 % (CI: 45.8 %–60.5 %), respectively. The frequency–area distribution of the Sentinel-2 burn scars follows the apparent fractal-like power-law or “pareto” pattern often reported in other extensive fire studies, suggesting good detection over several magnitudes of scale. Our relatively accurate estimates have important implications for carbon-emission calculations from forest and peatland fires in Indonesia. Our approach is amenable to the ongoing production of accurate annual burned-area maps for environmental monitoring and policy in South-East Asia.
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 | 0,002 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 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) | 0,003 | 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 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 ».