New techniques for old fires: Using deep learning to augment fire maps from the early satellite era
Notice bibliographique
Résumé
Disturbances such as fire play a critical role in forest ecosystems. However, anthropogenic fires can profoundly impact forests to the point of destabilizing ecosystems. In addition, fires have legacy effects on environments which may be observed in forests for decades after the fire is extinguished. Thus, understanding the extent of historic fires in a landscape is vital to understanding current forest structure and ecological processes (e.g., carbon sequestration capacity and provision of habitat) and, therefore, essential for informing land-management decisions. However, little work has been done to map forest fires pre 1980s due to the challenges of interpreting imagery from the 1970s-era Landsat Multispectral Scanner (MSS) platform. MSS imagery is distinguished from recent satellite missions through lower temporal, spatial, and spectral resolutions. Recent advances in image processing have brought the goal of high-quality MSS classifications within reach. In this study, we use deep learning, specifically UNet (a fully convolutional neural network (CNN)), to detect historic forest fires in MSS imagery for the forest-dominated regions of Quebec, Canada. While other studies have applied deep learning to present-day satellite data for land cover classification, hardly any work has specifically applied deep learning to MSS data for fire detection. We trained our UNet model on 206 MSS images that were labelled by applying thresholds to the Burned Area Index inside polygons drawn by the authors around burned areas. We then used the trained model to label burns in 5104 MSS images that were compiled to generate annual burned area maps. Our results identified (with a 95% confidence interval) 3503.95 ± 484.90 km2 of burns not previously reported in any database; this represents a 35.30 ± 3.94% increase in the total known burned area across the forest-dominated regions of Quebec between 1973 and 1982.
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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,002 | 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 | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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; 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 ».