A long-term satellite-based burned area database for the Northern Boreal Region (1982-2020)
Notice bibliographique
Résumé
Burned Area (BA) is an essential variable to study the Earth’s climate evolution. The boreal forest is one of the largest biomes in the world, spanning North America and Eurasia. For North America, two record fire occurrence databases since the 1950s are available: Alaska Fire Service (AFS) database and the Canadian National Fire Database (CNFDB). However, there are currently no reliable burned area data for the boreal region of Eurasia, mainly Siberia, for the 1980s and 1990s. This work describes the application and technical validation of a Bayesian network algorithm to the Long-Term Data Record version 5, to generate a burned area product at a resolution of 0.05 degrees for the entire boreal region above 60°N from 1982 to 2020. The burned area estimates have been evaluated using high-resolution satellite images, official reference data and the MCD64A1 MODIS global burned area product (when were available). The results show a high correlation with all the reference burned area datasets (95% with AFS-CNFDB, 93% and 95% with MCD64A1 in North America and Eurasia, respectively). The derived database constitutes a unique long-term burned area information for studies of fire and carbon dynamics in the Northern Boreal Region, as well as their effects on the climate system.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,003 |
| 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) | 0,002 | 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 ».