Reconstructing 34 Years of Fire History in the Wet, Subtropical Vegetation of Hong Kong Using Landsat
Notice bibliographique
Résumé
Burn-area products from remote sensing provide the backbone for research in fire ecology, management, and modelling. Landsat imagery could be used to create an accurate burn-area map time series at ecologically relevant spatial resolutions. However, the low temporal resolution of Landsat has limited its development in wet tropical and subtropical regions due to high cloud cover and rapid burn-area revegetation. Here, we describe a 34-year Landsat-based burn-area product for wet, subtropical Hong Kong. We overcame technical obstacles by adopting a new LTS fire burn-area detection pipeline that (1) Automatically uniformized Landsat scenes by weighted histogram matching; (2) Estimated pixel resemblance to burn areas based on a random forest model trained on the number of days between the fire event and the date of burn-area detection; (3) Iteratively merged features created by thresholding burn-area resemblance to generate burn-area polygons with detection dates; and (4) Estimated the burn severity of burn-area pixels using a time-series compatible approach. When validated with government fire records, we found that the LTS fire product carried a low area of omission (11%) compared with existing burn-area products, such as GABAM (49%), MCD64A1 (72%), and FireCCI51 (96%) while effectively controlling commission errors. Temporally, the LTS fire pipeline dated 76.9% of burn-area polygons within two months of the actual fire event. The product represents the first Landsat-based burn-area product in wet tropical and subtropical Asia that covers the entire time series. We believe that burn-area products generated from algorithms like LTS fire will effectively bridge the gap between remote sensing and field-based studies on wet tropical and subtropical fire ecology.
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 ».