A satellite-based burned area dataset for the northern boreal region from 1982 to 2020
Notice bibliographique
Résumé
Background Fires in the boreal forest occur with natural frequencies and patterns. Burned area (BA) is an essential variable in assessing the impact of climate change in boreal regions. Aims Spatial wildfire occurrence data since the 1950s are available for North America. However, there are no reliable data for Eurasia, mainly for Siberia, during the 1980s and 1990s. Methods A Bayesian-network algorithm was applied to the Long-Term Data Record (LTDR) Version 5 to generate a BA DataSet (BA-LTDR-DS) for the Boreal region from 1982 to 2020, validated using official reference data and compared with the MODIS MCD64A1 product. Key results A high correlation (>93%) with all the reference BA datasets was found. BA-LTDR-DS data grouped by decades estimated a linear increase in BA of 4.47 million ha/decade. This trend provides evidence of how global warming affects fire activity in these boreal forests. Conclusions BA-LTDR-DS constitutes a unique data source for the pre-MODIS era, and becomes a reliable source when other products with higher spatial/spectral resolution are not available. Implications The BA-LTDR-DS dataset constitutes the longest time series developed for the boreal region at this spatial resolution. BA-LTDR-DS could be used as input in global climate models, helping improve wildfire prediction capabilities and understand the interactions between fire, climate and vegetation dynamics.
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) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,002 | 0,003 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 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 ».