Landsat assessment of variable spectral recovery linked to post-fire forest structure in dry sub-boreal forests
Notice bibliographique
Résumé
Forest disturbances such as wildfires can dramatically alter forest structure and composition, increasing the likelihood of ecosystem changes. Up-to-date and accurate measures of post-disturbance forest recovery in managed forests are critical, particularly for silvicultural planning. Measuring the live and dead vegetation post-fire is challenging because areas impacted by wildfire may be remote, difficult to access, and/or dangerous to survey. The difficulties of post-fire monitoring are compounded by the global increase in the frequency and severity of disturbances, as expansion of disturbed areas also increases the number and size of areas requiring post-disturbance monitoring. Methods that safely, efficiently, and extensively differentiate silviculturally beneficial coniferous growth from barren ground or deciduous shrubs are necessary to inform post-fire forest management. Satellite imagery can detect burn patterns, but monitoring changes in forest structure post fire is challenging due to complex vegetation responses. To overcome this challenge, this study combines post-disturbance spectral trajectory measures from a time series of historical Landsat imagery with field and remotely piloted aircraft (RPA) lidar (light detection and ranging) data to examine vegetation recovery of lodgepole pine (Pinus contorta) dominated sub-boreal forests after high-severity fires in 2006 in central British Columbia, Canada. Distinct spectral recovery trajectories were identified using data-clustering from a combination of seven Landsat spectral indices, with trajectories varying by recovery magnitude and rate. The forest structure associated with each distinct trajectory of spectral recovery was analyzed using 430 ha of spatially explicit forest structure measures (e.g., basal area, stem counts) and composition (e.g., percent coniferous) derived from 26 coincident field plots and high density RPA lidar (>200 points/m2) data. By comparing spectral trajectories to forest structure measures, we found the most spatially abundant cluster of spectral recovery coincided with a basal area of 0.62 m2/ha, high stem densities (>5000 stems/ha) and a high abundance of coniferous trees (>95 % coniferous). Around 10 % of the landscape was associated with relatively high abundance of deciduous vegetation (>20 %) in addition to very high conifer stem densities (>8000 stems/ha). By identifying the structural characteristics associated with unique Landsat spectral trajectories, we highlight the combined value of RPA lidar data and satellite image time series in providing a detailed and spatially explicit characterization of post-fire recovery relevant to managed forests.
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 | 0,000 | 0,001 |
| 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 | 0,000 |
| 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 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 ».