Assessing burn severity and vegetation restoration in Alberta’s boreal forests following the 2016 Fort McMurray wildfire – a remote sensing time-series study
Notice bibliographique
Résumé
Forest fires play a crucial role in resetting boreal ecosystems and steering ecological succession dynamics. However, the escalating impacts of global climate change are anticipated to increase the frequency, intensity, and size of wildfires, leading to significant economic, ecological, and social consequences. To effectively address fire risk and optimize post-fire management strategies, close monitoring, assessment, and understanding of the spatial heterogeneity of wildfires and their impacts are essential. Remote sensing, with its extensive historical records, provides a cost-effective means to examine wildfires. This study focuses on a significant wildfire event that occurred in May 2016 that made a substantial impact on Fort McMurray, Alberta, Canada. Using the Google Earth Engine (GEE) Platform, Landsat images time series covering pre- and post-fire (2015 to 2023), and land cover maps, we delineated the fire’s extent and conducted a comprehensive assessment of variations in burn severity and subsequent vegetation recovery. The Differenced Normalized Burn Ratio (dNBR) was calculated from Landsat images to measure burn extent, burn severity, and burn spatial variability. The Normalized Difference Vegetation Index (NDVI) was used for post-fire vegetation recovery analysis. Our findings reveal that 53.5% of the burn area experienced fire damage. Swamps and forests experienced the most intense burns (dNBR of 0.55 for swamps and 0.41 for forests) due to denser vegetation and biomass. Grasslands had moderate burn severity (dNBR of 0.281). In contrast, bogs, marshes, and fens showed lower dNBR values (0.15, 0.12, and −0.003), indicating low to no burns, likely due to their wetter conditions acting as natural firebreaks. NDVI changes indicate varying rates of vegetation recovery post-wildfire across different land cover types. In fen and marsh areas, NDVI was initially at 0.66 and 0.65 in 2015, dropped slightly in 2016, but rebounded by 2017, showing resilience. Swamps’ NDVI declined from 0.69 in 2015 to 0.46 in 2016, recovering to 0.72 by 2020. Grasslands’ NDVI dropped from 0.81 to 0.64 in 2016, recovering quickly to 0.80 by 2020. Forests’ NDVI decreased from 0.72 to 0.51 in 2016, with a gradual recovery to 0.67 by 2023, suggesting a slower recovery process. While NDVI values indicate a fast vegetation recovery for most land cover types, a deeper analysis suggests a transitional phase where past forests are now dominated by other vegetation types. The findings suggest that fire management strategies must integrate both immediate response and long-term recovery plans to ensure robust fire prevention and adequate rehabilitation resources for affected areas.
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 | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,001 | 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) | 0,001 | 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 ».