Extending Canadian forest disturbance history maps prior to 1985
Notice bibliographique
Résumé
Abstract An accurate depiction of wildfire, harvesting, and insect outbreak disturbances is essential for sustainable ecosystem management of forests in Canada. Even though the advent of temporally consistent 30‐m resolution Landsat data has enabled the detailed mapping of forest disturbances in Canada from 1985 onward, the disturbance record prior to 1985 remains sparse. This study aimed to extend the existing pre‐1985 disturbance history record by mapping wildfire, harvest, and insect outbreaks in Canadian forests between 1965 and 1984. Our geospatial data processing methodology relied on multilayer perceptrons (MLP) trained on spectral recovery signatures to map and age these disturbances. Our model detected approximately 4.8, 7.3, and 3.8 million ha of burnt, harvested, and insect‐ravaged forest areas, respectively, that were absent from national and provincial disturbance databases and forest inventories. Results were validated using both internal and external validation datasets. Our disturbance detection methodology was highly effective, with an internal validation kappa score of 0.91 and an external score of 0.81. The fire and harvest age disturbance MLPs, whose predictions can also be used as a proxy of forest stand age, performed adequately on the internal (fire R2 = 0.675; root mean squared error [RMSE] = 4.42; harvest R2 = 0.723; RMSE = 3.17) and external validation datasets (fire R2 = 0.242; RMSE = 4.69; harvest R2 = 0.257; RMSE = 5.46), outperforming existing forest age disturbance products. Finally, we relied on several open data products, such as provincial forest inventories, to correct our disturbance type and year prediction whenever these more reliable, but incomplete, data sources were available. Specific years were not assigned to insect outbreaks due to the lack of dependable training and validation data. We also illustrate how extending the existing forest disturbance record by 20 years may provide a more in‐depth understanding of landscape‐disturbance dynamics with a case study of the 2023 Canadian wildfire season.
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 | 0,002 | 0,003 |
| Études des sciences et des technologies | 0,001 | 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) | 0,001 | 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 ».