Identifying long-term burned forests in the rugged terrain of Southwest China:A novel method based on remote sensing and ecological mechanisms
Notice bibliographique
Résumé
Burned forests were detected using remote sensing techniques. Yet, identifying long-term burned forests in the mountains, especially at a large spatial extent, remains a great challenge due to a lack of long-term high-resolution remote sensing data or the unsatisfactory performance of the moderate-resolution remotely sensed data in complex mountain landscapes. Efficient, robust, and cost-effective methods are urgently called for. In this study, we developed a novel method combining remote sensing and ecological mechanisms (short for RSEM-M) with a paired-pixel approach to identify the long-term burned forests in Southwest China, where the terrain is rugged. In mapping burned forests in 2010, the overall accuracy, producer accuracy, user accuracy, Kappa coefficient, and field validation accuracy were 92.27 %, 95.86 %, 88.36 %, 0.85, and 81.16 %, respectively. Compared to the standard procedure and FireCCI51 and MCD64A1 fire products, the RSEM-M shows higher accuracy and consistency in identifying burned forests of different sizes, with fewer invalid pixels, better spatial continuity, and more accurate boundary delineation. Then, using the RSEM-M, we mapped burned forests in Southwest China from 2002 to 2017. The cumulative areas were 37.69 × 10 4 ha. The RSEM-M improved the efficiency and accuracy of long-term burned forest identifications in mountainous landscapes at a large spatial extent.
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| 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 ».