Rapid Post-Wildfire Burned Vegetation Assessment with Google Earth Engine (Case Study: 2023 Canada Wildfires)
Notice bibliographique
Résumé
Abstract. Wildfires are significant environmental threats, requiring precise and prompt assessment to mitigate damage and guide recovery efforts. Remote sensing, mainly through satellite imagery multispectral data, provides practical tools for monitoring and evaluating wildfire impacts. Canada experiences significant wildfires each year, causing substantial damage to the country’s environment, particularly its vegetation. This study proposed a fast and efficient method using Google Earth Engine (GEE) cloud-based computing to rapidly assess burned vegetation following a wildfire in Canada in 2023, utilizing Sentinel-2 imagery data. This method computed NDVI, GNDVI, and EVI spectral indices for classifying pre-fire vegetation cover and NBR, dNBR, and MIRBI for classifying post-fire burn severity. These spectral indices served as input data for machine learning models, including K-Nearest Neighbors (KNN), Random Forest (RF), Gradient Boosting Decision Trees (GBDT), and Support Vector Machine (SVM). Ultimately, the results of vegetation cover and burn severity classifications, performed separately by these models, were combined using a decision-level fusion with a weighting approach based on an accuracy approach to produce integrated and final classifications. Subsequently, by overlapping the results of these fused classifications, the burned vegetation was assessed, and its area was estimated. According to the study's results, significant damage was observed in the vegetation after the wildfire. 4489 km2 of the study area, which was a Military Grid Reference System (MGRS) tile with an area of 12,000 km2, was burned due to the wildfire. 34.06% of this area was specifically burned vegetation, equating to approximately 4,088 km2.
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| 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 ».