Mapping wildfires in Canada with Landsat MSS to extend the National Burned Area Composite (NBAC) time series back to 1972
Notice bibliographique
Résumé
Background Satellite imaging has improved burned area mapping; however, few studies have taken advantage of the Multi-Spectral Scanner (MSS) in early Landsat satellites, which started acquiring data 10 years earlier than Thematic Mapper (TM). Aims To expand Canada’s National Burned Area Composite (NBAC) annual time series back to 1972 using MSS data and report annual statistics and national trends for 1972–2022. Methods Pre- and post-fire image composites were created using an improved collection of MSS data available from the Google Earth Engine. A Normalized Difference Vegetation Index (NDVI) difference image was adaptively thresholded to extract burned areas, which were then vectorised. To assess accuracy, MSS fire polygons were compared with TM in a year of overlap. Key results Compared with TM, MSS polygons overestimated burned area by 5.6% when the relativised differenced NDVI was used, with significant upward trends for number of fires > 200 ha, fire season length and mean duration of fires. Conclusions MSS is a valuable data source for retrospective mapping of boreal and temperate forest fires where data from finer-resolution sensors are lacking. Implications After the addition of MSS-mapped fires, NBAC is the longest satellite-based time series of annual burned area from individually mapped fires in the world.
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 ».