DLSR-FireCNet: A deep learning framework for burned area mapping based on decision level super-resolution
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Widespread availability of Earth observing satellites offer the much-needed information to monitor global wildfire activity. Here, we propose a novel decision level super-resolution deep learning burned area mapping (BAM) model based on the MODIS surface reflectance product, which resolves the limitations associated with both coarse and medium-to-high resolution satellites. Medium-to-high resolution satellite imagery has poor temporal resolution, which is further limited by cloud and aerosol blockage, posing a challenge for timely and accurate BAM. Medium-to-high resolution sensors offer more frequent imagery, but their spatial resolution limits their application for BAM. Our model, dubbed DLSR-FireCNet, comprises two spectral bands (Red and Near-Infrared; 250 m resolution) for deep feature extraction from bi-temporal pre- and post-fire imagery, with a target 30 m resolution BAM. DLSR-FireCNet has a cascading structure to preserve BA edges while alleviating missed detections and false alarms. Trained on 834 large wildfires from 2000 to 2007, the model's performance was rigorously evaluated in 91 out-of-sample large wildfires across the U.S. from 2008 to 2020. With an average Overall Accuracy of 0.98 and a Matthew's correlation coefficient of 0.89, DLSR-FireCNet not only outperformed state-of-the-art U-NET++, U-NET+++, Swin-Unet, and HR-Net models but also showed robust performance across various test areas. Additionally, DLSR-FireCNet markedly outperforms available global MCD64A1 and FireCCI burned area products on the test cases. The proposed model structure offers opportunities to develop accurate, medium-to-high resolution global burned area products for improved monitoring and mitigation of wildfires. • DLSR-FireCNet combines decision-level super-resolution with deep learning to map burned areas from MODIS imagery at enhanced resolution. • Transforms coarse satellite data (250m) to finer resolution (30m), enabling more detailed and frequent burned area monitoring. • Achieves superior accuracy (0.98 Overall, 0.89 Kappa) compared to existing models and global burned area products. • Advances the development of more precise global burned area monitoring, supporting improved wildfire management.
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.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 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) | 0,000 | 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 découle