Visualization of Post-Fire Remote Sensing Using CiteSpace: A Bibliometric Analysis
Notice bibliographique
Résumé
At present, remote sensing serves as a key approach to track ecological recovery after fires. However, systematic and quantitative research on the research progress of post-fire remote sensing remains insufficient. This study presents the first global bibliometric analysis of post-fire remote sensing research (1994–2024), analyzing 1155 Web of Science publications and using CiteSpace to reveal critical trends and gaps. The key findings include the following: As multi-sensor remote sensing and big data technologies evolve, the research focus is increasingly pivoting toward interdisciplinary, multi-scale, and intelligent methodologies. Since 2020, AI-driven technologies such as machine learning have become research hotspots and continue to grow. In the future, more extensive time-series monitoring, holistic evaluations under compound disturbances, and enhanced fire management strategies will be required to addressing the global climate change challenge and sustainability. The USA, Canada, China, and multiple European nations work jointly on fire ecology research and technology development, but Africa, as a high wildfire-incidence area, currently lacks appropriate local research. Remote sensing of the environment and remote sensing and forests maintain a pivotal role in scholarly impact and information exchange. This work redefines post-fire remote sensing as a nexus of ecological urgency and social justice, demanding inclusive innovation to address climate-driven post-fire recovery regimes.
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 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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,015 | 0,155 |
| Études des sciences et des technologies | 0,000 | 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 découleClassification
machine, non validéePrédiction automatique; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».