Multi-sensor near-realtime burnt area monitoring using a superpixel-based graph convolutional network approach
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
Recent disastrous wildfire seasons highlight the urgent need for timely and accurate wildfire data to support relief efforts, to monitor the environmental impacts and to inform the public. While satellite-based thermal anomaly data is available in near real-time (NRT), deriving actual fire-affected areas from NRT imagery remains challenging. The proposed methodology combines a superpixel segmentation algorithm with rule-based and deep learning classification techniques to accurately derive burnt areas (BA) in NRT. This approach supports a range of mid- to high-resolution optical sensors and fuses data from diverse sources to continuously refine the burnt area during the monitoring of active fires. The NRT (DLRBAv2NRT) and the refined non-time critical (DLRBAv2NTC) BA product based on mid-resolution Sentinel-3 imagery were produced and tested against established global BA products for wildfire seasons in Greece 2023, British Columbia (Canada) 2023, and Central Chile 2023/2024. DLRBAv2NTC classified BA with the highest accuracies over all study regions (avg. IoU: 0.71; avg. F1-Score: 0.83). Despite its NRT processing capability, the DLRBAv2NRT achieved comparable accuracies (avg. IoU: 0.69; avg. F1-Score: 0.81) and could outperform the well-established and widely used global NASA burnt area product MCD64A1v061 by +2% (IoU) and +1% (F1-Score). Furthermore, the multi-sensor and fusion capability of the methodology was successfully demonstrated for the 2024 Valparaiso fire in Chile. The proposed mapping procedure demonstrates a fully-automated and flexible approach to derive burnt area delineations from satellite data in NRT with high accuracy. This allows for high-frequency monitoring of NRT burnt areas on a global scale.
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 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| 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