Sentinel imagery detects the presence of live trees following large wildfires in California
Notice bibliographique
Résumé
Abstract Identifying live tree presence following wildfire is important for burn damage assessments and decision making, as these trees serve as seed sources for recovery. Satellite-based remote sensing offers an efficient means to assess burn severity with products representing vegetation greenness and char/ash presence and their change from pre- to post-fire imagery. While effective at assessing burn severity (e.g. ecosystem change), there remain limitations in identifying fire refugia (surviving trees), due to the difficulty of teasing apart different green vegetation types (e.g. trees, shrubs, grasses). In this paper, we use 10 m Sentinel-2 satellite data to predict live tree presence across three sites impacted by the 2021 California fire season. We used vegetation indices (VIs) from post-fire imagery (normalized difference vegetation index [NDVI], normalized burn ratio [NBR], normalized difference water index [NDWI], visible atmospherically resistant index [VARI], and burn area index [BAI]), differential VIs from pre- and post-fire imagery (dNDVI, dNBR, RdNBR, dNDWI, dVARI), and direct reflectance bands (all bands model; visible, near-infrared, and shortwave infrared; B1–B12) to predict live tree presence via random forest modeling. To calibrate and validate the random forest models, we photointerpreted ∼2300 pixels per fire region using 2022 National Agriculture Imagery Program imagery. We performed additional field-based validation using tree presence/absence data two years post-fire ( n = 296 observations across two sites). At the site level, the all bands model outperformed the vegetation index-based models (80%–85% vs 65%–79% accuracy). Errors were mainly false positives attributed to pixels with green understory vegetation but no live trees. In cross-site inference, which involved pooling two sites for model calibration to test on the third site, the all bands model retained good performance (76%–81% accuracy). Evaluation against field survey data demonstrated a larger range of performance (50%–87% accuracy) that highlights limitations based on tree isolation and crown percent greenness. Relative to differential-based VIs, our results highlight potential advantages of using post-fire Sentinel-2 imagery and random forest modeling for identifying live tree presence and scaling to full fire extents.
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 | 0,003 | 0,001 |
| 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 | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,001 |
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 ».