Burned Area Detection in the Eastern Canadian Boreal Forest Using a Multi-Layer Perceptron and MODIS-Derived Features
Notice bibliographique
Résumé
Wildfires play a critical role in boreal forest ecosystems, yet their increasing frequency poses significant challenges for carbon emissions, ecosystem stability, and fire management. Accurate burned area detection is essential for assessing post-fire landscape recovery and fire-induced carbon fluxes. This study develops, compares, and optimizes machine learning (ML)-based models for burned area classification in the eastern Canadian boreal forest from 2000 to 2023 using MODIS-derived features extracted from Google Earth Engine (GEE), and the feature extraction includes maximum, minimum, mean, and median values per feature to enhance spectral representation and reduce noise. The dataset was randomly split into training (70%), validation (15%), and testing (15%) sets for model development and assessment. Combined labels were used due to class imbalance, and the model performance was assessed using kappa and the F1-score. Among the ML techniques tested, deep learning (DL) with a Multi-Layer Perceptron (MLP) outperformed Support Vector Machines (SVMs) and Random Forest (RF) by demonstrating superior classification accuracy in detecting burned area. It achieved an F1-score of 0.89 for burned pixels, confirming its potential for improving the long-term wildfire monitoring and management in boreal forests. Despite the computational demands of processing large-scale remote sensing data at 250 m resolution, the MLP modeling approach that we used provides an efficient, effective, and scalable solution for long-term burned area detection. These findings underscore the importance of tuning both network architecture and regularization parameters to improve the classification of burned pixels, enhancing the model robustness and generalizability.
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 | 0,000 | 0,000 |
| 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; un appel candidat d’une seule tête enseignante, 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 ».