UC–Change: a classification-based time series change detection technique for improved forest disturbance mapping using multi-sensor imagery
Notice bibliographique
Résumé
Unsupervised Classification to Change (UC–Change) is a versatile technique that detects forest disturbances in satellite images by analyzing changes in the spatial distribution of spectral classes over time. This approach can fully utilize the spectral resolution of individual sensors without requiring atmospheric correction or radiometric normalization. Resulting multisensor capabilities set UC–Change apart from established time-series change detection methods, such as Continuous Change Detection and Classification (CCDC), LandTrendr, Composite2Change (C2C), and Global Forest Change (GFC). With the growing number of Earth observation satellites, the ability to utilize diverse datasets is increasingly important for extracting information relevant to sustainable natural resource management. The algorithm’s effectiveness is demonstrated using a dataset containing 275 Landsat and Sentinel–2 images acquired over a forested area in British Columbia, Canada, from 1972 to 2020. The 100 km × 100 km study site has been actively harvested in recent decades and experienced many wildfires and a mountain pine beetle (MPB) outbreak. The spatio-temporal accuracy of clearcut and fire-scar detection was assessed using the Vegetation Resources Inventory (VRI) and National Burned Area Composite (NBAC) products, respectively, and compared against the C2C 1985 – 2020, CCDC 2002 – 2019, and GFC 2001 – 2022 maps available online. Overall, the UC–Change algorithm detected 85.2 % of the reference VRI 1974 – 2018 cutblock pixels at a temporal resolution of ± 1 year (90.3 % at ± 3 years). It detected 86.0 % of 1985 – 2018 VRI pixels, outperforming C2C (58.8 %). For the period 2002 – 2018, UC–Change mapped 87.1 % of the reference cutblock pixels, exceeding C2C (54.5 %), CCDC (74.0 %), and GFC (70.4 %). UC–Change, C2C, CCDC, and GFC detected 71.0 %, 54.6 %, 37.4 %, and 67.2 % of 2006 – 2018 reference forest fire pixels, respectively. UC–Change provided improved forest harvest and fire-scar detection in areas heavily affected by the MPB outbreak and forests characterized by low canopy cover. It represents a new, fundamentally different approach to time-series analysis, suitable for independent use or in concert with existing methods.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,004 | 0,003 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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; un appel candidat d’une seule source (Gemma direct ou Codex distillé), 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 ».