Near-real time monitoring of burned area at global scale based on deep learning
Notice bibliographique
Résumé
Recent advances in land surface reflectance modelling and machine learning techniques opened new opportunities for deriving burned area at a near-real time (NRT) basis and globally. Built from these recent advances, this paper describes a new and computationally efficient approach used by the Copernicus Land Monitoring Service (CLMS) to map burned area from Sentinel-3 OLCI&SLSTR reflectance data and VIIRS active fires at NRT within one day after each image acquisition, complemented by a non-time critical (NTC) product delivered several months after. A neural network is designed to predict fractional burned area on a per-pixel basis from time series of surface reflectance data. The neural network is used to generate time series of burned area detection maps, which are revised by active fire detections spatiotemporal densities to filter out areas likely to be related to land surface changes other than fires, such as agricultural practices or fast vegetation senescence. The algorithm was calibrated with data from 2019, and its quality was assessed with data from 2020, along with other global products, through an intercomparison analysis and a validation analysis using a stratified global random sampling of 30 m reference burned area data. The quality assessment included the NRT and NTC products presented here (CLMBA40nrt and CLMBA40ntc, respectively) and other global products available for 2020, the NTC product currently distributed by the CLMS (CLMBA31ntc), the MODIS-MCD64 Collection 6 (MCD64), the Sentinel-3 OLCI Climate Change Service C3SBA11 and the Sentinel-3 OLCI&SLSTR ESA’s Climate Change Initiative Fire Disturbance FIRECCIS311. The accuracies of CLMBA40ntc and CLMBA40nrt (Dice coefficient (DC) 65.0% and 56.5% respectively) are higher than CLMBA31ntc, MCD64 and C3SBA11 (DC ∼45%) and higher and similar, respectively, compared to FIRECCIS311 (DC 56.0%). The new algorithm described here allows for unprecedented accuracy and timeliness of global burned area estimates.
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 ».