Quantifying Wildfire Dynamics Through Spatio-Temporal Clustering and Remote Sensing Metrics: The 2023 Quebec Case Study
Notice bibliographique
Résumé
Wildfires have become increasingly frequent and destructive environmental hazards, especially in boreal ecosystems facing prolonged droughts and temperature extremes. This study presents an integrated spatio-temporal framework that combines Spatio-Temporal Density-Based Spatial Clustering of Applications with Noise (ST-DBSCAN), Fire Radiative Power (FRP), and the differenced Normalized Burn Ratio (ΔNBR) to characterize the dynamics and ecological impacts of large-scale wildfires, using the extreme 2023 Quebec fire season as a case study. The analysis of 80,228 VIIRS fire detections resulted in 19 distinct clusters across four fire zones. Validation against the National Burned Area Composite (NBAC) showed high spatial agreement in densely burned areas, with Intersection over Union (IoU) scores reaching 62.6%. Gaussian Process Regression (GPR) revealed significant non-linear relationships between FRP and key fire behavior metrics. Higher mean FRP was associated with both longer durations and greater burn severity. While FRP was also linked to faster spread rates, this relationship varied by zone. Notably, Fire Zone 2 exhibited the most severe ecological impact, with 83.8% of the area classified as high-severity burn. These findings demonstrate the value of integrating spatial clustering, radiative intensity, and post-fire vegetation damage into a unified analytical framework. Unlike traditional methods, this approach enables scalable, hypothesis-driven assessment of fire behavior, supporting improved fire management, ecosystem recovery planning, and climate resilience efforts in fire-prone regions.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 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 ».