Burned area mapping across the Arctic-boreal zone (1985-2020) with Landsat and Sentinel-2 imagery
Notice bibliographique
Résumé
Wildfires in the Arctic-boreal zone have increased in frequency over recent decades, carrying substantial ecological, social, and economic consequences. Remote sensing is crucial for mapping burned areas, monitoring wildfire dynamics, and evaluating their impacts. However, existing high-latitude burned area products suffer from significant discrepancies, particularly in Siberia, and their coarse spatial resolutions limit accuracy and utility. To address these gaps, we developed a convolutional neural network model to map burned areas at a 30-meter resolution across the Arctic-boreal zone using Landsat and Sentinel-2 imagery. Our model achieved promising results, with an Intersection Over Union (IOU) of 0.77 and an F1 score of 0.85 on unseen test data, performing better in North America (IOU=0.84) than Eurasia (IOU=0.72) due to differences in fire regimes and data quality. Predictions for six representative years showed our model’s burned area closely matched the median values of Landsat, MODIS, and VIIRS-based products, although alignment varied annually and spatially. Visual assessments indicated our approach was generally more accurate, notably in detecting unburned vegetation islands within fire perimeters missed by other products. This research has numerous potential applications, such as analyzing feedback between vegetation and burn patterns, characterizing spatial dynamics of unburned islands, and improving carbon emission estimates through detailed burn severity assessments. Here we have provided the primary series of scripts used to achieve the above results. In these scripts we use historical vector fire polygons to download imagery from Landsat 5, 7, 8, 9 and Sentinel-2 to train a deep learning model called a UNet++ in the Arctic-boreal zone. Imagery is downloaded from Google Earth Engine, while all other processing is done locally. The series of 6 scripts describes main steps from downloading training data, pre-processing it, training the model, and applying the model across the Arctic Boreal Zone. All scripting is done in python through .py scripts and Jupyter notebooks (.ipynb). Our study area includes Alaska, Canada and Eurasia, and we trained our model on all historical fire polygons from 1985-2020.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| 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) | 0,001 | 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 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 ».