Burnt Area Monitoring Using Graph Convolutional Networks Based On Multi-Sensor Satellite Data
Notice bibliographique
Résumé
Recent catastrophic wildfire seasons, e.g. in Greece 2023, Canada 2023, and Chile 2023/2024, underscore the critical need for rapid and accurate wildfire data to facilitate emergency response, assess environmental damage, and keep the public informed. Although satellite-based thermal anomaly data is accessible in near real-time (NRT), accurately mapping the areas affected by fires from NRT imagery remains a significant challenge. The proposed approach combines a superpixel segmentation algorithm with both rule-based and deep learning classification techniques to reliably identify burnt areas (BA) in NRT. This method is compatible with a range of optical sensors, from medium to high resolution, and integrates data from diverse sources to continuously refine the detection of burnt areas as active fires unfold. The region of Central Chile, enduring tremendous wildfire events in early 2024, was used as a testing region. An NRT product (DLRBAv2NRT) based on Sentinel-3 OLCI was generated, together with a refined non-time critical product (DLRBAv2NTC). Both products are tested against established global BA products (Copernicus CGLBA31nrt and NASA MCD64A1v061). The DLRBAv2NRT achieved the highest accuracies, outperforming the DLRBAv2NTC product by 5%, the CGLBA31nrt product by 9% and the MCD64A1v061 product by 10% IoU. The DLRBAv2NRT showed the highest sensitivity detecting BA (Recall: 0.78), while MCD64A1v061 produced high number of false negatives (Recall: 0.63). A third variant (DLRBAv2NTCfusion), incorporating results from multiple mid- and high resolution sensors is generated for the Valparaíso focus region. The results are inter-compared with local ground truth data, yielding an IoU of 0.75. The proposed mapping procedure demonstrates a fully-automated, flexible approach to derive burnt area delineations from satellite data in NRT with high accuracy. This allows for high-frequency monitoring of NRT burnt areas on a global scale.
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 | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,004 | 0,005 |
| Méta-épidémiologie (sens large) | 0,003 | 0,001 |
| Bibliométrie | 0,003 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,005 | 0,003 |
| Intégrité de la recherche | 0,002 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,005 |
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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».