Wildland fires are globally widespread, constituting the primary forest disturbance in many ecosystems. Burn severity (fire-induced change to vegetation and soils) has short-term impacts on erosion and post-fire environments, and persistent effects on forest regeneration, making burn severity data important for managers and scientists. Analysts can create atlases of historical and recent burn severity, represented by changes in surface reflectance following fire, using satellite imagery and fire perimeters. Burn severity atlas production has been limited by diverse constraints outside the US. We demonstrate the development and validation of a burn severity atlas using the Google Earth Engine platform and image catalogue. We automated mapping of three burn severity metrics using mean compositing (averaging reflectance values) of pixels for all large (≥200 ha) fires in Alberta, Canada. We share the resulting atlas and code. We compared burn severity datasets produced using mean compositing with data from paired images (one pre- and post-fire image). There was no meaningful difference in model correspondence to field data between the two approaches, but mean compositing saved time and increased the area mapped. This approach could be applied and tested worldwide, and is ideal for regions with small staffs and budgets, and areas with frequent cloud.

中文翻译：

---

创建烧伤严重程度图谱的方法：加拿大艾伯塔省的示例

野火在全球范围内普遍存在，构成了许多生态系统中的主要森林干扰。烧伤严重程度（火灾引起的植被和土壤变化）对侵蚀和火灾后环境具有短期影响，并对森林再生产生持久影响，因此烧伤严重程度数据对管理人员和科学家很重要。分析人员可以使用卫星图像和火灾周长创建历史和最近烧伤严重程度的地图集，以火灾后表面反射率的变化为代表。烧伤严重度图谱的制作受到美国以外的各种限制。我们演示了使用 Google Earth Engine 平台和图像目录开发和验证烧伤严重程度图集。我们使用加拿大艾伯塔省所有大型（≥200 公顷）火灾的像素平均合成（平均反射率值）自动映射三个烧伤严重程度指标。我们共享生成的图集和代码。我们将使用平均合成产生的烧伤严重程度数据集与成对图像（一张火灾前和火灾后图像）的数据进行了比较。两种方法在模型对应于现场数据方面没有有意义的差异，但平均合成节省了时间并增加了映射区域。这种方法可以在全球范围内应用和测试，非常适合人员和预算较少的地区以及云频繁的地区。两种方法在模型对应于现场数据方面没有有意义的差异，但平均合成节省了时间并增加了映射区域。这种方法可以在全球范围内应用和测试，非常适合人员和预算较少的地区以及云频繁的地区。两种方法在模型对应于现场数据方面没有有意义的差异，但平均合成节省了时间并增加了映射区域。这种方法可以在全球范围内应用和测试，非常适合人员和预算较少的地区以及云频繁的地区。