Fire severity is a key driver shaping the ecological structure and function of North American boreal ecosystems, a biome dominated by large, high-intensity wildfires. Satellite-derived burn severity maps have been an important tool in these remote landscapes for both fire and resource management. The conventional methodology to produce satellite-inferred fire severity maps generally involves comparing imagery from 1 year before and 1 year after a fire, yet environmental conditions unique to the boreal have limited the accuracy of resulting products. We introduce an alternative method – the ‘hybrid composite’ – based on deriving mean severity over time on a per-pixel basis within the cloud-computing environment of Google Earth Engine. It constructs the post-fire image from satellite data composited from all valid images (i.e., clear-sky and snow-free) acquired in the time period immediately after fire through the early growing season of the following year. We compare this approach to paired-scene and composite approaches where the post-fire time period is from the growing season 1 year after fire. Validation statistics based on field-derived data for 52 fires across Alaska and Canada indicate that the hybrid composite method outperforms the other approaches. This approach presents an efficient and cost-effective means to monitor and explore trends and patterns across broad spatial domains, and could be applied to fires in other regions, especially those with frequent cloud cover or rapid vegetation recovery.

中文翻译：

---

使用混合复合方法改进北美北方森林的火灾严重性映射

火灾严重程度是塑造北美北方生态系统生态结构和功能的关键驱动因素，北美北方生态系统是一个以大型高强度野火为主的生物群落。卫星衍生的烧伤严重程度图已成为这些偏远地区火灾和资源管理的重要工具。生成卫星推断火灾严重性图的传统方法通常涉及比较火灾前 1 年和火灾后 1 年的图像，但北方特有的环境条件限制了所得产品的准确性。我们引入了一种替代方法——“混合复合”——基于在谷歌地球引擎的云计算环境中逐像素推导平均严重性。它从所有有效图像（即，晴空无雪）在火灾后到次年早期生长季节的时间段内获得。我们将这种方法与成对场景和复合方法进行比较，其中火灾后时间段来自火灾后 1 年的生长季节。基于阿拉斯加和加拿大 52 起火灾现场衍生数据的验证统计数据表明，混合复合方法优于其他方法。这种方法提供了一种有效且具有成本效益的方法来监测和探索广泛空间域的趋势和模式，并可应用于其他地区的火灾，特别是那些云层覆盖频繁或植被恢复迅速的地区。我们将这种方法与成对场景和复合方法进行比较，其中火灾后时间段来自火灾后 1 年的生长季节。基于阿拉斯加和加拿大 52 起火灾现场衍生数据的验证统计数据表明，混合复合方法优于其他方法。这种方法提供了一种有效且具有成本效益的方法来监测和探索广泛空间域的趋势和模式，并可应用于其他地区的火灾，特别是那些云层覆盖频繁或植被恢复迅速的地区。我们将这种方法与成对场景和复合方法进行比较，其中火灾后时间段来自火灾后 1 年的生长季节。基于阿拉斯加和加拿大 52 起火灾现场衍生数据的验证统计数据表明，混合复合方法优于其他方法。这种方法提供了一种有效且具有成本效益的方法来监测和探索广泛空间域的趋势和模式，并可应用于其他地区的火灾，特别是那些云层覆盖频繁或植被恢复迅速的地区。