Finer resolution observation and monitoring of global land cover: first mapping results with Landsat TM and ETM+ data
Notice bibliographique
Résumé
land-cover classification system as well as the International Geosphere-Biosphere Programme (IGBP) system.Using the four classification algorithms, we obtained the initial set of global land-cover maps.The SVM produced the highest overall classification accuracy (OCA) of 64.9% assessed with our test samples, with RF (59.8%),J4.8 (57.9%), and MLC (53.9%) ranked from the second to the fourth.We also estimated the OCAs using a subset of our test samples (8629) each of which represented a homogeneous area greater than 500 m × 500 m.Using this subset, we found the OCA for the SVM to be 71.5%.As a consistent source for estimating the coverage of global land-cover types in the world, estimation from the test samples shows that only 6.90% of the world is planted for agricultural production.The total area of cropland is 11.51% if unplanted croplands are included.The forests, grasslands, and shrublands cover 28.35%, 13.37%, and 11.49% of the world, respectively.The impervious surface covers only 0.66% of the world.Inland waterbodies, barren lands, and snow and ice cover 3.56%, 16.51%, and 12.81% of the world, respectively.• The 1 km International Geosphere-Biosphere Programme Data and Information System Cover (IGBP-DISCover) map was produced from monthly normalized difference vegetation index (NDVI) composites derived from 1992 to 1993 National Oceanic and Atmospheric Administration (NOAA) Advanced Very High Resolution Radiometer (AVHRR) data (Loveland et al. 2000).An unsupervised classification method was used to produce this map.• The 1 km University of Maryland (UMD) land-cover map was produced with the same data set as mentioned above (Hansen et al. 2000).A supervised classification tree method was used to produce this map.• The 1 km Global Land Cover 2000 (GLC2000) map was produced from monthly NDVI data derived from 1999 to 2000 Satellite Pour l'Observation de la Terre (SPOT) vegetation data (Bartholome and Belward 2005).It was produced by people working separately, in parallel, on 19 different regions of the world using various types of algorithms.• 500 m Moderate Resolution Imaging Spectrometer (MODIS) land-cover maps are now being generated annually with MODIS data (Friedl et al. 2002(Friedl et al. , 2010)).Recently, a supervised classification tree algorithm has been used to produce these maps.• 300 m GlobCover land-cover maps were produced with bimonthly Medium Revolution Imaging Spectrometer (MERIS) data mosaics derived from the Environmental Satellite (ENVISAT) for 2005 and 2009(Arino et al. 2008;;Bontemps
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 | 0,002 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| 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 ».