The suitability of decadal image data sets for mapping tropical forest cover change in the Democratic Republic of Congo: implications for the global land survey
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Landsat remote sensing of the central African humid tropics is confounded by persistent cloud cover and, since 2003, missing data due to the Landsat‐7 Enhanced Thematic Mapper Plus (ETM+) scan line corrector (SLC) malfunction. To quantify these limitations and their effects on contemporary forest cover and change characterization, a comparison was made of multiple Landsat‐7 image mosaics generated for a six Landsat path/row study site in central Africa for 2000 and 2005. Epoch 2000 mosaics were generated by compositing (i) two to three Landsat acquisitions per path/row, (ii) using the best single GeoCover 2000 acquisition for each path/row. Epoch 2005 composites were generated by compositing SLC‐off data using (iii) five to seven acquisitions per path/row, (iv) three acquisitions per path/row. Eighty per cent of pixels were of suitable quality for change detection between (ii) and (iv), emulating that which is possible with current GeoCover and planned Global Land Survey (GLS) inputs. In a more data intensive change detection analysis using mosaics (i) and (iii), 96% of pixels had suitable quality. Compositing more acquisitions per path/row for the study area systematically reduced the percentage of SLC‐off gaps and, when more than three acquisitions were composited, reduced the percentage of pixels with high likelihood of cloud, haze or shadow. The results indicate that additional input imagery to augment both the Geocover and GLS data may be required to enable forest cover and change analyses for regions of the humid tropics.
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.
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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 découle