High accuracy Land Use Land Cover (LULC) maps for detecting agricultural drought effects in rainfed agro-ecosystems in central Mexico
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
Abstract Satellite remote sensing provides a synoptic view of the land and a spatial context for measuring drought impacts, which have proved to be a valuable source of spatially continuous data with improved information for monitoring vegetation dynamics. Many studies have focused on detecting drought effects over large areas, given the wide availability of low-resolution images. In this study, however, the objective was to focus on a smaller area (1085 km 2 ) using Landsat ETM+ images (multispectral resolution of 30 m and 15 m panchromatic), and to process very accurate Land Use Land Cover (LULC) classification to determine with great precision the effects of drought in specific classes. The study area was the Tortugas-Tepezata sub watershed (Moctezuma River), located in the state of Hidalgo in central Mexico. The LULC classification was processed using a new method based on available ancillary information plus analysis of three single date satellite images. The newly developed LULC methodology developed produced overall accuracies ranging from 87.88% to 92.42%. Spectral indices for vegetation and soil/vegetation moisture were used to detect anomalies in vegetation development caused by drought; furthermore, the area of water bodies was measured and compared to detect changes in water availability for irrigated crops. The proposed methodology has the potential to be used as a tool to identify, in detail, the effects of drought in rainfed agricultural lands in developing regions, and it can also be used as a mechanism to prevent and provide relief in the event of droughts.
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 | 0,001 | 0,000 |
| 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 | 0,000 | 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