Mapping prosopis juliflora invasion within rainwater harvesting structures in India using Google Earth Engine
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
Prosopis juliflora, a drought-tolerant fast-growing tree species, has invaded thousands of storage tanks in India: systems installed decades ago for capturing rainfall during the monsoon period. In this study, we applied Google Earth Engine (GEE) to detect and map P. juliflora invasion for a region of Tamil Nadu, India to determine the change in P. juliflora over two and a half decades. Both the Landsat legacy data and the new Sentinel-2 (S2) data were used with different setups with three classifiers - classification and regression tree (CART), random forest (RF), and support vector machine (SVM). The SVM classifier using Landsat-8 (L8) data outperformed the RF and CART classifiers, reaching overall accuracies of 90 %. When comparing S2 and L8 data for P. juliflora mapping, the use of S2 resulted in higher classification accuracies and the ability to identify dense patches of the species instead of only P. juliflora presence or absence. Over the full Gundar river basin, P. juliflora was found to invade new areas at an average rate of 27 km <sup xmlns:mml="http://www.w3.org/1998/Math/MathML" xmlns:xlink="http://www.w3.org/1999/xlink">2</sup> /annum over the period 1993-2015. P. juliflora was detected mainly along rivers and water bodies, as well as in urban areas. Expansion occurred heavily in the tank systems throughout the basin while abandoned farmland was primarily invaded in the lower basin.
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 | 0,000 | 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 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| 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 découle