Production of Global Land Cover Data – GLCNMO2013
Notice bibliographique
Résumé
Global land cover products have been created for global environmental studies by several institutions and organizations. The Global Mapping Project coordinated by the International Steering Committee for Global Mapping (ISCGM) has been periodically producing global land cover datasets asone of the eight basic global datasets. It has produced a new fifteen-second (approximately 500 m resolution at the equator) global land cover dataset – GLCNMO2013 (or GLCNMO version 3). This paper describes the method of producing GLCNMO2013. GLCNMO2013 has 20 land cover classes, and they were mapped by improved methods from GLCNMO version 2. In GLCNMO2013, five classes,which are urban, mangrove, wetland, snow/ice, and waterwere independently classified. The remaining 15 classes were divided into 4 groups and mapped individually by supervised classification. 2006 polygons of training data collected for GLCNMO2008 were used for supervised classification. In addition, about 3000 polygons of new training data were collected globally using Google Earth, MODIS Normalized Difference Vegetation Index (NDVI) seasonal change patterns, existing regional land cover maps, and existing four global land cover products. The primary data of this product were Moderate Resolution Imaging Spectroradiometer (MODIS) data of 2013. GLCNMO2013 was validated at 1006 sampled points. The overall accuracy of GLCNMO2013 was 74.8%, and the overall accuracy for eight aggregated classes was 90.2%. The accuracy of the GLCNMO2013 was not improved compared with the GLCNMO2008 at heterogeneous land covers. It is necessary to prepare the training data for mosaic classes and heterogeneous land covers for improving the accuracy.
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 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,005 | 0,010 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,013 | 0,015 |
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 ».