Canadian Wetland Inventory using Google Earth Engine: The First Map and Preliminary Results
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
Although wetlands provide valuable services to humans and the environment and cover a large portion of Canada, there is currently no Canada-wide wetland inventory based on the specifications defined by the Canadian Wetland Classification System (CWCS). The most practical approach for creating the Canadian Wetland Inventory (CWI) is to develop a remote sensing method feasible for large areas with the potential to be updated within certain time intervals to monitor dynamic wetland landscapes. Thus, this study aimed to create the first Canada-wide wetland inventory using Landsat-8 imagery and innovative image processing techniques available within Google Earth Engine (GEE). For this purpose, a large amount of field samples and approximately 30,000 Landsat-8 surface reflectance images were initially processed using several advanced algorithms within GEE. Then, the random forest (RF) algorithm was applied to classify the entire country. The final step was an original CWI map considering the five wetland classes defined by the CWCS (i.e., bog, fen, marsh, swamp, and shallow water) and providing updated and comprehensive information regarding the location and spatial extent of wetlands in Canada. The map had reasonable accuracy in terms of both visual and statistical analyses considering the large area of country that was classified (9.985 million km2). The overall classification accuracy and the average producer and user accuracies for wetland classes exclusively were 71%, 66%, and 63%, respectively. Additionally, based on the final classification map, it was estimated that 36% of Canada is covered by wetlands.
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 | 0,000 |
| 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