Mapping three decades of annual irrigation across the US High Plains Aquifer using Landsat and Google Earth Engine
Notice bibliographique
Résumé
Understanding how irrigated areas change over time is vital to effectively manage limited agricultural water resources , but long-term, high-resolution, and spatially explicit datasets are rare. The High Plains Aquifer (HPA) in the central United States is one of the largest and most stressed aquifer systems in the world. It supports a $20 billion economy, but groundwater use is unsustainable over much of the aquifer. Emerging cloud computing tools like Google Earth Engine (GEE) make it possible to use the full Landsat record to monitor regional systems like the HPA with high spatial and temporal resolution over multiple decades. However, challenges remain to develop irrigation classification methods that are robust to a wide range of climate conditions and crop types, evolving management, and missing data. Here, we addressed these challenges to produce an annual, moderately high resolution (30 m) irrigation map time series from 1984 to 2017 over the aquifer. Leveraging GEE's extensive data catalog, we combined Landsat imagery, environmental covariables, and a large heterogeneous ground truth dataset to create a single random forest classifier applied annually to the entire region. Following classification, we applied the Bayesian Updating of Land-Cover (BULC) algorithm to fill imagery gaps and reduce commission errors in the provisional irrigation time series. Novel neighborhood greenness indices contributed to an overall 91.4% map accuracy across years; county statistics (r 2 = 0.86) were similarly well-matched. Trend analysis of irrigated area through time identified regions of stable, expanding, and declining irrigated area. Given declining aquifer storage, we estimate that up to 24% of currently irrigated area may be lost this century. To date, the map dataset is the longest, highest resolution large-scale record of where and when irrigation occurs. It is freely available for stakeholders, managers, and researchers to inform policies and management decisions, as well as for use in hydrology, agronomy, and climate models.
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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| 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) | 0,001 | 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 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 ».