Big Data for a Big Country: The First Generation of Canadian Wetland Inventory Map at a Spatial Resolution of 10-m Using Sentinel-1 and Sentinel-2 Data on the Google Earth Engine Cloud Computing Platform
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
Detailed information on the spatial distribution of wetlands is crucial for sustainable management and resource assessment. Furthermore, regularly updated wetland inventories are of particular importance given that wetlands comprise a dynamic, rather than permanent, land condition. Accordingly, satellite-derived wetland maps are greatly beneficial, as they capture a synoptic and multi-temporal view of landscapes. Leveraging state-of-the-art remote sensing data and tools, this study produces a high-resolution 10-m wetland inventory map of Canada, covering an approximate area of one billion hectares, using multi-year, multi-source (Sentinel-1 and Sentinel-2) Earth Observation (EO) data on the Google Earth Engine™ cloud computing platform. The whole country is mapped using a large volume of reference samples using an object-based random forest classification scheme with an overall accuracy approaching 80% and individual accuracies varying from 74% to 84% in different provinces. This nationwide wetland inventory map illustrates that 19% of Canada’s land area is covered by wetlands, most of which are peatlands dominate in the northern ecozones. Importantly, the resulting ever-demanding wetland inventory map of Canada provides unprecedented details on the extent, status, and spatial distribution of wetlands and thus, is useful for many stakeholders, including federal and provincial governments, municipalities, NGOs, and environmental consultants.
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