Remote Sensing of Boreal Wetlands 1: Data Use for Policy and Management
Notice bibliographique
Résumé
Wetlands have and continue to undergo rapid environmental and anthropogenic modification and change to their extent, condition, and therefore, ecosystem services. In this first part of a two-part review, we provide decision-makers with an overview on the use of remote sensing technologies for the ‘wise use of wetlands’, following Ramsar Convention protocols. The objectives of this review are to provide: (1) a synthesis of the history of remote sensing of wetlands, (2) a feasibility study to quantify the accuracy of remotely sensed data products when compared with field data based on 286 comparisons found in the literature from 209 articles, (3) recommendations for best approaches based on case studies, and (4) a decision tree to assist users and policymakers at numerous governmental levels and industrial agencies to identify optimal remote sensing approaches based on needs, feasibility, and cost. We argue that in order for remote sensing approaches to be adopted by wetland scientists, land-use managers, and policymakers, there is a need for greater understanding of the use of remote sensing for wetland inventory, condition, and underlying processes at scales relevant for management and policy decisions. The literature review focuses on boreal wetlands primarily from a Canadian perspective, but the results are broadly applicable to policymakers and wetland scientists globally, providing knowledge on how to best incorporate remotely sensed data into their monitoring and measurement procedures. This is the first review quantifying the accuracy and feasibility of remotely sensed data and data combinations needed for monitoring and assessment. These include, baseline classification for wetland inventory, monitoring through time, and prediction of ecosystem processes from individual wetlands to a national scale.
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 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».