Meta-Analysis of Wetland Classification Using Remote Sensing: A Systematic Review of a 40-Year Trend in North America
Notice bibliographique
Résumé
North America is covered in 2.5 million km2 of wetlands, which is the remainder of an estimated 56% of wetlands lost since the 1700s. This loss has resulted in a decrease in important habitat and services of great ecological, economic, and recreational benefits to humankind. To better manage these ecosystems, since the 1970s, wetlands in North America have been classified with increasing regularity using remote sensing technology. Since then, optimal methods for wetland classification by numerous researchers have been examined, assessed, modified, and established. Over the past several decades, a large number of studies have investigated the effects of different remote sensing factors, such as data type, spatial resolution, feature selection, classification methods, and other parameters of interest on wetland classification in North America. However, the results of these studies have not yet been synthesized to determine best practices and to establish avenues for future research. This paper reviews the last 40 years of research and development on North American wetland classification through remote sensing methods. A meta-analysis of 157 relevant articles published since 1980 summarizes trends in 23 parameters, including publication, year, study location, application of specific sensors, and classification methods. This paper also examines is the relationship between several remote sensing parameters (e.g., spatial resolution and type of data) and resulting overall accuracies. Finally, this paper discusses the future of remote sensing of wetlands in North America with regard to upcoming technologies and sensors. Given the increasing importance and vulnerability of wetland ecosystems under the climate change influences, this paper aims to provide a comprehensive review in support of the continued, improved, and novel applications of remote sensing for wetland mapping across North America and to provide a fundamental knowledge base for future studies in this field.
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 | 0,018 | 0,043 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,010 | 0,020 |
| Bibliométrie | 0,009 | 0,011 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,003 | 0,002 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».