The Second Generation Canadian Wetland Inventory Map at 10 Meters Resolution Using Google Earth Engine
Notice bibliographique
Résumé
Recently, there has been a significant increase in efforts to better inventory and manage important ecosystems across Canada using advanced remote sensing techniques. In this study, we improved the method and results of our first-generation Canadian wetland inventory map at 10-m resolution. Iin order to increase wetland classification accuracy, the main contributions of this new study are adding more training data to the classification process and training Random Forest (RF) models on the Google Earth Engine (GEE) platform within the boundaries of ecozones rather than provinces. A considerable effort has been devoted to data collection, preparation, standardization of datasets for each ecozone. The data cleaning reveals a data gap in several Northern ecozones. Accordingly, high-resolution optical data, from Worldview-2 and Pleiades, were acquired to delineate wetland training data based on visual interpretation in those regions. By using this well-distributed training data, this second generation wetland inventory map represents an improvement of 7% compared to the first generation map. Accuracy varied from 76% to 91% in different ecozones depending on available resources. Furthermore, the results of RF variable importance, which was carried out for each ecozone, demonstrate that |SVV |2|SVH |2 and NDVI extracted from Sentinel-1 and Sentinel-2 data, respectively, were the most important features for wetland mapping.
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 | 0,001 | 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 ».