The Google Earth Engine Mangrove Mapping Methodology (GEEMMM)
Notice bibliographique
Résumé
Mangroves are found globally throughout tropical and sub-tropical inter-tidal coastlines. These highly biodiverse and carbon-dense ecosystems have multi-faceted value, providing critical goods and services to millions living in coastal communities and making significant contributions to global climate change mitigation through carbon sequestration and storage. Despite their many values, mangrove loss continues to be widespread in many regions due primarily to anthropogenic activities. Accessible, intuitive tools that enable coastal managers to map and monitor mangrove cover are needed to stem this loss. Remotely sensed data have a proven record for successfully mapping and monitoring mangroves, but conventional methods are limited by imagery availability, computing resources and accessibility. In addition, the variable tidal levels in mangroves presents a unique mapping challenge, particularly over geographically large extents. Here we present a new tool—the Google Earth Engine Mangrove Mapping Methodology (GEEMMM)—an intuitive, accessible and replicable approach which caters to a wide audience of non-specialist coastal managers and decision makers. The GEEMMM was developed based on a thorough review and incorporation of relevant mangrove remote sensing literature and harnesses the power of cloud computing including a simplified image-based tidal calibration approach. We demonstrate the tool for all of coastal Myanmar (Burma)—a global mangrove loss hotspot—including an assessment of multi-date mapping and dynamics outputs and a comparison of GEEMMM results to existing studies. Results—including both quantitative and qualitative accuracy assessments and comparisons to existing studies—indicate that the GEEMMM provides an accessible approach to map and monitor mangrove ecosystems anywhere within their global distribution.
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 | 0,001 |
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 ».