Deciphering the many maps of the Xingu River Basin – an assessment of land cover classifications at multiple scales
Notice bibliographique
Résumé
Remote sensing is an invaluable tool to objectively illustrate the rapid decline in habitat extents worldwide. The many operational Earth Observation platforms provide options for the generation of land cover maps, each with unique characteristics and considerable semantic differences in the definition of classes. As a result, differences in baseline estimates are inevitable. Here we compare forest cover and surface water estimates over four time periods spanning three decades (1989–2018) for ∼1.3 million km2 encompassing the Xingu River Basin, Brazil, from published, freely accessible remotely sensed land cover classifications. While all showed a decrease in forest extent over time, the total deforested area reported by each ranged widely for all time periods. The greatest differences ranged from 9% to 17% (116,958 to 219,778 km2) deforestation of the total area for year 2000 and 2014–2018 time period, respectively. We also show the high sensitivity of forest fragmentation metrics (entropy and foreground area density) to data quality and spatial resolution, with cloud cover and sensor artefacts resulting in errors. Surface water classifications must be chosen carefully because sources differ greatly in location and mapped area of surface water. After operationalization of the Belo Monte dam complex, the large reservoirs are notably absent from several of the classifications illustrating land cover. Freshwater ecosystem health is influenced by the land cover surrounding water bodies (e.g., riparian zones). Understanding differences between the many remotely sensed baselines is fundamentally important to avoid information misuse, and to objectively choose the most appropriate classification for ecological studies, conservation, or policy making. The differences between the classifications examined here are not a failure of the technology, but due to different interpretations of ‘forest cover’ and characteristics of the input data (e.g., spatial resolution). Our findings demonstrate the importance of transparency in the generation of remotely sensed classifications and the need for users to familiarize themselves with the characteristics and limitations of each data set.
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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».