Collaborative validation of GlobeLand30: Methodology and practices
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
30-m Global Land Cover (GLC) data products permit the detection of land cover changes at the scale of most human land activities, and are therefore used as fundamental information for sustainable development, environmental change studies, and many other societal benefit areas. In the past few years, increasing efforts have been devoted to the accuracy assessment of GlobeLand30 and other finer-resolution GLC data products. However, most of them were conducted either within a limited percentage of map sheets selected from a global scale or in some individual countries (areas), and there are still many areas where the uncertainty of 30-m resolution GLC data products remains to be validated and documented. In order to promote a comprehensive and collaborative validation of 30-m GLC data products, the GEO Global Land Cover Community Activity had organized a project from 2015 to 2017, to examine and explore its major problems, including the lack of international agreed validation guidelines and on-line tools for facilitating collaborative validation activities. With the joint effort of experts and users from 30 GEO member countries or participating organizations, a technical specification for 30-m GLC validation was developed based on the findings and experiences. An on-line validation tool, GLCVal, was developed by integrating land cover validation procedures with the service computing technologies. About 20 countries (regions) have completed the accuracy assessment of GlobeLand30 for their territories with the guidance of the technical specification and the support of GLCVal.
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.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,004 |
| 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 découle