The RapeseedMap10 database: annual maps of rapeseed at a spatial resolution of 10 m based on multi-source data
Notice bibliographique
Résumé
Abstract. Large-scale, high-resolution maps of rapeseed (Brassica napus L.), a major oilseed crop, are critical for predicting annual production and ensuring global energy security, but such maps are still not freely available for many areas. In this study, we developed a new pixel- and phenology-based algorithm and produced a new data product for rapeseed planting areas (2017–2019) in 33 countries at 10 m spatial resolution based on multiple data. Our product is strongly consistent at the national level with official statistics of the Food and Agricultural Organization of the United Nations. Our rapeseed maps achieved F1 spatial consistency scores of at least 0.81 when compared with the Cropland Data Layer in the United States, the Annual Crop Inventory in Canada, the Crop Map of England, and the Land Cover Map of France. Moreover, F1 scores based on independent validation samples ranged from 0.84 to 0.91, implying a good consistency with ground truth. In almost all countries covered in this study, the rapeseed crop rotation interval was at least 2 years. Our derived maps suggest, with reasonable accuracy, the robustness of the algorithm in identifying rapeseed over large regions with various climates and landscapes. Scientists and local growers can use the freely downloadable derived rapeseed planting areas to help predict rapeseed production and optimize planting structures. The product is publicly available at https://doi.org/10.17632/ydf3m7pd4j.3 (Han et al., 2021).
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 | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,004 | 0,004 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,009 | 0,009 |
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 ».