MétaCan
Menu
Retour à la cohorte
Enregistrement W4205101105 · doi:10.1002/essoar.10510203.1

Water Observations from Space: accurate maps of surface water through time for the continent of Africa

2022· preprint· en· W4205101105 sur OpenAlexaff
Meghan Halabisky, Kenneth Mubea, Fatou Mar, F. Yuan, Chad Burton, Eloise Birchall, Negin Fouladi Moghaddam, Ghislain Adimou, Bako Mamane, David Ongo, Edward Boamah, Ee-Faye Chong, Nikita Gandhi, Alex Leith, Lisa Hall, Adam Lewis

Notice bibliographique

Revuenon disponible
Typepreprint
Langueen
DomaineEarth and Planetary Sciences
ThématiqueGeophysics and Gravity Measurements
Établissements canadiensFuture Earth
Organismes subventionnairesnon disponible
Mots-clésGeospatial analysisSatellite imagerySatelliteScale (ratio)Remote sensingSurface waterWater resourcesEarth observationGeographyEnvironmental resource managementFlood mythEnvironmental scienceMeteorologyCartographyEngineering

Résumé

récupéré en direct d'OpenAlex

Earth observation of waterbodies through time is a powerful tool in understanding both the location of waterbodies and their temporal dynamics. Water Observations from Space (WOfS), developed and well-tested in Australia, is a service providing historical surface water observations derived from Landsat satellite imagery from 1987 to present day. WOfS provides better understanding of where water is usually present; where it is seldom observed; and where inundation of the surface has been occasionally observed by satellite. We applied the WOfS algorithm to Africa and validated its accuracy through image interpretation of satellite and aerial imagery using an online tool created by the NASA Servir program, Collect Earth Online. The Digital Earth Africa Product Development Task Team, composed of four regional geospatial organisations RCMRD, AfriGIST, AGRHYMET and OSS, conducted the validation campaign and provided both the regional expertise and experience required for a continental-scale validation effort. In order to understand the accuracy and bias of the WOfS algorithm in Africa at both the continental-scale and regional zones, we generated 2900 sample points covering the continent including the main islands and distributed them into 7 Agro-ecological zones. We assessed whether the point was flooded, dry, or cloud covered, for 12 months in 2018, resulting in 34,800 assessed observations. As water information is available through WOfS in near real-time, it can be used for environmental monitoring, flood mapping, monitoring planned water releases, and management of water resources in highly regulated systems. WOfS is expected to be used by ministries and state departments of agriculture and water management in countries, international organizations, academia and the private sector.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,002
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,023
Score d'incertitude au seuil0,046

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,002
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0020,004
Études des sciences et des technologies0,0000,000
Communication savante0,0010,001
Science ouverte0,0000,001
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0030,001

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.

Tête enseignante Opus0,077
Tête enseignante GPT0,241
Écart entre enseignants0,164 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations5
Publié2022
Routes d'admission1
Résumé présentoui

Explorer davantage

Même sujetGeophysics and Gravity MeasurementsTravaux en français237 207