Greenhouse area detection in Guanzhong Plain, Shaanxi, China: spatio-temporal change and suitability classification
Notice bibliographique
Résumé
The extensive use of greenhouses has brought soared economic benefits for farming practitioners in China and an overview of the spatio-temporal distribution of greenhouses is of great interest to agricultural practitioners and decision-makers. In this study, Landsat image based greenhouse maps in Guanzhong Plain, Shaanxi, China were made using random forest classification algorithm through visual interpretation on the Google Earth Engine. The 7-year's changes in greenhouse areas were investigated (i.e. 2000, 2003, 2006, 2010, 2013, 2015 and 2019) with yearly overall accuracy more than 90%. The results showed that the total area of greenhouses in Guanzhong Plain demonstrated an increasing trend, from 5.92 km2 in 2000 to 194.42 km2 in 2019 with a considerable growth between 2010 and 2015. The dominant drivers for the increase are largely attributed to the government policy as well as economic profitability. The distribution of greenhouse shifts to central and eastern regions of Guanzhong Plain. Greenhouses preferentially expand to the area near to rural roads, main rivers, and high elevation, with more than 45% greenhouses distributed within 1 km of the county rural road. The principal component analysis based suitability evaluation showed that a total of 38.44% of the area was suitable for greenhouse.
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 | 0,001 |
| 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 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 ».