An International Library for Land Cover Legends: The Land Cover Legend Registry
Notice bibliographique
Résumé
Information on land cover is vital to numerous United Nations (UN) missions, including achieving the Sustainable Development Goals (SDGs). Because land cover data are developed by a variety of organizations for a range of objectives, they are based on different classification schemes and have discrepancies. In addition, the sustainability for land cover is hampered by limited access to information and documentation. Accordingly, international standards for land cover are developed to improve interoperability between different land cover datasets. However, the use and development of land cover datasets are limited by various factors including availability of properly documented land cover legends in support of different applications including change assessment, comparison, and international reporting. The purpose of this article is to highlight the importance of land cover in achieving several goals and to introduce the first international platform for land cover legend, named Land Cover Legend Registry (LCLR). This registry is a contribution to the international land cover community and the UN in effort to promote and support data harmonization processes and interoperability from local to global level, and vice versa. Users can not only use the registry for preparing consistent datasets, but also contribute to it by providing the latest data to ensure the long-term availability of both updated and existing datasets around the world. Moreover, building on the experience developing land cover legends with different nations, a brief explanation on the preparation of legends is also provided. Additionally, it is more important than ever to develop land cover registers to support the use, expansion, integration, and use uptake of land cover data, particularly for innovative remote sensing, machine learning, and information and communication technologies and techniques that build on existing and national contexts.
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 | 0,006 | 0,023 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,015 | 0,025 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,011 | 0,013 |
| Science ouverte | 0,003 | 0,008 |
| Intégrité de la recherche | 0,002 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,229 | 0,296 |
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 ».