Forty Years of Wetland Status and Trends Analyses in the Great Lakes Using Landsat Archive Imagery and Google Earth Engine
Notice bibliographique
Résumé
Wetlands provide many benefits, such as water storage, flood control, transformation and retention of chemicals, and habitat for many species of plants and animals. The ongoing degradation of wetlands in the Great Lakes basin has been caused by a number of factors, including climate change, urbanization, and agriculture. Mapping and monitoring wetlands across such large spatial and temporal scales have proved challenging; however, recent advancements in the accessibility and processing efficiency of remotely sensed imagery have facilitated these applications. In this study, the historical Landsat archive was first employed in Google Earth Engine (GEE) to classify wetlands (i.e., Bog, Fen, Swamp, Marsh) and non-wetlands (i.e., Open Water, Barren, Forest, Grassland/Shrubland, Cropland) throughout the entire Great Lakes basin over the past four decades. To this end, an object-based supervised Random Forest (RF) model was developed. All of the produced wetland maps had overall accuracies exceeding 84%, indicating the high capability of the developed classification model for wetland mapping. Changes in wetlands were subsequently assessed for 17 time intervals. It was observed that approximately 16% of the study area has changed since 1984, with the highest increase occurring in the Cropland class and the highest decrease occurring in the Forest and Marsh classes. Forest mostly transitioned to Fen, but was also observed to transition to Cropland, Marsh, and Swamp. A considerable amount of the Marsh class was also converted into Cropland.
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 | 0,000 |
| 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 ».