Characterization of Land-Cover Changes and Forest-Cover Dynamics in Togo between 1985 and 2020 from Landsat Images Using Google Earth Engine
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Carbon stocks in forest ecosystems, when released as a result of forest degradation, contribute to greenhouse gas (GHG) emissions. To quantify and assess the rates of these changes, the Intergovernmental Panel on Climate Change (IPCC) recommends that the REDD+ mechanism use a combination of Earth observational data and field inventories. To this end, our study characterized land-cover changes and forest-cover dynamics in Togo between 1985 and 2020, using the supervised classification of Landsat 5, 7, and 8 images on the Google Earth Engine platform with the Random Forest (RF) algorithm. Overall image classification accuracies for all target years ranged from 0.91 to 0.98, with Kappa coefficients ranging between 0.86 and 0.96. Analysis indicated that all land cover classes, which were identified at the beginning of the study period, have undergone changes at several levels, with a reduction in forest area from 49.9% of the national territory in 1985, to 23.8% in 2020. These losses of forest cover have mainly been to agriculture, savannahs, and urbanization. The annual change in forest cover was estimated at −2.11% per year, with annual deforestation at 422.15 km2 per year, which corresponds to a contraction in forest cover of 0.74% per year over the 35-year period being considered. Ecological Zone IV (mountainous, with dense semi-deciduous forests) is the one region (of five) that has best conserved its forest area over this period. This study contributes to the mission of forestry and territorial administration in Togo by providing methods and historical data regarding land cover that would help to control the factors involved in forest area reductions, reinforcing the system of measurement, notification, and verification within the REDD+ framework, and ensuring better, long-lasting management of forest ecosystems.
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.
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 découle