Remote Sensing and Machine Learning Tools to Support Wetland Monitoring: A Meta-Analysis of Three Decades of Research
Notice bibliographique
Résumé
Despite their importance to ecosystem services, wetlands are threatened by pollution and development. Over the last few decades, a growing number of wetland studies employed remote sensing (RS) to scientifically monitor the status of wetlands and support their sustainability. Considering the rapid evolution of wetland studies and significant progress that has been made in the field, this paper constitutes an overview of studies utilizing RS methods in wetland monitoring. It investigates publications from 1990 up to the middle of 2022, providing a systematic survey on RS data type, machine learning (ML) tools, publication details (e.g., authors, affiliations, citations, and publications date), case studies, accuracy metrics, and other parameters of interest for RS-based wetland studies by covering 344 papers. The RS data and ML combination is deemed helpful for wetland monitoring and multi-proxy studies, and it may open up new perspectives for research studies. In a rapidly changing wetlands landscape, integrating multiple RS data types and ML algorithms is an opportunity to advance science support for management decisions. This paper provides insight into the selection of suitable ML and RS data types for the detailed monitoring of wetland-associated systems. The synthesized findings of this paper are essential to determining best practices for environmental management, restoration, and conservation of wetlands. This meta-analysis establishes avenues for future research and outlines a baseline framework to facilitate further scientific research using the latest state-of-art ML tools for processing RS data. Overall, the present work recommends that wetland sustainability requires a special land-use policy and relevant protocols, regulation, and/or legislation.
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 | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| 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 ».