IDENTIFYING SUITABLE LOCATIONS FOR MANGROVE PLANTATION USING GEOSPATIAL INFORMATION SYSTEM AND REMOTE SENSING
Notice bibliographique
Résumé
Abstract. Mangroves provide numerous environmental benefits, such as carbon sequestration, water purification, climate change mitigation, and flood and Tsunami impact reduction. Despite these unique advantages, mangroves are threatened by the combined adverse impacts of human activities and climate change. Therefore, it is essential to implement reasonable practices to avoid further degradation of mangroves and provide efficient workflows to increase their extent. Accordingly, better plantation policies are principally required for their conservation and rehabilitation. In this study, we desired to detect suitable locations for mangrove plantation in coastal areas of Hormozgan Province, Iran. We considered a relatively new Multi Criteria Decision Making (MCDM) technique to combine ten criteria derived from remote sensing in a GIS environment. The Best Worst Method (BWM), as an MDCM technique, was implemented to determine the relative importance of each criterion. Afterward, all criteria were aggregated using the Weighted Linear Combination (WLC) method to produce a mangrove plantation suitability map. Statistical measures, including Overall Accuracy (OA = 95%), Kappa Coefficient (KC = 87.9%), and Area Under Curve (AUC = 98.79%), indicated the high applicability of the implemented method for mangrove plantation site allocation. The produced map could give managers a profound insight into finding optimal spots to plant mangroves.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,005 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 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 ».