Mapping potential wetlands by a new framework method using random forest algorithm and big Earth data: A case study in China's Yangtze River Basin
Notice bibliographique
Résumé
Mapping potential wetlands provides a promising approach to get such information rapidly, and thus is of great significance to understanding ecosystem sustainability and support wetland conservation and restoration. This study proposed a new processing pipeline to map potential wetlands in the Yangtze River Basin, the largest basin in China, by combining a random forest (RF) algorithm and an indicator system constituted by several indicators, including vegetation, soil, terrain, and climatic features. Results reveal that slope, annual precipitation (APRE), digital elevation model (DEM), normalized difference vegetation index (NDVI), and annual mean temperature (AMT) are the most important variables affecting the distribution of potential wetlands, with a relative importance value of 7.5 %, 5.9 %, 5.5 %, 5.2 %, and 5.2 %, respectively. Mapping potential wetlands in the Yangtze River Basin was achieved using the RF model with overall accuracy of 79.31 % and Kappa coefficient of 0.58. The estimated total area of potential wetlands in this basin is approximately 39,677 km2, mainly distributed in the Yalong River watershed, the Dongting Lake watershed, and the regions bordering main streams of the Yangtze River. The proposed approach in this study evidenced its generalizability in terms of the good accuracy and distribution consistency with the natural wetlands observed from satellites and field investigation. We expect that this approach can be further used to generate potential wetland datasets at a broader scale in a long time series and benefit the evaluation of Sustainable Development Goals (SDGs).
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 | 0,001 | 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 ».