A large-scale disturbance mapping ensemble through data-driven regionalization
Notice bibliographique
Résumé
Mapping and monitoring disturbances in vegetation over large areas demand reliable approaches and accurate end-user maps. Methods and algorithms have been developed to meet satisfactory disturbance map accuracies, and the combination of multiple approaches has shown promise as a reliable alternative to any single method. However, extracting meaningful disturbance information from these combined methods is still challenging. Data variance from environmental conditions and disturbance drivers leads to spatial-temporal heterogeneity in land surfaces over large areas, which results in mapping errors. We evaluated the effectiveness of ensemble classification and data-driven regionalization for mapping vegetation disturbances at a broad scale. Using Google’s Earth Engine cloud computing platform, our ensemble approach combines multispectral LandTrendr outputs reflecting preliminary disturbance information in a Random Forest model to map disturbances in Minas Gerais, Brazil. We then applied an unsupervised clustering technique to perform data-driven regionalization of our study area using several sources of environmental and anthropogenic information and analysed gains and losses in map accuracies. Our results indicated gains in accuracy by the ensemble method compared to non-ensemble methods of disturbance mapping, which ranged from 7.3 to 29.9% in overall accuracy at the 5% significance level. Data-driven regionalization addressed complexities arising from variability in vegetation types, local climate, and topography across our study area, identifying climate and seasonal metrics as important variables for reducing uncertainties in vegetation disturbance maps. The integration of these techniques has revealed significant potential for increasing map accuracy and has provided important insights into the development of disturbance mapping methods in heterogeneous environments.
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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 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 ».