Comprehensive Landsat-Based Analysis of Long-Term Surface Water Dynamics over Wetlands and Waterbodies in North America
Notice bibliographique
Résumé
Wetlands are considered one of the most valuable ecosystems around the world and provide numerous environmental services, including water purification, flood protection, and habitat for a variety of species.Wetlands loss is an increasing trend due to anthropogenic activities and natural processes.As such, spatial knowledge regarding the extent and dynamics of surface water is demanding for wetland conservation and protection.The Landsat program, with five decades of historical Earth observation data, has a unique advantage for monitoring wetland surface water changes and dynamics with 30 m spatial resolution.We monitored 266 Ramsar wetland sites in North America for the past 40 years using the open-access Landsat data within the Google Earth Engine cloud computing platform.Landsat Collection 2 Level-2 surface reflectance products were preprocessed and cloudscreened, and a time series of spectral bands and indices were created.The unsupervised Dynamic Surface Water Extent method classified each image into water classes with different confidence levels.An average overall agreement of 92,97% and an average F-score of 96.31% were achieved in this study.Water occurrence maps, in addition to inundation class and change maps, were created for the entire North America, and quantified spatial information was calculated for Ramsar wetland sites.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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 ».