Decoding the inconsistency of six cropland maps in China
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Accurate cropland information is critical for agricultural planning and production, especially in food-stressed countries like China. Although widely used medium-to-high-resolution satellite-based cropland maps have been developed from various remotely sensed data sources over the past few decades, considerable discrepancies exist among these products both in total area and in spatial distribution of croplands, impeding further applications of these datasets. The factors influencing their inconsistency are also unknown. In this study, we evaluated the consistency and accuracy of six cropland maps widely used in China in circa 2020, including three state-of-the-art 10-m products (i.e., Google Dynamic World, ESRI Land Cover, and ESA WorldCover) and three 30-m ones (i.e., GLC_FCS30, GlobeLand 30, and CLCD). We also investigated the effects of landscape fragmentation, climate, and agricultural management. Validation using a ground-truth sample revealed that the 10-m-resolution WorldCover provided the highest accuracy (92.3%). These maps collectively overestimated Chinese cropland area by up to 56%. Up to 37% of the land showed spatial inconsistency among the maps, concentrated mainly in mountainous regions and attributed to the varying accuracy of cropland maps, cropland fragmentation and management practices such as irrigation. Our work shed light on the promotion of future cropland mapping efforts, especially in highly inconsistent regions.
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.
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 découle