Decoding the inconsistency of six cropland maps in China
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.
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 | 0,003 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,003 | 0,004 |
| 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 | 0,000 |
| 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 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 ».