Bridging the national data gap with Google earth engine and landsat imagery by developing annual land cover for Afghanistan
Notice bibliographique
Résumé
The national-level land cover database is essential to sustainable landscape management, environmental protection, and food security. In Afghanistan, the existing national-level land cover data from 1972, 1993, and 2010 relied on satellite data from diverse sensors adopted three different land cover classification systems. This inconsistent land cover map across the various years leads to the challenge of assessing landscape changes that are crucial for management efforts. To address this challenge, a 19-year national-level land cover dataset from 2000 to 2018 was developed for the first time to aid policy development, settlement planning, and the monitoring of forests and agriculture across time. In the development of the 19 year span of land cover data products, a state-of-the-art remote sensing approach, employing a harmonized classification scheme was implemented through the utilization of Google Earth Engine (GEE). Publicly accessible Landsat imagery and additional geospatial covariates were integrated to produce an annual land cover database for Afghanistan. The generated dataset bridges historical data gaps and facilitates robust land cover change information. The annual land cover database is now accessible through https://rds.icimod.org/. This repository ensures that the annual land cover data is readily available to all users interested in comprehending the dynamic land cover changes happening in Afghanistan.
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 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 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 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 ».