Monitoring forest cover and land use change in the Congo Basin under IPCC climate change scenarios
Notice bibliographique
Résumé
The Congo Basin tropical forests are home to many endemic and endangered species, and a global hotspot for forest fragmentation and loss. Yet, little has been done to document the region's rapid deforestation, assess its effects and consequences, or project future forest cover loss to aid in effective planning. Here we applied the Random Forest (RF) supervised classification algorithm in Google Earth Engine (GEE) to map and quantify decadal changes in forest cover and land use (LCLU) in the Congo Basin between 1990 and 2020. We cross-validated our LCLU maps with existing global land cover products, and projected our validated results to 2050 under three climate change scenarios, using the Multiperceptron Artificial Neural Network and Markov chain algorithms of the Idrissi Land Change modeller from TerrSet. We found that, over 5.2% (215,938 km2), 1.2% (50,046 km2), and a 2.1% (86,658 km2) of dense forest cover were lost in the Congo Basin between 1990-2000, 2000-2010, and 2010-2020, totaling approximately 8.5% (352,642 km2) loss estimated between 1990-2020. For the period 2020-2050, we estimated a projected 3.7-4.0% (174,860-204,161 km2) loss in dense forest cover under all three climate change scenarios (i.e., 174,860 km2 loss projected for SSP1-2.6, 199,608 km2 for SSP2-4.5, and 204,161 km2 for SSP5-8.5), suggesting that approximately 12.3-12.6% (527,502 km2-556,803 km2) of dense forest cover could be lost over a 60-year period (1990-2050). Our study represents a novel application of spatial modeling tools and Machine Learning algorithms for assessing long-term deforestation and forest degradation within the Congo Basin, under human population growth and IPCC climate change scenarios. We provide spatial and quantitative results required for supporting long-term deforestation and forest degradation monitoring within Congo Basin countries, especially under the United Nations Framework Convention on Climate Change (UNFCCC) REDD+ (Reduce Emissions from Deforestation and Forest Degradation) program.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| 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 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 ».