The present situation and shifts observed in wetlands within the St. Lawrence Seaway region of Canada, utilizing imagery from the Landsat archive and the cloud-based platform Google Earth Engine
Notice bibliographique
Résumé
This study examined wetland trends in the St. Lawrence Seaway (~500,000 km2) in Canada over the past four decades. To this end, historical Landsat data within the Google Earth Engine (GEE) big geo data platform were processed. Reference samples were scrutinized using the Continuous Change Detection and Classification (CCDC) algorithm to identify spectrally unchanged samples. These spectrally unchanged samples were subsequently employed as training data within an object-based Random Forest (RF) model to generate wetland maps from 1984 to 2021. Subsequently, a change analysis was conducted to calculate the loss and gain of different wetland types. Overall, it was observed that approximately 45% (184,434 km2) and 55% (220,778 km2) of the entire study area are covered by wetland and non-wetland categories, respectively. It was also observed that 2.46% (12,495 km2) of the study area was changed during 40 years. Overall, there was a decline in the Bog and Fen classes, while the Marsh, Swamp, Forest, Grassland/Shrubland, Cropland, and Barren classes had an increase. Finally, the wetland gain and loss were 6,793 km2 and 5,701 km2, respectively. This study demonstrated that the use of Landsat data, along with advanced machine learning and GEE, could provide valuable assistance for wetland classification and change studies.
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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 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 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 ».