Assessment of global land cover changes using satellite data: intermittent and long-term land cover changes from 2001 to 2020
Notice bibliographique
Résumé
Abstract Global land cover has changed during the past decades, influencing biogeochemical cycles and the global climate system. This study aimed to improve understanding of global land cover dynamics to enable more effective future land management practices and conservation actions. This study quantified interannual changes in global land cover types from 2001 to 2020 and distinguished intermittent transitions from stable gains and losses. From the interannual perspective, we found that global barren lands, forests, shrublands, and snow-covered areas decreased by 5281, 1804, 952, and 188 kha yr−1, respectively. In contrast, grasslands, croplands, urban areas, and water bodies increased at 6529, 1407, 237, and 51 kha yr−1, respectively, from 2001 to 2020. According to the definitions provided in this paper, of the global forest areas, 75% was Stable (no change), 4% was Gain, 5% was Loss, and 16% was Unstable. Of the cropland areas, 56% was Stable, 9% was Gain, 9% was Loss, and 26% was Unstable. Hotspots for forest loss were Brazil, the Rest of South America, and Sub-Saharan Africa, and grassland was the most common land cover classification following forest loss. The global cropland expansion hotspots were Brazil, Canada, China, India, and the Rest of South America. The cropland gains were mainly converted from grasslands. On the other hand, barren areas in China and Middle Eastern and North Africa were changed to grasslands. A certain amount of shrublands were changed to forest in temperate regions. This paper provided land cover changes at a 500 m spatial resolution as a benchmark for future assessments. The findings showed that unstable pixels play an important role in determining the sources of uncertainty when assessing land cover changes using satellite data. Land cover assessments are sensitive to the time steps used for analysis and the definition of changes.
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 | 0,002 | 0,003 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 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) | 0,001 | 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 ».