Comparison and evaluation of the suitability of existing irrigation area products in the Yellow River Basin
Notice bibliographique
Résumé
Accurate monitoring of irrigated farmland is crucial for water resource management and food production forecasting. While remote sensing has enhanced global irrigation monitoring, a systematic comparison of existing products is still needed. This study evaluates six irrigation area products—GFSAD, GMIA-Meier, GMIE, IAAA, IrriMap-CN, and Xiang—using the Yellow River Basin as a case study. Four types of in-situ measurement data— TPD-FIWEC, FSD, and both ASMD and MSMD—were analyzed, resulting in a validation dataset of 5382 points. Results based on area and spatial accuracy showed that GMIE performed best, with a relative area deviation (RAD) of 17.33 %, overall accuracy (OA) of 0.72, a consistency index (CI) of 0.65, and both omission and commission errors (OE and CE) below 0.40. Cross-comparison showed that only 22.62 % of irrigated pixels were identified by more than three products. The Comprehensive Evaluation Index (CEI) analysis revealed regional performance variations, particularly in areas such as LZ to TDG, the Mid-altitude region, and the Northern arid/semi-arid and Humid Climate regions, where several products performed well. This study provides a solid foundation for applying irrigation area products in water resource management and offers recommendations for future optimization.
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 | 0,002 | 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 | 0,000 |
| 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 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 ».