Advancing geospatial insights in Afghanistan: Annual land cover mapping and landscape metrics analysis for rural landscape planning and restoration
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Desertification, conflict-driven degradation, and climate change increasingly threaten Afghanistan's landscapes, shaped by both natural processes and long-standing human-environment interactions. There is an urgent need to analyze land cover dynamics and methodological insights in the Hindu Kush Himalaya (HKH) region, particularly in Afghanistan, to guide landscape restoration and regeneration efforts. Addressing this gap, this study produces the first consistent, harmonized annual land cover dataset for Afghanistan from 2000 to 2018, using Google Earth Engine (GEE), the Random Forest algorithm, remote sensing techniques, and 30-meter resolution satellite images. Despite historical data constraints, the cloud-based approach enabled comprehensive national-scale mapping. In 2018, rangeland was the dominant land cover type (45.66%), followed by barren land (31.03%) and sand (7.71%). Over the 19-year period, Rangeland expanded by 1.08%, with notable expansions in built-up areas and sand-covered zones. Spatial patterns and fragmentation were assessed using five landscape metrics: greatest patch area, number of patches, overall core area, splitting index and, largest patch index. These analyses identified critical trends in urban expansion and rangeland fragmentation. The resulting annual land cover database and landscape metrics offer a robust evidence base to inform rural landscape planning, zoning, and restoration initiatives aligned with national and global sustainability goals.
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.
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 | 0,000 |
| 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 découle