Percent landcover per SASAP region and Hydrolic Unit (HUC8) boundary for Alaskan watersheds
Notice bibliographique
Résumé
This dataset was created to assess the percentages of various landcovers in each SASAP region and each HUC8 watershed of Alaska (forest/shrub/barren/wetland). The 2010 National Land Cover Dataset ( "2005 North American Land Cover at 250 m spatial resolution. Produced by Natural Resources Canada/Canadian Center for Remote Sensing (NRCan/CCRS), United States Geological Survey (USGS); Insituto Nacional de Estadística y Geografía (INEGI), Comisión Nacional para el Conocimiento y Uso de la Biodiversidad (CONABIO) and Comisión Nacional Forestal (CONAFOR).”) was combined with the "sasap_regions.zip" shapefile (located here: https://knb.ecoinformatics.org/#view/urn:uuid:2c1c26fc-bfb9-4b6a-8d4a-0be8e61c4deb) to create the shapefile, "regions_slope_shp.zip" and with the "sasap_watersheds_gapfix.zip" shapefile (located here: https://knb.ecoinformatics.org/#view/urn:uuid:2b5ab57e-38ec-4bc9-8290-f080ec0befb4) to create the shapefile "watersheds_slope_shp.zip". CSV versions of the resulting shapefiles are also archived. The included python script, which was used to merge the data, outlines the process in more detail. Also included in this dataset are two figures. One shows the human footprint for Alaska and the western United States, which is derived from the original 2010 National Land Cover raster. The second is a figure showing forest cover by watershed in Southeast Alaska, created using code found in Jeanette Clark, Rachel Carlson, and Jared Kibele. General mapping functions for data associated with the State of Alaska's Salmon and People (SASAP) project, 2019. Knowledge Network for Biocomplexity. doi:10.5063/F1MP51JD.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,007 |
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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».