Notice bibliographique
Résumé
Description Road development in the Congo Basin forest is continuously monitored from 2019 onwards in high spatial and temporal detail. A deep learning method is applied to 10 m scale Sentinel-1 and Sentinel-2 imagery for automated road detections on a monthly basis. This version presents 7 years of road development (68,186 km) from 2019-2025. The data is composed of line features distributed in .shp and .geojson formats. The following attributes are stored for the line features: NetworkID: A unique ID for each connected road network. SegLenM: The length of the road segment (in meters). NetLenM: The length of the connected road network (in meters). Month: The road segment opening month. Year: The road segment opening year. MonthNum: The road segment opening month, depicted as a continuing count since the start of monitoring (e.g. 13 = January 2020). This attribute can be used for smooth and continuous temporal analyses or visualizations. Additional information More information about the forest road mapping project can be found at (temporarily offline): https://wur.eu/forest-roads Continuously updated road maps can be interactively viewed at: https://nrtwur.users.earthengine.app/view/forest-roads The dataset can be accessed in Google Earth Engine at: ee.FeatureCollection('projects/wurnrt-loggingroads/assets/distribution/forestroads_afr_2019-01_2025-12') The scientific paper (Slagter et al., 2024) describing the methods to produce this dataset can be found at: https://doi.org/10.1016/j.rse.2024.114380 Citation Please cite the following when referring to this dataset: Slagter B., Fesenmyer K., Hethcoat M., Belair E., Ellis P., Kleinschroth F., Peña-Claros M., Herold M., Reiche J. (2024). Monitoring road development in Congo Basin forests with multi-sensor satellite imagery and deep learning. Remote Sensing of Environment 315, 114380.
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) | 0,002 | 0,002 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,005 |
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 ».