数据集概述
本数据集围绕土地覆盖分类模型的迁移性展开，通过量化模型预测能力随空间、时间、光谱及环境距离的衰减规律，探索模型在不同农业站点间的可迁移性边界。核心内容包括模型预测能力衰减的量化分析、多维度距离对预测性能的影响评估，以及迁移性预测方法的验证，为土地资源管理中的模型应用提供不确定性评估依据。
文件详解
- 文件名称：README_for_GavishEtAl2017Dryad.docx
- 文件格式：DOCX
- 字段映射介绍：数据集说明文档，包含研究背景、实验设计、分析方法、结果解释及文件结构等内容，用于辅助理解数据的科学背景和使用方式。
- 文件名称：GavishEtAl2017Dryad.zip
- 文件格式：ZIP
- 字段映射介绍：压缩归档文件，包含支撑研究结论的原始数据、分析脚本或结果文件（具体内容需解压后查看），可能涉及英国农业站点的土地覆盖分类模型训练数据、多维度距离计算数据、模型预测能力（kappa统计量）结果数据等。
数据来源
Dryad数字知识库（关联研究：Quantifying and modelling decay in forecast proficiency indicates the limits of transferability in land-cover classification）
适用场景
- 土地覆盖分类模型迁移性评估：分析模型在不同空间、时间、光谱及环境条件下的预测能力衰减规律，量化迁移不确定性。
- 机器学习模型不确定性预测：基于多维度距离参数，预测模型在新站点的性能表现，优化模型应用策略。
- 地面真值数据采集优化：根据模型迁移性衰减规律，优先选择关键站点进行地面真值数据采集，提升模型整体效能。
- 土地资源管理决策支持：为土地覆盖分布预测的可靠性评估提供数据支撑，辅助自然资源保护与管理决策。
- 农业用地动态监测：探索农业站点土地覆盖分类模型的时空迁移能力，支撑农业用地变化的长期监测与预测。
