Photo-interpretation and remote sensing at the Faculty of Forestry and Environmental Management, UNB
Notice bibliographique
Résumé
Classically, remote sensing has been used as input data for land cover mapping. Through remote sensing studies at the University of New Brunswick Faculty of Forestry and Environmental Management, broader applications have been developed. These include: 1) fuel moisture mapping using optical and thermal infrared NOAA-AVHRR and MODIS images, as well as synthetic aperture radar (SAR) images (single-polarized images from ERS-1 and RADARSAT-1 and polarimetric images from RADARSAT-2); 2) determination of plant nitrogen and chlorophyll content using narrow-band hyperspectral data; and 3) imaging system applications in the wood industry. The third type of applications include: 1) mapping of internal wood features using X-ray computer tomography images, 2) monitoring of wood deformations using digital images acquired in the visible band, and 3) use of near-infrared spectroscopy to identify and sort wood by species, colour, physical properties, and surfacing/aging history. This last technology will also be used to determine lignin, cellulose and hemi-cellulose contents of wood products for value-added applications. Key words: optical, thermal infrared, radar, fuel moisture, crop nitrogen, X-ray CT images, image correlation, wood scanning, NOAA-AVHRR, MODIS, ERS-1, RADARSAT-1, radar polarimetry, RADARSAT-2
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,067 | 0,026 |
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 source (Gemma direct ou Codex distillé), 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 ».