No More Hidden Secrets: Human Rights Violation and Remote Sensing
Notice bibliographique
Résumé
Aim: This study used both high resolution and medium resolution satellite imagery to test three semi-automated remote sensing methods, in an attempt to identify useful tools to support eye-witness testimony and reports on human rights violations. As huts are routinely burned down during attacks on a village, particularly in Sudan, the number of huts and villages burned can be used to corroborate on-the-ground reports. Methods: Three remote sensing methods (Supervised Classification, Change Detection, and Feature Extraction) were performed on imagery from both before the attacks in February 2006 and after the attacks to examine any useful trends that could be used by researchers when manually examining the satellite data. Results: In general, Supervised Classification methods performed unsatisfactorily. Some classes, such as water and agriculture, had high accuracy rates; however pixels classified as villages performed poorly. The Change Detection method delivered inconclusive results. Feature Extraction, when combined with the kernel density “hot spot” method, appears to be a useful tool to identify villages. The after imagery had no surviving villages in the study area, so Feature Extraction could not be completed on the after imagery and an accurate assessment of the method cannot be fully ascertained. Conclusions: The results of this study indicate that Feature Extraction is a useful ancillary tool to the practice of manual identification, particularly in places similar to Darfur with semi-arid grassland and rural huts and villages. In addition, the kernel density function when paired with Feature Extracted is a useful tool for visual analysis of clustered villages.
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) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,003 | 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».