Disturbance recognition in the boreal forest using radar and Landsat-7
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
AbstractAs part of a Siberian mapping project supported by the National Aeronautics and Space Administration (NASA), this study evaluated the capabilities of radars flown on the European Remote Sensing Satellite (ERS), Japanese Earth Resources Satellite (JERS), and Radarsat spacecraft and an optical sensor enhanced thematic mapper plus (ETM+) on-board Landsat-7 to detect fire scars, logging, and insect damage in the boreal forest. Using images from each sensor individually and combined, an assessment of the utility of using these sensors was developed. Transformed divergence analysis revealed that Landsat ETM+ images were the single best data type for this purpose. However, the combined use of the three radar and optical sensors did improve the results of discriminating these disturbances.Réalisée dans le cadre d'un projet de cartographie de la Sibérie financé par la NASA, cette étude a évalué le potentiel des radars à bord des satellites ERS, JERS et Radarsat et d'un capteur optique, le capteur ETM+ à bord de Landsat-7, pour la détection des cicatrices d'incendies, des coupes forestières et des dommages liés aux insectes dans la forêt boréale. Basé sur l'utilization d'images de chacun de ces capteurs, individuellement ou en combinaison, nous avons réalisé une évaluation de l'utilité de ces capteurs. Une analyse de divergence transformée a révélé que les images Landsat ETM+ constituaient, sur une base individuelle, le meilleur type de données pour cet objectif. Toutefois, l'utilization combinée des trois capteurs radar et du capteur optique a permis d'améliorer les résultats de la détermination de ces perturbations.[Traduit par la Rédaction]
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.
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 | 0,000 | 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 | 0,000 | 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 découle