Suivi spatio-temporel du couvert nival du Québec à l’aide des données NOAA-AVHRR
Notice bibliographique
Résumé
L’imagerie satellitaire dans le visible et l’infrarouge permet de cartographier le couvert nival à grande échelle, ce qui n’est pas facilement réalisable à partir des observations locales conventionnelles. Cependant, en raison de leur résolution spatiale inadéquate ou de la faible durée de leurs séries d’observations, les produits satellitaires actuellement disponibles sont inutilisables pour l’étude à long terme du couvert nival. Par conséquent, l’objectif de la présente étude a été de développer un algorithme opérationnel de cartographie de la neige à l’aide des données du capteur AVHRR (Advanced Very High Resolution Radiometer) embarqué à bord du satellite NOAA. Cette procédure doit permettre de suivre l’évolution spatio-temporelle de la neige au sol sur une longue période de temps et avec une bonne résolution spatiale. Les résultats de la cartographie ont été validés par rapport aux observations de l’occurrence et de l’épaisseur de la neige au sol. L’algorithme a été appliqué au territoire du Québec sur trois périodes spécifiques : 1998-1999, 1991-1992 et 1986-1987. L’algorithme a réussi à identifier la catégorie de surface (neige/non-neige) avec un taux de succès global moyen de 87 %. Les performances de l’algorithme ont été supérieures dans la détection de la neige (90 %) qu’elles l’ont été pour les surfaces sans neige (82 %). Également, l’algorithme a permis de situer le début des périodes de formation et de fonte de la neige, et ce tant au niveau local qu’à l’échelle du bassin versant.
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 | 0,001 |
| Études des sciences et des technologies | 0,003 | 0,006 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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; 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 ».