Automatic detection of fire smoke using artificial neural networks and threshold approaches applied to AVHRR imagery
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
Satellite-based remote sensing techniques were developed for identifying smoke from forest fires. Both artificial neural networks (NN) and multithreshold techniques were explored for application with imagery from the Advanced Very High Resolution Radiometer (AVHRR) aboard NOAA satellites. The NN was designed such that it does not only classify a scene into smoke, cloud, or clear background, but also generates continuous outputs representing the mixture portions of these objects. While the NN approach offers many advantages, it is time consuming for application over large areas. A multithreshold algorithm was thus developed as well. The two approaches may be employed separately or in combination depending on the size of an image and smoke conditions. The methods were evaluated in terms of Euclidean distance between the outputs of the NN classification, using error matrices, visual inspection, and comparisons of classified smoke images with fire hot spots. They were applied to process daily AVHRR images acquired across Canada. The results obtained in the 1998 fire season were analyzed and compared with fire hot spots and TOMS-based aerosol index data. Reasonable correspondence was found, but the signals of smoke detected by TOMS and AVHRR are quite different but complementary to each other. In general, AVHRR is most sensitive to low dense smoke plumes located near fires, whereas smoke detected by TOMS is dispersed, thin, elevated, and further away from fires.
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 | 0,001 |
| 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