Transforming environmental monitoring into action plans: Lessons learned from a decade of RADARSAT-1 initiatives in Latin America
Notice bibliographique
Résumé
Over the past decade nations around the world have invested scarce resources in civilian radar remote sensing from space, through capital investments in satellites and data-acquisition programs, organizational support for training, technical assistance, and purchases of high-technology equipment and materials. This paper provides a retrospective on major collaborative initiatives that have taken place in Latin American related to RADARSAT-1 over this period and outlines challenges still to be faced if RADARSAT and other imaging radar systems are to reach their full potential to inform operational resource managers and policy-makers. The purpose of this paper is to assess RADARSAT-1 initiatives in Latin America in terms of accomplishments and lessons learned in three areas: (1) technology development, transfer, and exchange between Canadian and Latin American experts; (2) applications to natural resource monitoring and management through the involvement of operational users; and (3) incorporation into international and national policies for sustainable development. RADARSAT-1 achievements are measured in terms of long-term goals described in the EverGreen Plan, a 1989 proposal designed to build indigenous capabilities and encourage operational use and acceptance by political, economic, and business leaders. This assessment is based on the results of a survey of GlobeSAR-2 national coordinators and is set in the context of a review of RADARSAT-1 programs that have taken place in Latin America over the past decade. A thematic analysis of 278 papers presented at the IX Latin American Remote Sensing Symposium is included to highlight resource application areas in which RADARSAT-1 has proven most successful. The authors have played active roles in RADARSAT-1 initiatives during the past 10 years. Christine Nielsen was co-author of The EverGreen Plan, and served as a consultant to Radarsat International (RSI) in 1991, responsible for designing an international education strategy prior to the launch of RADARSAT-1. Tania Sausen is a leader in remote sensing training and education programs at INPE. Over the past ten years she has organized many seminars and training courses, primarily related to ERS. Sausen is President of Technical Commission VI ‐ Education and Communication for the International Society of Photogrammetry and Remote Sensing.
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 | 0,023 | 0,015 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,003 |
| Études des sciences et des technologies | 0,003 | 0,006 |
| Communication savante | 0,009 | 0,005 |
| Science ouverte | 0,001 | 0,005 |
| Intégrité de la recherche | 0,001 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 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 ».