Evaluation of thermal-water stress of forest in southern Québec from satellite images
Notice bibliographique
Résumé
Le stress hydro-thermique a été évalué pour la région du sud du Québec à l’aide des images SPOT VEGETATION (VGT) et NOAA AVHRR, pour deux saisons de croissance (1999 et 2000). Pour extraire la température de surface à l’aide des images AVHRR, l’algorithme ‘split-window’ (Coll et al., 1994b) a été choisi suite à la comparaison avec six algorithmes connus.\nLes réseaux de neurones artificiels ont été entraînés pour la détection des nuages sur les données quotidiennes synthèses (S1) et les données P. Cette analyse montre que les réseaux identifient les nuages avec plus de précision que le masque standard fourni avec les données. Les réseaux détectent non seulement les nuages épais et brillants, mais également les nuages minces et peu brillants. Comme autre application, les réseaux ont été employés pour estimer la température de l'air. Les variables d’entrées pour les réseaux étaient les cinq bandes de l'image AVHRR, l'altitude de surface, l'angle de zénith solaire, et le jour julien. Le réseau utilisant toutes les données d’entrée a fourni les meilleurs résultats, avec 22 noeuds dans la couche cachée.\nLe ‘normalized difference vegetation index’ (NDVI) et le ‘normalized difference water index’ (NDWI) sont déduits de SPOT VGT pour évaluer l’état hydrique végétal et la température de surface a été obtenu des images AVHRR pour l’état thermique. Ces deux indices de végétation forment un nouvel indice d’humidité normalisée (NMI) qui s’est révélé inversement corrélé à la température de surface. Un trapèze, exploitant les valeurs de la température de surface et du NMI, permet d’identifier le statut hydro-thermique du couvert végétal. Ces résultats sont validés par une comparaison avec les indices forêt-météo de la méthode canadienne.\n
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 | 0,000 | 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 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 ».