Comment on Tompalski et al. Combining Multi-Date Airborne Laser Scanning and Digital Aerial Photogrammetric Data for Forest Growth and Yield Modelling. Remote Sens. 2018, 10, 347
Notice bibliographique
Résumé
Tompalski et al. (2018) propose “template matching” as a (required) intermediate step to use remote sensing-based predictions of forest attributes as inputs of the Growth and Yield Projection System (GYPSY) for the simulations of forest stand dynamics in Alberta, Canada. Yet, the feasibility of the approach can be criticized for many points that call for experimental verification. The approach cannot be fully replicated based on the description of the paper. Nevertheless, an experimental implementation with synthetic data indicates that the quality of the projections may vary considerably depending on parameter assumptions for the templates, and the projections may include discontinuities between the observed and projected forest attributes. The approach is poorly motivated given that the effects described above are largely avoidable, if the underlying GYPSY models are run without the template matching step. The R-codes used for the analyses are provided as supplementary data for an interested reader wishing to evaluate the conclusions made above. A semantic analysis indicates further problems with multi-date data on a wall-to-wall grid. The projections obtained by template matching should be exposed to criticism for their realism and benchmarked against other approaches prior to using template matching as proposed by Tompalski et al.
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 | 0,007 | 0,043 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,002 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,003 | 0,005 |
| Communication savante | 0,003 | 0,006 |
| Science ouverte | 0,006 | 0,003 |
| Intégrité de la recherche | 0,027 | 0,036 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,010 | 0,017 |
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 ».