Détection des changements au niveau d’un couvert forestier en milieu semi-aride entre 1984–2009: Cas de la forêt de Senalba Chergui de Djelfa (Algérie)
Notice bibliographique
Résumé
The main objective of this work was to detect changes in a semi-arid forest using Landsat satellite multi-temporal imagery and to circumvent the lack of data on landscape temporal changes. The differential-algebraic method (subtraction) was used on 12 remote sensing variables obtained at different fixed periods. Before applying the differentiations on remote sensing data, a geometric correction and a radiometric normalization of satellite images were carried out to allow images comparison. Differentiation of individual bands (TM4 and TM5), ratios (TM4/TM5 and TM7/TM5), indexes (NDVI and NDMI), Tasseled Cap differentiation (e.g. TCB [Brightness], TCG [Greenness] and TCW [Wetness]) and finally the differentiation of the first three ACPs (ACP1, APC2 and ACP3) were carried out in order to select the best data for the detection of changes. Many radiometric thresholds were tested (11 values) to identify which ones had the ability to determine the best changes in the different studied periods. The most significant values of global precision (GP) (greater than 72% for the four studied periods) obtained in the error matrices were those of the NDVI variable using 0.9δ (δ = standard deviation) at the mean. This allowed the calculation of NDVI changes and the positive, negative and stable proportions for each period. The use of recent very high resolution spatial images for validation allowed us to highlight the causes of changes and the impact of silvicultural works during the period of forest management.
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 | 0,001 |
| 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 | 0,001 | 0,001 |
| 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 ».