The Petawawa Research Forest: Establishment of a remote sensing supersite
Notice bibliographique
Résumé
The pace of technological change in forest inventory and monitoring over the past 50 years has been remarkable, largely asa result of the increased availability of various forms of remotely sensed data. Benchmarking sites, with the requisite refer-ence and baseline data for evaluating the capacities of new technologies, algorithms, and approaches, can be extremely valu-able for sparking innovation, as well as for enabling transparent and scientifically sound assessments of technologies, newdata streams, and associated information outcomes. Herein we describe the establishment of a remote sensing supersite atthe Petawawa Research Forest (PRF) in southern Ontario, Canada, and summarize the open access datasets that have beencompiled and made available to the public. The PRF is approximately 10 000 ha in size and represents a complex assemblageof tree species and forest structures. More than 1900 data records, including multiple airborne laser scanning datasets andassociated derivatives (i.e., digital terrain model, canopy height model), airborne imagery, satellite remote sensing timeseries, and ground plot data, among others, have been made openly available for download from Canada’s National ForestInformation System. We identify issues and present opportunities associated with the establishment of a remote sensingsupersite at the PRF, as well as share some of the lessons learned to foster the establishment and open data sharing for othernational and international remote sensing supersites. The PRF supersite can be accessed from the following link: https://opendata.nfis.org/mapserver/PRF.html .
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 | 0,000 |
| 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 | 0,001 | 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 | 0,001 |
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 ».