A new strategy for snow-cover mapping using remote sensing data and ensemble based systems techniques.
Notice bibliographique
Résumé
The snow cover plays an important role in the hydrological cycle of Quebec (Eastern Canada). Consequently, \nevaluating its spatial extent interests the authorities responsible for the management of water resources, especially \nhydropower companies. The main objective of this study is the development of a snow-cover mapping strategy \nusing remote sensing data and ensemble based systems techniques. Planned to be tested in a near real-time operational \nmode, this snow-cover mapping strategy has the advantage to provide the probability of a pixel to be \nsnow covered and its uncertainty. Ensemble systems are made of two key components. First, a method is needed \nto build an ensemble of classifiers that is diverse as much as possible. Second, an approach is required to combine \nthe outputs of individual classifiers that make up the ensemble in such a way that correct decisions are ampli- \nfied, and incorrect ones are cancelled out. In this study, we demonstrate the potential of ensemble systems to \nsnow-cover mapping using remote sensing data. The chosen classifier is a sequential thresholds algorithm using \nNOAA-AVHRR data adapted to conditions over Eastern Canada. Its special feature is the use of a combination \nof six sequential thresholds varying according to the day in the winter season. Two versions of the snow-cover \nmapping algorithm have been developed: one is specific for autumn (from October 1st to December 31st) and the \nother for spring (from March 16th to May 31st). In order to build the ensemble based system, different versions \nof the algorithm are created by varying randomly its parameters. One hundred of the versions are included in the \nensemble. The probability of a pixel to be snow, no-snow or cloud covered corresponds to the amount of votes \nthe pixel has been classified as such by all classifiers. The overall performance of ensemble based mapping is \ncompared to the overall performance of the chosen classifier, and also with ground observations at meteorological \nstations.
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 | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».