MétaCan
Menu
Retour à la cohorte
Enregistrement W4200154574 · doi:10.4018/978-1-7998-8482-8.ch033

Mapping Plastic Greenhouses With LANDSAT 8 Imagery in Valparaiso, Chile

2021· book-chapter· en· W4200154574 sur OpenAlexaff
Ignacio Aguirre, Jacinto Garrido Velarde, Javier Lozano‐Parra

Notice bibliographique

RevuePractice, progress, and proficiency in sustainability · 2021
Typebook-chapter
Langueen
DomaineEnvironmental Science
ThématiqueLand Use and Ecosystem Services
Établissements canadiensUniversity of Saskatchewan
Organismes subventionnairesnon disponible
Mots-clésSubsidyGreenhouseGeographyAgricultureCensusGovernment (linguistics)Intersection (aeronautics)Food securityCartographyAgricultural economicsPhysical geographyPolitical scienceHorticultureArchaeologyEconomicsDemographyBiology

Résumé

récupéré en direct d'OpenAlex

In the last decades there has been a strong increase around the world in the use of plastic greenhouses (PGs). The Valparaíso region, in the central valley of Chile, has not been the exception, and the area covered by greenhouses has also experienced an increase over the years, reaching 1180 ha in 2007. Taking into account that agriculture in this region employs more than 60,000 people and accounts for 4% of the regional GDP, this information should be available to be included in territorial planning and incorporated into hydrological, economic, and food security models. To do this, the authors propose a new method for identifying the surface covered by PGs based on the intersection of the normalized difference indices and the areas excluded by the masks. The results showed that this methodology was able to identify with a general precision of 86.25% which allowed to classify 1409.85 ha. This area is consistent with the agricultural census carried out in 2007 and with the increase of more than 900 subsidies granted by the government for the installation of new structures.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,078
Score d'incertitude au seuil0,154

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,001
Études des sciences et des technologies0,0000,000
Communication savante0,0010,001
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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.

Tête enseignante Opus0,009
Tête enseignante GPT0,242
Écart entre enseignants0,233 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations0
Publié2021
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revuePractice, progress, and proficiency in sustainabilityMême sujetLand Use and Ecosystem ServicesTravaux en français237 207