An all-Inclusive capacity development programme for a sustainable future
Notice bibliographique
Résumé
There is no doubt anymore that Earth Observation (EO) is contributing toward meeting the Sustainable Development Goals and addressing environmental challenges. Digital Earth Africa’s objective is to make freely available an EO data cube for all of Africa that democratizes the capacity to process and analyse satellite data. It allows to track changes across Africa in unprecedented detail and will provide data on a vast number of issues, including soil and coastal erosion, agriculture, forest and desert development, water quality, and changes to human settlements. To realise full benefits of an advanced Platform like Digital Earth Africa, Digital Earth Africa has co-designed and co-developed with five institutions namely the Regional Centre For Mapping Of Resources For Development (RCMRD, Kenya), Centre de Suivi Écologique (Senegal), l’observatoire du Sahara et du Sahel (Tunisia), AFRIGIST (Nigeria) and AGRHYMET (Niger). This was meant to ensure it meets end-users needs, this program has been developed by the future deliverers of the program. From the trainers’ perspective, the program is built to consider the recent changes in teaching approaches and methodologies including pedagogy that emerged from a Covid-19, and post Covid-19, pandemic world. On the end-user side, the curriculum covered a wide spectrum of topics, from understanding satellite images, python scripting in the JupyterLab environment to identifying solutions to SDGs challenges through use cases, available in English and French. Digital Earth Africa’s Gender Equity, Diversity and Social Inclusion principles strategy (GEDSI) is imprinted as a watermark across the whole program. It prioritises gender equality, diversity, and social inclusion so that women, people with disabilities and marginalised individuals and communities have the same opportunities to benefit from EO data. In addition, Digital Earth Africa started live virtual sessions, to stay connected with end users, who have developed impactive stories in their communities. Digital Earth Africa seeks to support the capacity development of individuals, academic and governmental institutions, and private sector organisations to empower present and next generation of decision makers to drive toward a sustainable future, leaving on one and place behind.
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 | 0,011 | 0,011 |
| 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 | 0,004 | 0,003 |
| Communication savante | 0,008 | 0,008 |
| Science ouverte | 0,003 | 0,026 |
| Intégrité de la recherche | 0,004 | 0,008 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,093 | 0,024 |
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 ».