Beyond environmental monitoring: Are automatic time-lapse cameras efficient tools for temperature measurement in remote regions?
Notice bibliographique
Résumé
Automatic time-lapse cameras are frequently used to monitor snow height as well as snow and ice related processes occurring on slopes in cold regions because of the many advantages they bring to researchers. In addition to providing important visual information’s about the dynamic of the studied area, most of these types of cameras are now equipped with thermal sensors able to register temperature data for every picture taken. The instrumentation set up within Tasiapik Valley, near Umiujaq, in Nunavik (northern Québec), enabled us to assess the potential of automatic time-lapse cameras for temperature measurement by comparing data retrieved on photographs from time-lapse cameras with data from two nearby weather stations. Our results indicate that the temperature measurements from the time-lapse cameras from August to the onset of February are relatively accurate while their weaker performances for temperature measurement occurred in late winter and spring (March - June). Moreover, regardless of the year, time-lapse cameras were most accurate in the morning (09:00 AM – 11:00 AM), while in the afternoon (12:00 PM – 3:00 PM), they tended to over-estimate temperatures. Based on our observations and data analyses, this over-estimation of temperatures seems to be caused by external factors such as sky conditions and high values of downwelling shortwave radiation lasting from February to June at our study site. The local environment surrounding the cameras might also affect the performances of time-lapse cameras at temperature measurement.
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 | 0,003 | 0,007 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,003 | 0,005 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 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 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 ».