Système d'alerte dynamique par télédétection pour l'observation des déforestations en Malaisie
Notice bibliographique
Résumé
La Malaisie est soumise à une forte pression de déforestation. Il est urgent de planifier la culture des palmiers à huile en se tournant vers des stratégies durables. Pour cela, un système d'alerte ciblant les déforestations illégales serait un outil précieux pour les gestionnaires. Google Earth Engine permet de mettre en place un système d'alerte des déforestations à partir d'images satellites à moyenne résolution. Les images optiques Sentinel-2 et Landsat 8 sont associées aux images radars Sentinel-1 pour permettre une revisite régulière et limiter l'impact de la couverture nuageuse. L'analyse par vecteur de changement détecte les déforestations sur chacune des nouvelles acquisitions en fonction d'une donnée de référence forêt.Les résultats montrent une bonne précision avec les capteurs optiques(moins de 11% d'erreur de commission et d'omission). Cependant, le capteur radar donne des résultats plus faibles (14% d'erreur de commission et 28% d'erreur de commission), liés à de nombreux artéfacts causés par l'effet de chatoiement (speckle). C'est pourquoi nous utilisons un score dynamique relatif à l'observation des 3 capteurs sur 3 mois, qui indique un niveau de confiance. Cette méthode permet d'obtenir 7% d'erreur d'omission et 0% d'erreur de commission pour les événements présentant un fort niveau de confiance, caractérisé par un score supérieur à 20 points.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 0,002 |
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 ».