Sélection experte d'images de télédétection
Notice bibliographique
Résumé
Dans ce mémoire, nous présentons le développement d'un didacticiel conçu pour résoudre le problème de la sélection d'images de télédétection à des fins de cartographie forestière. La sélection thématique réduit la durée du processus de choix en éliminant la nécessité de vérifier si chaque image est pertinente au thème d'intérêt. Elle permet d'assurer une réutilisation maximale des images déjà disponibles. L'utilisation d'un système tutoriel intelligent permet à l'utilisateur de recevoir un suivi. Les différents modules sont développés avec le langage Java. Le moteur d'inférence est le logiciel Java Expert System Shell (JESS) de Sandia National Laboratories. L'entrée des images dans le système se fait manuellement avec le logiciel Géomatica de PCI Geomatics et leur manipulation est effectuée par la librairie Java Advanced Imaging de Sun Microsystems. La base de données est Microsoft Access. Ce didacticiel est un des agents du Système Intelligent de Traitement d'Images (SITI), développé par l'Équipe Spécialisée en TRaitement d'Images de TÉLédétection (ESTRITEL) du Centre d'applications et de recherches en télédétection (CARTEL), de l'Université de Sherbrooke. Le projet SITI bénéficie d'un financement CRSNG.
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 | 0,002 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,026 | 0,007 |
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 ».