Simple regression functions for estimating herbaceous fodder production in Senegal rangelands from the S10 NDVI of SPOT-Vegetation
Notice bibliographique
Résumé
Face à la situation actuelle de changement climatique et ses conséquences sur l'homme et les ressources naturelles, les Systèmes d'Alerte Précoce (SAP) sur le disponible fourrager en zones pastorales constituent des stratégies essentielles dans la lutte contre l'insécurité alimentaire, notamment au niveau des pays du Sahel ouest-africains comme le Sénégal.L'évaluation du stock de fourrage s'y effectue habituellement à partir d'une régression linéaire entre les données de biomasse mesurée sur le terrain et l'indice de végétation par différence normalisée (NDVI) issu du satellite SPOT-VEGETATION.Mais, compte tenu de la nature non-linéaire de la relation NDVI-biomasse herbacée, cinq autres fonctions d'ajustement sont testées afin de déterminer celles qui traduisent au mieux cette relation.Les données de biomasse ont été collectées au niveau de cinquante-et-un Sites de Contrôle au Sol (SCS) dont trente-six ont servi à la calibration et quinze pour évaluer la précision des modèles.Les variables utilisées sont le NDVI moyen et le NDVI maximum, enregistrés au cours de la saison.Les résultats obtenus montrent que les modèles Exponentiel et Puissance sont les plus cohérents et précis pour l'estimation de la biomasse herbacée à partir du NDVI.Toutefois, cette approche empirique par régression simple reste globalement imprécise pour l'évaluation de la biomasse herbacée au Sénégal vu les valeurs relativement élevées du RMSE qui varient entre 324,07 et 858 kg/ha selon l'année.
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 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
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.
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 ».