Characterizing the tundra taiga interface using Radarsat-2 (Mealy Mountains, Labrador)
Notice bibliographique
Résumé
The transition zone between the boreal forest and Arctic tundra, also known as the \ntundra taiga interface (TTl), is a unique and sensitive ecosystem. A convenient way to \nmonitor and understand TTl changes is through the interpretation and analysis of earth \nobservation satellite images, or remote sensing. Ecosystem monitoring provides useful \ninformation about vegetation distribution and global climate. Currently, vegetation is \nmonitored at both global and regional scales through the use of multispectral, light \ndetection and ranging and synthetic aperture radar imagery. Each remote sensing \ntechnology offers unique spatial, spectral and radiometric resolution sets. \nThis thesis investigates the use of synthetic aperture radar images from the Canadian \nSpace Agency's RADARSAT-2 satellite to derive an image product discriminating \ndifferent types of vegetation cover within the TTl region of Labrador. \nA selection of texture measures was applied to a dataset consisting of six \nRADARSAT-1 and fourteen RADARSAT-2 images. Statistical parameters were utilized \nto measure how strongly the radar derived vegetation product correlated with the well established \nnormalized difference vegetation index (NDVI). The analysis was guided and \nvalidated by field data describing forest and non-forest land cover types. \nThe results indicate that a mean texture measure with a window size relating to a \nground area of 330x330 m (fine mode} and 450x450 m (standard mode) applied to an R-2 \nHV-polarized image is able to inform on the location of the TTl and also complements \nthe vegetation cover found in NDVl images.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,004 | 0,001 |
| Communication savante | 0,000 | 0,002 |
| Science ouverte | 0,002 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 tête enseignante, 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 ».