Télédétection et caractéristiques physiques des dépôts meubles dans un milieu anciennement englacé du sud du Québec
Bibliographic record
Abstract
L'analyse géomorphologique à partir de bandes spectrales débordant le rayonnement visible est encore au stade expérimental. La stratigraphie et la structure interne des dépôts meubles ne peuvent être directement détectées, mais la granulométrie et les formes de surface peuvent l'être. Dans le cas des surfaces dénudées, la granulométrie est reliée à la réflectance dans le visible et le proche infrarouge et à la rugosité détectable par le radar. Dans le cas des surfaces recouvertes de végétation, la granulométrie peut être déduite indirectement des conditions d'humidité des sols, qui commandent l'alimentation en eau des plantes, dans le visible, le proche infrarouge, l'infrarouge thermique, le radar (constante diélectrique) et théoriquement les micro-ondes passives. Sans compter la traditionnelle photointerprétation stéréoscopique, les formes de surface peuvent être reconnues soit de façon automatisée, surtout dans le cas des formes linéaires, lorsque l'on possède des documents numérisés, soit de façon visuelle par rehaussement d'image lors de la prise de vue (radar, thermographies). Les formes de surface peuvent aussi être rehaussées au moment du traitement par incorporation d'un modèle numérique de terrain ou avec des images de composantes spectrales. Des expériences ont été conduites en Estrie afin de distinguer les tills des dépôts fluvioglaciaires ou glacio-lacustres. Il en résulte que l'imagerie la plus efficace dans le cas d'une analyse visuelle est l'infrarouge thermique diurne en automne quand les effets de l'insolation sur la topographie sont maximaux et où ceux des écarts d'albédo sont réduits.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.000 | 0.000 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.002 |
| Science and technology studies | 0.002 | 0.001 |
| Scholarly communication | 0.001 | 0.000 |
| Open science | 0.001 | 0.000 |
| Research integrity | 0.000 | 0.000 |
| Insufficient payload (model declined to judge) | 0.002 | 0.000 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".