An ARC/INFO Macro Language (AML) Polygon Update Program (PUP) Integrating Forest Inventory and Remotely-Sensed Data
Bibliographic record
Abstract
Un programme informatique, le programme PUP (Polygon Update Program), a été écrit en langage AML (ARC/INFO Macro Language) pour faciliter l'intégration dans un système d'information géographique (SIG) d'inventaire forestier d'images satellite classiftées des changements dans le paysage au Nouveau-Brunswick. Le code accepte les attributs définis par l'utilisateur et maintien un identificateur unique de polygone comme variable, le “polyid”, tout en convertissant les fichiers vectoriels SIG pour superposition sur l'image satellite dans un format de grille commun. La couche “polyid” est essentiellement une version sur grille des identificateurs des polygones du SIG fournissant un contexte spatial (un polygone et les attributs associés) aux valeurs de pixels superposées. Les données image classiftées sont lues et une base de règle est invoquée pour déterminer la correspondance entre les attributs des polygones de la grille dans le SIG et la classification de l'image. Le programme résume les changements à l'intérieur des polygones en fonction de la logique de la décomposition polygonale définie précédemment. Il est possible de reporter une étiquette dans une table d'attributs pour indiquer l'ampleur du changement détecté. La mise à jour est résumée en termes de “polyid”. de code d'espèce et de superficie de chaque peuplement forestier selon trots classes (faible, modéré, sévère). Le programme inclut une interface graphique pour l'utilisateur et la capacité de générer des fichiers détaillés d'exportation. Un exemple est donné pour illustrer une méthodologie et l'élaboration de la mise à jour des données d'inventaire forestier.
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 | 0.001 | 0.003 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.000 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.000 | 0.000 |
| Scholarly communication | 0.002 | 0.001 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.048 | 0.021 |
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".