Stereo RADARSAT Data for Canopy Height in Brazilian Forests
Bibliographic record
Abstract
Cet article démontre la possibilité d'utiliser les images stéréoscopiques de RADARSAT pour interpréter et mesurer certaines caractéristiques de la forêt pluviale tropicale du Brésil. À partir d'un couple stéréoscopique d'images en mode fin de RADARSAT, on interprète qualitativement et on mesure quantitativement les limites de coupes, la couverture forestière et la hauteur de la voûte sur une station de travail stéréo PC (“softcopy”). Comme aucune donnée de vérification n'a été spécialement acquise pour ce projet, la validation se réalise en deux étapes à partir des résultats de précédents travaux de recherche sur ce site. En premier lieu, les frontières des coupes sont superposées sur une image TM de Landsat déjà ortho-rectifiée pour vérifier leur précision planimétrique et l'interprétation de la couverture végétale. Leur erreur de positionnement planimétrique de 30 mètres est principalement due à la précision des données cartographiques d'entrée. De plus grandes erreurs résultent de la deforestation et la régénération entre les dates d'acquisition des images, du type principal de la rétrodiffusion radar avec la forêt et de l'erreur d'interprétation de cette rétrodiffusion. Ensuite, les hauteurs calculées de la voûte sont comparées à une carte existante de la végétation, qui décrit les essences forestières et les caractéristiques de chaque classe. Les résultats pour les hauteurs de voûte sont cohérents et représentent bien la réalité du terrain. A part quelques exceptions, une variation moyenne de hauteur de 5 mètres est obtenue en comparant les hauteurs extraites par stéréoscopie avec les hauteurs de voûte dérivées des précédentes études. Ainsi, dans le contexte de suivi de la forêt amazonienne au Brésil, ces résultats démontrent le potentiel de cette méthode, fondée sur la géométrie de la stéréoscopie radar, comme outil complémentaire aux méthodes traditionnelles fondées seulement sur la radiometrie.
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 | 0.001 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.000 | 0.000 |
| Scholarly communication | 0.000 | 0.000 |
| Open science | 0.000 | 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".