Évaluation du potentiel du GEMI par rapport au NDVI pour suivre l'évolution des couverts forestiers en milieux boréaux
Bibliographic record
Abstract
Le GEMI est un indice de végétation qui semble très prometteur, du moins dans les régions où il a été testé, c'est-à-dire en Afrique, dans des zones de végétation parsemée. Comparé au NDVI, le GEMI présente une moins grande sensibilité aux effets atmosphériques et permet une bonne caractérisation des nuages et des sols nus ainsi que de la végétation. Cependant, peu d'applications ont tenté d'exploiter le GEMI jusqu'à présent et ses performances sur d'autres régions du globe et sous différentes conditions doivent encore être précisées. De plus, cet indice n'a encore jamais été testé sur la forêt boréale. L'objectif de cette étude était donc l'évaluation du potentiel du GEMI par rapport au NDVI pour des fins de classification et de suivi de l'état de la forêt boréale au Québec. Dans cette optique, une comparaison de ces deux indices a été effectuée par analyse qualitative et quantitative, au moyen d'échantillonnages, de transects et de classifications. Ces analyses montrent que le GEMI possède d'intéressantes capacités pour la détection des résineux, des nuages et des plans d'eau et son utilisation conjointe avec le NDVI permet une bonne discrimination des feuillus. Finalement, le GEMI est un outil qui peut procurer un support appréciable à la classification et au suivi temporel des forêts boréales.
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 | 0.001 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.000 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.000 | 0.000 |
| Scholarly communication | 0.001 | 0.000 |
| Open science | 0.000 | 0.000 |
| Research integrity | 0.000 | 0.000 |
| Insufficient payload (model declined to judge) | 0.001 | 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".