Éfficacité des données de RADARSAT-1 dans la reconnaissance des linéaments : un bilan
Why this work is in the frame
A frame that forgets how it found something cannot be audited. These are the routes that admitted this work.
Bibliographic record
Abstract
RÉSUMÉDans la détection de linéaments, la recherche d'indicateurs directs sur le terrain présente de nombreuses difficultés à surmonter au niveau de son accessibilité et de la grande superficie à couvrir. Dans le cadre du projet ADRO 107/Agence spatiale canadienne, l'objectif général de cette recherche est de démontrer le potentiel d'utilisation des images de RADARSAT-1 dans la reconnaissance et l'analyse des linéaments géologiques dans un secteur de la région de Charlevoix, au Québec.Au niveau du traitement, une correction géométrique à partir du Système de rectification des images de télédétection (SRIT) ainsi qu'une série de filtrages spatiaux visant à éliminer l'effet de chatoiement sont d'abord expérimentés, puis appliqués sur les images acquises en mode standard et en mode fin. Par la suite, les linéaments sont mis en évidence à partir de l'expérimentation de deux approches : les filtres directionnels de Sobel et les réseaux de neurones. L'extraction de l'information s'effectue à l'aide d'une analyse en composantes principales et d'une binarisation des images numériques résultantes pour l'approche par les filtres directionnels. Pour les réseaux de neurones, l'extraction d'information utile s'effectue par le biais de seuillages dont les bornes supérieures et inférieures peuvent varier en fonction du mode d'enregistrement des données. L'analyse des linéaments se base sur la cartographie de ces derniers. Pour y arriver, nous utilisons un SIG dérivé de données topographiques, un modèle numérique d'altitude et des images binaires réalisées lors de l'étape du traitement. Les linéarités d'origine anthropique sont éliminées à l'aide de couches vectorielles superposées au SIG. Il s'agit du réseau routier, des lignes à haute tension et autres éléments du même type. Enfin, une comparaison des résultats est réalisée entre les données radar (RADARSAT-1, ERS-1), TM, MNA et une carte de linéaments géologiques créée à partir d'une approche manuelle.
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.
Full frame distilled prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. Learned from the 10,348 direct Codex labels and 10,348 direct Gemma labels. Candidate is the union of thresholded teacher heads; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels or direct frontier model labels.
Codex and Gemma teacher scores by category
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.000 | 0.000 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.000 | 0.000 |
| Science and technology studies | 0.000 | 0.001 |
| Scholarly communication | 0.000 | 0.000 |
| Open science | 0.000 | 0.000 |
| Research integrity | 0.000 | 0.001 |
| Insufficient payload (model declined to judge) | 0.000 | 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 it