Suivi spatio-temporel du couvert nival du Québec à l’aide des données NOAA-AVHRR
Bibliographic record
Abstract
L’imagerie satellitaire dans le visible et l’infrarouge permet de cartographier le couvert nival à grande échelle, ce qui n’est pas facilement réalisable à partir des observations locales conventionnelles. Cependant, en raison de leur résolution spatiale inadéquate ou de la faible durée de leurs séries d’observations, les produits satellitaires actuellement disponibles sont inutilisables pour l’étude à long terme du couvert nival. Par conséquent, l’objectif de la présente étude a été de développer un algorithme opérationnel de cartographie de la neige à l’aide des données du capteur AVHRR (Advanced Very High Resolution Radiometer) embarqué à bord du satellite NOAA. Cette procédure doit permettre de suivre l’évolution spatio-temporelle de la neige au sol sur une longue période de temps et avec une bonne résolution spatiale. Les résultats de la cartographie ont été validés par rapport aux observations de l’occurrence et de l’épaisseur de la neige au sol. L’algorithme a été appliqué au territoire du Québec sur trois périodes spécifiques : 1998-1999, 1991-1992 et 1986-1987. L’algorithme a réussi à identifier la catégorie de surface (neige/non-neige) avec un taux de succès global moyen de 87 %. Les performances de l’algorithme ont été supérieures dans la détection de la neige (90 %) qu’elles l’ont été pour les surfaces sans neige (82 %). Également, l’algorithme a permis de situer le début des périodes de formation et de fonte de la neige, et ce tant au niveau local qu’à l’échelle du bassin versant.
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 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 | 0.001 | 0.000 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.000 | 0.001 |
| Science and technology studies | 0.003 | 0.006 |
| Scholarly communication | 0.000 | 0.001 |
| Open science | 0.001 | 0.000 |
| Research integrity | 0.000 | 0.000 |
| Insufficient payload (model declined to judge) | 0.003 | 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; both teacher heads agree on what is shown here.
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".