Estimation de l'équivalent en eau du couvert nival au moyen d'images radar satellitaires
Bibliographic record
Abstract
L'objectif de cette étude est de vérifier le potentiel des images radar à synthèse d'ouverture (RSO) pour estimer l'équivalent en eau du couvert nival sur le bassin de la rivière La Grande (Baie de James, Québec). Il s'agit d'un milieu dominé par une forêt ouverte d'épinettes noires, des brûlis et des tourbières. Cette information intéresse grandement Hydro-Québec qui gère plusieurs installations hydro-électriques dans cette région subarctique. Durant deux ans, six campagnes de terrain ont été réalisées sur le bassin de la rivière La Grande et une dizaine d'images RSO du satellite européen ERS-1 ont été acquises, étalonnées et géoréférencées, afin de déterminer la relation entre les coefficients de rétrodiffusion des images radar (hiver et automne) et la résistance thermique du couvert nival. Cette relation constitue la première partie d'un algorithme d'estimation de l'équivalent en eau. Elle utilise plus spécifiquement le rapport de rétrodiffusion, qui est la différence entre une image avec neige et une image sans neige. La deuxième partie de cette algorithme déduit l'équivalent en eau du couvert de neige à partir de sa résistance thermique et de sa densité, en se basant sur la relation physique établie par les mesures de terrain. L'équivalent en eau du couvert nival a donc été estimé pour quatre images de février et mars 1994 et 1995. L'erreur moyenne sur l'estimation de l'équivalent en eau de la neige au sol est de 2% à 3% (-5 à 7mm) sur l'ensemble des sites d'échantillonnage avec un écart-type de 14 à 19% (-35 à 45mm). Ces résultats ont encouragé Hydro-Québec à poursuivre la recherche avec les données du satellite canadien RADARSAT (opérationnel depuis le 1er avril 1996) et à développer un prototype pour la cartographie de l'équivalent en eau du couvert nival à partir d'images radar.
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 | 0.002 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.000 |
| Science and technology studies | 0.000 | 0.000 |
| Scholarly communication | 0.001 | 0.001 |
| Open science | 0.001 | 0.000 |
| Research integrity | 0.001 | 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".