Evaluation of thermal-water stress of forest in southern Québec from satellite images
Bibliographic record
Abstract
Le stress hydro-thermique a été évalué pour la région du sud du Québec à l’aide des images SPOT VEGETATION (VGT) et NOAA AVHRR, pour deux saisons de croissance (1999 et 2000). Pour extraire la température de surface à l’aide des images AVHRR, l’algorithme ‘split-window’ (Coll et al., 1994b) a été choisi suite à la comparaison avec six algorithmes connus.\nLes réseaux de neurones artificiels ont été entraînés pour la détection des nuages sur les données quotidiennes synthèses (S1) et les données P. Cette analyse montre que les réseaux identifient les nuages avec plus de précision que le masque standard fourni avec les données. Les réseaux détectent non seulement les nuages épais et brillants, mais également les nuages minces et peu brillants. Comme autre application, les réseaux ont été employés pour estimer la température de l'air. Les variables d’entrées pour les réseaux étaient les cinq bandes de l'image AVHRR, l'altitude de surface, l'angle de zénith solaire, et le jour julien. Le réseau utilisant toutes les données d’entrée a fourni les meilleurs résultats, avec 22 noeuds dans la couche cachée.\nLe ‘normalized difference vegetation index’ (NDVI) et le ‘normalized difference water index’ (NDWI) sont déduits de SPOT VGT pour évaluer l’état hydrique végétal et la température de surface a été obtenu des images AVHRR pour l’état thermique. Ces deux indices de végétation forment un nouvel indice d’humidité normalisée (NMI) qui s’est révélé inversement corrélé à la température de surface. Un trapèze, exploitant les valeurs de la température de surface et du NMI, permet d’identifier le statut hydro-thermique du couvert végétal. Ces résultats sont validés par une comparaison avec les indices forêt-météo de la méthode canadienne.\n
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 | 0.000 |
| 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 | 0.001 | 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".