Remote Sensing of Grassland with RADARSAT; Case Studies from Australia and Canada
Bibliographic record
Abstract
RÉSUMÉL'application potentielle des données du radar à synthèse d'ouverture RADARSAT CHH pour surveiller les prairies a été estimé aux sites d'étude australien et canadien. Les données en mode standard à 23, 34, et 47° et les données en mode fin à 25 et 49° angle d'incidence (Australie seulement) ont été obtenues au dessus de pâturages plantés et de prairies natives à “Chiswick” près d'Armidale, New South Wales (NSW) enfin de printemps et fin d'été 1996/97, et au dessus des prairies natives et cultivées à Onefour, Alberta, Canada durant l'automne 1996, le printemps et l'été 1997 et le printemps 1998. En Australie aussi bien qu'au Canada, une seule image RADARSAT avait une valeur limitée pour différencier la couverture des pâturages. Le champs dynamique de la rétrodiffusion radar des prairies était seulement de 3db pour les données Australienne, mais de 6db pour les données canadiennes due à la forme du terrain. Aux deux sites, la détection de différentes couvertures de prairies est améliorée avec l'utilisation de plus d'images en mode standard. La principale caractéristique discriminante au site canadien était la surface rugueuse due aux arrangements de canopée ou à la couverture d'herbes, accentuée par l'érosion entre ces couverts. La filtration de la texture a aidé l'extraction de différences dans la rétrodiffusion où la couverture de la prairie avait des motifs structuraux distincts. Cependant, les résultats de classification dans leur ensemble aux deux sites ne justifient pas le coût d'utiliser des images obtenues à des moments différents ou à angles d'incidence multiples. Les données de la bande C seul sont inadéquates pour la mesure quantitative et la surveillance des prairies; la polarisation peut aider, cependant, les fréquences mixtes, incluant la bande L, semblent être nécessaires pour une bonne estimation des propriétés des prairies par radar à synthèse d'ouverture.
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 | 0.000 | 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 | 0.000 |
| Scholarly communication | 0.000 | 0.000 |
| Open science | 0.000 | 0.000 |
| Research integrity | 0.000 | 0.000 |
| 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 itClassification
machine, unvalidatedMachine predicted; a candidate call from one teacher head, 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".