Apport des données RSO multi-fréquentielles et multi-temporelles pour la cartographie de la neige sèche en environnement alpin
Bibliographic record
Abstract
L'objectif de cet article est de présenter une nouvelle méthode de détection d'un couvert de neige sèche en région de haute montagne alpine. Les résultats présentés ont été obtenus à partir de données RSO en polarisation complète, acquises en bande L et C, lors de la mission expérimentale SIR-C menée en avril et octobre 1994 sur les Alpes françaises du sud. En raison de la grande diversité des environnements naturels alpins, la première étape de ces travaux consiste à classifier les milieux naturels sous jacents, tels que les forêts et les surfaces ouvertes, à partir des données d'été en bande L. La neige sèche est ensuite discriminée au moyen de méthodes polarimétriques adaptées à chaque milieu, à partir des données d'hiver en bande C. Les forêts enneigées sont détectées à partir de l'indicateur polarimétrique , relatif à la nature du mécanisme de diffusion. Dans le cas des surfaces ouvertes enneigées, une procé-dure originale d'optimisation polarimétrique (PCVE) est proposée pour accroître la variation du contraste polarimétrique été/hiver dû à la présence de neige. Les performances de la méthode en bande L et C sont testées sur deux sites et les résultats sont comparés aux images optiques acquises simultanément (Landsat-5). Cette approche s'inscrit dans la préparation au nouveau capteur RADARSAT-2 de l'Agence spatiale canadienne (ASC).
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 | 0.001 | 0.003 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.002 | 0.002 |
| Science and technology studies | 0.000 | 0.000 |
| Scholarly communication | 0.001 | 0.001 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.002 | 0.001 |
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".