Dynamiques contrastées de reverdissement et dégradation de la couverture végétale au Sénégal révélées par analyse de série temporelle du NDVI MODIS
Bibliographic record
Abstract
Cette étude cherche à analyser les changements de la couverture végétale dans les écorégions du Sénégal durant ces deux dernières décennies (2000 à 2019) à l’aide d’une série temporelle d’images MODIS Normalized difference vegetation index (MODIS NDVI) de 16 jours et d’une résolution spatiale de 250 mètres. La méthode de l’étude est une combinaison de la télédétection et de la statistique. Le traitement des données a obéi à trois principales étapes : l’Analyse en composantes principales (ACP) sur la série temporelle 2000-2019 suivie de la classification non supervisée en utilisant le résultat de l’ACP ; le calcul du NDVI moyen des 23 périodes de 16 jours ; le calcul de la corrélation ou « tau » (τ) de Kendall associé au test de significativité de p≤0,1. Les résultats indiquent des modifications dans l’évolution du rythme phénologique des classes correspondant aux cultures de bas-fond, aux vallées inondables, à la mangrove, à la forêt dense, et à la savane arborée et boisée. Certaines modifications sont assimilables à une dégradation, et d’autre à un reverdissement. De même, il a été constaté un décalage temporel et une saison verte plus tardive. En effet, la corrélation de Kendall a indiqué une augmentation du NDVI entre 2000-2009 principalement dans les écorégions de l’est du pays, du sud-ouest et de la zone des estuaires avec une tendance significative. Durant la décennie 2010-2019, un ensemble de petites zones de progression a été noté. Par contre, les valeurs de corrélations négatives de NDVI, qui dénotent une diminution de l’activité végétative, s’observent principalement dans les écorégions du nord et du centre-ouest du pays avec une tendance toutefois non significative.
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".