Simplified Level 2 Vegetation Processor – Canada Centre for Remote Sensing (SL2P-CCRS) for estimating biophysical variables using multispectral-imager data
Bibliographic record
Abstract
Il existe un consensus sur la nécessité de surveiller globalement les variables biophysiques du couvert végétal à une résolution moyenne (<1 ha) et avec une fréquence de <=10 jours (Organisation Météorologique Mondiale, 2016). Les capteurs satellites multispectraux conçus pour satisfaire aux exigences de mesure pour cette tâche sont et continueront d'être disponibles (https://gcos.wmo.int/en/essential-climate-variables/requirements). Le Simplified Level 2 Processor – D (SL2P-D) produit des estimations des variables biophysiques du couvert végétal à partir d'entrées de réflectance multispectrale bidirectionnelle, soit en haut de l'atmosphère (TOA), soit en haut du couvert végétal (TOC), ainsi que des angles d'illumination, de vue et d'azimut relatif. Des modèles de régression non linéaires distincts sont utilisés pour estimer la valeur attendue et l'erreur quadratique moyenne attendue de chaque variable. Les estimateurs de régression sont optimisés pour les entrées de réflectance multispectrale (c'est-à-dire <10 bandes avec une largeur de bande >10 nm) mais peuvent être appliqués à des spectres arbitraires tant qu'un modèle de transfert radiatif avec une précision suffisante pour simuler ces spectres est inclus dans le processeur. La paramétrisation, l'algorithme et les résultats d'échantillons du SL2PD sont présentés et comparés à son prédécesseur, SL2P (Weiss et Baret, 2016).
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) | 0.000 | 0.001 |
| Bibliometrics | 0.001 | 0.002 |
| Science and technology studies | 0.001 | 0.000 |
| Scholarly communication | 0.001 | 0.001 |
| Open science | 0.002 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.025 | 0.017 |
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".