Estimation des variables biophysiques des cultures et étude de l'effet du changement d'échelle sur leur variabilité spatiale
Bibliographic record
Abstract
Un grand nombre d'études se consacrent au développement de méthodes d'estimation des paramètres biophysiques du couvert végétal à partir des données de télédétection. Dans les domaines du visible et du proche infrarouge, parmi les paramètres recherchés, on trouve le taux de couverture, la biomasse, et l'indice de surface foliaire (LAI). Ces derniers jouent un rôle important dans les processus de photosynthèse et de fonctionnement des écosystèmes. Les techniques habituelles pour mesurer ces paramètres de croissance végétale en conditions de champs sont longues et fastidieuses. Le but de cette recherche consiste à estimer ces variables biophysiques à partir de données de télédétection hyperspectrale, et à évaluer l'effet du changement d'échelle sur leur variabilité spatiale. Pour ce faire, des indices de végétation ont été calculés à partir de réflectances spectrales mesurées au sol, durant un cycle végétatif, à la ferme expérimentale de L'Acadie appartenant au Centre de Recherche et de Développement en Horticulture (CRDH) d'Agriculture et Agroalimentaire Canada à Saint-Jean-sur-Richelieu (Québec). L'utilisation de modèles de régression simple a permis l'obtention de relations significatives interprétables entre les indices spectraux (NDVI, Green NDVI, RDVI, MSR, SAVI, MSAVI, OSAVI, SAVI, EVI, MTVI1 et MTVI2) et les variables mesurées au sol. Des analyses statistiques ont prouvé que les indices de végétation ci-dessus étaient plus ou moins affectés par la saturation aux niveaux élevés des variables biophysiques. Les indices OSAVI, MSAVI et MTVI2 calculés par simulations sur des bandes multispectrales (TM) se sont avérés les meilleurs estimateurs des variables biophysiques (LAI, taux de couverture et biomasse). L'équation de prédiction de chaque variable biophysique a été appliquée aux données CASI {Compact Airborne Spectrographic Imager) de différentes résolutions : 1 m, 2 m, 4 m 10 m, 15 m et 20 m. Les statistiques qui sont extraites des images générées démontrent Une concordance entre les prédictions à partir des images CASI et les mesures au sol. Enfin, on a remarqué que le coefficient de variation, qui est un indicateur de la variabilité, diminue avec les images à plus faibles résolutions (10 m, 15 m et 20 m) pour les trois variables biophysiques. Les données hyperspectrales CASI à haute résolution spatiale (1 m, 2 m et 4 m) présentent donc un grand potentiel de détection de l'hétérogénéité spatiale des variables biophysiques au niveau de champs agricoles de petites dimensions.
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 | 0.002 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.000 | 0.001 |
| Scholarly communication | 0.002 | 0.001 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.001 | 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".