Veldvalorisatie satellietbeelden voor C-vastlegging in de bodem
Bibliographic record
Abstract
Op de Klimaatconferentie in Parijs van 2015 is het 4 per 1000 initiatief gelanceerd. Dit initiatief stimuleert het vastleggen van koolstof in de bodem om de klimaatverandering tegen te gaan en tegelijkertijd de kwaliteit van de bodem te verbeteren en daarmee de voedselzekerheid te vergroten. De uitvoering van dit initiatief in Nederland is vastgelegd in het Klimaatakkoord. Tijdens een symposium bij de Amsterdam Green Campus (AGC) in 2019 over ‘Aansluiting onderzoek en onderwijs op het klimaatakkoord’, is de kiem gelegd voor een samenwerking tussen de partners van het AGC en de Université Catholique de Louvain (UCLouvain) m.b.t. het meten en monitoren van koolstofvastlegging in de bodem aan de hand van satellietbeelden.In 2020 is een verkennend onderzoek gestart, gefinancierd door de provincies Flevoland en Noord-Holland, met cofinanciering vanuit de onderwijsinstellingen. Hiermee is een eerste stap gezet om te bepalen of/hoe deze innovatieve meetmethode met satellietbeelden geschikt kan worden gemaakt voor toepassing onder Nederlandse omstandigheden (grondsoorten en teelt). Het project heeft inzicht en leerpunten opgeleverd over zowel de methodische aanpak als de samenwerking tussen de kennisinstellingen onderling en met het bedrijfsleven. Het inhoudelijke resultaat bood diverse aangrijpingspunten om de meetmethode gericht mee te optimaliseren. Daarom is in 2021 een nieuwe meetronde uitgevoerd met een aangepaste werkwijze.
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 | 0.003 | 0.008 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.002 | 0.003 |
| Science and technology studies | 0.004 | 0.002 |
| Scholarly communication | 0.007 | 0.004 |
| Open science | 0.002 | 0.008 |
| Research integrity | 0.003 | 0.003 |
| Insufficient payload (model declined to judge) | 0.199 | 0.050 |
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".