Détection automatisée du réseau routier en forêt boréale par télédétection
Bibliographic record
Abstract
Les routes forestières sont essentielles pour l’aménagement forestier durable, il est important pour les gestionnaires des forêts de détenir l’information adéquate du réseau routier dans leur prise de décision. Ce projet a permis d’évaluer l’apport de trois approches orientées objets d’extraction du réseau routier en forêt boréale à partir de; 1) LiDAR aéroporté à 1 mètre de résolution spatiale; 2) l’image satellitaire Sentinel-2 à 10 mètres de résolution et 3) la fusion de deux sources de données précédentes. Le but étant non seulement d’estimer la contribution individuelle de chaque donnée, mais aussi de compléter les informations morphologiques sur les routes forestières afin de mettre à jour les bases de données géographiques disponibles, à partir d’un processus de détection automatique par télédétection. En effet, les bases de données disponibles sont sujettes des incohérences dues aux problèmes liés à la structuration des données reflétant la réalité de terrain ainsi que des limitations sur le géoréférencement qui affectent la prise de décision sur l’ensemble du territoire forestier. Avec l’essor de la technologie de produits de télédétection et de systèmes d’information géographique, nous proposons dans cette étude, une approche de classification automatique basée sur les objets pour l’identification et la caractérisation automatique des chemins en forêt boréale. La segmentation multirésolution a été appliquée aux trois approches sur trois zones d’étude situés au Québec. Les objets linéaires détectés ont été construits de manière itérative en objets linéaires routes par utilisation supplémentaire de la segmentation basée sur la différence spectrale. Les objets linéaires routes ont ainsi été classifiés en réseau routier à partir d’un jeu de règles, définissant ainsi le processus de la classification orientée objet. Les données des composantes morphologiques des routes (largeur de l’emprise et pente longitudinale) ont été extraites du réseau routier pour servir de caractérisation automatique des chemins forestiers. Cette approche méthodologique minimise les incohérences d’informations retrouvées dans les outils cartographiques actuellement disponibles (Routard) et contribue à la documentation sur la morphologie (qualité de l’information sur la géométrie) des données routières disponibles. Les résultats montrent pour les trois zones d’étude que l’approche utilisant la fusion de données Sentinel-2 et LiDAR améliore considérablement les performances de la précision globale (88%) quant à la détection de réseau routier par rapport à l’approche basée sur Sentinel-2 (70%) et celle basée sur LiDAR (63%). Les résultats obtenus sont présentés sous la forme d’une couche vectorielle dans une base de données d’information géographique pour un territoire d’étude.
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 | 0.001 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.002 | 0.001 |
| Science and technology studies | 0.001 | 0.000 |
| Scholarly communication | 0.002 | 0.002 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.002 | 0.002 |
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".