Système de délinéation individuelle automatique des arbres à partir d'images satellitaires à haute résolution spatiale pour extraire des mesures forestières primaires
Bibliographic record
Abstract
L'industrie forestière est une pierre angulaire de l'économie canadienne. Elle nécessite des inventaires forestiers aussi justes que possible afin de bien gérer les ressources forestières dont nous disposons. Celles-ci font l'objet de recensement manuel sur le terrain puis de photo-interprétation, ce qui demande un temps d'acquisition de l'information très long et nécessite des investissements financiers faramineux. Afin de contrer cela, l'industrie forestière se tourne actuellement vers l'utilisation d'images de télédétection permettant de couvrir de large [i.e. larges] zones forestières. Ces images à haute résolution spatiale, combinées aux récents développements en télédétection, en vision par ordinateur, en géomatique et en systèmes d'information géographique (SIG), permettent d'espérer l'acquisition à grande échelle de l'information de façon automatique, systématique et répétitive. Nous proposons dans ce mémoire l'utilisation d'un système d'extraction d'information automatique à partir d'images panchromatiques à haute résolution spatiale (1 mètre), provenant du satellite IKONOS, afin d'extraire des mesures primaires forestières fiables. Puisque la majorité des mesures sont faites à l'arbre près, le système proposé permet la réduction de deux types d'erreurs inhérentes à la délinéation individuelle des arbres: l'erreur d'omission (omettre des arbres existants) et l'erreur de commission (identifier des arbres non-existants). Notre système permet ensuite d'estimer et d'extraire des mesures forestières primaires à partir de la canopée des arbres, la strate supérieure des arbres, tel [i.e. telles] que la densité, le nombre de tiges, la fermeture de couvert, le diamètre des couronnes, etc.
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 | 0.003 | 0.002 |
| 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) | 0.010 | 0.008 |
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".