Caractérisation spectrale de la dégradation des milieux naturels en régions semi-arides, à partir des données ASTER : cas du Moyen Atlas au Maroc
Bibliographic record
Abstract
La cédraie du Moyen Atlas, au Maroc, est caractérisée par l'hétérogénéité de ses peuplements ainsi que par la fragmentation de son espace forestier. Ces caractéristiques sont causées par l'interaction de divers facteurs anthropiques, pédologiques et climatiques. Ces hétérogénéités spatiales et spectrales limitent la fiabilité des méthodes conventionnelles de classification de l'imagerie satellitaire. Dans la présente étude, on suggère d'utiliser les méthodes basées sur la similarité spectrale pour cartographier les espèces forestières dominantes de l'écosystème de la cédraie, soit l'analyse de mixture spectrale linéaire (AMSL) et le Spectral angle mapper (SAM). Les objectifs poursuivis consistent à comparer des procédures d'extraction des signatures spectrales « pures » prototypes, dites endmembers, et les approches de l'AMSL et du SAM en termes de cartographie des espèces végétales dominantes de cette forêt. Pour atteindre ces objectifs, on a utilisé des images acquises par le capteur ASTER {Advanced spaceborne thermal emission and reflection radiometer). Les résultats obtenus montrent que l'utilisation des méthodes de l'AMSL et du SAM a abouti à des résultats similaires en termes de répartition des espèces cartographiées, mais avec des différences au plan des superficies affectées par ces espèces. La comparaison des résultats obtenus à l'aide de l'AMSL et du SAM avec ceux de la classification par maximum de vraisemblance (notre référence) démontre que l'AMSL a permis de classifier les espèces forestières dominantes avec une meilleure précision que le SAM, ce qui s'exprime avec un coefficient Kappa de l'ordre de 0,70 pour la méthode de l'AMSL contre 0,66 pour l'approche du SAM.
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 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.001 |
| Bibliometrics | 0.003 | 0.002 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.002 | 0.001 |
| Open science | 0.000 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.005 | 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".