Système d'alerte dynamique par télédétection pour l'observation des déforestations en Malaisie
Bibliographic record
Abstract
La Malaisie est soumise à une forte pression de déforestation. Il est urgent de planifier la culture des palmiers à huile en se tournant vers des stratégies durables. Pour cela, un système d'alerte ciblant les déforestations illégales serait un outil précieux pour les gestionnaires. Google Earth Engine permet de mettre en place un système d'alerte des déforestations à partir d'images satellites à moyenne résolution. Les images optiques Sentinel-2 et Landsat 8 sont associées aux images radars Sentinel-1 pour permettre une revisite régulière et limiter l'impact de la couverture nuageuse. L'analyse par vecteur de changement détecte les déforestations sur chacune des nouvelles acquisitions en fonction d'une donnée de référence forêt.Les résultats montrent une bonne précision avec les capteurs optiques(moins de 11% d'erreur de commission et d'omission). Cependant, le capteur radar donne des résultats plus faibles (14% d'erreur de commission et 28% d'erreur de commission), liés à de nombreux artéfacts causés par l'effet de chatoiement (speckle). C'est pourquoi nous utilisons un score dynamique relatif à l'observation des 3 capteurs sur 3 mois, qui indique un niveau de confiance. Cette méthode permet d'obtenir 7% d'erreur d'omission et 0% d'erreur de commission pour les événements présentant un fort niveau de confiance, caractérisé par un score supérieur à 20 points.
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) | 0.001 | 0.001 |
| Bibliometrics | 0.002 | 0.001 |
| Science and technology studies | 0.001 | 0.000 |
| Scholarly communication | 0.001 | 0.001 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.006 | 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".