Application du Lidar aéroporté pour la caractérisation des vergers
Bibliographic record
Abstract
Durant les vingt dernières années, les grandes avancées technologiques de la télédétection aéroportée active de type Lidar ont permis d'étendre ses applications principalement dans le secteur forestier. Le capteur Lidar nous permet de déterminer la distance et la position d'un objet à partir du temps que met le rayon de lumière à atteindre le sol et à retourner au capteur. Cette capacité du Lidar est utilisée avec succès dans les études de foresterie car elle permet de caractériser le sol, la végétation, et les structures dans les trois dimensions tout en recueillant de telles données rapidement sans façon destructive.\n\nD’autre part, la fusion des données Lidar avec des données multispectrales a ouvert un grand nombre d’applications en foresterie car elle fournit de l’information sur les types de végétation, la densité foliaire des arbres, leur phénologie, de même que les propriétés optiques pour des espèces choisies.\n\nLa Financière Agricole de Québec (FADQ) en collaboration avec le Laboratoire de Géomatique Agricole et Appliquée (GAAP) , cherche à profiter de ce type de technologie afin de mieux évaluer et caractériser les vergers en améliorant sa capacité à en faire l’inventaire, l’estimation des rendements et l’évaluation de sa qualité.\n\nLe présent projet vise à démontrer le potentiel des données Lidar pour visualiser en trois dimensions des attributs de structure des pommiers individuels tel que la taille de la couronne et l’estimation de la hauteur avec lesquelles on obtient la quantification de la biomasse foliaire, le calcul de la densité de feuillage et l’état du couvert. Les résultats des inventaires et rendements estimés sont comparés au rendement réel en démontrant ses avantages par rapport à la méthode conventionnelle.\n
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 | 0.002 | 0.001 |
| Open science | 0.001 | 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".