Méthodologie de détection des feux de forêt à partir d'images satellitaires NOAA
Bibliographic record
Abstract
Une grande partie du territoire québécois n'est pas couverte par la stratégie de détection des feux de forêt de la Société de protection des forêts contre le feu. L'utilisation d'images satellitaires permettrait d'avoir un portrait de la situation des feux sur l'ensemble du territoire. Une technique de détection et de suivi des feux de forêt pourrait être intéressante pour les secteurs éloignés situés dans la zone de protection restreinte au nord du 5iieme parallèle nord. L'objectif de cette étude est d'améliorer l'arsenal pour la lutte contre les feux de forêt. La méthode développée dans cette étude compare la luminance mesurée par les canaux 3 et 4 du capteur AVHRR au-dessus des feux de forêt. Pour vérifier la capacité et l'efficacité de ce traitement à détecter des feux de forêt, les images-résultats ont été comparées avec les cartes de localisation des feux de forêt tracées à partir des données fournies par la direction de la conservation des forêts du ministère des Ressources naturelles du Québec. Bien que les données brutes des canaux 3 et 4 fournissent des informations intéressantes sur la répartition des feux, le traitement des images développé au cours de cette étude permet de mieux mettre en évidence les feux par rapport au reste de l'image. En plus de la détection des feux, la méthode permet aussi d'évaluer leur intensité et leur direction. Le traitement des images satellitaires a permis de détecter 62 % des feux de plus de 10 ha qui n'étaient pas couverts par des nuages. Le plus petit feu de forêt détecté avec la méthode est un feu de 20 hectares. Même si la méthode n'a pas permis de détecter tous les feux présents, elle fournit néanmoins une information des plus précieuses puisque aucun autre moyen présentement disponible ne permet d'avoir un portrait de chaque kilomètre carré du territoire plusieurs fois par jour et ce, à un coût comparable à celui des images satellitaires. \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 distilled prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. Learned from the 10,348 direct Codex labels and 10,348 direct Gemma labels. Candidate is the union of thresholded teacher heads; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels or direct frontier model labels.
Codex and Gemma teacher scores by category
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.000 | 0.000 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.000 | 0.000 |
| Science and technology studies | 0.000 | 0.000 |
| Scholarly communication | 0.000 | 0.000 |
| Open science | 0.000 | 0.000 |
| Research integrity | 0.000 | 0.000 |
| Insufficient payload (model declined to judge) | 0.001 | 0.000 |
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 teacher head, 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".