Simple regression functions for estimating herbaceous fodder production in Senegal rangelands from the S10 NDVI of SPOT-Vegetation
Bibliographic record
Abstract
Face à la situation actuelle de changement climatique et ses conséquences sur l'homme et les ressources naturelles, les Systèmes d'Alerte Précoce (SAP) sur le disponible fourrager en zones pastorales constituent des stratégies essentielles dans la lutte contre l'insécurité alimentaire, notamment au niveau des pays du Sahel ouest-africains comme le Sénégal.L'évaluation du stock de fourrage s'y effectue habituellement à partir d'une régression linéaire entre les données de biomasse mesurée sur le terrain et l'indice de végétation par différence normalisée (NDVI) issu du satellite SPOT-VEGETATION.Mais, compte tenu de la nature non-linéaire de la relation NDVI-biomasse herbacée, cinq autres fonctions d'ajustement sont testées afin de déterminer celles qui traduisent au mieux cette relation.Les données de biomasse ont été collectées au niveau de cinquante-et-un Sites de Contrôle au Sol (SCS) dont trente-six ont servi à la calibration et quinze pour évaluer la précision des modèles.Les variables utilisées sont le NDVI moyen et le NDVI maximum, enregistrés au cours de la saison.Les résultats obtenus montrent que les modèles Exponentiel et Puissance sont les plus cohérents et précis pour l'estimation de la biomasse herbacée à partir du NDVI.Toutefois, cette approche empirique par régression simple reste globalement imprécise pour l'évaluation de la biomasse herbacée au Sénégal vu les valeurs relativement élevées du RMSE qui varient entre 324,07 et 858 kg/ha selon l'année.
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 | 0.002 | 0.005 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.000 | 0.000 |
| Scholarly communication | 0.001 | 0.000 |
| Open science | 0.001 | 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 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".