Suivi de la séquestration de CO2 aérien dans des sites en reforestation à l'aide de drones
Bibliographic record
Abstract
Les inventaires forestiers traditionnels sont des processus dispendieux qui nécessitent d’envoyer des équipes sur le terrain. Ils sont ainsi limités par le temps et l’espace pouvant être couvert. À l’opposé, les drones (systèmes d'aéronefs télépilotés, ou SATP) couvrent de larges superficies rapidement et efficacement. Nous cherchions donc à évaluer la performance d’estimations par SATP de la hauteur, diamètre à hauteur de poitrine (DHP) et de la biomasse épigée pour des arbres individuels. Nous avons comparé les estimations de ces mesures faites par différents SATP (DJI Matrice 300 avec Zenmuse P1 et L1, Mini 2 et Mini 3 Pro) et types de données (nuages de points ou modèles numériques de surface photogrammétriques ou LiDAR) à des mesures de terrain pour différentes espèces d’arbres à travers trois régions administratives du Québec. Les deux meilleures approches par SATP combinent des modèles numériques de terrain dérivés du LiDAR par avion et des nuages de points photogrammétriques et LiDAR par SATP. Les hauteurs étaient très bien estimées par SATP (racine de l’erreur quadratique moyenne, REQM, entre 0.59 m et 0.69 m). Les estimations de DHP obtenues par LiDAR (Racine de l’écart quadratique moyen, REQM, entre 0.40 et 1.20 cm) ou photogrammétrie (REQM 0.44 et 1.23 cm) étaient aussi justes. La biomasse estimée par SATP ne différait pas significativement de celles prises sur le terrain. Nos résultats suggèrent que les estimations de hauteur, DHP et de biomasse épigée par SATPs sont aussi justes que les mesures de terrain et peuvent remplacer celles-ci dans les types de plantations que nous avons étudié. L’utilisation de SATPs pourrait être particulièrement intéressante puisque contrairement aux mesures terrain, elles sont beaucoup plus rapides et peuvent être réalisées sur l’entièreté des plantations, plutôt que sur quelques parcelles seulement.
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) | 0.000 | 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) | 0.002 | 0.001 |
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".