Hyperspectral remote sensing investigations of vegetation in Northern Peatlands
Bibliographic record
Abstract
Les capteurs d'imageries et de données hyperspectrales conçus pour observer la Terre, peuvent être utilisés pour étudier des sites telles que les tourbières qui, fournisse des services d'écosystème importantes comme la séquestration du carbone. Afin d'améliorer notre connaissance de la télédétection et de la recherche des tourbières , cette étude a utilisé plusieurs types de données de télédétection pour l'évaluation des méthodes qui visent à cartographier les différentes caractéristiques de la végétation. L'étude a été menée dans des tourbières situées dans la région de la baie James, au Québec, un site important pour la production hydroélectrique et à Mer Bleue, une tourbière situé près d'Ottawa, en Ontario. Pour le premier site, l'imagerie hyperspectrale et des photographies aériennes de haute résolution ont été utilisées pour générer des cartes de couverture terrestre sur une superficie de 145 km2. Cette étude démontre qu‘il est possible d'utiliser l'imagerie hyperspectrale afin de faire la distinction entre sept classes de végétation qui se trouvent dans les tourbières. Les cartes produites ont une précision de 80% avec un haut niveau de fidélité. La carte de couverture terrestre produite ici, représente une base pour les études de classes fonctionnelles de végétation, ainsi elle permet la stratification entre les écosystèmes et de la végétation qui s'y trouvent. Deuxièmement, une expérience a été menée visant à caractériser en détails les caractéristiques biophysiques et biochimiques de la végétation. À travers de l'utilisation de modèles (réseaux de neurones) cette étude réussie de produire des cartes qui montre les caractéristiques de la végétations sur le site. Les résultats démontrent que les cartes ont une bonne cohérence spatiale, mais ont un rendement inférieur pour caractériser la végétation à grande échelle de l'imagerie hyperspectrale.Globalement, cette enquête permettrais aux chercheurs et à l'industrie de cartographier la végétation et leurs caractéristiques en utilisant cet méthode ainsi contribuant à une meilleure connaissance du cycle du carbone dans les tourbières.
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 | 0.000 | 0.000 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 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 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".