Bibliographic record
Abstract
Alors que les saisons des feux de forêt deviennent plus extrêmes et moins prévisibles au Canada et dans le monde, l’imagerie satellitaire et d’autres observations terrestres fournissent des données vitales pour surveiller les feux de forêt individuels et appuyer la prise de décision en matière de gestion des incendies. Dans cette thèse, j’explore les approches multi-échelles et les sources de données utilisées dans la recherche en écologie du paysage et en télédétection, j’applique des méthodes de fusion de données pour cartographier la progression des feux de forêt et j’identifie les futures opportunités d’utilisation des observations terrestres pour la surveillance des feux de forêt. Dans le premier chapitre de ma thèse, je passe en revue et analyse thématiquement plus de 150 manuscrits récemment publiés dans les domaines de la télédétection et de l’écologie du paysage, pour identifier les avancées récentes et futures dans le domaine des analyses écologiques multi-échelles et multi-sources. Dans le deuxième chapitre de ma thèse, je crée un prototype pour cartographier la progression du feu de forêt, Elephant Hill Fire, de la saison des incendies 2017 en Colombie-Britannique. Ce prototype utilise un algorithme de synthèse bayésien pour fusionner des observations terrestres multi-capteurs et multi-échelles sur Google Earth Engine, une plate-forme de traitement de grande capacité et basée sur le cloud. Le troisième chapitre de ma thèse génère des mesures de progression des incendies à partir d’observations multi-sources et multi-échelles fusionnées pour tous les grands incendies de la saison 2017 en Colombie-Britannique. Cette étude sur l’ensemble de la saison des feux de forêt fait avancer la technique de cartographie de la progression des incendies du chapitre précédent, en intégrant une approche de classification basée sur les objets dans le protocole de classification. Dans le dernier chapitre de ma thèse, le chapitre 4, je présente un cadre conceptuel pour un système forestier complet identifiant les besoins en données et en informations à toutes les étapes de surveillance des incendies et pour analyser des études de cas historiques sur les incendies de forêt. L’objectif ultime de cette thèse est de faire avancer la recherche multi-sources, multi-capteurs et multi-étapes pour la surveillance des feux en présentant de nouvelles méthodes de fusion de données, d’analyses métriques de progression des incendies et le développement d’un cadre conceptuel. Les résultats de cette thèse peuvent être utilisés pour soutenir la surveillance des incendies forestiers afin d’améliorer notre compréhension des feux et des saisons des feux de forêt dans l’espace et le temps
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 | 0.002 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.001 |
| Bibliometrics | 0.002 | 0.001 |
| Science and technology studies | 0.000 | 0.000 |
| Scholarly communication | 0.001 | 0.002 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| 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".