Utilisation de drones pour les inventaires de tortues d’eau douce : potentiel et limites
Notice bibliographique
Résumé
Dans le cadre de futurs travaux de réfection des ouvrages régulateurs du fleuve Saint-Laurent, la technologie du drone a été utilisée afin d’évaluer le nombre et les espèces de tortues fréquentant 3 secteurs d’intérêt. Les objectifs étaient de comparer les résultats d’inventaire et de dénombrement de tortues par drone avec ceux d’un inventaire visuel au sol, de valider les conditions météorologiques permettant de maximiser la détection des tortues par drone, de préciser certains éléments méthodologiques pour les futurs inventaires et d’identifier les limites de la présente approche. La méthode d’inventaire par drone s’est avérée plus efficace que l’inventaire visuel, principalement grâce à l’analyse des photos au retour du terrain. Toutefois, pour les espèces de tortues moins abondantes, le drone était moins performant. L’analyse des conditions météorologiques indique une faible influence négative de la température de l’air. Notre étude démontre que les drones permettent d’obtenir une détection des tortues supérieure à celle des relevés visuels faits à partir du sol. Cependant, il est probable que cette méthode soit moins performante dans des environnements où la densité des tortues est faible, les accès terrestres sont limités, la canopée domine ou en raison de restrictions réglementaires de vol. Selon nos observations, l’altitude optimale moyenne pour repérer et identifier les tortues avec le drone était de 20 m.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».