Análisis de los terrenos cinegéticos de Aragón: caracterización y tendencia vegetal mediante el índice SLAVI (1985-2019).
Notice bibliographique
Résumé
En el presente Trabajo Fin de Máster se realiza una caracterización de los terrenos cinegéticos de Aragón determinados en la Ley 1/2015, atendiendo a dimensiones de orden legal como son la tipología, titularidad, tipo aprovechamiento o Espacio Natural Protegido en que se hallan y físico (análisis de la hipsometría y de la pertenencia a dominios paisajísticos). Consecutivamente, se analizan estadísticamente las diferencias entre terrenos cinegéticos mediante la aplicación de análisis de varianza (ANOVA) y la caracterización de la tendencia temporal de la vegetación (1985-2019) a través del índice espectral SLAVI (Specific Leaf Area Vegetation), que opera como variable dependiente y que se ha obtenido a partir de la colección LANDSAT/LC08/C01/T1_ANNUAL_GREENEST_TOA. Estos últimos análisis se realizan considerando una muestra representativa (446 terrenos cinegéticos), localizados en el sector septentrional de las provincias de Huesca y Zaragoza (Pirineos-Somontanos) en el periodo de tiempo comprendido entre 1985 y 2019. Se concluye que los cotos sociales son los que presentan mayores valores de SLAVI (~1,927), presentando tendencias de carácter positivo (r2 = 0,6866), siendo los vedados (terrenos no cinegéticos) los terrenos que presentan tendencias de carácter positivo más acusadas (r2 = 0,8103). En el lado contrario en las zonas ENP no cinegéticas se identifican los valores más bajos (~1,410) y tendencias más bajas (r2 = 0,509), aunque también positivas.<br /><br />
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) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».