MétaCan
Menu
Retour à la cohorte
Enregistrement W7039304175

Modélisation de la distribution et de l’abondance de la sauvagine au Canada

2020· other· fr· W7039304175 sur OpenAlexaboutno aff

Notice bibliographique

RevueCorpus Université Laval (Université Laval) · 2020
Typeother
Languefr
DomaineEnvironmental Science
ThématiqueFish biology, ecology, and behavior
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésDistribution (mathematics)Medium termEnvironmental policy
DOInon disponible

Résumé

récupéré en direct d'OpenAlex

La sauvagine canadienne bénéficie des initiatives de suivi de la faune parmi les plus anciennes et les plus vastes au monde. En particulier, initié en 1955 afin d’obtenir une estimation annuelle des effectifs continentaux et fixer les quotas de chasse, l’Inventaire des Populations Nicheuses et de l'Habitat de la Sauvagine couvre aujourd’hui plus de 3 millions de kilomètres carrés d’habitats, du nord des États-Unis à l’Arctique et de l’Atlantique à l’Alaska. Les dimensions hors-normes de ces données ont contribué à la bonne atteinte des objectifs de gestion des populations de sauvagine et à une meilleure connaissance de l’écologie des espèces. Cependant, les observations issues des inventaires sont spatialement-discrètes (segments aériens, quadrats d’hélicoptères ou points d’eau) et leur couverture géographique reste relativement faible une fois rapportée à la superficie du Canada (≈1% de 10 millions de kilomètres carrés). Or, pour être efficace, la planification de la conservation requiert l’accès à une information quantitative spatialement-continue sur la distribution et l’abondance des espèces. La valorisation de données d’occurrences d’espèces spatialement-discrètes en couches d’information géographique continue est en revanche une application commune des modèles de distribution d’espèces dont les prédictions peuvent être étendues à l’échelle à laquelle les covariables environnementales sont disponibles. Si de tels modèles existent déjà pour guider la conservation de la sauvagine canadienne, des lacunes identifiées dans les approches méthodologiques, la couverture géographique et les thématiques environnementales explorées par les tentatives existantes suggèrent que des améliorations ou des extensions importantes pourraient être apportées. C’est l’objectif général de cette thèse : développer une nouvelle génération de modèles prédictifs de la distribution et de l’abondance de la sauvagine au Canada afin d’assister la planification spatiale des mesures de conservation des espèces et de leurs habitats. Dans le premier chapitre, une revue de la littérature a été effectuée avec pour objectif d’identifier les covariables environnementales d’intérêt pour modéliser la sauvagine. La principale contribution de cette étude a été la création d’une base de données de 533 associations canard-habitat attribuables à 133 covariables qui aidera le développement des futurs modèles. Dans le second chapitre, l’objectif a été d’améliorer les modèles nationaux d’abondance de sauvagine existants en développant de nouveaux modèles permettant de considérer explicitement les variations spatiotemporelles et testant des associations sauvagine habitat inexplorées grâce à l’utilisation d’un jeu initial de 232 covariables candidates. Pour cela, nous avons élaboré une méthode combinant techniques d’apprentissage automatique, procédures de sélection des covariables et approches hiérarchiques bayésiennes. La principale contribution de cette étude a été la mise à disposition de cartes annuelles de l’abondance de 18 espèces de sauvagines pour la période 1990-2015. Dans le troisième chapitre, l’objectif a été d’évaluer le potentiel d’intégration des données d’inventaires aériens standardisés et de science citoyenne (eBird) afin de modéliser la distribution de la sauvagine à l’échelle de la forêt boréale de l’Ouest canadien. La principale contribution de ce chapitre a été la formalisation d’une approche de modélisation intégrée de la distribution des espèces utilisant un processus par points dans une représentation état-espace. Nous avons démontré la capacité de cette approche à efficacement combiner des jeux de données d’occurrence hétérogènes afin de bénéficier de la complémentarité de leurs observations et de leurs couvertures spatiales. Dans le quatrième chapitre, l’objectif a été d’évaluer les effets potentiels des changements climatiques sur la distribution et l’abondance de la sauvagine dans l’est du Canada. Les résultats ont mis en évidence que les changements climatiques pourraient avoir un effet positif sur l’abondance de 7/12 des espèces évaluées, alors que 5/12 pourraient décliner. Une contribution majeure de cette étude a été le développement d’indices spatialement-explicites de la compatibilité climatique future de chacune des 12 espèces. Dans leur ensemble, les résultats issus de cette thèse ont permis (i) d’approfondir et de synthétiser l’état des connaissances sur l’écologie de la sauvagine canadienne, (ii) de fournir de nouvelles données pour guider les mesures de conservation et (iii) de développer des méthodes innovantes et efficaces pour modéliser la distribution et l’abondance des espèces à large échelle. Les plus de 1000 cartes et couches de données raster rendues publiques constituent une contribution d’envergure majeure pour l'élaboration d'indicateurs de biodiversité, l'évaluation et l'exécution de stratégies de conservation des espèces et de leur habitat, ou encore le suivi des services écologiques.

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 machine sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,002
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: Simulation ou modélisation
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,031
Score d'incertitude au seuil0,074

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,002
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0010,001
Études des sciences et des technologies0,0010,001
Communication savante0,0020,001
Science ouverte0,0020,001
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0030,000

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.

Tête enseignante Opus0,005
Tête enseignante GPT0,189
Écart entre enseignants0,184 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSimulation ou modélisation
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations0
Publié2020
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueCorpus Université Laval (Université Laval)Même sujetFish biology, ecology, and behaviorTravaux en français237 207