Prédiction de la distribution des diamètres des arbres à l’aide de métriques tirées de la donnée lidar aéroporté pour les forêts boréales du Québec et de l’ouest de Terre-Neuve
Notice bibliographique
Résumé
La forêt occupe une proportion importante du territoire Canadien et son exploitation nécessite une connaissance approfondie de la structure des peuplements forestiers. La distribution des diamètres des arbres (DDA) permet d’estimer plusieurs attributs forestiers, notamment le volume de bois ou le taux de croissance. Cette étude vise à prédire la DDA à une résolution fine (20 m²) à partir de données de LiDAR aéroporté pour les forêts boréales de conifères au Québec et à l’ouest de Terre Neuve. La donnée LiDAR aéroportée permet de produire un modèle de hauteur de canopée. Conséquemment, le premier objectif vise à améliorer les estimés de DDA avec la contribution de métriques texturales dérivées du modèle de hauteur de canopée combinées aux métriques LiDAR standards. Le deuxième objectif consiste à déterminer la meilleure approche pour modéliser les DDA : soit en différentiant a priori la modalité des DDA selon leur modalité (uni/bimodales) ou non. La modélisation de la DDA passe par la prédiction des paramètres de la fonction Weibull ajustée aux DDA unimodales et non-différentiées. Pour les DDA bimodales, un finite mixture model, composé de deux fonctions Weibull, permet d’extraire les paramètres des deux composantes Weibull ajustées à la DDA. Les paramètres, échelle et forme, des fonctions Weibull décrivant les DDA unimodales et non différenciées ont été prédits avec des R² acceptables (0.40-0.55) comparativement aux paramètres moyenne, proportion et écart type des DDA bimodales (R² moyen<0.30). L’utilisation de métriques de texture a permis d’améliorer la précision globale de la différentiation des modalités de 4%, ce qui a fait augmenter en moyenne de 0.10 le R² pour les paramètres des DDA unimodales et non-différentiées, et 0.17 pour les DDA différentiés bimodales. De plus, les DDA unimodales ont prédit en moyenne 79% des diamètres mesurés et 75% pour les bimodales. Les DDA non-différentiées ont prédit 76% des diamètres mesurés. Cependant, les DDA bimodales présentaient des R² faibles, causé par l’absence de deux modes clairement distincts ainsi eu par la difficulté de prédire les faibles diamètres.
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 | 0,001 | 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 | 0,001 | 0,002 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 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 ».