Identification des zones pour l'établissement de plantations d'épinette blanche (Picea glauca) améliorée dans la réserve faunique du Saint-Maurice, QC
Notice bibliographique
Résumé
L’épinette blanche (Picea glauca (Moench Voss)) est une des essences les plus importantes pour le reboisement au Canada, permettant d’alimenter l’industrie forestière. L’épinette blanche est ainsi l’objet d’importants programmes d’amélioration génétique dans la majorité des provinces canadiennes. Afin d’optimiser l’utilisation des épinettes améliorées, une meilleure identification des stations de reboisement serait souhaitable. Pour ce faire, nous avons utilisé les données des inventaires de plantation réalisés par le gouvernement du Québec ainsi que des variables environnementales (climatiques, topographiques, édaphiques et hydrologiques) afin de déterminer quelles variables prédisaient le mieux l’indice de qualité de station (IQS). Trois modèles ont été testés pour deux zones d’étude, soit le modèle « général », qui utilise les données dérivées de la cartographie disponible à échelle 1 / 20 000 pour l’ensemble du territoire forestier du Québec, le modèle général « simplifié » qui utilise l’information de la carte écoforestière plus la localisation des parcelles dans la zone générale et le modèle « LiDAR », qui utilise l’information des modèles numériques de terrain issus de survols LiDAR pour la zone du Québec possédant cette information. Bien que présentant un faible pouvoir prédictif, le modèle général présente une capacité de prédiction légèrement meilleure que les modèles déjà publiés. Une méthode est proposée afin de générer une carte de productivité pour la Réserve faunique du Saint-Maurice. Cette carte, superposée à la cartographie des contraintes d’implantation de zones d’intensification, a permis de déterminer que seul 0,18 % de la superficie totale de la réserve correspond à des zones de haute productivité (IQS > 12m) sans contrainte pour la plantation, soit les meilleures stations pour l’établissement de plantations d’épinettes blanches améliorées. Cependant, la majorité des superficies de la réserve (59,85 %) offre tout de même des zones avec une bonne productivité (IQS 8 - 12m) et aucune contrainte pour la plantation.
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 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».