Les photographies prises au sol : une source d’information pour la gestion des paysages riverains des cours d’eau
Bibliographic record
Abstract
Pour intégrer le paysage dans la gestion globale des cours d'eau, nous proposons une méthode permettant d'établir un diagnostic paysager, basée sur une analyse qualitative et quantitative de la structure éco-géographique du paysage et une analyse de sa perception par les différents acteurs. Ces analyses complémentaires, réalisées à des fins de gestion, permettent au gestionnaire de connaître les différentes facettes micro paysagères de son cours d'eau, d'évaluer leur agencement longitudinal, leur diversité et la perception qu'en ont les usagers. Dans cet article, nous montrerons comment, dans la première analyse, des photographies des berges, prises au sol, constituent une source d'informations permettant de déterminer l'identité paysagère des cours d'eau de taille moyenne (largeur < 50 m). Nous analysons statistiquement les taches, au sens où l'entend l'écologie du paysage, composant le paysage et présentes sur les photographies pour déterminer des types de paysages. Une première étude, basée sur 116 photographies de berge de quatre cours d'eau du sud-est de la France, a permis d'identifier 11 types de micro paysages rivulaires représentatifs, déterminés par des caractéristiques d'ouverture de vue, de végétation et d'anthropisation. Une seconde étude visant à évaluer l'intégration paysagère de berges de cours d'eau français et suisses restaurées par des techniques de génie végétal, basée sur 54 photographies, met en évidence des différences paysagères entre les paysages naturels et les paysages aménagés.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.002 | 0.004 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.000 | 0.001 |
| Bibliometrics | 0.006 | 0.004 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.003 | 0.002 |
| Open science | 0.001 | 0.002 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.013 | 0.002 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".