La modélisation fractale et la variabilité spatiale des phénomènes naturels
Bibliographic record
Abstract
Le modèle fractal a suscité beaucoup d'intérêt récemment en sciences naturelles. Cette théorie de Benoit Mandelbrot s'avère particulièrement pertinente en géographie, puisque le modèle fractal traite de la variabilité spatiale des phénomènes naturels, de l'échelle d'observation de ces phénomènes et des propriétés géométriques résultantes. La première partie de cette revue consiste en une description du modèle fractal et des méthodes qui peuvent être utilisées pour estimer la dimension de Hausdorff et de l'intérêt immédiat des fractales en sciences naturelles. La deuxième partie traite, de façon générale, de l'application des fractales à la variabilité spatiale de divers phénomènes (pédologie, réseaux hydrographiques, turbulence, etc.). Une imbrication de différents niveaux de variation est généralement observée et un des intérêts du modèle provient de la variation de la dimension fractionnaire avec l'étendue d'échelles considérée. La troisième partie est consacrée à l'analyse des surfaces topographiques, de la microéchelle (quelques millimètres) à l'échelle des bassins-versants. Différents types d'utilisation du modèle fractal pour l'analyse des surfaces topographiques sont présentés. Plus particulièrement, il s'agit de l'utilisation des surfaces fractales comme surface initiale pour l'étude des processus géomorphologiques, de même que l'utilisation de la dimension fractionnaire pour caractériser la rugosité des surfaces topographiques (pour des études hydrauliques ou hydrologiques). Cette revue se termine en considérant brièvement les conséquences en géographie physique et en géomorphologie des découvertes récentes de la théorie du chaos. L'outil fractal est privilégié dans l'étude du comportement des systèmes dynamiques.
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 | 0.001 | 0.003 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.002 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.001 | 0.003 |
| Scholarly communication | 0.003 | 0.003 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.002 | 0.002 |
| Insufficient payload (model declined to judge) | 0.002 | 0.000 |
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".