Adaptation du SHOALS à la cartographie sédimentaire côtière peu profonde dans la Baie des Chaleurs, Québec, Canada.
Bibliographic record
Abstract
Ce travail a pour but d'adapter un LiDAR (Light Detection And Ranging) bathymétrique, le SHOALS d'Optech, à la \ncartographie sédimentaire des zones côtières peu profondes en se basant uniquement sur \nles données du SHOALS. Ce système LiDAR émet à partir d'un support aéroporté, un \ndouble faisceau laser, un bleu-vert (532 nm) et un infra-rouge (1064 nm), qui ont pour \nvocation respective, de détecter les fonds marins et de localiser la surface du plan d'eau. \nLes LiDAR bathymétriques aéroportés assurent un relevé conjoint des zones terrestres et \ndes premiers mètres des zones marines en évitant les zones où la navigation est \nhasardeuse voir impossible. \nPour réaliser cette adaptation, trois axes de recherches sont développés et portent sur : \nl'étude bathymétrique, l'étude des corps sédimentaires et des processus hydrodynamiques \nassociés et la cartographie sédimentaire proprement dite. \nLes sites d'études sont localisés sur la côte nord de la baie des Chaleurs dans les localités \nde Saint-Siméon-Bonaventure et Paspébiac qui représentent deux types d'environnements \nsilico-clastique côtiers, de faible énergie et de moyenne énergie. Le matériel silico-clastique \nest composé de grès rouges fluviatiles et deltaïques d'environnement semi-aride \nconstitués principalement de particules clastiques grossières de type conglomérats, grès, \nsitlstones et mudstones. \nCe travail a nécessité le développement sous IDL d'un objet informatique indispensable à \nla lecture, à l'utilisation et à la visualisation des données SHOALS utilisées pour ce \nprojet. Les méthodes d'analyse de la bathymétrie et des corps sédimentaires se basent sur \ndes profils d'élévation réalisés sur les modèles bathymétriques obtenus avec le SHOALS. \nA partir de ces profils, des amplitudes, des épaisseurs, des directions et des orientations \nsont déterminées. La méthode de cartographie sédimentaire s'appuie sur une triple \nanalyse des données SHOALS qui consistent en une modélisation du signal de retour du \nfond par une gaussienne et d'en déterminer ses paramètres (sa moyenne, son écart type et \nson poids dans le mélange), en une analyse morphologique du signal de retour du fond \nsuite à son extraction (amplitude, longueur et angle) et un filtrage de différents \nparamètres (rugosité, densité de points, pente) du fond marin. \nL'étude des données bathymétriques du SHOALS montre qu'il est possible de réaliser \ndes cartes bathymétriques rapidement. En outre, la précision des données de LiDAR \nbathymétrique est supérieure à la capacité cartographique et permet donc de mettre en \névidence des structures sédimentaires et géologiques de taille décimétrique. \nDe plus, la comparaison bathymétrique des données du SHOALS avec d'autres sources \nmontre des degrés de corrélations variables. Les corps sédimentaires et les processus \nhydrodynamiques se traduisent par des zones d'érosion, des flèches sableuses, des barres \nd'avant côte, des champs de dunes ou encore des chenaux fluviatiles et leur remplissage. \nDe plus, l'empilement vertical de ces différentes structures permet de proposer une \nchronologie de mise en place, utile pour connaître l'évolution à court terme du système, \nqui est basée sur les relations topographiques et géométriques des différentes structures \nmorpho-sédimentaires. \nLes cartes sédimentaires, obtenues à partir des méthodes d'analyses développées, sont \ncohérentes, dans la majorité des cas, avec les investigations de terrain. \nLes résultats obtenus à l'issue de ce travail démontrent l'apport majeur de l'utilisation des \ndonnées de LiDAR bathymétrique pour l'étude et le suivi des zones côtières peu \nprofondes, que ce soit dans des applications de cartographie bathymétriques à haute \nrésolution, de cartographie des corps sédimentaires et de leur dynamique et de \ncartographie et de caractérisation de faciès sédimentaires. \n
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 distilled prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. Learned from the 10,348 direct Codex labels and 10,348 direct Gemma labels. Candidate is the union of thresholded teacher heads; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels or direct frontier model labels.
Codex and Gemma teacher scores by category
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.004 | 0.002 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.000 | 0.002 |
| Science and technology studies | 0.005 | 0.003 |
| Scholarly communication | 0.000 | 0.001 |
| Open science | 0.001 | 0.000 |
| Research integrity | 0.000 | 0.001 |
| Insufficient payload (model declined to judge) | 0.001 | 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; both teacher heads agree on what is shown here.
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".