Cartographier les services écosystémiques : quelles données, quels modèles, quelles incertitudes ? Exemple autour du bassin de vie de Grenoble
Bibliographic record
Abstract
L’évolution des cadres institutionnels et politiques autour de la question des Services Ecosystémiques (SE), notamment avec la nouvelle loi Biodiversité en 2016 en France, amène à une obligation de leur prise en compte dans la gestion territoriale. Cela nécessite l’utilisation d’informations spatialement explicites, et par conséquent le développement de modèles permettant de cartographier les SE. La plupart des modèles se basent sur ou utilisent comme proxy des cartes d’Occupation ou d’Utilisation des Sols (OS/US). À partir d’une base de données spatialisée extrêmement précise, nous avons appliqué ou adapté des modèles permettant de cartographier 15 SE. Les résultats montrent que selon l’implication de la base de données d’OS/US en entrée dans les modèles, le type de modèle choisi (proxy vs. processus) et les processus modélisés, les patrons spatiaux résultants sont plus ou moins dépendants de la carte d’OS/US d’entrée. L’analyse critique des limites et incertitudes inhérentes à la constitution des cartes d’OS/US (en général et la notre en particulier), ainsi que l’utilisation de ces cartes à des fins de modélisation de SE a montré : 1- les apports notamment dans les milieux agricoles d’une description précise des dynamiques interannuelles de l’OS/US pour la quantification de SE d’approvisionnement ; 2- l’implication de limites typologiques d’OS/US pour la quantification de SE, notamment dans notre travail pour les milieux forestiers et semi-naturels. L’usage de la télédétection apparait alors comme une piste sérieuse d’amélioration à la fois typologique pour mieux caractériser l’OS/US et également à utiliser comme donnée d’entrée indépendante dans les modèles de SE.
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 | 0.002 | 0.000 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.000 |
| Bibliometrics | 0.000 | 0.000 |
| Science and technology studies | 0.003 | 0.000 |
| Scholarly communication | 0.001 | 0.002 |
| Open science | 0.002 | 0.001 |
| Research integrity | 0.001 | 0.000 |
| Insufficient payload (model declined to judge) | 0.009 | 0.001 |
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".