Comparaison des prévisions à court et à long terme d’un modèle de croissance à l’échelle du peuplement avec celles d’un modèle à l’échelle de l’arbre
Bibliographic record
Abstract
Différents modèles de croissance forestière sont aujourd’hui disponibles pour simuler l’évolution des peuplements forestiers du Québec. Pour choisir le modèle qui répond le mieux à ses besoins, l’utilisateur a donc besoin d’informations. La présente étude a pour but d’évaluer et de comparer le comportement de deux modèles de croissance forestière évoluant à des échelles de résolution différentes : Artémis, un modèle à l’échelle de l’arbre, et Natura, un modèle à l’échelle du peuplement. Pour ce faire, nous avons utilisé les deux modèles pour simuler l’évolution sur une période de 50 ans de placetteséchantillons permanentes regroupées en strates et réparties sur 6 larges territoires de la forêt publique québécoise. Nos résultats montrent que les deux modèles produisent des résultats cohérents, mais que leur performance varie fortement selon le territoire et la strate simulés. Les résultats nous portent à recommander l’utilisation de Natura sur les portions de territoire situées dans le domaine bioclimatique de la pessière à mousses et majoritairement composées d’épinettes noires (Picea mariana [Mill.] B.S.P.), et à privilégier Artémis pour les peuplements dont la structure est plus complexe qui sont situés dans les domaines de la sapinière à bouleau blanc et de la sapinière à bouleau jaune.
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 | 0.005 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.002 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.002 | 0.002 |
| Open science | 0.002 | 0.001 |
| Research integrity | 0.002 | 0.002 |
| Insufficient payload (model declined to judge) | 0.006 | 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; 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".