Comparaison de deux approches de mesure de cernes utilisant les outils système d’information géographique (SIG) sur des images à haute résolution de bois tropicaux
Bibliographic record
Abstract
L’utilisation des outils système d’information géographique (SIG) en dendrochronologie offre une excellente opportunité de développer davantage les analyses de cernes, notamment dans le contexte des forêts tropicales où les techniques d’analyses de cernes sont réputées compliquées et fastidieuses. Dans cette étude, deux approches de mesure de largeurs de cernes ont été comparées en faisant une simulation de l’échantillonnage de bois en « carotte » et en « barreau » à l’aide du logiciel SIG ArcMap. Les résultats de l’étude basés sur deux espèces d’arbres tropicaux (Milicia excelsa (Welw.) C.C. Berg et Pericopsis elata (Harms) Meeuwen) ont montré que les mesures de deux approches utilisées ne sont pas statistiquement différentes l’une de l’autre. Néanmoins, les séries de mesures obtenues par les deux voies ne sont pas totalement concordantes au seuil de 0,05 mm par la technique graphique de Bland–Altman. Dans l’ensemble, les statistiques de chronologies calculées sur les différentes séries suggèrent plus la mise en œuvre de mesure par l’approche « carotte », tout en utilisant une mosaïque d’images numériques de la section transversale complète de la rondelle. En s’inspirant de la méthode et des approches utilisées, il serait intéressant de développer les techniques d’estimation de croissance diamétrique et de surfaces avec des échantillons de type « disque ».
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) | 0.001 | 0.001 |
| Bibliometrics | 0.002 | 0.002 |
| Science and technology studies | 0.001 | 0.000 |
| Scholarly communication | 0.002 | 0.002 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.003 | 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".