Biosuivi du marais Léon-Provancher depuis sa mise en eau (1996-2016) : implications pour la conservation d’un milieu humide aménagé
Bibliographic record
Abstract
La création de milieux humides « artificiels » joue un rôle important pour le maintien de la biodiversité et contribue à fournir des services écosystémiques variés. En 1996, des terres en friche ont été ennoyées dans ce qui allait devenir le marais Léon-Provancher à Neuville (Québec). Afin d’évaluer l’état de l’environnement aquatique de ce marais artificiel, nous avons analysé la qualité de l’eau en 2016, et utilisé l’approche de biosuivi basé sur les assemblages de diatomées. Une analyse paléolimnologique des assemblages diatomifères provenant d’une carotte sédimentaire prélevée dans le marais a révélé une dominance de taxons benthiques préférant les eaux douces à saumâtres à pH neutre-alcalin, tolérants aux fluctuations de température de l’eau, de conductivité et d’état trophique, au cours des 20 premières années d’existence du marais. L’application de l’Indice Diatomées de l’Est du Canada (IDEC) indique que la qualité de l’eau du marais peut être qualifiée de bonne à excellente durant la période étudiée. Les changements mineurs observés dans les assemblages de diatomées depuis 1996 semblent plutôt corrélés à des variations du niveau de l’eau qu’à sa qualité. Ces conditions environnementales de référence seront utiles au suivi et à la gestion de l’écosystème du marais afin d’en assurer la conservation.
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 | 0.001 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.002 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.002 | 0.000 |
| Open science | 0.000 | 0.001 |
| Research integrity | 0.000 | 0.000 |
| 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; 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".