Transformations de la composition forestière dans les forêts boréales mixtes soumises à une forte influence humaine : une analyse de la région de Rouyn-Noranda de 1910 à 2020 (Québec, Canada)
Bibliographic record
Abstract
Les caractéristiques des forêts préindustrielles permettent d’établir des états de référence pour l'aménagement durable des forêts. Cette approche historique est particulièrement pertinente pour les régions soumises à une forte influence humaine, dans lesquelles les forêts naturelles sont rares. C'est le cas de la région de Rouyn-Noranda, à l'ouest du Québec. Nous avons utilisé les archives d'arpentage disponibles pour reconstituer la composition préindustrielle des forêts boréales mixtes de cette région. À partir d'une base de données comportant 3621 observations sur la composition historique des forêts (1909–1940), nous dressons un portrait des forêts préindustrielles et des changements survenus dans la région. À l’époque préindustrielle, les épinettes représentaient les espèces les plus abondantes: elles étaient présentes dans 85,5 % des observations, et étaient identifiées comme dominantes (c.-à-d., les plus abondantes localement) dans 63,9 % des observations. Les épinettes tendaient à être abondantes sur l'ensemble du territoire et des types de dépôts de surface. Entre les époques préindustrielle et moderne (1980–2020), nos résultats montrent une augmentation de la fréquence des feuillus de début de succession, dont principalement le peuplier faux tremble (+28 %). Ces changements de composition semblent attribuables à la combinaison de perturbations (feux, coupes, agriculture, etc.). Nous discutons finalement des implications de ces résultats pour les stratégies d'aménagement écosystémique dans la région.
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 | 0.000 | 0.001 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.002 | 0.005 |
| Science and technology studies | 0.002 | 0.001 |
| Scholarly communication | 0.002 | 0.000 |
| Open science | 0.001 | 0.000 |
| Research integrity | 0.000 | 0.000 |
| Insufficient payload (model declined to judge) | 0.002 | 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".