Etude comparative sur les causes de dégradation de la forêt Maamora et la forêt Izarène, Maroc
Bibliographic record
Abstract
Les deux forêts Maamora et Izarène au Maroc représentes deux étends nationaux qui jouent un rôle socioéconomique et écologique très important.Cependant, ces deux structures subissent une déforestation causée par de multiples facteurs, certains humains et d'autres naturels.L'objectif de notre travail consiste à inventorier les causes derrière cette dégradation.Pour réaliser ce travail nous avons eu recours à un questionnaire composé de 13 items en liaison avec la dégradation et la surexploitation de ces deux forêts.Les résultats de cette enquête montrent une différence significative entre les types et les combinaisons de ces types de dégradation des deux forets.En effet, les enquêtés de la forêt Maamora et ceux de la forêt d'izarène confirment que la population qui habite la forêt participe activement à la dégradation ainsi que les facteurs climatiques et les facteurs liés à la pollution sont les principales causes.Cependant d'autres facteurs s'ajoutent ou combinent avec ces principaux facteurs pour menacer de façon plus difficile la gestion durable de la forêt.Devant cette situation les responsables doivent instaurer des lois et des règlements stricts pour sauver ces deux patrimoines nationaux . . .
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 | 0.000 |
| Scholarly communication | 0.001 | 0.000 |
| Open science | 0.000 | 0.000 |
| Research integrity | 0.000 | 0.000 |
| Insufficient payload (model declined to judge) | 0.003 | 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".