Évaluation de la dynamique spatiale des forêts primaires au sein du Parc national de la Salonga sud (RD Congo) à partir des images satellites Landsat et des données relevées in situ
Bibliographic record
Abstract
Le Parc national de la Salonga (PNS) et ses ressources biologiques revêtent une importance considérable tant sur le plan environnemental qu'économique pour les communautés riveraines qui dépendent de ses ressources pour leur survie. Cette étude vise à quantifier l'impact des activités humaines sur les forêts primaires de la partie sud du PNS en utilisant la classification d'images Landsat des années 2002, 2007, 2014 et 2020, combinée aux outils d'analyse de l'écologie du paysage. Les résultats ont révélé que le paysage reste prédominé par les forêts primaires entre 2002 et 2020, bien que leur superficie ait constamment diminué au profit des forêts secondaires et des zones agricoles. En effet, la superficie des forêts primaires est passée de 12 636,82 km² en 2002 à 11 266 km² en 2020. La perte totale des forêts primaires au cours de cette période s'élève à 10,4 %, soit un taux annuel de déforestation de 0,6 %. Le nombre total de fragments de la forêt primaire a également légèrement diminué, passant de 525 142 en 2002 à 524 584 en 2020. De plus, les résultats ont également révélé que la proportion de forêts primaires augmente à mesure que l'on s'éloigne des villages, indiquant un impact significatif des zones villageoises sur la dégradation forestière. L'anthropisation de la partie sud du PNS se manifeste clairement par la réduction des surfaces de forêts primaires, principalement due aux activités agricoles. Ces résultats soulignent la nécessité d'un suivi régulier des activités humaines au sein du PNS, ainsi que le développement d'une stratégie de gestion intégrée pour préserver cette zone d'une importance écologique cruciale.
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 | 0.002 | 0.003 |
| Science and technology studies | 0.001 | 0.000 |
| Scholarly communication | 0.002 | 0.001 |
| Open science | 0.000 | 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".