Utilisation de drones pour les inventaires de tortues d’eau douce : potentiel et limites
Bibliographic record
Abstract
Dans le cadre de futurs travaux de réfection des ouvrages régulateurs du fleuve Saint-Laurent, la technologie du drone a été utilisée afin d’évaluer le nombre et les espèces de tortues fréquentant 3 secteurs d’intérêt. Les objectifs étaient de comparer les résultats d’inventaire et de dénombrement de tortues par drone avec ceux d’un inventaire visuel au sol, de valider les conditions météorologiques permettant de maximiser la détection des tortues par drone, de préciser certains éléments méthodologiques pour les futurs inventaires et d’identifier les limites de la présente approche. La méthode d’inventaire par drone s’est avérée plus efficace que l’inventaire visuel, principalement grâce à l’analyse des photos au retour du terrain. Toutefois, pour les espèces de tortues moins abondantes, le drone était moins performant. L’analyse des conditions météorologiques indique une faible influence négative de la température de l’air. Notre étude démontre que les drones permettent d’obtenir une détection des tortues supérieure à celle des relevés visuels faits à partir du sol. Cependant, il est probable que cette méthode soit moins performante dans des environnements où la densité des tortues est faible, les accès terrestres sont limités, la canopée domine ou en raison de restrictions réglementaires de vol. Selon nos observations, l’altitude optimale moyenne pour repérer et identifier les tortues avec le drone était de 20 m.
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 | 0.003 |
| 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 | 0.001 |
| Scholarly communication | 0.002 | 0.001 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.002 | 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".