La classification des milieux humides est-elle un outil efficace de conservation de la flore ?
Bibliographic record
Abstract
L’objectif de cette étude était d’évaluer le potentiel du système de classification des milieux humides au Québec comme outil de conservation de la diversité floristique dans la région de Québec pour 4 classes de milieux humides : les bogs, les fens, les tourbières boisées et les marécages. Nous avons d’abord comparé la précision de l’approche de cartographie des classes de milieux humides par photo-interprétation à une approche terrain utilisant des variables écologiques clés. Ensuite, nous avons comparé les patrons de diversité 1) entre les 2 approches de cartographie des classes (photo-interprétation versus terrain) et 2) entre les 4 classes de milieux humides. Nous avons échantillonné la flore de 56 milieux humides situés dans le bassin versant de la rivière Saint-Charles. Au total, 19 de ces sites avaient été mal classés avec l’approche par photo-interprétation, lui conférant une précision de 66 %. Malgré ces disparités, les patrons de diversité variaient peu entre les 2 approches de cartographie des classes, mais d’importantes différences ont été observées entre les 4 classes de milieux humides, tout particulièrement entre les milieux ouverts (bogs et fens) et les milieux boisés (tourbières boisées et marécages). Toutefois, il demeurait difficile de distinguer les classes de milieux humides au sein d’une même structure (ouverts ou boisés), ce qui souligne la nécessité d’intégrer davantage de variables écologiques dans l’élaboration d’un système de classification plus optimal pour les milieux humides.
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 | 0.003 | 0.004 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.002 | 0.002 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.004 | 0.002 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.003 | 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".