Modélisation spatiale de la dégradation des chemins forestiers gravelés en forêt boréale
Bibliographic record
Abstract
Au Canada, les chemins forestiers représentent un vecteur d’accessibilité à la forêt boréale aménagée qui offre de nombreuses retombées économiques (p. ex. récolte du bois), environnementales (p. ex. suivis des perturbations) et sociales (accès secteur de villégiature). Toutefois, leur construction et leur utilisation ne sont pas sans répercussions (p. ex. coût élevé de construction et d’entretien, fragmentation des habitats, conflit entre les usagers). Ces effets sont d’ailleurs plus notables lorsque les chemins ne sont pas entretenus. En effet, la dégradation des chemins forestiers entraine de forts impacts négatifs sur l’accès au territoire forestier, tout comme des répercussions économiques (p. ex. augmentation des coûts d’entretien), environnementales (p. ex. érosion des matériaux et donc contamination des habitats) et sociales (p. ex. perte d’accès pour les usagers et sécurité de déplacement compromise). De ce fait, pour maintenir un accès durable et sécuritaire au territoire forestier, il faut avant tout avoir une bonne compréhension et connaissance de la dégradation des chemins forestiers dans le temps et l’espace. \n \nCette étude vise à fournir une meilleure compréhension et de nouvelles connaissances spatio-temporelles de l’état du réseau des chemins forestiers canadiens en 1) construisant un modèle prédictif de la dégradation des chemins forestiers gravelés et en évaluant l’impact de la pente, du temps, de la perte de surface de roulement et de la largeur du chemin sur la présence de dégradation (approche Terrain) et 2) évaluant le potentiel des indices de topographie, de rugosité et de végétation obtenus des données du LiDAR aéroporté et des images optiques Sentinel 2 pour estimer le taux de dégradation (approche Télédétection). \n \nPour l’approche Terrain, le modèle de régression bêta retenu pour prédire la dégradation (pseudo-R2 0,43, SMSE ±8 %) confirme que la pente, la perte de surface de roulement (PPSR), le temps et la largeur du chemin sont des indicateurs essentiels. Selon les simulations effectuées, moins de 5 % de dégradation s’installe sur un chemin forestier dans les cinq premières années sans entretien, peu importe sa largeur. Lorsque ce seuil est franchi, la dégradation augmente exponentiellement et s’intensifie plus la pente et la perte de surface de roulement sont élevées et que le chemin est étroit. \n \nL’approche Télédétection confirme que pour détecter la dégradation des chemins forestiers à distance, l’utilisation d’un indice de topographie, de rugosité et de végétation extraits du LiDAR et de Sentinel 2 offre une solution prometteuse. Plus précisément, le modèle de prédiction résultant (pseudo-R2 0,34 et SMSE ±9 %) a retenu la synergie entre l’indice de position topographique (TPI), l’indice de rugosité de terrain (TRI) et l’indice de végétation par différence normalisée (NDVI). Selon les simulations, un taux plus élevé de dégradation a été détecté lorsque la surface de roulement présente un fort pourcentage de dépressions, est peu homogène (TRI) et recense une forte présence de végétation (NDVI). \n \nCette étude a permis de fournir de nouvelles connaissances et une meilleure compréhension de la dégradation du réseau routier en milieu forestier. En effet, nous avons dorénavant une meilleure compréhension temporelle de la dégradation grâce à l’approche Terrain et une connaissance spatiale de l’état actuel des chemins grâce à l’approche Télédétection. Les informations obtenues des deux modèles de prédictions développés sont grandement utiles pour le maintien et la durabilité de l’accès au territoire forestier boréal canadien à court et à long terme.
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) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.002 |
| Bibliometrics | 0.001 | 0.001 |
| 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) | 0.004 | 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".