Mise en place d'un réseau sans fil de capteurs déployés à Salluit
Bibliographic record
Abstract
Pour suivre les effets du changement climatique et aider à la compréhension et la capacité de prédiction, des capteurs ont été installés dans le nord du Québec. Salluit à Nunavik est parmi les villages où un ensemble de capteurs a été installé. Cependant, la collecte de ces données est manuellement effectuée une fois par an par des scientifiques. Étant donné l’importance de ces informations, le chantier 1.5 du projet Sentinelle Nord vise à mesurer, enregistrer, et envoyer les données en temps réel. Notre projet a d’abord pour but l’installation d’un réseau sans fil permettant aux capteurs de transmettre les données tout au long de l’année, pour anticiper les risques et dommages. La conception du projet a été lancée en 2016 et les premiers travaux ont eu lieu en été 2017. Après une collecte de données réussie pendant les premiers mois suivants l’installation, des problèmes de réseau LTE sont survenus. La connexion LTE n’étant point fiable, les capteurs n’ont été visibles de l’université qu’entre 5 et 9% du temps, avant une perte totale du signal LTE à partir du mois de janvier 2017. Les conditions environnementales et météorologiques de la région ont confirmé les défis rencontrés de tels systèmes de collecte de données sans fil. Dans ce mémoire, nous détaillons les étapes prises pour déployer un tel réseau de capteurs dans des conditions extrêmes et inconnues. Nous expliquons aussi les défis, les problèmes et les limitations rencontrés lors du projet et donnons des recommandations et améliorations pour le futur.
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 | 0.005 | 0.011 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.003 | 0.001 |
| Scholarly communication | 0.004 | 0.003 |
| Open science | 0.002 | 0.002 |
| Research integrity | 0.002 | 0.002 |
| Insufficient payload (model declined to judge) | 0.006 | 0.003 |
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".