MétaCan
Menu
← Back to cohort
Record W7005472153

Reconstitution historique (1976-2020) de la croissance en hauteur des peuplements forestiers en régénération en forêt boréale par photogrammétrie

2023· other· fr· W7005472153 on OpenAlexaboutno aff

Bibliographic record

VenueKnowledge UdeS (Institutional Deposit of the University of Sherbrooke) · 2023
Typeother
Languagefr
FieldBiochemistry, Genetics and Molecular Biology
TopicCell Image Analysis Techniques
Canadian institutionsnot available
Fundersnot available
KeywordsForest regenerationEnvironmental factorNatural regeneration
DOInot available

Abstract

fetched live from OpenAlex

La forêt boréale est une ressource d’importance tant pour sa capacité à stocker le carbone que pour sa valeur économique pour l’industrie forestière et les activités de villégiature. L’acquisition de meilleures connaissances sur la dynamique de croissance de cette forêt permet de l’aménager durablement. À cet effet, il est déterminant de connaître le plus précisément possible leur taux de croissance annuel sur de longues périodes et notamment la croissance en hauteur qui est un intrant important des modèles de croissance. Cependant, les connaissances sont fragmentaires concernant l’évolution des jeunes peuplements (< 7 m) issus de coupes forestières en forêt boréale. Compte tenu de leur croissance lente et de l’accès difficile aux jeunes peuplements quelques années après la coupe, il est ardu d’en faire le suivi par des inventaires terrestres sur plusieurs décennies. Les photos aériennes historiques destinées à la photogrammétrie sont alors une source potentielle de données pour évaluer la croissance en hauteur de ces peuplements en fonction du temps écoulé depuis la coupe. De telles données sont essentielles puisqu’elles sont utilisées pour évaluer la croissance de métriques telles que la surface terrière et la valeur marchande. Une nouvelle méthode de traitement photogrammétrique structure from motion (SfM) est utile pour faciliter la création de séries temporelles à partir de photos. La méthode nommée Time-SIFT consiste à utiliser simultanément des photos prises à différentes dates afin de créer des nuages de points géoréférencés. Cette méthode augmente le taux de couverture entre les photos et permet d’évaluer avec plus de précision le positionnement et les caractéristiques des caméras (longueur focale, coefficients de distorsion) qui sont parfois manquantes. Les nuages de points sont ensuite décomposés selon les années d’acquisition des photos. Les nuages de points produits peuvent être traités afin d’estimer la hauteur dominante des peuplements. L’objectif principal de cette étude vise la mise en œuvre d'une approche photogrammétrique pour le suivi de la croissance des jeunes sapinières issues d’une coupe totale dans trois sites de la forêt boréale du Québec. L’étude comporte deux parties. Dans une première partie, nous avons généré des modèles de hauteur de canopée (MHC) issus de 11 séries de photos et des données lidar correspondantes pour 3 sites distincts (1) Zec Chauvin - Sapinière à bouleau blanc de l'Est, (2) Réserve faunique de Matane - Sapinière à bouleau blanc de l'Est, (3) Territoire non-organisé de Rivière-aux-Outardes - Pessière à mousse de l’Est). Les séries de photos utilisées sont diverses tant dans leurs types (numérique ou argentique, noir et blanc, couleur ou couleur infrarouge) que dans la disponibilité des informations concernant l’orientation interne des caméras (longueur focale, positionnement du plan focal, coefficients de distorsion). Ces séries de photos ont été traitées pour créer des nuages de points pour des périodes respectives de 31, 13 et 29 années pour chaque site. Les nuages de points ont fait l’objet d’une correction verticale avant d’être normalisés grâce aux modèles numériques de terrain (MNT) issus du lidar pour obtenir des modèles de hauteur de canopée (MHC). Les mêmes traitements ont été effectués avec et sans la méthode Time-SIFT pour permettre de comparer les deux méthodes. Il a été constaté que la qualité des nuages résultants varie considérablement selon les sites et les années allant d’une racine de l’erreur quadratique moyenne (REQM) verticale de 0,22 m à l’échec partiel de l’alignement des images. La seconde partie du projet concerne le site de la Zec Chauvin pour lequel il existe des mesures de hauteur des arbres prises sur le terrain pour 46 placettes d’inventaire de 400 m2 entre 1988 et 2018. Cette partie de l’étude vise à utiliser les MHC résultants de la photogrammétrie pour estimer la hauteur dominante (hauteur moyenne des 100 plus gros arbres à l’hectare) des peuplements forestiers. Les hauteurs à des percentiles entre 20 et 100 % ont été extraites des MHC pour chacune des placettes d’inventaire. Des modèles de régression linéaire ont été calibrés en utilisant la meilleure métrique prédictive de la hauteur dominante retenue dans le cadre de notre étude, soit le 65e quantile. Pour le site de la Zec Chauvin, le meilleur modèle développé concerne les peuplements ayants fait l’objet d’une coupe avec protection de la régénération et des sols avec un R2 de 0,93 et une racine de l’erreur quadratique moyenne (REQM) de 0,93 m, ce qui est comparable avec la précision obtenue par des mesures sur le terrain à l’aide d’un clinomètre-vertex. Notre étude a montré que la méthode SfM / Time-SIFT permet de reconstituer la croissance d’un site pendant 37 ans après la coupe totale (de 1976 à 2013). Toutefois, cette méthode n’a pu être testée sur d’autres sites que celui de la Zec Chauvin compte tenu du manque de données de validation sur le terrain. De plus, la grande variabilité dans les données sources (photos) ainsi dans la qualité des nuages de points générés suggèrent qu’il serait pour le moment important d’évaluer le potentiel d’autres sites où des données de validation sont disponibles avant de transposer le modèle à plus grande échelle.

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 imitation

Not 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.

metaresearch head score (Codex)0.001
metaresearch head score (Gemma)0.002
Version: metacan-v3-hybrid-931329e0061cValidation status: machine_predicted_unvalidated
Candidate categoriesnone
Consensus categoriesnone
DomainCandidate signal: none · Consensus signal: none
Study designCandidate signal: Observational · Consensus signal: Observational
GenreCandidate signal: Empirical · Consensus signal: Empirical
Teacher disagreement score0.074
Threshold uncertainty score0.147

Distilled classifier scores by category (both heads)

CategoryCodexGemma
Metaresearch0.0010.002
Meta-epidemiology (narrow)0.0000.000
Meta-epidemiology (broad)0.0000.001
Bibliometrics0.0020.003
Science and technology studies0.0000.000
Scholarly communication0.0010.001
Open science0.0000.000
Research integrity0.0000.001
Insufficient payload (model declined to judge)0.0050.001

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.

Opus teacher head0.006
GPT teacher head0.220
Teacher spread0.214 · how far apart the two teachers sit on this one work
Validation statusscore_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from it

Classification

machine, unvalidated

Machine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.

The models applied no category: nothing in the taxonomy fit this work.
Study designObservational
Domainnot available
GenreEmpirical

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".

Quick stats

Citations0
Published2023
Admission routes1
Has abstractyes

Explore more

Same venueKnowledge UdeS (Institutional Deposit of the University of Sherbrooke)→Same topicCell Image Analysis Techniques→French-language works237,207→