Couplage du logiciel de modélisation de l’habitat MaxEnt à des simulations du couvert nival pour l’amélioration de la prédiction de présence du caribou de Peary
Bibliographic record
Abstract
Les changements climatiques en Arctique sont actuellement les plus rapides à l’échelle planétaire. Le réchauffement de l’air induit des variations importantes à plusieurs niveaux, comme des évènements de pluie-sur-neige (PSN) de plus en plus fréquents en Arctique. Les PSN ont des impacts très variés, notamment au niveau de la faune, avec la création de croutes de glace suivant le retour des températures froides après l’épisode de PSN. La végétation, enclavée sous la couche de glace au sol, devient difficile d’accès, voire inaccessible pour les herbivores souvent pour de longues périodes et sur de grands territoires pouvant entrainer des épisodes de mort massive. Beaucoup de ces épisodes sont documentés, notamment chez le caribou de Peary (Rangifer tarandus pearyi) dans l’Archipel Arctique Canadien. Les contraintes d’accessibilité aux ressources alimentaires ont le potentiel de limiter leur croissance et leur survie, dans un contexte où les phénomènes de PSN, tout comme les couches de neige à haute densité, peuvent en restreindre grandement l’accessibilité. Plusieurs études ont créé des modèles de prédiction de l’habitat du caribou, mais jamais en intégrant une modélisation spatiale de la neige. L’objectif de cette étude est de développer et valider un Système d’Informations Géographiques (SIG) de modélisation à haute résolution spatiale des propriétés nivales affectant l’accès à la nourriture pour le caribou de Peary en utilisant le logiciel MaxEnt. Les résultats présentés dans ce mémoire montrent principalement que la neige, spécifiquement l’épaisseur et la densité de celles-ci, sont des variables qui influencent le choix d’habitat du caribou de Peary dans chacune des saisons biologiques. Les modèles développés montrent que la modélisation de la neige par le modèle SNOWPACK est un outil utile à l’étude de l’écologie du caribou de Peary.
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 distilled prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. Learned from the 10,348 direct Codex labels and 10,348 direct Gemma labels. Candidate is the union of thresholded teacher heads; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels or direct frontier model labels.
Codex and Gemma teacher scores by category
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.000 | 0.000 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.000 | 0.000 |
| Science and technology studies | 0.001 | 0.003 |
| Scholarly communication | 0.000 | 0.000 |
| Open science | 0.001 | 0.000 |
| Research integrity | 0.001 | 0.000 |
| Insufficient payload (model declined to judge) | 0.000 | 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; both teacher heads agree on what is shown here.
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".