Nouvelle approche multispécifique intégrant les milieux aquatiques et terrestres pour l’évaluation de la connectivité du paysage
Bibliographic record
Abstract
La perte actuelle de biodiversité demande d’augmenter la superficie des territoires protégés, dans le but de réduire la perte d’habitat, leur fragmentation, et d’atténuer les impacts des changements climatiques. Cependant, un défi majeur demeure: quelles parties d'un paysage faut-il protéger ? Le potentiel de connectivité du paysage a été un des facteurs les plus utilisés dans les dernières années. Les méthodes actuelles d’estimation de connectivité présentent toutefois des lacunes non seulement quant au nombre d'espèces simulées, mais surtout quant à leur diversité taxonomique et fonctionnelle. Ici, j’améliore l'étude de la connectivité du paysage de trois manières: j’évalue le potentiel de connectivité du paysage en m’appuyant sur un modèle d’ensemble de 93 espèces, comprenant des espèces terrestres, aviaires et semi aquatiques; j’intègre les écosystèmes aquatiques et terrestres; enfin, j'utilise un modèle plus réaliste de déplacements d’espèces fauniques. Afin de développer la méthode, j’ai utilisé des données spatiales d’un territoire de la région des Laurentides au Québec qui présente un fort gradient anthropique, du sud (fortement urbanisé et agricole) au Nord (très peu urbanisé et largement forestier). J'ai analysé la connectivité du paysage pour les espèces fauniques en utilisant Omniscape. Ce programme permet des simulations omnidirectionnelles, lesquelles représentent mieux les mouvements des animaux; jusqu’à présent la majorité des évaluations de connectivité sont unidirectionnelles (déplacement du point A au point B). J’ai ensuite regroupé les résultats de simulations de dispersion par des analyses de regroupement (Fuzzy C-mean et Ward), obtenant trois groupes. Les résultats ont confirmé que la région délimitée par le Bouclier canadien contribue grandement aux déplacements des espèces terrestres et aquatiques alors que la région située dans les basses terres du Saint-Laurent y contribue très peu. Mes résultats soulignent également que les milieux aquatiques semblent jouer un rôle important pour la connectivité globale de la région des Laurentides, puisque plusieurs espèces (dont des espèces considérées « terrestres ») les utiliseraient pour se déplacer. Je soutiens donc qu'il est essentiel de mieux intégrer les habitats aquatiques et terrestres dans une compréhension holistique de la connectivité du paysage.
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 | 0.001 | 0.001 |
| Meta-epidemiology (narrow) | 0.000 | 0.001 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.000 | 0.000 |
| Science and technology studies | 0.007 | 0.001 |
| Scholarly communication | 0.000 | 0.001 |
| Open science | 0.000 | 0.000 |
| Research integrity | 0.001 | 0.001 |
| 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; a candidate call from one teacher head, 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".