Quantification des écarts de volumes de bois entre ceux prévus par les courbes de rendement utilisées dans le calcul de possibilité forestière et ceux disponibles à la récolte dans un avenir rapproché.
Bibliographic record
Abstract
La planification forestière au Québec est arrivée à un point d’inflexion déterminant en passant des étendues de forêts naturelles à un paysage forestier marqué d’une empreinte d’interventions humaines. En termes d’approvisionnement en matière ligneuse, cette transition constitue le socle de la planification forestière. Le calcul de possibilités forestières (CPF) est à son tour, le moteur de l’industrie forestière. Ce calcul influence largement les orientations et les politiques forestières et occupe une place centrale dans le processus de la planification forestière. C’est un exercice de modélisation qui permet de déterminer les quantités de bois annuelles qu’on peut récolter de manière durable. Il est alimenté de différentes sources d’information à savoir : les inventaires terrain, la stratification des peuplements forestiers, les modèles de croissance et de rendements qui projettent le volume dans le temps et les stratégies sylvicoles. Le choix des modèles de croissance ou de rendement influencerait largement les résultats du calcul. L’objectif de cette étude était de quantifier les écarts entre les volumes prédits par les courbes de rendement utilisées dans le CPF (2010-2015) de la FERLD et les volumes réellement rencontrés sur le terrain. Pour cela, tous les peuplements ayant fait l’objet d’une coupe dans le passé et qui date des années 80-90 ont été sélectionnés. Ensuite, on a suivi la même démarche utilisée dans le CPF (2010-2015) afin d’identifier les séries d’aménagement. Deux approches d’évaluation ont été utilisées. Une approche dite qualitative à l’aide des sorties graphiques et une autre quantitative à travers des approches statistiques afin de quantifier, pour chaque série d’aménagement, l’écart entre le volume prédit par la courbe de rendement assignée à la série et le volume réel rencontré sur le terrain. Nos résultats montrent que les estimations du volume par les courbes de rendement utilisées dans ce calcul sont relativement cohérentes pour 5 séries d’aménagement sur 8, à savoir : Pl Pin gris, Ct tremblaie, Ct forêt mélangée, Pl Épinette blanche et les Pl de mélèze. Ces séries contribuent ensemble à 66% des volumes à maturité. Nous avons également dressé un portrait général des principales sources d’incertitude qui encombrent ce calcul. Plus précisément, les sources d’incertitude sont liées à : l’inventaire terrain, la stratification des peuplements forestiers, le regroupement des strates d’inventaire en strates d’aménagement puis en séries d’aménagement et les modèles de croissance et de rendement qui permettent de projeter le volume dans ces séries à la suite d’un traitement sylvicole. Il convient de souligner que notre étude, en nous appuyant sur la littérature existante, s’est principalement axée sur la discussion de ces sources d’incertitudes sans en procéder à une analyse formelle. Le suivi rigoureux d’une telle démarche est essentiel afin de valider les modèles utilisés et garantir à long terme l’approvisionnement de l’industrie.
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 | 0.001 | 0.003 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.002 | 0.002 |
| 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) | 0.005 | 0.001 |
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.
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".