Développement d’un modèle prédictif de la productivité spatio-temporelle des plants de bleuets sauvages
Bibliographic record
Abstract
En été, la cueillette des bleuets sauvages est une activité de loisir ou une activité génératrice de revenus, qui est très répandue au Saguenay-Lac-Saint-Jean ainsi que dans d’autres régions du Canada. Aucun modèle prédictif validé de présence ou de production en fonction des caractéristiques des peuplements forestiers et des facteurs climatiques n’est disponible actuellement. La présente étude se base sur les données d’une campagne d’échantillonnage en 2016 qui a documenté 13 variables environnementales de 157 sites, pour analyser les liens avec la présence des plants de bleuets sauvages. À l’issue de ces analyses, les variables telles que le type de perturbation, l’âge depuis la dernière perturbation, la densité du couvert forestier, la hauteur du couvert, et le type écologique se sont avérées pertinentes pour prédire le pourcentage de recouvrement en plants de bleuets sauvages. De plus, les données météorologiques de sept stations couvrant la période de 2009 à 2016 ont permis de développer un modèle prédictif de la productivité relative annuelle qui peut servir de modèle d’aide à la décision pour la planification de la cueillette. Les résultats montrent que l’intégration des variables environnementales issues des tests statistiques permet d’augmenter de façon significative la capacité de prédiction du potentiel de présence des plants de bleuets sauvages. Sur les 126 sites retenus pour les analyses, le nouveau modèle qui utilise les variables issues des tests statistiques a prédit avec exactitude le potentiel de présence de 70 sites, contrairement à l’ancien modèle basé sur les connaissances théoriques des experts, qui prédit avec exactitude le potentiel de présence de 46 sites, soit une augmentation de 19 %. De plus, les modalités qui favorisent la présence des plants de bleuets sauvages comme : (1) une faible densité du couvert forestier, (2) une faible hauteur du peuplement, et (3) une perturbation récente due à un feu ou à une coupe forestière, démontrent que le bleuet sauvage n’est pas une plante compétitrice. De plus, le lien établi entre le rendement moyen annuel et les variables climatiques démontrent que la variabilité interannuelle du rendement est étroitement liée à la quantité de neige accumulée pendant la période hivernale, à la température minimale moyenne entre mai et juin et au nombre de jours du mois de juin ou les températures minimales sont négatives.
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 | 0.003 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.001 | 0.000 |
| Scholarly communication | 0.002 | 0.001 |
| Open science | 0.002 | 0.001 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.004 | 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".