Développement d’outils de détection des fleurs d’eau d’algues sur les lacs du Québec méridional.
Bibliographic record
Abstract
L’occurrence des fleurs d’eau d’algues (FEA) est devenue une préoccupation croissante pour \nla société, surtout lorsqu'elles sont dominées par les cyanobactéries toxiques. Notre groupe \ndéveloppe une méthode pour étudier la dynamique spatio-temporelle des FEA et identifier les \nfacteurs environnementaux et météorologiques qui les régissent. La télédétection est déjà utilisée \npour générer une cartographie des FEA sur les lacs du Québec méridional à l'aide du satellite MODIS, \nqui fournit des images quotidiennes et gratuites permettant de représenter la distribution et \nl'intensité des FEA sur un plan d'eau avec une résolution de 250 m2. La nouvelle technologie des \ndrones hyperspectraux sera utilisée pour définir spatialement les FEA et distinguer les différents \ngroupes d'algues incluant les cyanobactéries. Une banque de signatures spectrales sera générée à \nl'aide de cultures d'algues. Nous ferons ensuite le quadrillage de quelques lacs touchés par \ndifférentes intensités et compositions de FEA à l'aide du senseur installé sur le drone. Pour valider \nces résultats, en plus de l'échantillonnage d'eau conventionnel (chlorophylle-a, taxonomie), des \nsondes de fluorescence EXO de YSI sont utilisées pour estimer la biomasse du phytoplancton et des \ncyanobactéries. Ces sondes multiparamétriques mesurent également la turbidité et la matière \norganique dissoute pouvant interférer sur les estimations de la biomasse. Les données recueillies \npar une sonde mobile servent à calibrer un algorithme d’estimation utilisant les données du drone \navec une haute résolution spatiale et spectrale. Une sonde stationnaire fixée à une bouée permet de \nrecueillir des données à haute fréquence temporelle et suivre les variations saisonnières au lac StCharles, \nréservoir d'eau potable pour la Ville de Québec et subissant une eutrophisation. Une fois \ncalibré, cet algorithme permettra la validation des images satellitaires et ainsi combler l’écart qui \nexiste actuellement entre les données satellitaires de résolution spatiale moyenne (par ex. MODIS) et \nles données in situ, conduisant à une estimation biaisée, en particulier dans la phase d'initiation des \nFEA où les densités sont encore faibles. À terme, les outils optiques développés permettront \nd’identifier la dynamique spatio-temporelle d’une FEA à haute résolution spatiale et spectrale de \nmanière plus précise et rapide, et comprendre les facteurs environnementaux modulant leurs \napparitions.
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 | 0.002 | 0.003 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.003 | 0.001 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.002 | 0.001 |
| Open science | 0.002 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.006 | 0.002 |
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".