Représentation de trajectoires spatiotemporelles dans un système dâinformation géographique : le cas des activités dâobservation de mammifères marins dans le Parc marin du Saguenay â Saint-Laurent
Bibliographic record
Abstract
L'important volume des excursions de bateaux touristiques liées aux activités d'observation en mer des mammifères marins (AOM) dans le Parc marin Saguenay-Saint-Laurent (PMSSL) pourrait avoir un impact négatif sur la santé des baleines qui fréquentent cette région de lâestuaire du fleuve Saint-Laurent. Cette situation a poussé les gestionnaires du Parc à désirer un outil d'information et de gestion pour mieux suivre lâévolution des AOM. \nLe présent mémoire décrit la conception de cet outil en proposant un modèle de l'excursion et des activités d'observation qui sert à lâélaboration dâune base de données. En sâappuyant sur le concept de la trajectoire spatiotemporelle, utilisée pour l'étude du comportement de déplacement basé sur l'activité, et sur le concept de l'objet mobile, développé en géomatique, notre modèle de données permet de reproduire graphiquement les trajectoires des excursions et l'enchaînement des activités qui ont lieu au cours de celles-ci. Le modèle est orienté objet et implanté dans une Geodatabase, une base de données relationnelle exploitable par le système d'information géographique (SIG) ArcGIS. Les objets de la base de données sont créés à partir des données de trois années de suivi des AOM réalisés par le Groupe de recherche et d'éducation sur les mammifères marins (GREMM). Nous montrons que le SIG peut exploiter la base de données de façon à répondre correctement aux besoins en information exprimés par les gestionnaires et que la représentation informatique des excursions sous la forme de trajectoires spatiotemporelles ouvre de nouvelles avenues de recherche sur les patrons dâactivités et le comportement de déplacement des bateaux.
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 | 0.001 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.000 | 0.000 |
| Science and technology studies | 0.000 | 0.000 |
| Scholarly communication | 0.000 | 0.001 |
| Open science | 0.000 | 0.000 |
| Research integrity | 0.000 | 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; 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".