Applications de l’intelligence artificielle géospatiale (GéoIA) pour analyser les effets du paysage sur la santé des ruches
Bibliographic record
Abstract
L’abeille mellifère (Apis mellifera) occupe une place centrale dans nos systèmes agro-alimentaires et écologiques. En plus de produire du miel, l’espèce assure un rôle crucial pour la pollinisation d’un grand nombre de cultures, améliorant les récoltes tant en qualité qu’en quantité. Depuis une vingtaine d’années, les apiculteurs constatent dans leurs colonies des taux de mortalité plus élevés que la normale. Si cette tendance s’observe sur plusieurs continents, c’est en Amérique du Nord que les apiculteurs sont le plus affectés, avec des taux de mortalité hivernale dépassant les 40 %. La perte d’habitats et des habitats inadéquats sont parmi les facteurs les plus souvent mis en cause dans les dernières études. Ce mémoire présente une analyse des différents habitats afin de mesurer les effets du paysage environnant sur la mortalité. Pour ce faire, des images satellites et des nouveaux ensembles massifs de données sur la santé des ruches au Québec ont pu être mobilisés. \nCe mémoire présente un cadre méthodologique prometteur pour une analyse géographique des effets du paysage avec de grands jeux de données. Les méthodes utilisées font appel à l’analyse spatiale par système d’information géographique et à des modèles d’apprentissage automatique. Un domaine d’étude récent a émergé de la combinaison de ces techniques: l’intelligence artificielle géospatiale, ou GéoIA. \nDeux cas d’études furent réalisés dans ce mémoire: un premier sur l’apiculture urbaine et un second sur l’apiculture commerciale. En ville, nos principaux résultats révèlent l’importance de la végétation locale autour de la ruche, ainsi que l’effet négatif d’un paysage urbain fragmenté limitant la connectivité. En apiculture commerciale, on trouve qu'une plus grande diversité de cultures est bénéfique dans un rayon de cinq kilomètres, mais que l'effet se dissipe au fur et à mesure que la distance de mesure se réduit. On observe aussi qu’une abondance de ressources florales en milieu de saison est cruciale pour la survie de la colonie. Dans l’ensemble, la performance prédictive des modèles utilisés dans ce mémoire confirme la solidité du GéoIA comme cadre d’analyse de pointe offrant des outils puissants et généralisables pour mener des études géographiques à grande échelle.
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) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.000 | 0.001 |
| Science and technology studies | 0.003 | 0.000 |
| Scholarly communication | 0.000 | 0.000 |
| Open science | 0.000 | 0.000 |
| Research integrity | 0.000 | 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".