Identification des zones pour l'établissement de plantations d'épinette blanche (Picea glauca) améliorée dans la réserve faunique du Saint-Maurice, QC
Bibliographic record
Abstract
L’épinette blanche (Picea glauca (Moench Voss)) est une des essences les plus importantes pour le reboisement au Canada, permettant d’alimenter l’industrie forestière. L’épinette blanche est ainsi l’objet d’importants programmes d’amélioration génétique dans la majorité des provinces canadiennes. Afin d’optimiser l’utilisation des épinettes améliorées, une meilleure identification des stations de reboisement serait souhaitable. Pour ce faire, nous avons utilisé les données des inventaires de plantation réalisés par le gouvernement du Québec ainsi que des variables environnementales (climatiques, topographiques, édaphiques et hydrologiques) afin de déterminer quelles variables prédisaient le mieux l’indice de qualité de station (IQS). Trois modèles ont été testés pour deux zones d’étude, soit le modèle « général », qui utilise les données dérivées de la cartographie disponible à échelle 1 / 20 000 pour l’ensemble du territoire forestier du Québec, le modèle général « simplifié » qui utilise l’information de la carte écoforestière plus la localisation des parcelles dans la zone générale et le modèle « LiDAR », qui utilise l’information des modèles numériques de terrain issus de survols LiDAR pour la zone du Québec possédant cette information. Bien que présentant un faible pouvoir prédictif, le modèle général présente une capacité de prédiction légèrement meilleure que les modèles déjà publiés. Une méthode est proposée afin de générer une carte de productivité pour la Réserve faunique du Saint-Maurice. Cette carte, superposée à la cartographie des contraintes d’implantation de zones d’intensification, a permis de déterminer que seul 0,18 % de la superficie totale de la réserve correspond à des zones de haute productivité (IQS > 12m) sans contrainte pour la plantation, soit les meilleures stations pour l’établissement de plantations d’épinettes blanches améliorées. Cependant, la majorité des superficies de la réserve (59,85 %) offre tout de même des zones avec une bonne productivité (IQS 8 - 12m) et aucune contrainte pour la plantation.
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) | 0.001 | 0.000 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.001 | 0.000 |
| Scholarly communication | 0.000 | 0.001 |
| Open science | 0.001 | 0.000 |
| Research integrity | 0.000 | 0.001 |
| Insufficient payload (model declined to judge) | 0.002 | 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".