Suivre les changements : utilisation de l’intelligence artificielle pour identifier la biodiversité dans les tourbières du Québec
Bibliographic record
Abstract
Les programmes de surveillance de la biodiversité sont essentiels pour détecter les changements dans la répartition des espèces et établir une corrélation entre ces changements et les facteurs biotiques et abiotiques. Ces informations sont cruciales pour identifier les problèmes précoces avant qu'ils ne deviennent trop difficiles à résoudre et pour mettre en oeuvre des stratégies de gestion efficaces. Traditionnellement, la surveillance de la biodiversité pour les petites espèces végétales repose sur la méthode des quadrats, qui exige que les botanistes identifient les espèces sur le terrain. Bien que cette méthode présente des avantages, elle est limitée par la disponibilité des botanistes, ce qui restreint l'ampleur des programmes de surveillance. Dans cette étude, nous avons exploré le potentiel de l'utilisation de photos à haute résolution et de l'intelligence artificielle pour estimer la couverture des petites espèces végétales dans les tourbières, réduisant ainsi la nécessité d'une identification des espèces sur le terrain par les botanistes. Notre approche consiste à diviser les images de quadrats en tuiles plus petites, à appliquer un modèle de classification multi-étiquette à chaque tuile et à calculer la couverture des espèces sur la base des tuiles identifiées. Les données ont été recueillies sur 32 sites au Québec et les images ont été annotées pour cinq espèces communes : Chamaedaphne calyculata, Kalmia angustifolia, Andromeda polifolia, Rhododendron groenlandicum et Larix laricina. Notre modèle a obtenu un score F1 global de 71,68 et l’espèce avec le meilleur score (Larix laricina) a atteint 87,17 %. Bien que certaines espèces aient obtenu des scores moins élevés, l'estimation de la couverture des espèces par notre modèle dans un quadrat entier était comparable aux méthodes traditionnelles. Nos résultats suggèrent que cette méthode offre des avantages significatifs pour suivre les changements de végétation.
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 | 0.001 | 0.000 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.000 | 0.000 |
| Science and technology studies | 0.001 | 0.000 |
| Scholarly communication | 0.001 | 0.000 |
| Open science | 0.001 | 0.000 |
| Research integrity | 0.001 | 0.000 |
| Insufficient payload (model declined to judge) | 0.041 | 0.004 |
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; both teacher heads agree on what is shown here.
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".