Identifier les arbres du Québec grâce à la spectroscopie foliaire : différenciation fonctionnelle et phylogénétique des espèces
Bibliographic record
Abstract
La spectroscopie représente un puissant outil en conservation grâce à la possibilité d’effectuer le suivi de la diversité végétale à travers de larges étendues géographiques. La réflectance spectrale montre un potentiel certain pour l’identification des espèces d’arbres et même des taxons inférieurs, mais ceci a rarement été testé sur un grand nombre d’espèces. J’examine la qualité de la classification de 45 espèces d’arbres des forêts tempérées du Québec à partir de plus de 3500 spectres de réflectance foliaires (400-2400 nm). Nous évaluons cette classification sur la base de la variation spectrale des espèces, de même qu’à partir des distances fonctionnelles et phylogénétiques mesurées. Nos résultats indiquent un taux de classification très satisfaisant (κ = 0.736, ±0.005). Nous observons des erreurs de classification plus fréquentes entre les espèces évolutivement proches, alors qu’il semble que la distance fonctionnelle établisse un seuil voulant qu'au-delà d’une certaine distinction fonctionnelle globale, il soit peu probable que deux espèces soient confondues. Ces résultats viennent renforcer le lien entre la diversité spectrale et l’organisation taxonomique des espèces, ajoutant à la valeur de substitution de la première pour la diversité phylogénétique. Cela suggère par contre que de fortes convergences fonctionnelles peuvent faire obstacle à l’identification des espèces à partir de la réflectance spectrale. Cette étude est prometteuse pour la classification de spectres foliaires non préalablement identifiés, et améliore notre compréhension du lien entre les données spectrales et la différenciation des espèces, d’une grande importance pour assurer la validité des estimations de la biodiversité à partir de données de télédétection.
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 | 0.001 | 0.001 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.002 | 0.002 |
| Science and technology studies | 0.002 | 0.001 |
| Scholarly communication | 0.001 | 0.000 |
| Open science | 0.000 | 0.000 |
| Research integrity | 0.000 | 0.000 |
| Insufficient payload (model declined to judge) | 0.003 | 0.001 |
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".