Modélisation et spatialisation des signatures polliniques pour une approche rétrospective des paysages : l'exemple du paysage montagnard pyrénéen de Bassiès (Vicdessos - France)
Bibliographic record
Abstract
Les paysages, systèmes dynamiques à l’interface entre sociétés et environnement, influencent le fonctionnement des écosystèmes et leur biodiversité sur le long-terme. Comprendre les dynamiques spatiotemporelles de leurs caractéristiques (composition et configuration) et comment ces caractéristiques répondent aux changements socio-économiques ou climatiques avec une perspective à long-terme est un enjeu primordial pour la préservation de l’environnement. Les paysages montagnards européens bénéficieraient particulièrement de reconstructions paysagères détaillées sur le long-terme car, exploités depuis plusieurs milliers d’années par les sociétés humaines à qui ils fournissent de nombreux services, ils résultent de l’influence historique de leurs activités et connaissent de profondes transformations induites par les bouleversements socio-économiques des XIXème et XXème siècles, dont les impacts environnementaux sont encore mal compris. Mais aucune méthode ne permet actuellement d’étudier les dynamiques paysagères passées en préservant la résolution spatiale et le détail de leur composition offerts par les cartes d’occupation du sol récentes. Les données données polliniques fossiles permettent d’accéder à des reconstructions quantitatives et à long-terme de la composition du couvert végétal grâce à l’Algorithme de Reconstruction des Paysages (Landscape Reconstruction Algorithme, LRA) qui les corrigent des différences inter-taxonomiques de production, dispersion et déposition, et identifie l’étendue spatiale des zones sources du pollen (Relevant Source Area of Pollen, RSAP). Mais les estimations de la composition passée de la végétation locale issues du LRA (LOcal Vegetation Estimates, LOVE) n’ont jamais été intégrées dans une méthode de reconstruction paysagère à haute résolution spatiale. Cette thèse répond au besoin méthodologique d’accéder à des reconstructions fines et à long-terme des paysages avec le développement d’une approche de reconstruction rétrospective des paysages baptisée BACKLAND (BACKward LAND-cover reconstruction), et participe à une meilleure compréhension des dynamiques paysagères montagnardes en appliquant cette approche sur le paysage pyrénéen de Bassiès, cirque glaciaire perché au-delà de 1500m et zone pastorale historique du Haut-Vicdessos (Ariège). L’approche BACKLAND utilise les estimations LOVE de sites sédimentaires aux RSAPs chevauchantes et deux cartes d’occupation du sol récentes renseignées par des données botaniques, traitées et combinées entre elles par des outils probabilistes et statistiques simples, robustes et répandus, pour estimer de façon rétrospective des séries de cartes d’occupation du sol. L'atlas de la mosaïque paysagère de Bassiès aux XIXème et XXème siècles résultant de l’application de BACKLAND contribue à améliorer notre compréhension des relations entre les activités pastorales traditionnelles et les dynamiques paysagères. Ce travail ouvre de nombreuses perspectives de recherches en sciences de l’environnement qui permettront d’accéder à des informations essentielles sur les relations entre activités humaines, paysages et écosystèmes et qui pourront alimenter les réflexions des gestionnaires de l’environnement et des décideurs dans la perspective d’une gestion durable des socio-écosystèmes.
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 | 0.002 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.001 | 0.000 |
| Scholarly communication | 0.003 | 0.001 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| 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".