Modeling of urban tree growth with artificial intelligence and multivariate statistics
Bibliographic record
Abstract
Les conditions urbaines créent un milieu rude qui limite la croissance des arbres sur rue. Cette situation est préoccupante pour les administrations municipales qui investissent des sommes considérables dans leur programme arboricole. Afin de protéger adéquatement ce riche héritage, trois importantes actions doivent être entreprises. Premièrement, il y a lieu d'identifier des paramètres d'inventaire qui caractérisent au mieux le développement des arbres sur rue. Deuxièmement, afin d'appréhender la complexité des relations entre la croissance des arbres et les conditions environnementales, il est impérieux de définir une méthode analytique permettant le classement des arbres dans des groupes à croissance similaire. Enfin, de nouvelles pratiques d'inventaire efficaces doivent être établies. Afin d'atteindre ces objectifs, de nombreux paramètres ont été mesurés sur 1532 arbres et sites afférents (Montréal, Québec, Canada). Sept espèces arborescentes reflétant 75% de la composition du patrimoine montréalais planté sur rue ont été échantillonnées. Pour l'identification des paramètres d'inventaire, deux approches ont été retenues. La première consistait à utiliser les statistiques multidimensionnelles (analyses en coordonnées principales et des correspondances) pour estimer l'importance de variables biotiques. La deuxième approche, l'utilisation de l'analyse de contingence, visait à distinguer les paramètres abiotiques les plus significatifs. Les résultats de l'analyse multidimensionnelle ont révélé que les paramètres qualitatifs sont peu significatifs. À l'opposé, l'utilisation synchronique de 11 paramètres quantitatifs a permis de décrire adéquatement les différents stades physiologiques de l'arbre sur rue. L'analyse de contingence a démontré que certains facteurs environnementaux affectent la performance de certaines espèces ou de l'ensemble des espèces étudiées. Ainsi, neuf facteurs spécifiques sont à$
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 | 0.003 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.002 |
| Bibliometrics | 0.001 | 0.002 |
| Science and technology studies | 0.000 | 0.001 |
| Scholarly communication | 0.002 | 0.001 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.001 | 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 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".