Détermination des effets des inondations sur la saison de culture dans la région du lac St-Pierre au Québec
Bibliographic record
Abstract
Cette étude analyse l’incidence des inondations printanières sur l’agriculture dans la région du lac St-Pierre, au Québec, en se focalisant sur l’événement de 2019. L’objectif principal est d’exploiter les données de télédétection satellitaire et les modèles d’apprentissage automatique pour évaluer l’impact des inondations sur les principales cultures, notamment le blé, le maïs, l’orge et le soja. En raison de sa topographie plane et de son agriculture intensive, cette région est particulièrement vulnérable aux inondations, phénomène accentué chaque printemps par la fonte rapide des neiges combinée à de fortes précipitations. Dans ce contexte, l’indice de différence normalisée de l’eau modifié (MNDWI) et l’indice de différence normalisée de végétation (NDVI) sont utilisés pour repérer les zones à risque d’inondation et évaluer l’état des cultures avant, pendant et après les crues. L’analyse des variations du NDVI durant ces périodes révèle un ralentissement notable de la croissance, avec des retards de développement pouvant atteindre deux mois. Ce stress physiologique, particulièrement marqué sur le maïs et le blé, confirme l’effet direct des inondations sur la santé des plantations. L’application de modèles d’apprentissage automatique, en particulier l’algorithme Random Forest, a permis d’identifier de façon précise les secteurs affectés. La méthode a atteint une précision moyenne de 87,2 %, avec un indice de Kappa validé à 0,69, attestant de la robustesse des résultats. Globalement, ces travaux mettent en évidence la fragilité des systèmes agricoles régionaux face aux événements météorologiques extrêmes. L’intégration des images satellites et des outils d’intelligence artificielle offre la possibilité de localiser les zones inondées, de suivre l’évolution de la santé des cultures et de prédire l’impact des inondations à partir des données disponibles. En conclusion, l’étude propose, à la lumière de la littérature récente, plusieurs pistes d’adaptation pour mieux faire face aux conséquences des inondations sur les productions agricoles.
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) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.002 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.002 | 0.000 |
| Open science | 0.001 | 0.001 |
| 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 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".