MétaCan
Menu
Retour à la cohorte
Enregistrement W4400573738

Écologie du paysage et écologie sensorielle : prendre en compte les pollutions lumineuses, sonores et olfactives dans les trames écologiques. De la connaissance à l’action

2024· dissertation· en· W4400573738 sur OpenAlexaff
Romain Sordello

Notice bibliographique

RevueHAL (Le Centre pour la Communication Scientifique Directe) · 2024
Typedissertation
Langueen
DomaineEnvironmental Science
ThématiqueWildlife-Road Interactions and Conservation
Établissements canadiensCanadian Heritage
Organismes subventionnairesnon disponible
Mots-clésEcologyLandscape ecologyAction (physics)GeographyLight pollutionNoise pollutionEnvironmental resource managementEnvironmental scienceComputer scienceBiologyArtificial intelligenceNoise reductionPhysics
DOInon disponible

Résumé

récupéré en direct d'OpenAlex

A quelques années d'intervalles deux sous-disciplines ont émergé au sein de l'écologie dans les années 1980-1990 : l'écologie du paysage et l'écologie sensorielle. La première s'intéresse aux relations entre les organismes et la configuration du paysage, et donc aux flux d'individus et de gènes. La seconde interroge la manière dont les organismes interagissent avec leur environnement par le biais des sens et elle porte donc sur les flux d'informations. Jusqu'à présent les liens entre ces deux disciplines ont été peu questionnés par la Science et encore moins d'un point de vue opérationnel. Pourtant, la sélection des habitats et les déplacements des animaux mobilisent directement leurs sens tels que la vue, l'ouïe et l'odorat pour se repérer dans l'espace, éviter des prédateurs ou poursuivre une cible. Partant de là, il parait évident que l'écologie sensorielle et l'écologie du paysage ont quelque chose à voir l'une envers l'autre. La question est d'autant plus saillante dans le contexte actuel où nos activités humaines émettent de la lumière artificielle nocturne, des bruits ou des odeurs susceptibles d'interférer avec les stimuli sensoriels naturels. La littérature montre de plus en plus que les pollutions lumineuses, sonores et olfactives sont à même de dégrader et de fragmenter les habitats. Elles peuvent altérer les déplacements de la faune, distraire les animaux, les faire fuir ou les attirer dans des pièges. Cette connaissance amène à s'interroger sur la manière d'intégrer cette dimension sensorielle dans la préservation et la restauration de la biodiversité. En particulier, les politiques publiques de trames écologiques, portées par de nombreux pays à travers le monde, et notamment en France avec la Trame verte et bleue, se sont jusqu'à présent beaucoup intéressées essentiellement aux sources physiques de discontinuités écologiques. Alors que la prise en compte de la lumière artificielle nocturne a commencé à être considérée depuis quelques années en France, par le biais des trames noires, c'est donc un chantier beaucoup plus vaste qui semble en réalité devant nous : celui de mieux prendre en compte la sensorialité des espèces dans la préservation et la restauration de réseaux écologiques et des politiques de trames associées. Cette thèse se propose de problématiser les liens entre écologie du paysage et écologie sensorielle, d'approfondir les impacts des pollutions sensorielles sur la biodiversité et d'apporter des pistes de réflexions opérationnelles. Elle se présente avant tout comme une invitation à engager un débat interdisciplinaire pour que la perception sensorielle soit davantage considérée, afin que nos actions en faveur de la biodiversité ne se limitent pas à la partie visible et tangible du monde.

Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.

Comment cette classification a été obtenuedéplier

Prédiction machine sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.

score de la tête « metaresearch » (Codex)0,003
score de la tête « metaresearch » (Gemma)0,006
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Théorique ou conceptuel · Signal consensuel: Théorique ou conceptuel
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,041
Score d'incertitude au seuil0,081

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0030,006
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0040,004
Études des sciences et des technologies0,0010,009
Communication savante0,0080,011
Science ouverte0,0010,002
Intégrité de la recherche0,0030,005
Charge utile insuffisante (le modèle a refusé de juger)0,0040,001

Scores machine (provisoires)

Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.

Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.

Tête enseignante Opus0,022
Tête enseignante GPT0,272
Écart entre enseignants0,251 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeThéorique ou conceptuel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations0
Publié2024
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueHAL (Le Centre pour la Communication Scientifique Directe)Même sujetWildlife-Road Interactions and ConservationTravaux en français237 207