Notice bibliographique
Résumé
Abstract Urban land-use planning has traditionally assumed that core functions—industry, housing, office, and retail—require expansive, permanent physical footprints. This physicality paradigm, inherited from the beginning of organized urbanism, is now challenged by rapid digitization and intensifying environmental and climate pressures. Increasingly, tasks once anchored to factories, offices, and storefronts migrate to automated, remote, or virtual platforms, undermining the notion that physical expansion must track economic or social progress. Confronted with global urbanization and looming climate emergencies, digitization compels a reevaluation of how cities allocate land, consume resources, and protect vulnerable communities. This paper introduces a dynamic “meltdown” framework for understanding how digitization systematically erodes structural reliance, thereby freeing or repurposing land for adaptive reuse. Drawing on spatio‐temporal big data from sensor networks, remote sensing, geographic information systems, and occupant analytics, we examine how key urban tasks—production, commerce, administration, and residency—can be quantified for “meltability” based on physical anchorage, digital capacity, and environmental constraints. Our model demonstrates that meltdown not only diminishes structural demand but also opens opportunities for greener infrastructure, such as flood buffers or urban forests, thus enhancing climate resilience. By integrating real‐time data and occupant‐centered metrics, planners and policymakers can anticipate where and when digital alternatives render conventional land uses obsolete, proactively converting those areas to more sustainable or socially beneficial functions. In doing so, this research transcends conventional “smart city” optimization, revealing how occupant activities disrupt once‐immutable footprints and forging a data‐driven path to reduce carbon emissions, strengthen ecosystem services, and help equitable, knowledge‐driven urban development under mounting climate challenges.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,003 |
| Communication savante | 0,004 | 0,004 |
| Science ouverte | 0,001 | 0,004 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,010 | 0,001 |
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.
score_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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».