Captation des particules fines par les arbres : cas des grands parcs montréalais
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
La matière particulaire est un agent nocif pour la santé humaine et la réduction de sa concentration atmosphérique est nécessaire dans une approche de santé publique. L’atteinte de cet objectif passe par, entre autres, la captation des particules par la végétation. La question que nous nous sommes posés est: quel est le potentiel de captation des arbres publics dans la ville de Montréal. Comme site à l’étude, nous avons choisi les grands parcs, car leur végétation arborescente couvre un pourcentage important de leur surface. Le modèle de captation de la matière particulaire du logiciel i-Tree a été utilisé pour définir la capacité de purification de l’air selon les caractéristiques spécifiques de chaque parc. Ces caractéristiques comprennent l’indice de surface foliaire des arbres (LAI) et l’étendue des canopées, les conditions météorologiques ainsi que les concentrations des particules dans l’air. Plusieurs méthodes et techniques de calcul de ces paramètres ont été testés et les plus appropriées retenues pour le calcul des intrants. Les calculs ont été faits sur une base journalière pour l’ensemble de l’année 2017. Les résultats montrent que le total des particules captées pendant l’année 2017 s’élève à un peu plus que 3.5 tonnes pour les quatorze parcs évalués. Selon nos calculs, la majeure partie de ces particules a été lessivée au sol par les pluies et un faible pourcentage a été remis en circulation. Un test de validation des résultats in situ n’a pas été concluant. Il n’en demeure pas moins que les résultats sont similaires aux résultats des recherches effectuées dans d’autres villes Nord-Américaines avec le modèle d’i-Tree. Ces résultats montrent que le rôle des arbres pour la purification de l’air est important tout au moins localement. Les possibilités d’améliorer les méthodes de calcul des intrants du modèle de captation sont également discutées.
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.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,008 | 0,000 |
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 découle