Planification stratégique des infrastructures vertes en climat froid: modélisation de la gestion de la neige à partir d'une étude de cas
Notice bibliographique
Résumé
RÉSUMÉ: «RÉSUMÉ: Plusieurs études menées sur la composition de la neige usée dans différents pays ont révélé des taux préoccupants de métaux lourds, de matières en suspension (MES) et d'hydrocarbures aromatiques polycycliques (HAP) surtout dus aux activités humaines liées au transport. De grandes quantités d'ions chlorure (Cl-) et sodium (Na+) provenant des sels utilisés pour sécuriser les routes en hiver ont également été observées. Une revue de la littérature a permis d'identifier les infrastructures vertes (IV) les plus appropriées pour le traitement des eaux de fonte des neiges. Les cellules de biorétention se sont avérées capables de réduire plusieurs polluants jusqu'à 90% en masse. Pour étudier plus en détail les performances des biorétentions dans des conditions de climat froid, le modèle de gestion des eaux pluviales de la US EPA Storm Water Management Model (SWMM) a été utilisé pour modéliser la fonte des neiges d'un bassin versant dans une ville de taille moyenne au Québec, Canada. Des simulations en continue sur toute la période hivernale ont été effectuées en utilisant les données météorologiques de trois hivers. Les polluants communément trouvés dans la neige (Cl-, MES, Pb, Zn et Cr) ont été ajoutés au modèle en utilisant leurs concentrations moyennes par événement (event mean concentration, EMC) trouvées dans la littérature. Ce modèle a servi de support pour caractériser les impacts des biorétentions sur la fonte des neiges selon différents scénarios d'implémentation spatiale. Les performances des biorétentions dépendaient de l'utilisation du sol et des procédures de gestion de la neige. Les meilleures performances ont été observées lorsque les biorétentions étaient implantées sur les routes industrielles. La méthode simplifiée de l'EMC a permis d'étudier l'élimination des polluants en se basant sur la réduction de la charge hydraulique, ce qui tend à surestimer les performances de la biorétention en raison de la non prise en compte du sol gelé. La modélisation a donc servi de premier outil pour aider à identifier les sites d’implémentation capables de contrôler efficacement les ruissellements pendant la fonte des neiges, et peut donc aider à améliorer les systèmes d'aide à la décision pour la planification des IV.» ABSTRACT: «ABSTRACT: Several studies have investigated the composition of used snowmelt in different countries, revealing levels of concern of heavy metals, total suspended solids (TSS) and polycyclic aromatic hydrocarbons (PAH) due to human activities related to transportation. Large quantities of chloride (Cl) and sodium (Na+) ions from salts used to secure the roads in winter were also observed. A literature review identified the most appropriate green infrastructure (GI) practices for the treatment of snowmelt runoff. Bioretention cells were found to be able to reduce several pollutants up to 90% by mass. To further investigate bioretention performances under cold climate conditions, the US EPA Storm Water Management Model (SWMM) was used to model snowmelt for a catchment in a medium-size city in Quebec, Canada. Continuous simulations over the winter period were run using meteorological data from three winters. Pollutants commonly found in snow (Cl-, TSS, Pb, Zn and Cr) were added to the model based on literature event mean concentrations (EMC). This model served as support to characterize bioretention cell impacts on snowmelt according to different spatial implementation scenarios. Bioretention cell performances were affected by both the land use and snow management procedures. Bioretention cells showed best performances when implemented on industrial roadsides. EMC simplified modelling allowed to study the removal of pollutants based on the reduction of the hydraulic loading rate, which tends to overestimate the bioretention performances because of the non-consideration of frozen soil. Modeling serves as a first screening tool to help identifying implementation sites that can efficiently control surface runoff during snowmelt, and can help improve decision support systems for GI planning.»
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 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 | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 découleClassification
machine, non validéePrédiction automatique; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».