Risques littoraux et préparation à la gestion de crise : quelles synergies entre l’état et les collectivités territoriales ? Exemple de la gestion des pollutions maritimes
Bibliographic record
Abstract
Le risque de pollution maritime au large des côtes françaises est élevé, comme en témoignent les nombreuses marées noires qui s’y sont succédé depuis les années 1960. Ces risques évoluent et se complexifient en fonction de l’accroissement et de la diversification des marchandises transportées par voie maritime. En France, la préparation à ce type de risque s’est longtemps cantonnée aux seuls services de l’État dans le cadre des plans POLMAR Mer et Terre. La loi de modernisation de la sécurité civile du 13 août 2004 restructure l’organisation de la réponse de sécurité civile au travers du nouveau dispositif ORSEC et prévoit la préparation des communes par la création des Plans Communaux de Sauvegarde. En parallèle, la décentralisation accroît progressivement le rôle des conseils généraux et régionaux, tandis que l’Union européenne s’implique de plus en plus dans la sécurité maritime. La recherche de cohérence et de complémentarité entre tous ces acteurs s’avère donc de plus en plus cruciale. Les démarches Infra POLMAR menées par Vigipol sur la côte Nord de la Bretagne depuis 2005 tentent d’apporter une réponse opérationnelle au niveau local à l’ensemble de ces enjeux.
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 | 0.003 | 0.004 |
| Scholarly communication | 0.003 | 0.002 |
| Open science | 0.001 | 0.003 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.015 | 0.001 |
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".