Les trames vertes urbaines et l’adaptation au changement climatique : perspectives pour l’aménagement du territoire
Bibliographic record
Abstract
Face à l’inéluctabilité des impacts liés au changement climatique (CC), il apparaît nécessaire d’adapter les milieux urbains avec l’objectif principal de réduire la vulnérabilité de leur territoire et de leur population. La végétalisation urbaine est une des actions les plus régulièrement mises en l’avant en matière d’« adaptation » aux effets du changement climatique, notamment pour lutter contre l’aggravation du phénomène d’îlots de chaleur urbain. À ce même titre, les Trames Vertes Urbaines (TVU) apparaissent comme des mesures possibles d’adaptation des villes au changement climatique, en contribuant également à la mise en place progressive d’un développement durable urbain. Néanmoins, la fabrique d’une ville viable doit répondre simultanément à de nombreux défis (en termes sociaux, énergétiques, écologiques, de résilience…), impliquant des approches transversales et intégrées, encore largement à inventer. En croisant les enjeux liés à la mise en œuvre de TVU et les impératifs d’une anticipation des effets du CC, cette contribution souhaite mettre en lumière des convergences identifiables entre ces objets d’action collective émergents, mais également les arbitrages délicats en termes de choix présents et futurs qu’implique toute action sur la ville.
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 | 0.001 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.002 |
| Science and technology studies | 0.004 | 0.007 |
| Scholarly communication | 0.007 | 0.004 |
| Open science | 0.001 | 0.003 |
| Research integrity | 0.003 | 0.003 |
| Insufficient payload (model declined to judge) | 0.011 | 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".