Les effets des arbres et de la forêt sur la qualité de l’air et la santé humaine dans et autour des zones urbaines
Bibliographic record
Abstract
On connaît depuis plus d’un siècle les problèmes dans les villes liés à la pollution de l’air et à des températures de l’air plus élevées et également l’impact favorable des arbres et de la forêt sur la qualité de l’air et leurs effets régulateurs sur sa température. La recherche scientifique a enrichi nos connaissances sur les différentes façons dont les arbres agissent sur la qualité de l’air et sa température. Les arbres ont une incidence à la fois positive et négative sur la qualité de l’air et par conséquent sur la santé humaine car ils modifient les microclimats locaux, modifient la consommation d’énergie dans les constructions, éliminent certains polluants atmosphériques et émettent certaines substances chimiques. Si l’effet global des arbres et de la forêt se solde par une amélioration de la qualité de l’air, la gestion des forêts à l’échelon local doit tenir compte des modifications du vent induites par les arbres et des effets que cela peut avoir sur la dispersion des polluants et sur leurs concentrations relevées localement. Les forêts limitent dans certains cas la dispersion de la pollution, ce qui augmente les concentrations en polluants localement (par exemple, le long des routes), mais à l’inverse peuvent protéger certains sites des émissions de polluants et jouer un rôle important dans la réduction des concentrations en polluants localement (par exemple, à l’intérieur des peuplements forestiers). Une meilleure compréhension des mécanismes par lesquels les arbres influencent la qualité de l’air et sa température permet de mieux adapter les plans d’aménagement des paysages et d’utiliser les arbres et la forêt pour améliorer la santé humaine.
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) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.001 | 0.000 |
| Open science | 0.000 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.002 | 0.000 |
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".