économie circulaire dans la filière céréalière au Québec pour réduire les émissions de gaz à effet de serre selon une perspective cycle de vie : le cas du maïs-grain
Bibliographic record
Abstract
Cette étude présente une approche itérative de priorisation de stratégies d’économie circulaire (ÉC) pertinentes en matière de réduction des émissions de gaz à effet de serre (GES) pour la production de grains dans Lanaudière, au Québec, à l’aide de l’analyse du cycle de vie (ACV). Après une revue de la littérature des stratégies d’ÉC généralement utilisées dans le domaine de l’agriculture, nous avons identifié les principaux contributeurs (points chauds) aux émissions de GES le long du cycle de vie de la production de grains. En partant du principe que les acteurs céréaliers devraient concentrer leurs efforts sur ces principaux contributeurs pour réduire les émissions de GES de manière efficace, nous avons identifié des stratégies d’ÉC axées sur ces contributeurs. Les impacts et les bénéfices environnementaux de la mise en place de ces stratégies ont été quantifiés à l’aide d’une analyse du cycle de vie (ACV) qui a permis de mettre en lumière les conditions nécessaires pour que l’ÉC rime bien avec réduction d’impacts. Des recommandations concrètes ont ainsi pu être établies, puis des stratégies d’ÉC sur mesure pour chaque producteur dans son contexte territorial ont été proposées.
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 | 0.002 | 0.002 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.003 | 0.001 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.005 | 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".