Évaluation préliminaire des impacts environnementaux de l’orpaillage dans le Domaine de chasse de Bili-Uéré en République démocratique du Congo
Bibliographic record
Abstract
Les impacts environnementaux dus aux activités humaines demeurent aujourd’hui l’une des préoccupations fondamentales des politiques gouvernementales sur la protection de la biodiversité dans les aires protégées. L’une de ces activités générant lesdits impacts reste l’orpaillage. En analysant le cas du Domaine de chasse de Bili-Uéré (DCBU), l’objectif poursuivi dans cet article était d’une part, de décrire les impacts environnementaux de l’orpaillage et d’autre part, d’en cerner les facteurs responsables. Pour y parvenir, la méthodologie combinant les observations directes armées d’une liste des impacts à analyser et les entretiens réalisés avec des acteurs impliqués dans l’orpaillage a été mobilisée. À l’issue des analyses des données, il a été souligné que l’orpaillage génère trois principaux types d’impacts environnementaux dans le DCBU : (i) les déblais des roches et des couches minéralisées qui sont ramenés à la surface par le creusage des puits de plus de 14 mètres de profondeur en moyenne polluent des terres destinées à l’agriculture et causent des accidents du relief par des effondrements et des éboulements, (ii) les déchets miniers issus de la roche arrachée aux couches profondes du sous-sol, la déviation des lits des cours d’eau et l’utilisation du mercure entraînent la pollution des eaux par le DMA et mettent en danger, la santé des êtres vivants, (iii) l’extraction d’or perturbe les écosystèmes forestiers en occasionnant la déforestation, la dégradation forestière et la raréfaction voire la migration de la faune sauvage dans la zone d’étude. Ainsi, le caractère rudimentaire et moins précis des techniques utilisées par les orpailleurs reste responsable des impacts environnementaux générés par cette activité. Pour réduire ces impacts, la circonscription dans des sites miniers déjà occupés, des zones à fort potentiel en or à l’issue des campagnes de prospection géochimique de sol s’impose. L’introduction de cette innovation permettrait aux exploitants, d’une part, de se concentrer sur des zones réduites, et d’autre part, de ne pas détruire inutilement les écosystèmes dans leurs sites respectifs.
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 | 0.003 | 0.005 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.003 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.002 | 0.001 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.000 | 0.000 |
| Insufficient payload (model declined to judge) | 0.004 | 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".