Captation des particules fines par les arbres : cas des grands parcs montréalais
Bibliographic record
Abstract
La matière particulaire est un agent nocif pour la santé humaine et la réduction de sa concentration atmosphérique est nécessaire dans une approche de santé publique. L’atteinte de cet objectif passe par, entre autres, la captation des particules par la végétation. La question que nous nous sommes posés est: quel est le potentiel de captation des arbres publics dans la ville de Montréal. Comme site à l’étude, nous avons choisi les grands parcs, car leur végétation arborescente couvre un pourcentage important de leur surface. Le modèle de captation de la matière particulaire du logiciel i-Tree a été utilisé pour définir la capacité de purification de l’air selon les caractéristiques spécifiques de chaque parc. Ces caractéristiques comprennent l’indice de surface foliaire des arbres (LAI) et l’étendue des canopées, les conditions météorologiques ainsi que les concentrations des particules dans l’air. Plusieurs méthodes et techniques de calcul de ces paramètres ont été testés et les plus appropriées retenues pour le calcul des intrants. Les calculs ont été faits sur une base journalière pour l’ensemble de l’année 2017. Les résultats montrent que le total des particules captées pendant l’année 2017 s’élève à un peu plus que 3.5 tonnes pour les quatorze parcs évalués. Selon nos calculs, la majeure partie de ces particules a été lessivée au sol par les pluies et un faible pourcentage a été remis en circulation. Un test de validation des résultats in situ n’a pas été concluant. Il n’en demeure pas moins que les résultats sont similaires aux résultats des recherches effectuées dans d’autres villes Nord-Américaines avec le modèle d’i-Tree. Ces résultats montrent que le rôle des arbres pour la purification de l’air est important tout au moins localement. Les possibilités d’améliorer les méthodes de calcul des intrants du modèle de captation sont également discutées.
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 | 0.000 | 0.001 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.002 | 0.001 |
| Scholarly communication | 0.002 | 0.001 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.006 | 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".