Planification des sites de plantation d’arbres en milieu urbain : comparaison des sites issus de la planification municipale et des sites priorisés par un outil d’aide à la planification
Bibliographic record
Abstract
Face aux défis complexes posés par les changements climatiques, de nombreuses villes québécoises se sont engagées à atteindre des objectifs ambitieux en matière de plantation d’arbres et de canopée en vue de procurer les bénéfices qu’ils génèrent à leur population. Or, la planification de la plantation d’arbres urbains est un processus multidimensionnel, impliquant divers objectifs outre la survie des nouveaux arbres tels que la réduction des îlots de chaleur, l’amélioration de la santé de la population, la minimisation des coûts d’implantation. Pour ces raisons, les villes doivent adopter des approches stratégiques à la plantation d’arbres, soit une approche qui permet de prendre en compte un large éventail d’objectifs de planification simultanément et qui représente les priorités des parties prenantes locales. Les outils d’aide à la planification (OAP), combinant les systèmes d’informations géographiques (SIG) et l’analyse multicritère, proposent une solution efficace pour synthétiser l’information nécessaire à la planification stratégique des arbres en milieu urbain. Bien que plusieurs outils de ce type aient été créés, peu ont comparé l’approche ayant recours à ces outils aux approches municipales afin de déterminer quelles étaient les différences et comment elles se présentaient. Ainsi, un OAP australien ayant été adapté au contexte du Québec a été utilisé pour y ajouter un modèle de priorisation spatiale des emplacements pour la plantation d’arbres en milieu urbain. Les résultats de cet OAP se présentent sous la forme de cartes présentant les sites les plus stratégiques selon deux perspectives : les opportunités d’implantation et les besoins du territoire d’accueil. Ce modèle incorpore une vaste gamme d’objectifs de planification élaborés lors d’ateliers de cocréation avec des parties prenantes locales. Ces objectifs sont ensuite pondérés selon les préférences des parties prenantes afin de représenter les préoccupations locales. Plusieurs experts des milieux académiques, institutionnels et municipaux ont également été consultés afin de déterminer comment mesurer l’atteinte de ces objectifs. Les meilleurs sites de plantation priorisés par le modèle sont ensuite spatialement comparés aux sites de plantation identifiés par trois arrondissements de la ville de Montréal (Québec, Canada)4 à leur plan maître de plantation afin de déterminer leur superposition spatiale. Ceci informe de façon générale sur la répartition spatiale de sites résultant de la planification stratégique. Les plans maîtres de plantation de ces arrondissements ont également été analysés afin d’en faire ressortir les critères utilisés pour justifier le choix des sites de plantation afin de fournir des éléments de contexte pour l’interprétation des comparaisons spatiales et expliquer les divergences entre les sites sélectionnés. Une analyse individuelle des objectifs permet également d’évaluer la concordance entre la façon dont les objectifs sont pris en compte par le modèle et contribuent à la priorisation spatiale. Cela permet de mieux comprendre les divergences éventuelles avec la priorisation réalisée par le modèle, telles que les différences dans l’application des critères de priorisation. D’une part, les faibles pourcentages de chevauchement entre les emplacements priorisés par l’outil pour leur caractère stratégique et les sites priorisés par les arrondissements suggère que l’outil priorise des sites qui sont spatialement distincts de ceux priorisés par les arrondissements. Ceci est une opportunité pour les municipalités de mettre en œuvre de nouvelles réglementations pour inciter la plantation sur ces sites, augmentant ainsi l’indice de canopée et la diversité du patrimoine arboricole sur leur territoire. L’analyse des objectifs individuels révèle que le modèle ne reproduit pas fidèlement les critères utilisés par les arrondissements en ce qui a trait aux conflits avec les infrastructures. Cela pourrait avoir comme effet de négliger certains emplacements qui seraient autrement stratégiques pour la plantation d’arbres urbains et permet d’informer sur les améliorations futures de l’outil. Les projets de recherche future dans le domaine devraient évaluer les services rendus par les arbres s’ils étaient plantés sur les sites les plus stratégiques afin de les comparer aux services rendus par les arbres plantés sur les sites planifiés par les municipalités. Cette approche permettait d’estimer si la planification stratégique des arbres urbains entraine un meilleur approvisionnement en services écologiques.
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 | 0.002 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.002 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.002 | 0.001 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.001 | 0.000 |
| Insufficient payload (model declined to judge) | 0.003 | 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".