Bilan et modélisation de la séquestration du carbone de forêts nourricières du Québec
Bibliographic record
Abstract
Les changements climatiques sont un enjeu mondial prioritaire. L’augmentation de la concentration atmosphérique des gaz à effet de serre, notamment le CO2, en est responsable. Des causes naturelles ainsi qu’anthropiques peuvent expliquer l’augmentation de la concentration atmosphérique des gaz à effet de serre. Parmi les causes anthropiques se trouve le changement d’affectation des terres. Le changement d’affectation des terres pourrait constituer en la conversion d’une forêt en un espace urbain où des bâtiments y sont construits. Cependant, malgré la construction de bâtiments, l’expansion urbaine laisse fréquemment des terrains vagues, souvent gazonnés, présentant un potentiel pour la séquestration du carbone. Parmi les types d’aménagements pouvant être installés sur ces terrains vagues, les forêts nourricières sont celles qui font l’objet de ce mémoire. Sommairement, les forêts nourricières sont des projets d’agroforesterie urbaine aménagés en îlots comprenant des arbres, des arbustes, des herbacées, des légumes, des couvre-sols et des plantes grimpantes comestibles. Le grand nombre de forêts nourricières au Saguenay-Lac-Saint-Jean représente une opportunité d’établir leur bilan carbone. Ainsi, il a été possible d’établir le bilan du carbone séquestré par la biomasse des arbres, des arbustes et du sol. Il a été aussi possible d’établir le bilan carbone total en plus de modéliser les bilans du carbone séquestré des forêts nourricières sur 100 ans. Pour ce faire, les arbres, les arbustes et le sol de 12 forêts nourricières ont été échantillonnés et des modélisations en utilisant le logiciel MBC-SFC3 ont été réalisées pour chacune d’entre elles. Pour le carbone de la biomasse végétale et le carbone total il a été observé que les plus vieilles forêts nourricières séquestrent davantage de carbone que les terrains vagues gazonnés. Pour le carbone du sol, il a été observé que la plupart des forêts nourricières, surtout en surface, séquestrent davantage de carbone dans le sol que les terrains vagues gazonnés. Cependant, l’ajout de sol riche en carbone lors de la plantation des FN ne permet pas d’obtenir l’apport réel des FN en carbone dans le sol. Les modélisations sur 100 ans montrent que les forêts nourricières ont le potentiel de séquestrer du carbone sur le long terme.
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) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.002 | 0.001 |
| Open science | 0.001 | 0.000 |
| Research integrity | 0.002 | 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".