Durabilité de la ressource en eau, entre préservation des écosystèmes et des activités récréatives : exemple du ruisseau des Friches (Québec, Canada)
Bibliographic record
Abstract
La préservation de la qualité de l'eau est devenue une préoccupation croissante dans nos sociétés modernes. L'eau joue un rôle vital dans la survie des organismes et est essentielle à de nombreuses activités humaines telles que la consommation, l'agriculture et la pêche (St-Hilaire et al., 2016). La dégradation de la qualité de l'eau représente donc une menace pour les écosystèmes ainsi que pour les populations humaines, animales et végétales (IPCC, 2023). Ce mémoire se concentre sur l'importance de l'échantillonnage et de l'analyse de la qualité de l'eau des cours d'eau, dans le but de mieux comprendre et anticiper les sources de pollution. La qualité de l'eau est évaluée à l'aide de l'Indice de Qualité Bactériologique et Physico-chimique (IQBP6) ainsi que des critères élaborés par Hébert en 1997. Les activités anthropiques telles que l'agriculture, l'utilisation de sels de voirie et la dégradation des écosystèmes, ainsi que les phénomènes naturels tels que l'érosion des berges et l'eutrophisation des masses d'eau, sont responsables, en partie, de la dégradation de la qualité de l'eau. Face aux changements climatiques, cette dégradation s'accélère et s'intensifie, ce qui souligne l'importance de caractériser les cours d'eau et de limiter les impacts négatifs des activités humaines sur ces écosystèmes fragiles. Pour illustrer ces problématiques, ce mémoire se base sur l'exemple du ruisseau des Friches à Québec (QC, Canada).En résumé, ce mémoire met en évidence l'importance cruciale de surveiller la qualité de l'eau des cours d'eau, de comprendre les sources de pollution et de prendre des mesures pour préserver les écosystèmes.
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) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.003 |
| Science and technology studies | 0.006 | 0.003 |
| Scholarly communication | 0.003 | 0.001 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.006 | 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".