Étalement urbain en région montréalaise: impacts et aménagement durable
Bibliographic record
Abstract
Les villes pourront-elles, sur le long terme, poursuivre leur développement sur un territoire allant grandissant tout en assurant leur pérennité? Tel est le principal défi posé par l’étalement urbain. Afin de mieux comprendre ce phénomène touchant à la fois l’Europe et l’Amérique, un regard critique porté sur l’évolution des villes a permis d’identifier les forces motrices favorisant le développement de faibles densités et l’utilisation massive de la voiture. Ce mode d’expansion engendre des impacts négatifs en accentuant les pressions sur l’environnement, en affectant la santé de la population par la pollution atmosphérique et en engendrant des coûts d’infrastructures et de services conséquents. L’étude du cas de Montréal permet de retracer son évolution depuis le siècle dernier et de constater l’étalement de son tissu urbain. Malgré les efforts consentis, la lutte à l’étalement ne s’est pas avérée efficace, d’où la nécessité de s’inspirer des principes d’aménagement durable du territoire et des expériences fructueuses de l’étranger pour élaborer un plan d’action adapté. Définir le concept d’étalement urbain et la façon de le mesurer, rendre le cadre de coopération de la Communauté métropolitaine de Montréal opérationnel et limiter le plus possible l’expansion du tissu urbain via un nouveau Projet de schéma sont les principales recommandations afin de limiter l’expansion urbaine en région montréalaise.
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) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.002 |
| Science and technology studies | 0.004 | 0.002 |
| Scholarly communication | 0.004 | 0.001 |
| Open science | 0.001 | 0.002 |
| Research integrity | 0.000 | 0.001 |
| Insufficient payload (model declined to judge) | 0.012 | 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".