Lutter contre les îlots de chaleur urbains dans un contexte de changements climatiques
Bibliographic record
Abstract
"La hausse constante de la température observée et projetée accentue un problème déjà connu : l’effet d’îlot de chaleur urbain (ICU). Ce phénomène se caractérise par des températures estivales plus élevées en milieux urbains que dans les zones rurales environnantes. Cette différence de température, principalement attribuable au cadre bâti urbain, varie généralement entre 1 °C et 3 °C, et peut s’élever jusqu’à 12 °C à certains endroits (Oke et al., 2017), s’avérant ainsi particulièrement menaçante pour les populations urbaines. D’après les projections du Groupe d’experts intergouvernemental sur l’évolution du climat (GIEC), il est très probable que de nombreuses villes du monde subiront une hausse de la fréquence et de la durée des vagues de chaleur (Pachauri et al., 2015), accentuant ainsi l’effet d’ICU. Selon le scénario d’émissions élevées (RCP 8.5, GIEC 2014), il est prévu que le nombre annuel de jours où la température maximale est supérieure à 30 °C triple à l’horizon 2041-2070 dans la plupart des villes du Québec, comparativement à la période de référence de 1981 à 2010 (Ouranos, 2020). La saison estivale de 2018 a été la plus chaude répertoriée en 146 ans d’observations météorologiques au sud du Québec, générant 86 décès supplémentaires (Lebel, G., Dubé, M., & Bustinza, R., 2019). Des chercheurs ont estimé la valeur de l’augmentation des décès liés aux périodes de chaleur au Canada entre 2031 et 2080 comparativement à la période de 1971 à 2020. Ce chiffre varie entre 45 % et 455 % en fonction des différents scénarios considérant le taux d’émission de gaz à effet de serre (GES), la croissance démographique et la mise en oeuvre de mesures d’adaptation (Santé Canada, 2020). Il importe ainsi de travailler à améliorer la résilience à la chaleur des villes au bénéfice de la santé de la population. [...]"
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 | 0.002 | 0.004 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.000 | 0.001 |
| Science and technology studies | 0.002 | 0.002 |
| Scholarly communication | 0.004 | 0.002 |
| Open science | 0.001 | 0.002 |
| Research integrity | 0.002 | 0.002 |
| Insufficient payload (model declined to judge) | 0.009 | 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".