Planifier en intégrant le climat : enjeux du réaménagement de Lachine-Est
Bibliographic record
Abstract
En 2019, 2020 et 2021, les chercheur.e.s, professeur.e.s, étudiant.e.s et stagiaires du Labo Climat Montréal se sont impliqué.e.s dans la planification et la gouvernance du secteur Lachine-Est. Le \nsecteur Lachine-Est est un laboratoire à plusieurs égards. Depuis plusieurs années, il est le site \nde mobilisations et d’engagement citoyen, en plus des efforts de planification urbaine et de \nconcertation communautaire visant à imaginer un futur pour cette friche industrielle, un futur \nporteur d’un point de vue écologique, social et de mémoire patrimoniale. \nLe Labo Climat Montréal ajoutait une composante à ce laboratoire, celle de l’adaptation aux \nchangements climatiques. L’intérêt et l’engagement d’une diversité d’acteurs dans le \nréaménagement de Lachine-Est a en effet motivé la Ville de Montréal et Ouranos à le proposer \ncomme site aux chercheur.e.s pour comprendre les processus de planification et de gouvernance \ndes réaménagements urbains à Montréal – afin de faire émerger des apprentissages et des \ninnovations pour l’adaptation. \nLes aléas climatiques et leurs impacts sur les territoires sont déjà là et seront en accélération \ndans les prochaines années; les autorités locales et les instances de planification urbaine sont \nau cœur des défis auxquels nous faisons face. Pour travailler la question de l'adaptation aux \nchangements climatiques, Lachine-Est est effectivement un laboratoire fascinant. Les contraintes \nimposées par le territoire sont devenues des occasions de réfléchir à de nouvelles solutions. Les \nlacunes en infrastructures d’eau par exemple ont permis une réflexion et des ambitions en matière \nd’infrastructures bleues et vertes pour un quartier résilient à l’augmentation des précipitations. \nCes projets ont été présentés et discutés dans l’Atelier Lachine-Est, suscitant un enthousiasme \ndes acteurs du milieu pour les différents cobénéfices de ces infrastructures, ainsi que leur \ncontribution à la qualité de vie. D’autres contraintes du territoire, notamment celles liées aux \ninfrastructures routières en rénovation et à l’incertitude quant aux infrastructures de transport \ncollectif, sont encore à l’étape du diagnostic ou de grandes orientations, en attente de \nl’engagement plus concret d’autres acteurs. De plus, les stratégies d’adaptation à l’accroissement \ndes journées de chaleur accablante sont encore à développer. \nCe mémoire s’appuie principalement sur le mandat de recherche-action du Labo Climat Montréal, \nqui portait sur l’adaptation aux changements climatiques. Évidemment, les défis de réduction des \ngaz à effet de serre sont aussi très importants; globalement, l’accélération et l’amélioration des \nmesures à mettre de l’avant sont cruciales pour réduire le réchauffement et ses impacts. De plus, \nle récent rapport du GIEC avance que les villes ont un rôle structurant à jouer pour réduire les \nGES d’ici 2030, notamment par des choix d’aménagement, de services et d’infrastructures. En \nplus de discuter d’adaptation aux changements climatiques, nous mentionnons des éléments liés \nà cette composante de l’action climatique urbaine, notamment dans la dernière section où nous \naborderons la carboneutralité et la mobilité durable.
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 | 0.003 | 0.004 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.002 |
| Science and technology studies | 0.010 | 0.006 |
| Scholarly communication | 0.008 | 0.004 |
| Open science | 0.002 | 0.007 |
| Research integrity | 0.002 | 0.004 |
| Insufficient payload (model declined to judge) | 0.021 | 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".