Territoires en quête de résilience : l'apport de l'urbanisme et des stratégies d'adaptation
Bibliographic record
Abstract
Face à l’intensification des aléas côtiers, accentués par les changements climatiques et les pressions anthropiques, la planification territoriale prend un tournant décisif. Pendant longtemps, la gestion de risques était axée sur des méthodes de mitigation très strictes. Cependant, depuis quelques années, les professionnels réalisent que les stratégies d’adaptation et les principes associés à la résilience urbaine offrent une belle opportunité de repenser nos approches d’aménagement de manière plus intégrée et adaptative. Ce mémoire se positionne dans une perspective internationale, en fournissant l'analyse de projets et de quartiers résilients qui font face à leur vulnérabilité et choisissent de s'adapter aux aléas. Grâce à une grille d'analyse multicritères de résilience, ces projets considérés exemplaires sont examinés et croisés pour en tirer des leçons pertinentes à appliquer pour renforcer la résilience des territoires québécois vulnérables. Ce travail s'inscrit notamment dans le cadre des discussions autour de la municipalité de Maria, en Gaspésie, une municipalité littorale qui est en proies aux vagues. La municipalité illustre bien les défis d’adaptation auxquels une zone côtière doit faire face. L’analyse souligne l’importance de ne pas se limiter à une vision trop technique de la résilience, en y intégrant les dimensions sociales, émotionnelles, culturelles et réglementaires propres à chaque territoire. En s'appuyant sur les bonnes pratiques de résilience à l’international, ce mémoire tend à proposer des recommandations pour renforcer la résilience de Maria, tout en enrichissant la réflexion sur les stratégies d’adaptation et la résilience urbaine et climatique au Québec. Cette démarche vise à mettre en exergue la complémentarité entre des solutions basées sur la nature, une gouvernance participative, une refonte progressive des réglementations ainsi que l’introduction de l’empathie comme critère de résilience. L’empathie devient un levier d’innovation sociale renforçant la cohésion, l’acceptabilité et la capacité d’adaptation des communautés face aux risques.
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 | 0.002 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.002 |
| Science and technology studies | 0.007 | 0.015 |
| Scholarly communication | 0.008 | 0.004 |
| Open science | 0.001 | 0.007 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.008 | 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".