Performance et fonctions écologiques offertes par différents mélanges d'ensemencement dans des fosses de trottoir en milieu urbain
Bibliographic record
Abstract
Afin de freiner les multiples conséquences engendrées par l’urbanisation, notamment la présence d’îlots de chaleur, l’augmentation d’espaces verts est une des stratégies mise de l’avant par de plus en plus de municipalités. À Montréal, plusieurs arrondissements ont récemment agrandi leurs fosses de plantation sur trottoir pour, entre autres, favoriser la survie des arbres et augmenter le nombre d’arbres plantés. Dans ces grandes fosses, la plantation d’une végétation herbacée compagne est un nouvel objectif afin de promouvoir la biodiversité et les services écologiques. Cependant, peu d’informations existent à ce jour sur les espèces qui peuvent être plantées durablement dans ce type d’environnement hostile. Dans ce contexte, mon projet avait pour objectif d’identifier un ou des mélanges d’ensemencement efficaces et performants pour favoriser la biodiversité et contrer l’invasion d’espèces nuisibles, tout en maximisant les services écologiques telle la fertilité des sols et la pollinisation. J’ai testé quatre mélanges, dont trois de type soleil et un de type mi-ombre, composés de 19 à 33 espèces. Mes résultats indiquent que les mélanges les plus diversifiés réduisent significativement l’établissement d’espèces nuisibles en plus d’accroitre l’abondance et la diversité de pollinisateurs. Cependant, la diversité végétale et la fertilité du sol dans les fosses étaient similaires entre les mélanges après deux années. Cette étude met en lumière les fosses de trottoir végétalisées en milieu urbain comme une approche novatrice pour l’avenir du verdissement et de l'aménagement urbain, tout en apportant des perspectives précieuses pour améliorer les futures initiatives dans ce domaine.
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) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.000 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.001 | 0.001 |
| Open science | 0.000 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.003 | 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".