La prise en compte de l’adaptation au changement climatique dans les politiques publiques de verdissement (2005-2015) : le cas de Montréal

Les connaissances scientifiques sur le changement climatique (CC) évoluent rapidement. Toutefois, des incertitudes persistent sur l’étendue de ses conséquences, particulièrement dans les milieux urbains, qui subiront des impacts différents de ceux vécus par les milieux ruraux. Les autorités publiques ont récemment commencé à élaborer des politiques publiques d’adaptation au changement climatique (ACC) qui visent à en limiter les conséquences indésirables. En milieu urbain, la littérature suggère qu’un des outils que devraient privilégier ces politiques est le verdissement. Des auteurs signalent que les actions visant l’ACC peuvent se greffer dans des politiques existantes. L’ACC, comme enjeu public, peut donc être réalisée par l’entremise de sa prise en compte dans les politiques publiques de verdissement. Cette prise en compte devrait affecter le contenu (quoi?) et le pilotage (comment?) des différentes étapes des politiques. Le cas de la politique publique de verdissement de la Ville de Montréal, au Québec, nous a permis d’étudier cette prise en compte. En utilisant un cadre d’analyse des politiques publiques développé par Knoepfel et al. (2015), qui porte entre autres sur la mobilisation des ressources par différents acteurs concernés par ces politiques, nous montrons que cette dernière s’est opérée de quelques façons. Premièrement, il y a eu un changement dans l’argumentaire pour le verdissement, outil qui vise à lutter contre les îlots de chaleur urbains et assurer une meilleure gestion des eaux pluviales. Ensuite, le choix de l’échelle d’agglomération pour la prise en compte de l’ACC a entraîné un changement d’échelle dans la gestion du verdissement. La publication d’un plan d’action majeur de verdissement urbain pour l’agglomération, et dont le leitmotiv est l’ACC, le démontre. Quelques modifications réglementaires et l’inclusion de nouveaux acteurs dans la politique témoignent aussi que la prise en compte a eu lieu. Finalement, le plan d’action fournit un cadre pour la mise en œuvre du verdissement dans les zones les plus vulnérables au CC en plus d’une structure de partage des coûts. Cependant, la mise en oeuvre du verdissement dans une visée d’ACC n'a pas été évaluée dans la présente étude. Nous avons aussi noté que la biodiversité est un enjeu d’importance qui va de pair avec l’ACC dans la politique de verdissement. Il y a donc une prise en compte, partielle, de l’ACC dans la politique publique de verdissement à Montréal (avec certains écueils). Nous arguons que l’enjeu de l’ACC sert peut-être d’argument supplémentaire pour verdir la ville plutôt que d’être un véritable moteur de transformation de la politique de verdissement.

Bidirectional Helmholtz Machines

L'entraînement sans surveillance efficace et inférence dans les modèles génératifs profonds reste un problème difficile. Une approche assez simple, la machine de Helmholtz, consiste à entraîner du haut vers le bas un modèle génératif dirigé qui sera utilisé plus tard pour l'inférence approximative. Des résultats récents suggèrent que de meilleurs modèles génératifs peuvent être obtenus par de meilleures procédures d'inférence approximatives. Au lieu d'améliorer la procédure d'inférence, nous proposons ici un nouveau modèle, la machine de Helmholtz bidirectionnelle, qui garantit qu'on peut calculer efficacement les distributions de haut-vers-bas et de bas-vers-haut. Nous y parvenons en interprétant à les modèles haut-vers-bas et bas-vers-haut en tant que distributions d'inférence approximative, puis ensuite en définissant la distribution du modèle comme étant la moyenne géométrique de ces deux distributions. Nous dérivons une borne inférieure pour la vraisemblance de ce modèle, et nous démontrons que l'optimisation de cette borne se comporte en régulisateur. Ce régularisateur sera tel que la distance de Bhattacharyya sera minisée entre les distributions approximatives haut-vers-bas et bas-vers-haut. Cette approche produit des résultats de pointe en terme de modèles génératifs qui favorisent les réseaux significativement plus profonds. Elle permet aussi une inférence approximative amérliorée par plusieurs ordres de grandeur. De plus, nous introduisons un modèle génératif profond basé sur les modèles BiHM pour l'entraînement semi-supervisé.