A review of drivers of tree diversity in suburban areas: Research needs for North American cities
Notice bibliographique
Résumé
Tree diversity is crucial to urban forest management. More diverse urban forests provide habitat for a wider range of organisms, increase resilience to pests and disease and, in cases where native tree species are well represented, contribute to local biodiversity protection. Studies have shown that tree diversity can peak in the low- to mid-density neighbourhoods found in suburban and peri-urban areas, emphasizing the potential for biodiversity enhancement during and after subdivision development. Most studies quantifying tree species composition in suburban areas focus on one or two major drivers of tree diversity, such as land use, socioeconomics and demographics, or the presence of natural features like parks or greenways. Furthermore, relatively little attention has been paid to the drivers of diversity for the variety of land types that make up the entire urban forest, which represent differences in tree planting and establishment practices, ownership, and maintenance. This paper presents an overview of drivers of tree species composition based on the literature, as well as factors that require further study because they play a role in determining the structure of the (sub)urban forest. These factors are examined in the context of four land types: street, residential property, park, and remnant woodland, and are organized under the following major themes: biophysical characteristics, community design, historical paradigms and influences, municipal management, and demographics and cultures. Based on what is known so far, a research agenda is also presented outlining major gaps in research on urban tree diversity in North America (USA and Canada). The information presented in this paper can thus serve as a guideline to inform urban forest management practices and strategically enhance tree diversity.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,006 | 0,015 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,003 | 0,003 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».