Comparing the Normalized Difference Vegetation Index with the Google Street View Measure of Vegetation to Assess Associations between Greenness, Walkability, Recreational Physical Activity, and Health in Ottawa, Canada
Notice bibliographique
Résumé
The manner in which features of the built environment, such as walkability and greenness, impact participation in recreational activities and health are complex. We analyzed survey data provided by 282 Ottawa adults in 2016. The survey collected information on participation in recreational physical activities by season, and whether these activities were performed within participants’ neighbourhoods. The SF-12 instrument was used to characterize their overall mental and physical health. Measures of active living environment, and the satellite derived Normalized Difference Vegetation Index (NDVI) and Google Street View (GSV) greenness indices were assigned to participants’ residential addresses. Logistic regression and least squares regression were used to characterize associations between these measures and recreational physical activity, and self-reported health. The NDVI was not associated with participation in recreational activities in either the winter or summer, or physical or mental health. In contrast, the GSV was positively associated with participation in recreational activities during the summer. Specifically, those in the highest quartile spent, on average, 5.4 more hours weekly on recreational physical activities relative to those in the lowest quartile (p = 0.01). Active living environments were associated with increased utilitarian walking, and reduced reliance on use of motor vehicles. Our findings provide support for the hypothesis that neighbourhood greenness may play an important role in promoting participation in recreational physical activity during the summer.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,003 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 tête enseignante, 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 ».