Quantifying Residential Access and Exposure to Greenspace Using High-Resolution Remotely Sensed Data: A Case Study of Metro Vancouver, British Columbia
Notice bibliographique
Résumé
Despite growing evidence demonstrating the health benefits of greenspaces, the potential differences in effect depending on type of greenspace exposure remain relatively unexplored. The present research aims to develop a methodology to (1) identify greenspace using remotely sensed data and (2) model residential access and exposure to greenspace and the relative difference in vegetation type.Methods:2014 RapidEye satellite imagery and LiDAR datasets from 2008-2015 were combined in eCognition for object-based segmentation, and then classified using Random Forest in R to produce a high-resolution (5m) land cover map of Metro Vancouver, Canada. The land cover map includes 14 classes – covering, for example, coniferous, deciduous, shrub, and grass-herb vegetation. Using the land cover map, greenspace access was calculated as the presence of a public park, recreation area or reserve (≥ 1 hectare) within 300m of residential postal codes and greenspace exposure was calculated as the proportion of greenspace and each land cover type, within several buffer zones of residential postal codes.Results:The land cover map has an overall accuracy of 89% with a kappa of 0.88. Compared to traditional greenness metrics, such as NDVI, the land cover map provides a more detailed model of the variety and distribution of greenspace. Initial analyses suggest that more urbanized areas have greater access to public greenspace and higher exposure to built-up classes and broadleaf vegetation, with grass-herb vegetation increasingly dominant in rural and agricultural areas.Conclusions:This research presents a method of identifying and quantifying greenspace that can be applied widely. Differentiating greenspace access and exposure metrics, including relative distribution of land cover type, will help define which aspects and qualities of greenspaces may provide the most benefits. Such information will provide important guidance for prioritization in urban planning and public health policy.
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 | 0,001 | 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 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| 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 ».