The urban greenness score: A satellite-based metric for multi-decadal characterization of urban land dynamics
Notice bibliographique
Résumé
Canada’s urban areas have experienced extensive growth over the past quarter century; however, there has been no consistent, spatially explicit approach for quantifying the loss and gain of greenness in cities nationally. Herein, we developed a novel urban greenness score metric using greenness fractions from a multi-decadal time series (1984–2016) of spectrally unmixed annual Landsat satellite image composites to characterize final year (2016) greenness and its overall change for 18 major Canadian urban areas, summarized by census dissemination area (DA). The applied validation procedure confirmed correlation coefficients (ρ) ranging from 0.67 – 0.85 between reference and estimated greenness fractions, indicating that spectral unmixing is an appropriate method for extracting urban greenness from a time series of medium spatial resolution satellite imagery. Most DAs across Canada sustained a moderate (∼20 % – 40 %) or low (≲ 20 %) level of greenness between 1984 and 2016, but overall there was a decreasing trend in greenness. Eastern urban areas maintained the most greenness over time, while urban areas in the Prairies had the greatest increase in greenness. Densely populated urban areas experienced the greatest loss in greenness (16 % of DAs); whereas, urban areas with a moderately-low density experienced the greatest increase (14 % of DAs). In agreement with previous studies, we found that greenness was negatively associated with urban infilling, with lower greenness levels typically found in urban cores, and greenness loss most often found in the urban periphery in conjunction with urban expansion. Methods presented in this analysis take advantage of the open and longstanding Landsat archive, as well as multiple spatial scales, including sub-pixel unmixing techniques, pixel level greenness faction data summarized for management units, and analysis conducted nationally. The developed urban greenness score provides a comprehensive framework to understand current urban greenness and relate it to its recent past, which supports long-term strategic planning, and can be transferred to other regions across spatial and temporal scales.
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 | 0,000 | 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 | 0,000 |
| 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 ».