Spatial distribution of urban vegetation: A case study of a Canadian University Campus using LiDAR-based metrics
Notice bibliographique
Résumé
Planners and urban managers design green spaces according to established standards, aspiring to create green spaces within and around the built environment. However, when building density is extremely high, it is difficult to design large, accessible green spaces. Urban green spaces are even more necessary when built density increases, and it is important to maintain urban vegetation—especially trees—as a major and integral part of the cities. Therefore, examining the distribution of urban vegetation is a tool for policymakers and community groups seeking to simultaneously moderate urban heat-island effects, and mitigate the effects of greenhouse gas emissions. The purpose of this study was to compare three different urban vegetation indices in a university campus for quantifying spatial relationships between green and gray infrastructure. Light Detection and Ranging (LiDAR) data were used to assess the distribution of urban vegetation. The indices varied significantly among various buildings according to their use categories (e.g., academic, administrative, etc.). These differences could be used to estimate the provision of ecosystem services for the various use categories and to evaluate trade-offs. For example, higher tree densities should provide greater rates of carbon sequestration and storage, as well as water retention and flood mitigation. Conversely, aesthetic and security considerations might favor lower vegetation density to preserve sight lines and vistas. The tools employed in this study have potential for use at greater scales, including entire cities.
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 | 0,001 |
| 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 ».