Complexifying the urban lawn improves heat mitigation and arthropod biodiversity
Notice bibliographique
Résumé
Urban green infrastructures (GI) are important features of cities which provide many ecosystem services promoting citizens’ well-being. As space is often limited in cities for establishing new GI, it is important to optimize the contribution of ecosystem services of existing GI. The objective of this paper is to compare the performance of lawns to three more complex types of recently established common low-height urban green infrastructures (LHGI) in relation to two ecosystem services: heat mitigation and habitat for biodiversity. We collected data from 48 plots in a semi-controlled context in the Greater Montreal area (Canada) where we compared unmanaged sowed indigenous herbaceous vegetation (flower meadow), medium-sized hedgerow (hedgerow), highly maintained lawn (lawn) and naturally regenerated unmanaged shrub vegetation (natural). We quantified the contribution of plant structure and species diversity to the two ecosystem services, using surface temperature and arthropods morphospecies richness as indicators of heat mitigation and habitat for biodiversity. We also tested the use of the Mean Information Gain (MIG) computed from photos, a measure of complexity, as a possible indicator of LHGI performance. There were major differences in both surface temperature and arthropod morphospecies richness between lawns and the other three LHGI. Results showed that plant structure and diversity improved LHGI performance. Finally, MIG was not found to be usable as good LGHI indicator in our experimental context. This study shows that increasing plant structural complexity and/or diversity increases heat mitigation and habitat for arthropod biodiversity of LHGI. Given its extent in North America, complexifying the omnipresent urban lawns holds considerable potential for GI improvement.
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 | 0,001 | 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) | 0,001 | 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 ».