Three Histories of Greening and Whiteness in American Cities
Notice bibliographique
Résumé
How has urban greening related to the degree of whiteness in neighborhoods? The answer to this question provides an essential “historical diagnostic” that can be used to develop an approach to urban ecology which integrates racial and ethnic change into the planning for proposed interventions. In this paper we employ state sequence analysis to analyze the historical trend of greening (including the implementation of new parks, greenways, community gardens, green recreation areas, and nature preserves) between 1975 and 2014 in a sample of nine cities in the United States relative to concentrations of white and non-white residents. We divide the nine cities into three common growth trajectories and separately examine the trends for each growth trajectory. We further illustrate these trends by mobilizing qualitative data from field work in selected neighborhoods to help explain the processes that generate certain key findings in the quantitative data. We find that the relationship between greening and race/ethnicity differs according to city-level growth trajectory. Cities with continuous high and rapid levels of growth in the postwar period have the strongest link between increased greening and whiter populations. Meanwhile, in cities that contracted or had a punctuated growth pattern, non-white areas had a uniformly low level of greening that occurred mostly in recent years. In all, we show how urban growth, greening, and whiteness are inextricably associated qualities of American cities. We argue that understanding this association is essential for development of a race-conscious model for enhancing urban ecosystems.
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 | 0,000 |
| 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 ».