Prioritizing Street Tree Planting Locations to Increase Benefits for All Citizens: Experience From Joliette, Canada
Notice bibliographique
Résumé
As the climate continues to warm and the world becomes more urbanized, our reliance on trees and the benefits they provide is rapidly increasing. Many cities worldwide are planting trees to offset rising temperatures, trap pollutants, and enhance environmental and human health and well-being. To maximize the benefits of planting trees and avoid further increasing social inequities, a city needs to prioritize where to establish trees by first identifying those areas of greatest need. This work aims to demonstrate a spatially explicit approach for cities to determine these priority locations to achieve the greatest returns on specific benefits. Criteria for prioritization were developed in tandem with the City of Joliette, Canada, and based on nine indicators: surface temperature, tree density, vegetation cover, resilience, tree size and age, presence of species at risk, land use type, socioeconomic deprivation, and potential for active transportation. The City’s preferences were taken into account when assigning different weights to each indicator. The resulting tree planting priority maps can be used to target street tree plantings to locations where trees are needed most. This approach can be readily applied to other cities as these criteria can be adjusted to accommodate specific tree canopy goals and planning constraints. As cities are looking to expand tree canopy, we hope this work will assist in sustaining and growing their urban forest, enabling it to be more resilient and to keep providing multiple and sustained benefits where they are needed the most.
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 ».