Food production and resource use of urban farms and gardens: a five-country study
Notice bibliographique
Résumé
Abstract There is a lack of data on resources used and food produced at urban farms. This hampers attempts to quantify the environmental impacts of urban agriculture or craft policies for sustainable food production in cities. To address this gap, we used a citizen science approach to collect data from 72 urban agriculture sites, representing three types of spaces (urban farms, collective gardens, individual gardens), in five countries (France, Germany, Poland, United Kingdom, and United States). We answered three key questions about urban agriculture with this unprecedented dataset: (1) What are its land, water, nutrient, and energy demands? (2) How productive is it relative to conventional agriculture and across types of farms? and (3) What are its contributions to local biodiversity? We found that participant farms used dozens of inputs, most of which were organic (e.g., manure for fertilizers). Farms required on average 71.6 L of irrigation water, 5.5 L of compost, and 0.53 m2 of land per kilogram of harvested food. Irrigation was lower in individual gardens and higher in sites using drip irrigation. While extremely variable, yields at well-managed urban farms can exceed those of conventional counterparts. Although farm type did not predict yield, our cluster analysis demonstrated that individually managed leisure gardens had lower yields than other farms and gardens. Farms in our sample contributed significantly to local biodiversity, with an average of 20 different crops per farm not including ornamental plants. Aside from clarifying important trends in resource use at urban farms using a robust and open dataset, this study also raises numerous questions about how crop selection and growing practices influence the environmental impacts of growing food in cities. We conclude with a research agenda to tackle these and other pressing questions on resource use at urban farms.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,002 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 source (Gemma direct ou Codex distillé), 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 ».