Quantification of green and walkable neighbourhoods across the distribution of social and material deprivation in Metro Vancouver, Canada
Notice bibliographique
Résumé
BACKGROUND & AIM: Along with other environmental exposures, both neighbourhood walkability, and greenspace exposure and access have been linked to many diverse health benefits. Previous work has examined the spatial relationship of built and natural environments according to levels of neighbourhood deprivation; however, less is known about how these relationships may vary when different greenspace metrics are used. This work examines how normalized differences vegetation index (NDVI), tree canopy cover, green land cover, and park count metrics relate to walkability, and how these neighbourhood characteristics associate with both social and material deprivation. METHODS: Greenspace exposure was measured using NDVI, tree canopy cover, and green land cover, while park access was quantified by the number of designated public parks within 1000m and 400m network buffers for each six-digit postal-code centroid in Metro Vancouver, Canada. Local area deprivation was measured using the 2016 Material and Social Deprivation Index (MSDI). Pearson’s correlation coefficients were calculated to compare these neighbourhood characteristics. RESULTS: Walkability was positively associated with social deprivation (1000m r = 0.48; 400m r = 0.48, p < .01), while walkability has a weak inverse relationship with material deprivation (1000m r = -0.21, p < .01). Tree canopy was negatively related to both social (1000m r = -0.23, 400m r = -0.23, p < .01) and material deprivation (1000m r = -0.24, 400m r = -0.23, p < .01). In contrast, the relationship between park count and both deprivation measures was weak. CONCLUSION: In this study, areas with greater social and material deprivation tend to have less greenspace, but not necessarily less park access. The identification of neighbourhoods with higher material deprivation, low walkability, and low greenspace, may be prioritized by urban planners and decision makers as possible locations for additional greenspace allocation. KEYWORDS: greenspace, walkability, social deprivation, material deprivation
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 ».