Pursuit of environmental justice in urban forest planning and practice
Notice bibliographique
Résumé
Introduction There is a growing demand for urban forest management that prioritizes genuine community involvement, acknowledges power imbalances within society, and embraces the principles of environmental justice. To assess current initiatives and share better/best approaches, examining how environmental justice principles are applied in urban forest planning and practice is crucial. This study aims to understand the perspectives of urban foresters on the factors that either facilitate or impede the attainment of environmental justice goals. Methods Interviews were conducted with urban foresters from non-profit organizations and municipal government in San Francisco, California, and Seattle, Washington. The interviewees were asked to identify and discuss their tree planting and maintenance strategies, public engagement protocol, and inter-organizational collaboration processes. To provide a contextual understanding of environmental injustice in the study cities, the historical racist practice of neighborhood redlining was examined alongside current tree canopy cover, locations of environmental hazards, and the spatial distribution of persons of color and those living in poverty. Results The findings revealed that urban forestry professionals in each city approached environmental justice in distinct yet complementary ways: San Francisco prioritized distributional justice, while Seattle focused on elements of procedural and recognitional justice. The Race and Social Justice Initiative in Seattle and Proposition E in San Francisco have been instrumental in identifying and addressing inequities in urban forest planning and practice. Discussion/conclusion Creating fair and inclusive urban forestry practices that prioritize disadvantaged neighborhoods has been a difficult task for both cities. Acknowledging and addressing past policies and cultural perspectives that have led to marginalization is crucial for building trust with these communities. Moving forward, prioritizing recognitional justice in urban forest planning and management should be a top priority.
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 | 0,011 | 0,010 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,019 | 0,035 |
| Communication savante | 0,009 | 0,004 |
| Science ouverte | 0,002 | 0,013 |
| Intégrité de la recherche | 0,002 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,008 | 0,001 |
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 ».