Influence of urban forests on residential property values: A systematic review of remote sensing-based studies
Notice bibliographique
Résumé
Urban forests provide direct and indirect benefits to human well-being that are increasingly captured in residential property values. Remote Sensing (RS) can be used to measure a wide range of forest and vegetation parameters that allows for a more detailed and better understanding of their specific influences on housing prices. Herein, through a systematic literature review approach, we reviewed 89 papers (from 2010 to 2022) from 21 different countries that used RS data to quantify vegetation indices, forest and tree parameters of urban forests and estimated their influence on residential property values. The main aim of this study was to understand and provide insights into how urban forests influence residential property values based on RS studies. Although more studies were conducted in developed (n = 55, 61.7%) than developing countries (n = 34, 38.3%), the results indicated for the most part that increasing tree canopy cover on property and neighborhood level, forest size, type, greenness, and proximity to urban forests increased housing prices. RS studies benefited from spatially explicit repetitive data that offer superior efficiency to quantify vegetation, forest, and tree parameters of urban forests over large areas and longer periods compared to studies that used field inventory data. Through this work, we identify and underscore that urban forest benefits outweigh management costs and have a mostly positive influence on housing prices. Thus, we encourage further discussions about prioritizing reforestation and conservation of urban forests during the urban planning of cities and suburbs, which could support UN Sustainable Development Goals (SDGs) and urban policy reforms.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,003 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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 | 0,001 |
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 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 ».