Which Tree Species Best Withstand Urban Stressors? Ask the Experts
Notice bibliographique
Résumé
Abstract Background The importance of urban trees and their benefits to society are increasingly recognized. However, cities are a challenging environment for trees to grow and thrive. Current knowledge on tree vulnerabilities to existing urban stressors remains scarce and available only for a limited number of species and specific stressors. Methods Using the Delphi method with urban forestry experts familiar with the studied area and a closed-ended questionnaire, we sought to elucidate the tolerance of commonly planted urban tree species in northeastern North America to multiple urban stressors—air pollution, soil compaction, de-icing salts, insects and diseases, strong winds, ice storms, snow, drought, and extreme temperatures—as well as to assess which characteristics may capture a species’ ability to cope with these stressors. Results Ginkgo biloba, Gleditsia triacanthos, Quercus spp., and Ulmus spp. were rated by urban forestry professionals as the most tolerant species in northeastern North America to the studied stressors. No species was listed as tolerant to all stressors. Furthermore, respondents disagreed on how a given species was likely to be affected by or respond to a given stressor. Conclusions Our study provides a powerful approach to gaining difficult-to-obtain information on trees’ vulnerabilities to environmental stressors and identifying the gaps that remain unaddressed. Our findings fill some of the gaps in our knowledge of city trees’ vulnerabilities, which makes the approach useful in practice to inform the choice of tree species that could be planted across our cities to build more resilient urban forests.
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 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,002 |
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 ».