An Urban Forest Diversification Software to Improve Resilience to Global Change
Notice bibliographique
Résumé
Abstract The importance of urban tree diversity for improving resilience is increasingly understood by decision makers. Urban foresters want to prevent the overrepresentation of species on their streets and in their city, which could result in a significant loss of canopy cover in the event of a large-scale disturbance such as a drought or an exotic pest or disease. Although numerous software and tools exist to visualize tree inventories and plan tree maintenance work, only a few offer support for increasing tree diversity. After reviewing the existing tools available for urban forest managers, we present SylvCiT, a novel decision-support and open-source software available on a web platform designed to consolidate information related to the urban forest in one place and facilitate decision-making at different scales. While the first interfaces provide the user with a spatially explicit portrait of the urban forest (species richness, functional diversity, structural diversity, i.e., diameter classes) and associated ecosystem benefits (e.g., stored carbon, ornamental value), the software is designed to produce a list of functional groups and appropriate species to plant considering tree species already present. Based on an artificial intelligence algorithm, SylvCiT identifies the types of trees (species and functional groups) that are absent or underrepresented at different scales to make recommendations that increase species and functional diversity to improve resilience to global change. SylvCiT will continue to be developed to evaluate other ecosystem benefits and integrate criteria such as site characteristics into the recommendation algorithm.
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 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,004 |
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 ».