Environmental Inequalities in Ecosystem Services Benefits of Green Infrastructure: A Case Study from China
Notice bibliographique
Résumé
Rapid urbanization is widespread globally, particularly impacting developing countries. In the face of climate challenges and shrinking public spaces resulting from urbanization, the significance of green infrastructure (GI) for human well-being and sustainability has increasingly taken center stage. This study employs an array of social-environmental benefits to evaluate GI’s contributions to human well-being, including mitigation of the urban heat island (UHI) effect, recreational functions, enhanced landscape connectivity, and efficient stormwater management. By mapping GI’s advantages, we scrutinized tradeoffs and ‘hot spots’ linked to these benefits within a metropolitan region. Moreover, we correlated GI’s advantages with the well-being of different socio-economic status (SES) groups by global and local regression. The study reveals environmental inequality, with higher SES areas—such as affluent and well-educated neighborhoods—providing superior and multifaceted GI benefits. The income coefficient is significantly positively correlated with the recreation function at the 1% significance level, while the coefficient for education is significant at the 10% level. Moreover, the income coefficient (0.349) surpasses the education coefficient (0.012). Our research also highlights that accessibility to GI’s recreational services may be an essential and overlooked indicator of environmental justice, especially for communities with a high proportion of elderly and low-income individuals.
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) | 0,001 | 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 ».