Urban vegetation and well‐being: A cross‐sectional study in Montreal, Canada
Notice bibliographique
Résumé
Abstract As urbanisation continues to accelerate, urban green spaces are increasingly recognised as key elements for enhancing people's health and well‐being. However, most research has used vegetation metrics that may not capture the specific associations between different types of vegetation and different mental health outcomes. In this study, we investigate the cross‐sectional associations between residential vegetation exposure and individual well‐being in Montreal, Canada, using different vegetation and well‐being measures: The proportion of grass cover, tree cover, and average NDVI value within buffers of various radii (100–1000 m) were linked to each participant's residence ( n = 1072, aged 18 years or older), while well‐being was assessed using subjective happiness, emotional well‐being, and personal well‐being scales. The associations were analysed using generalised additive regression models. Our findings show that more vegetation was linked to enhanced well‐being, although the effect sizes were relatively small. Irrespective of the buffer distance, the positive associations for grass and NDVI were more pronounced than those for trees, though these associations varied across the different well‐being outcome measures. We also observed that increasing tree coverage has a stronger positive effect on the well‐being of individuals who are dissatisfied with the current number of street trees. Synthesis and applications . Everyday exposure to nearby nature is associated with better self‐reported mental health, suggesting urban greening policies should focus on including more vegetation within built spaces, from individual street trees to small and large parks. Our study also highlights the importance of distinguishing between different types of vegetation (e.g. grass vs. trees) when studying the effects of vegetation on well‐being or other health‐related outcomes. Likewise, using different measures of well‐being may provide a more nuanced and comprehensive understanding of how vegetation impacts people's well‐being. Read the free Plain Language Summary for this article on the Journal blog.
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) | 0,000 | 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 ».