Aerial Imagery as a Tool for Monitoring Urban Tree Retention: Applications, Strengths, and Challenges for Backyard Tree Planting Programs
Notice bibliographique
Résumé
Abstract Background Urban tree planting initiatives are a popular way to increase municipal tree presence. Initiatives on private land, including backyard tree planting programs, are essential because most available planting space across cities is on private property. Therefore, understanding the success of these programs, including long-term tree retention rates, is crucial for determining future urban forest characteristics and associated ecosystem services. However, few studies evaluate the outcome of backyard planting programs, primarily because of barriers like limited organizational resources and the inaccessibility of trees planted in backyards. To address this issue, our study examined the feasibility of using publicly available aerial imagery to assess long-term retention of trees planted through a backyard tree planting program in Toronto, Ontario. Methods Using 20 years of leaf-off imagery and hand-drawn planting maps, a sample of 2,654 trees was assessed for feasibility of location digitization, presence-absence classification in 2022, and 5-year survivorship. Results We successfully digitized 1,865 (70%) of these trees, but the remaining 30% could not be mapped due to insufficient location information. Of those digitized, we could confidently determine if 1,533 trees (82%) were present or absent in 2022. The status of the remaining 18% of trees was unclear, often due to image obstruction or quality. We were able to determine presence/absence 5 years after planting for 81% of trees in the subset examined. Conclusions Ultimately, using aerial imagery could be a time- and cost-effective approach to long-term, ongoing urban tree monitoring, though challenges associated with image availability and quality should be considered.
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 ».