Third Spaces to Represent Urban Greenery: A Study of Informal Green Spaces in a High-Density City Using Deep Learning and Geo-Weighted Analysis
Notice bibliographique
Résumé
In high-density cities like Hong Kong, green spaces are often characterized by fragmentation and uneven spatial distribution, which negatively impacts their accessibility and equity. To address this issue, studies have proposed the use of informal green spaces (IGSs) as a supplementary component to formal urban green spaces (UGSs). However, the spatial delineation and quantitative analysis of IGSs remain challenging due to the lack of standardized identification and evaluation methods. Building upon the work of urban theorists Henry Lefebvre and Edward Soja, this study explores informal green spaces as third spaces. This study employed remote sensing and GIS technologies to systematically assess the spatial distribution and benefits of IGSs, categorizing them into four types: Urban Interstitial IGSs, Transitional IGSs, Fringe IGSs, and Riparian IGSs. Subsequently, an evaluation framework was constructed across ecological, social, and economic dimensions to quantify the overall value of IGSs. The results reveal that IGS significantly contributes to ecological regulation, social interaction, and economic potential, particularly in urban areas with limited green resources. This demonstrates that IGSs can serve as a vital complement to formal urban green spaces, playing a key role in alleviating green space inequity, enhancing urban livability, and promoting sustainability. Furthermore, this study provides a scientific foundation for precise identification, benefit assessment, and optimized management of IGSs, supporting effective integration and rational utilization in future urban planning.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,002 |
| 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 ».