Spatial Visibility in Urban Parks and Social Functions: A Multimodal Correlational Study
Notice bibliographique
Résumé
Urban parks are fundamental to building sustainable and inclusive cities, yet the mechanisms linking their spatial configuration to human activities and social functions remain insufficiently understood. A scalable multimodal framework is developed to quantify how spatial visibility is associated with patterns of park use and the provision of social ecosystem services. A total of 94,635 geo-tagged user-generated images from 148 parks in Vancouver, Canada, were analyzed using the Contrastive Language-Image Pretraining (CLIP) model to classify user activities into six behavioral categories. Concurrently, airborne LiDAR data and space syntax analysis were used to derive three visibility metrics—Mean Isovist Area (MIA), reflecting internal openness; Mean Visual Integration (MVI), indicating visual connectivity within the park interior; and External Isovist Ratio (EIR), representing edge openness and boundary visibility. The results indicate that EIR exhibits the strongest and most consistent relationships with user activity patterns, positively associated with family recreation, social vibrancy, and physical activity, while negatively linked to nature immersion and quiet relaxation. MIA shows moderate associations with socially interactive and child-oriented activities, whereas MVI contributes little explanatory power compared to localized visibility conditions. These findings highlight spatial visibility as a critical design attribute that is closely associated with human–forest interactions. By illustrating that moderate visual openness and edge permeability are associated with more inclusive and multifunctional patterns of park use, actionable insights are provided for urban park planning and design, and the promotion of social sustainability.
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 ».