Trends in Urban Tree Canopy and Dimensions of Social Equity Across the Portland-Vancouver Metropolitan Area
Notice bibliographique
Résumé
Trees are recognized as essential for maintaining a livable urban environment and the benefits they provide to people are increasingly important in the face of a changing climate. Yet, studies in Portland and elsewhere find that trees and the benefits they provide are inequitably distributed to communities differing by race/ethnicity and income. Furthermore, loss of trees to development pressure or environmental stressors presents additional challenges. To provide a regional perspective, we assessed the relationships between tree cover and communities across 27 cities and four counties in the broader Portland-Vancouver metropolitan area. By integrating new maps for tree canopy cover and canopy change from 2014 to 2020, with land use data, and Census variables describing community race/ethnicity and income, we examined relationships in current tree cover and recent changes in cover across communities as well as across different political jurisdictions and land uses. Across the region, canopy cover was 25.2% in 2020, yet varied by city (20.0-63.9%), and was lower in unincorporated areas (13.0-28.1%). A substantial disparity in tree cover was observed across communities. Canopy cover in predominantly BIPOC communities was on average 28.7% compared to 33.8% in other communities. And, canopy cover in predominantly low-income communities was 24.2% compared to 34.1%. Additionally, many of these areas saw a net canopy loss potentially compounding the disparity. This work provides a regionally consistent baseline, identifies potential priority areas for action, encourages community conversations, and informs planning efforts to achieve an equitable distribution of trees and the benefits they provide to people.
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 | 0,001 |
| 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 ».