The Relationship between Ecosystem Services, Human Health and Well-being and its Implication for Environmental Planning: An Agent-Based Model and Geosimulation
Notice bibliographique
Résumé
A tremendous number of studies have examined the relationship between ecosystem health and human health and well-being, especially in urban settings. The project builds upon a nation-wide Canadian study by Crouse et al. (2017) which explored the correlations between urban greenness and cause-specific mortalities using Cox proportional hazard ratios. Crouse et al. (2017) concluded that increased urban greenness in proximity to participants’ residences is associated with decreases in the risks of cause-specific mortalities. The goal of this project is to develop an agent-based model using NetLogo to explore the relationship between ecosystem services, human health and well-being in the Credit River Watershed (CRW). The model utilizes a Normalized Difference Vegetation Index (NDVI) to establish values of urban greenness in the CRW. Then, hazard ratios are calculated from these NDVI values based on the association observed in the Crouse et al. (2017) study. The model uses a tree-planting, or greening, agent that changes the values of greenness in the study area, thus decreasing hazard ratios. The greening agent is counteracted by a developer agent which converts land adjacent to residential \nareas into new development. Consequently, this action decreases greenness and increases hazard ratios. This interaction occurs overtime and the results are shown through geosimulation. The model also provides a set of user-defined parameters that modify the nature of agent interactions and the underlying rules governing the model. Overall, the model serves as an educational and decision-support tool for stakeholders in the CRW, including residents, municipal planners, conservation authorities, and policy makers.
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 | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| 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 ».