Notice bibliographique
Résumé
This book presents an evidence-based approach to landscape planning and design for urban blue spaces that maximises the benefits to human health and well-being while minimising the risks. Based on applied research and evidence from primary and secondary data sources stemming from the EU-funded BlueHealth project, the book presents nature-based solutions to promote sustainable and resilient cities. Numerous cities around the world are located alongside bodies of water in the form of coastlines, lakes, rivers and canals, but the relationship between city inhabitants and these water sources has often been ambivalent. In many cities, water has been polluted, engineered or ignored completely. But, due to an increasing awareness of the strong connections between city, people, nature and water and health, this paradigm is shifting. The international editorial team, consisting of researchers and professionals across several disciplines, leads the reader through theoretical aspects, evidence, illustrated case studies, risk assessment and a series of validated tools to aid planning and design before finishing with overarching planning and design principles for a range of blue-space types. Over 200 full-colour illustrations accompany the case-study examples from geographic locations all over the world, including Portugal, the United Kingdom, China, Canada, the US, South Korea, Singapore, Norway and Estonia. With green and blue infrastructure now at the forefront of current policies and trends to promote healthy, sustainable cities, Urban Blue Spaces is a must-have for professionals and students in landscape planning, urban design and environmental design. Open Access for the book was funded by the European Union's Horizon 2020 research and innovation programme under grant agreement No 666773
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) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,003 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,003 | 0,004 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,079 | 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 ».