Socio-ecological context and tree care for street and park trees in urban and suburban areas
Notice bibliographique
Résumé
Street and park trees, when growing in some of the most stressful conditions in urban areas, are important parts of the urban forest but often have low annual survival rates. Tree care, whether performed by public agencies, private companies, or residents, can support tree health, growth, and associated ecosystem services. Urban tree research provides the opportunity to situate tree care practices in their urban socio-ecological context (i.e. land use, neighborhood, climate, planting site type) and test how that context impacts tree care outcomes. Here we perform a literature review to characterize the academic literature’s research on whether and how the effectiveness of tree care interventions vary not just based on tree characteristics but also with the socio-ecological context. We find that some practices have been effective in different cities and land uses including pest management, mulching with compost, watering, and use of paclobutrazol to control or ferric ammonium citrate to treat chlorosis. Other practices are studied in different cities but don’t seem as effective, like fertilization with just nitrogen. For practices like pruning and watering, the effectiveness seemingly varies depending on where and when the practice is tested. It was challenging to characterize how socio-ecological context impacted tree care effectiveness since several elements of especially the built environment and social context are rarely described, though other elements are commonly described, like tree care history, climate, and some information about the soils and planting methods. Even for relatively effective tree care practices, more effort is needed to better understand how the socio-ecological context, especially social conditions, impact their effectiveness.
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) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| 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 ».