Landscape and Urban Planning 62 (2003) 181–198 Turning brownfields into green space in the City of Toronto
Notice bibliographique
Résumé
Since the mid-1980s, policy makers and planners in North America and Europe have been paying significantly more attention to measures designed to foster sustainable development and improve the quality of life in urban areas. One issue that has received widespread political support has been the cleanup and redevelopment of under-utilized brownfield sites in urban areas. In Canada and the US, the focus of policy-making and redevelopment efforts has been on redeveloping brownfield sites for industrial, commercial, or residential uses that provide economic benefits through tax revenues and/or jobs. However, there has been a growing recognition among community groups and environmental organizations that brownfields hold enormous potential for “greening ” city environments, through the implementation of parks, playgrounds, trails, greenways, and other open spaces. The objectives of the current research are to examine the issues, obstacles and processes involved in remediating potentially contaminated urban brownfield sites and converting them into green spaces, to identify the benefits that these green spaces can bring to the community and culture, and to understand the specific planning processes that it involves. Data for this study were collected through a review of 10 pertinent “greening ” case studies and personal interviews with relevant stakeholders. Toronto’s brownfield-to-green space redevelopment experience has implications for cities across North America undergoing brownfield planning and seeking to enhance urban quality of life.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,003 |
| Études des sciences et des technologies | 0,006 | 0,005 |
| Communication savante | 0,005 | 0,001 |
| Science ouverte | 0,000 | 0,003 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,014 | 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 source (Gemma direct ou Codex distillé), 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 ».