Are Urban Fruit Trees Healthy? Examining Health Indicators in Toronto’s Urban Orchard
Notice bibliographique
Résumé
While urban fruit trees can provide food security and community, they are an understudied part of urban forestry. Using a Neighbourwoods© inventory (Kenney and Puric-Mladenovic, 1995), the purpose of this report was to examine how health varied across species, size classes, and neighbourhoods. Homeowners were requested to register their trees in the survey and 162 fruit trees were sampled in total. Each sample involved a Neighbourwoods© health assessment and a short interview with the owner where they were asked about the tree’s health and history. There was no significant difference in health rating between species, though apricots were the most likely to be extremely unhealthy. However, there was a significant difference in defoliation levels between species, with apricots being the most heavily defoliated. Additional findings from interviews suggest that homeowners are reluctant to care for their fruit trees due to a lack of knowledge, a perceived lack of time or energy, or the desire to remove them at some point. The most common reasons for removal were the mess of falling fruit or a new owner moving in after the tree was planted. Variance in health is important to examine in urban fruit trees to better understand which tree species might be the least healthy, the least productive, and the most likely to be replaced or removed soon. Interviewing homeowners is important to better understand where their frustrations and knowledge gaps lie, so urban forestry organizations and municipalities can tailor their services and educational programs.
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 | 0,001 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».