مطالعه آزمایشی در سال اول به خوبی انجام شد و در پایان فصل اول، رویکردهای روش‌شناختی در همه بسته‌ها تعدیل و در برخی موارد به طور قابل توجهی تغییر کرده بود.
به عنوان مثال، ما متوجه شدیم که در یک شهر بزرگ مانند گوتنبرگ، تفسیر دستی پوشش تمام چمن‌ها با استفاده از عکس‌های ارتوفتو بسیار زمان‌بر (پرهزینه) خواهد بود.
در مطالعه مقدماتی ما سعی کردیم از شاخص گیاهی تفاوت نرمال شده (NDVI) و طیف مادون قرمز برای تخمین مساحت چمن در گوتنبرگ استفاده کنیم.
با این حال، ما متوجه شدیم که NDVI قادر به گرفتن چمن مصنوعی قابل شستشو در مناطق سایه‌دار نیست و همچنین تشخیص علف از درختان و سایر پوشش‌های گیاهی دشوار است، بنابراین آن را کمتر قابل استفاده می‌کند.
علاوه بر این، همه شهرها در عکس های هوایی خود دارای طیف قرمز نیستند. استفاده از داده های LiDAR موجود بهترین روش برای تخمین پوشش علفزار است.
در سوئد پوشش ملی داده های LiDAR وجود دارد، و علاوه بر این، برخی از شهرها (مانند گوتنبرگ و اوپسالا) دارای LiDAR خود با وضوح بالاتر هستند. ما هنگام تفسیر شدت در داده‌های LiDAR از نقشه‌های مدیریت شهری مراتع به عنوان مرجع استفاده کردیم.
در نظرسنجی اجتماعی، پرسشنامه‌های بازدیدکنندگان چمن و مدیران/سیاستمداران چندین بار تغییر کردند تا زمانی که به طور مؤثر کار شوند.
ایجاد یک وب‌سایت و مسیر نمایشی ابزارهای مؤثری برای تجسم و عمومی‌سازی بودند و توجه سهامداران و عموم مردم را به خود جلب کردند. برخی از شهرداری‌ها مایلند مکان‌های نمایشی بزرگ‌تری در باغ‌های گیاه‌شناسی یا محلی ایجاد کنند.
کار با رویکرد بین رشته‌ای در ابتدا به جلسات فیزیکی متعدد (و همچنین مطالعه مقالات منتخب از هر یک از رشته‌ها) نیاز داشت تا اهداف سایر شرکت‌کنندگان برای پروژه را درک کنید، هم افزایی‌های احتمالی را شناسایی کنید و بتوانیم همکاری کنیم.
همچنین درک این نکته مهم بود که در چنین پروژه‌هایی که هم چشم‌اندازی گسترده‌تر و هم با دیدی دقیق‌تر دارند، مصالحه‌هایی در هر یک از موضوعات علمی وجود خواهد داشت و ممکن است نتوانند آن‌طور که می‌خواهند مطالعات دقیقی انجام دهند.
