MétaCan
Menu
Retour à la cohorte
Enregistrement W1976011029 · doi:10.1080/21513732.2013.782342

An evaluation of flood control and urban cooling ecosystem services delivered by urban green infrastructure

2013· article· en· W1976011029 sur OpenAlexfundno aff
Simon Farrugia, Malcolm D. Hudson, Lindsay McCulloch

Notice bibliographique

RevueInternational Journal of Biodiversity Science Ecosystems Services & Management · 2013
Typearticle
Langueen
DomaineEnvironmental Science
ThématiqueLand Use and Ecosystem Services
Établissements canadiensnon disponible
Organismes subventionnairesInterregMemorial University of NewfoundlandEuropean Commission
Mots-clésEcosystem servicesFlood mythFlood controlGreen infrastructureUrban ecosystemEnvironmental resource managementEnvironmental scienceUrban planningHabitatEcosystemUrban areaScale (ratio)GeographyEnvironmental planningCivil engineeringEcologyCartographyEngineering

Résumé

récupéré en direct d'OpenAlex

To inform planning decisions and address climate change impacts in expanding cities, it is desirable to quantify urban ecosystem services like flood control and urban cooling. By comparing with a purpose-built habitat map, this study ground-truthed a method to assess flood control, which was developed by Southampton City Council from surface maps. It was confirmed that infiltration capacity is a good proxy for flood control, leaf area index could represent urban cooling, and thereby both could be used to score urban surface types. A two-tiered system was proposed so that surface maps would be used for city-wide scale, and as they produce similar results that are more accurate at fine scales, habitat maps are used at site level. These surrogates were integrated to produce a Green Space Factor for flood control and urban cooling, wherein a combined score can be generated for particular locations. This could be extended further to include other ecosystem services. The new integrated multi-scale ecosystem service quantification tool could be used by developers and policy-makers to identify target areas in their projects and policies that could benefit from enhanced green infrastructure.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,002
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,454
Score d'incertitude au seuil0,766

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0020,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,003
Science ouverte0,0020,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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.

Tête enseignante Opus0,005
Tête enseignante GPT0,200
Écart entre enseignants0,196 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations112
Publié2013
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueInternational Journal of Biodiversity Science Ecosystems Services & ManagementMême sujetLand Use and Ecosystem ServicesTravaux en français237 207