MétaCan
Menu
Retour à la cohorte
Enregistrement W2001623393 · doi:10.6000/1927-5129.2015.11.40

Spatial Variability of Urban Heat Island of Sargodha City in Pakistan

2015· article· en· W2001623393 sur OpenAlexvenueno aff
Sajjad Hussain Sajjad, Sadaf Hussain, Safdar Ali Shirazi, Khadija Shakrullah, Khuram Shahzad, Rabia Batool, S. M. Talha Qadri

Notice bibliographique

RevueJournal of Basic & Applied Sciences · 2015
Typearticle
Langueen
DomaineEnvironmental Science
ThématiqueUrban Heat Island Mitigation
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésUrban heat islandMetropolitan areaUrbanizationGeographyUrban areaPhysical geographyRural areaCity areaPopulationEnvironmental scienceSocioeconomicsMeteorologyArchaeologyDemographyEconomic growth

Résumé

récupéré en direct d'OpenAlex

Sargodha is one of the most important cities of Pakistan. Located in the center of Pakistan, it is the hub of the Pakistan Air Force. Rapid urbanization in the city has caused it to expand it farther from its center. Sargodha is 11th most populated metropolitan city in Pakistan. Currently, it has 0.7 million population and covers an area of 52 km2. The objective of this study was to measure the spatial variability of urban heat island (UHI) in different areas of the city in comparison with the temperature of the urban center. The meteorological data was measured by installing digital weather stations at four sites, 3 within the city by considering the areas as urban highly dense, urban less dense and urban periphery and one at rural site almost 10 km away from the city center. The result highlighted that difference in temperature between urban densely built area and rural site was highest. The difference in temperature increased as one moved away from the city center where urban areas were found warmer than the sites comparatively away from the city center. It was observed that the UHI intensity is not same in different areas of the city. The highest intensity of UHI is observed on Sunday where it was measured 5.7 °C.

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)0,003
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 enseignants0,054
Score d'incertitude au seuil0,291

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0030,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,001
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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 Opus0,020
Tête enseignante GPT0,262
Écart entre enseignants0,242 · 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

Citations6
Publié2015
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJournal of Basic & Applied SciencesMême sujetUrban Heat Island MitigationTravaux en français237 207