MétaCan
Menu
Retour à la cohorte
Enregistrement W2333985097 · doi:10.1061/40644(2002)195

Thermal Enrichment of Stream Temperature by Urban Storm Waters

2002· article· en· W2333985097 sur OpenAlexaff
Rizwan Ul Haq, W. D. James

Notice bibliographique

Revuenon disponible
Typearticle
Langueen
DomaineEnvironmental Science
ThématiqueHydrological Forecasting Using AI
Établissements canadiensUniversity of Guelph
Organismes subventionnairesnon disponible
Mots-clésSurface runoffImpervious surfaceEnvironmental scienceHydrology (agriculture)Rainwater harvestingSTREAMSThermal pollutionUrban heat islandStormFirst flushWater qualityStormwaterSurface waterEnvironmental engineeringMeteorologyEcologyGeologyGeography

Résumé

récupéré en direct d'OpenAlex

The paper reviews and models thermal enrichment of an urban stream due to storm water. The study area is in the city of Portage, Michigan, which drains into Portage Creek through the Consolidated Drain. Continuous temperature has been monitored for the last year and half. Results suggest that pavement runoff affects the stream temperature. Portage Creek is a cold water habitat for fish such as trout. Temperature is one of the water quality parameters that affect cold water aquatic habitats. Especially during summer, impervious surfaces heat and rainwater carries heat to the streams. This phenomenon has not been previously modeled. The paper develops the concepts of heat flux between runoff and its surrounding, such as heat flux between runoff and the paving, paving and the substrate, rain drops and the paving, and runoff water and atmosphere etc. These processes include wet and dry conditions, time of the day and night, and conditions before rain, during rain, and after rain. A simplified spreadsheet model to simulate the heat budget for runoff from urban pavement is presented. The model requires detailed inputs for urban runoff at a fine time step. PCSWMM is used to simulate runoff and provide input to the thermal enrichment model.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,001
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,019
Score d'incertitude au seuil0,038

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,001
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 savante0,0010,001
Science ouverte0,0000,000
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 Opus0,009
Tête enseignante GPT0,188
Écart entre enseignants0,179 · 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 source (Gemma direct ou Codex distillé), 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

Citations18
Publié2002
Routes d'admission1
Résumé présentoui

Explorer davantage

Même sujetHydrological Forecasting Using AITravaux en français237 207