MétaCan
Menu
Retour à la cohorte
Enregistrement W2735911022 · doi:10.1038/s41598-017-05733-y

Warming effects on the urban hydrology in cold climate regions

2017· article· en· W2735911022 sur OpenAlexafffund
Leena Järvi, Sue Grimmond, J. P. McFadden, Andreas Christen, Ian B. Strachan, Maija Taka, Lassi Warsta, Martin Heimann

Notice bibliographique

RevueScientific Reports · 2017
Typearticle
Langueen
DomaineEnvironmental Science
ThématiqueUrban Heat Island Mitigation
Établissements canadiensMcGill UniversityUniversity of British Columbia
Organismes subventionnairesU.S. Geological SurveyCanadian Foundation for Climate and Atmospheric SciencesAcademy of FinlandNatural Environment Research CouncilUniversité de Reims Champagne-ArdenneMet OfficeEarth Sciences DivisionSight Research UKNational Aeronautics and Space Administration
Mots-clésSnowEnvironmental scienceSurface runoffEvapotranspirationNorthern HemisphereHydrology (agriculture)Climate changeSnowmeltClimatologyAtmospheric sciencesGeographyMeteorologyGeologyEcology

Résumé

récupéré en direct d'OpenAlex

While approximately 338 million people in the Northern hemisphere live in regions that are regularly snow covered in winter, there is little hydro-climatologic knowledge in the cities impacted by snow. Using observations and modelling we have evaluated the energy and water exchanges of four cities that are exposed to wintertime snow. We show that the presence of snow critically changes the impact that city design has on the local-scale hydrology and climate. After snow melt, the cities return to being strongly controlled by the proportion of built and vegetated surfaces. However in winter, the presence of snow masks the influence of the built and vegetated fractions. We show how inter-year variability of wintertime temperature can modify this effect of snow. With increasing temperatures, these cities could be pushed towards very different partitioning between runoff and evapotranspiration. We derive the dependency of wintertime runoff on this warming effect in combination with the effect of urban densification.

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 enseignants0,265
Score d'incertitude au seuil0,833

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 technologies0,0010,000
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 Opus0,014
Tête enseignante GPT0,232
Écart entre enseignants0,218 · 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

Citations38
Publié2017
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueScientific ReportsMême sujetUrban Heat Island MitigationTravaux en français237 207