MétaCan
Menu
Retour à la cohorte
Enregistrement W2913245146 · doi:10.3166/isi.23.5.105-119

Study on the impacts of urban network evolution on urban wind and heat environment based on improved genetic algorithm

2018· article· en· W2913245146 sur OpenAlexvenueno aff
Bohong Zheng, Yanfen Zhong

Notice bibliographique

RevueIngénierie des systèmes d information · 2018
Typearticle
Langueen
DomaineEnvironmental Science
ThématiqueEvaluation Methods in Various Fields
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésUrban heat islandGenetic algorithmUrban environmentEnvironmental scienceMeteorologyComputer scienceGeographyEnvironmental planningMachine learning

Résumé

récupéré en direct d'OpenAlex

The irrational layout of urban space is very likely to produce urban heat island (UH). Thus, it is highly necessary to explore how the evolution and spatial distribution of urban network affect the urban wind and heat environment (W&HE). In this paper, an improved genetic algorithm (GA) is proposed to simulate the evolution of urban network, and the UH intensities (UHIs) of Changsha, China are monitored at 18 urban and 7 suburban observation points. On this basis, the author analysed the impacts of urban spatial layout on the W&HE and the UHI. The results show that: the improved GA is feasible for simulation and analysis of the evolution trend of urban network; the UH effect increased with the total urban area and building floor-area ratio (FAR); the mean daytime UHI in downtown Changsha decreased with the growth in green space ratio and increased with the growth in the hardened ground ratio. Therefore, the urban spatial layout should be planned rationally to control the development intensity, lower the ratio of hardened ground and expand the green space in the urban area. The research findings lay a solid theoretical basis for the optimal design of urban layout and the improvement of urban W&HE.

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)0,001
score de la tête « metaresearch » (Gemma)0,002
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: Simulation ou modélisation
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,017
Score d'incertitude au seuil0,034

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,002
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0010,001
Études des sciences et des technologies0,0000,000
Communication savante0,0010,001
Science ouverte0,0010,000
Intégrité de la recherche0,0010,000
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 Opus0,017
Tête enseignante GPT0,253
Écart entre enseignants0,237 · 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'étudeSimulation ou modélisation
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

Citations3
Publié2018
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueIngénierie des systèmes d informationMême sujetEvaluation Methods in Various FieldsTravaux en français237 207