SMARTer growth neighborhood design manual : application to existing neighborhoods
Notice bibliographique
Résumé
Urbanization is putting immense pressure on global infrastructure. Uncontrolled rapid urbanization and motorization of cities are one of the main causes of Urban Sprawl. This sprawl alters the structure and pattern of cities, making it socially, economically, and environmentally unsustainable. Urban Sprawl is associated with traffic fatalities, physical inactivity, obesity, and increased GHG emissions. Urban planners and engineers are researching new methods to eliminate the negative impacts of urban sprawl. SMARTer Growth (SG) Neighborhood design or previously know as Fused Grid (FG) Neighborhood Design has been identified as a reliable planning technique that can effectively fight urban sprawl while making neighborhoods more sustainable and liveable. Macro-level collision prediction models were developed in this study to evaluate the traffic safety condition of the neighborhoods under study. SG was introduced to evaluate two existing neighborhoods, and macro-level collision prediction models were applied to assess the traffic safety of the existing neighborhoods and the retrofitted designs. The comparison between the existing neighborhoods and the retrofitted designs showed a 62% reduction in the total number of collisions for the retrofit design of Capri-Landmark, Kelowna, BC, Canada, and 56% reduction in the total number of collisions for the retrofit design for Gulshan, Dhaka, Bangladesh. Additionally, the suite of tools toward SMARTer Growth (SG) Neighborhood Design Manual was applied to evaluate these retrofitted designs. Based on the evaluation, the health outcomes and quality of life of the residents in the proposed retrofit designs were discussed.
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 enseignantsNi 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.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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.
score_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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».