Addressing the Water–Energy–Food Nexus through Enhanced Green Roof Performance
Notice bibliographique
Résumé
Urban densification and climate change are creating a multitude of issues for cities around the globe. Contributing factors include increased impervious surfaces that result in poor stormwater management, rising urban temperatures, poor air quality, and a lack of available green space. In the context of volatile weather, there are growing concerns regarding the effects of increased intense rainfalls and how they affect highly populated areas. Green roofs are becoming a stormwater management tool, occupying a growing area of urban roof space in many developed cities. In addition to the water-centric approach to the implementation of green roofs, these systems offer a multitude of benefits across the urban water–energy–food nexus. This paper provides insight to green roof systems available that can be utilized as tools to mitigate the effects of climate change in urbanized areas. A new array of green roof testing modules is presented along with research methods employed to address current issues related to food, energy and water performance optimization. Rainwater runoff after three rain events was observed to be reduced commensurate with the presence of a blue roof retention membrane in the testbed, the growing media depth and type, as well as the productive nature of the plants in the testbed. Preliminary observations indicate that more productive green roof systems may have increasingly positive benefits across the water–energy–food nexus in dense urban areas that are vulnerable to climate disruption.
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 | 0,000 |
| Études des sciences et des technologies | 0,000 | 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) | 0,001 | 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 ».