MétaCan
Menu
Retour à la cohorte
Enregistrement W3199553926 · doi:10.1002/joc.7395

Temperature variability over urban, town, and rural areas: The case of Pakistan

2021· article· en· W3199553926 sur OpenAlexaff
Sajjad Hussain Sajjad, Nadège Blond, Tanzina Mohsin, Khadija Shakrullah, Alain Clappier

Notice bibliographique

RevueInternational Journal of Climatology · 2021
Typearticle
Langueen
DomaineEnvironmental Science
ThématiqueUrban Heat Island Mitigation
Établissements canadiensThe Scarborough HospitalUniversity of Toronto
Organismes subventionnairesUniversity of TabrizUniversité de Strasbourg
Mots-clésUrbanizationMaximum temperatureRural areaGeographyEnvironmental scienceUrban heat islandHomogeneity (statistics)Physical geographyClimatologyMeteorologyGeologyStatisticsMathematics

Résumé

récupéré en direct d'OpenAlex

Abstract This study investigates the evolution of temperatures at several locations in Pakistan. Data on annual and seasonal minimum ( T n ) and maximum ( T x ) temperatures from 1950 to 2013 of urban (16 stations), town (11 stations), and rural (nine stations) areas are analysed to establish the mean decadal rate of change in urban, town, and rural temperatures. The homogeneity of the data was assessed using HOMER 2.6. To measure the temporal intensity of change in temperature, the data were split into two different periods: 1950–1981 (P1, phase of less urbanization) and 1982–2013 (P2, phase of highly urbanized period) and were analysed separately for both phases of 32 years each. The per decade changes of annual minimum and maximum temperatures ( dT n a and dT x a , respectively) over most stations show an increase in temperatures. The trends of annual and seasonal dT n and dT x observed over urban, town, and rural stations during P2 are significantly higher than those observed during P1. The increase in minimum temperatures is more significant than that in maximum temperature, and it is also more significant on urban stations than the town and rural stations. However, the maximum temperatures increase more at town stations than urban and rural stations. Overall, the tendencies in temperatures reflect less change in summer temperatures than other seasons of the year over the whole period.

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)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesCharge utile insuffisante (le modèle a refusé de juger)
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 enseignants0,153
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
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 savante0,0000,000
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 Opus0,005
Tête enseignante GPT0,267
Écart entre enseignants0,261 · 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.

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

Citations4
Publié2021
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueInternational Journal of ClimatologyMême sujetUrban Heat Island MitigationTravaux en français237 207