Quantification of green-blue ratios, impervious surface area and pace of urbanisation for sustainable management of urban lake – land zones in India -a case study from Bengaluru city
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Quantification of the ecosystem services of blue and green infrastructure in urban centres with the perspective of planning sustainable development is usually data-intensive, includes use of multi-platform datasets and adds to the complexities in deriving effective and reproducible metrics. The present study describes the creation of four simple metrics to estimate: 1. the ratio of ‘green’ vegetated areas to the ‘blue’ water spread areas, defined as the ‘Green-blue ratio’ (GBA); 2. The ratio of ‘blue’ water spread areas to ‘built-up’ ratio around the lakes, defined as the ‘Blue to Built-up ratio’ (BBA), 3. the percentage of impervious surface area (ISA) and 4. the pace of urbanisation in the dynamic zones (DZ) of urban lake environments. These new metrics were evaluated using landcover areas mapped from satellite imageries. Visual interpretation-based method was adopted to delineate the green, blue and built-up areas from Google Earth, which is suitable for wide range of users. The use of these metrics has been illustrated using available datasets for four representative lakes in Bengaluru city, India: Sankey tank, Ulsoor lake, Nagavarakere and Puttenahallikere. Significant spatio-temporal variations in the ratios of GBA and BBA as well as %ISA were observed and satisfactorily reflected the ecological status of these lakes in concurrence with earlier studies. Detailed analyses constrained a permissible rate of annual increase in the built-up area within the DZs to ∼ 3% for sustainable development of the lakes. The present set of metrics can be recommended as useful tools for urban planners and citizen scientists for seasonal monitoring of urban lake environments.
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.
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 | 0,001 | 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) | 0,000 | 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 découle