MétaCan
Menu
Retour à la cohorte
Enregistrement W4288729422 · doi:10.1088/1748-9326/ac7e60

The evolution of the geothermal potential of a subsurface urban heat island

2022· article· en· W4288729422 sur OpenAlexaff
Hannes Hemmerle, Grant Ferguson, Philipp Blum, Peter Bayer

Notice bibliographique

RevueEnvironmental Research Letters · 2022
Typearticle
Langueen
DomaineEnvironmental Science
ThématiqueUrban Heat Island Mitigation
Établissements canadiensUniversity of Saskatchewan
Organismes subventionnairesDeutsche Forschungsgemeinschaft
Mots-clésUrban heat islandAquiferGeothermal gradientGroundwaterEnvironmental scienceGeothermal heatingGeothermal energyResource (disambiguation)Earth scienceHydrology (agriculture)Water resource managementGeologyGeographyMeteorologyGeotechnical engineering

Résumé

récupéré en direct d'OpenAlex

Abstract Meeting the rising energy demands of cities is a global challenge. Exploitation of the additional heat in the subsurface associated with the subsurface urban heat island (SUHI) has been proposed to address the heating demands. For the sustainable use of this heat it is crucial to understand how SUHIs evolve. To date, there have been no comprehensive studies showing how temperature anomalies beneath cities change over time scales of decades. Here, we reveal the long-term increase of temperatures in the groundwater beneath Cologne, Germany from 1973 to 2020. The rise in groundwater temperature trails atmospheric temperature rise in the rural areas and exceeds the rise in atmospheric temperature in the urban center. However, the amount of heat that is currently stored each year in the thin shallow aquifer reaches only 1% of the annual heating demand. The majority of the anthropogenic heat passes by the vertical extent of the aquifer or is discharged by the adjacent river. Overall the geothermal resource of the urban ground remains largely underused and heat extraction as well as combined heating and cooling could substantially raise the geothermal potential to supply the city’s demand.

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)0,001
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: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,733
Score d'incertitude au seuil0,999

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0010,001
Communication savante0,0000,000
Science ouverte0,0010,001
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0020,000

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 Opus0,008
Tête enseignante GPT0,220
Écart entre enseignants0,212 · 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

Citations33
Publié2022
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueEnvironmental Research LettersMême sujetUrban Heat Island MitigationTravaux en français237 207