MétaCan
Menu
Retour à la cohorte
Enregistrement W4389100380 · doi:10.17352/2455-488x.000073

Cool walkability planning: Providing pedestrian thermal comfort in hot climate cities

2023· article· en· W4389100380 sur OpenAlexaff
Todd Litman

Notice bibliographique

RevueJournal of Civil Engineering and Environmental Sciences · 2023
Typearticle
Langueen
DomaineEnvironmental Science
ThématiqueUrban Heat Island Mitigation
Établissements canadiensTransport Canada
Organismes subventionnairesnon disponible
Mots-clésWalkabilityUrbanizationEnvironmental sciencePedestrianUrban heat islandThermal comfortTRIPS architectureUrban climateClimate changeClimate zonesGeographyMeteorologyTransport engineeringBuilt environmentPhysical geographyCivil engineeringEngineeringEconomic growthEconomics

Résumé

récupéré en direct d'OpenAlex

Global warming and urbanization are increasing the number of people living in cities that experience extreme heat. This makes walking uncomfortable, unattractive, and unhealthy and causes travelers to drive for trips that could be made on foot. To address these problems hot-climate cities can create networks of shadeways (shaded sidewalks) and pedways (enclosed, climate-controlled walkways). This article introduces the Cool Walkshed Index (CWI) which rates pedestrian thermal protection from A (best) to F (worst). Currently, most urban neighborhoods have CWI E (incomplete sidewalk networks) or D (complete sidewalk networks). Moderate-heat cities should aspire to CWI C (shaded sidewalks on busy routes); high-heat cities, with temperatures that frequently exceed 38 °C (100 °F) should aspire to CWI B (most buildings located within 300 m of enclosed, climate-controlled pedways); and extreme-heat cities, with temperatures that frequently exceed 43 °C (110° F) should aspire to CWI A (most buildings are located less than 100 m of enclosed, climate-controlled pedways). Analysis in this study indicates that the additional costs of these facilities can be repaid many times over through road, parking, and vehicle savings, and increased local property values.

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 candidatesaucune
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 enseignants0,200
Score d'incertitude au seuil0,354

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 technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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 Opus0,015
Tête enseignante GPT0,213
Écart entre enseignants0,198 · 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.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
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

Citations16
Publié2023
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJournal of Civil Engineering and Environmental SciencesMême sujetUrban Heat Island MitigationTravaux en français237 207