Detecting Peri-Urban Climates in China Using a Thermal Variability Framework
Notice bibliographique
Résumé
Abstract Nine urban areas in China are examined using a peri-urban thermal variability metric. Of the nine, four showed some evidence of a peri-urban climate that is linked to the location of the climate station within the urban area. A series of metrics that exploit the subtle variation of temperature variability experienced day to day are used to identify the climate station urbanization characteristics from 1951 to 2023. Metrics that identified the local environment as rural, urban, or peri-urban were used. This peri-urban analysis was employed in this work for the first time using Chinese climate data by examining nine urban areas: Harbin, Shenyang, Shijiazhuang, Jinan, Zhengzhou, Hefei, Wuhan, Nanchang, and Changsha. Harbin, Shenyang, Jinan, and Zhengzhou had distinct peri-urban thermal signatures. Harbin, Heilongjiang, a large city in the northeast of China illustrated most clearly the changing thermal variability characteristics as the local climate station experienced the expanding urban reach of the growing city. The location of its climate station at the fringe of the city in 1951 led to a rural classification for many years. This changed dramatically to peri-urban beginning in the 1980s and to urban in the 2010s and into the 2020s, consistent with the expanding urban sprawl. This research provided some initial insight into the interplay of the various metrics used as the site transitioned from rural to peri-urban to urban.
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 | 0,001 | 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 | 0,001 |
| 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 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 ».