Perceptions and physical drivers of extreme heat at transit stops
Notice bibliographique
Résumé
Extreme urban weather generates unequal impacts on human health and well-being, with transit stops often serving as critical points of exposure to extreme micro-climatic conditions. These locations are essential for urban mobility, particularly for transit-dependent riders, often among the most vulnerable and economically disadvantaged populations. However, transit stops frequently lack adequate protection against heat, leaving riders exposed to potentially hazardous thermal conditions. This study investigates the intersection of biophysical and social dimensions of extreme heat at transit stops in Denver, Colorado, USA.A representative sample of 125 bus stops was selected to capture variability across physical attributes (e.g., vegetation cover, impervious surfaces, and built land cover) and socioeconomic gradients (e.g., income levels and racial/ethnic demographics). Summertime mean radiant temperature was measured at these stops using low-cost weather stations. These observations were used to characterize physical drivers of heat exposure, including micro- and neighborhood-scale land cover interactions, transit infrastructure design, and synoptic weather patterns. In parallel, rider perceptions of heat and its influence on transit behavior were assessed through structured surveys and detailed ridership data from individual bus stops.Preliminary results provide insights into rider experiences and behavior under heat stress and highlight key physical drivers of extreme heat. These findings offer actionable recommendations for transit authorities to evaluate the effectiveness of current shade structures, prioritize infrastructure upgrades, and develop targeted heat mitigation strategies for transit users.
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 | 0,000 | 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 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».