MétaCan
Menu
Retour à la cohorte
Enregistrement W4410557967 · doi:10.5194/icuc12-344

Paris 2024 Olympics Project results on urban heat modelling: intercomparison and application to the marathon event

2025· preprint· en· W4410557967 sur OpenAlexaff
Valéry Masson, Jean Wurtz, Paul Abeillé, Guillaume Dumas, Aude Lemonsu, Tim Nagel, Cécile de Munck, Olivier Garrouste, Lewis Blunn, Kirsty Hanley, Dan Suri, Humphrey Lean, Hyejo Hailey Shin, Charmaine Franklin, V.V. Ravi Kanth Kumar, Jan-Peter Schulz, Sven Ulbrich, Audrey Lauer, Sylvie Leroyer, Estelle de Coning

Notice bibliographique

Revuenon disponible
Typepreprint
Langueen
DomaineEnvironmental Science
ThématiqueUrban Heat Island Mitigation
Établissements canadiensEnvironment and Climate Change Canada
Organismes subventionnairesnon disponible
Mots-clésEvent (particle physics)Environmental scienceMeteorologyAeronauticsEngineeringGeographyPhysics

Résumé

récupéré en direct d'OpenAlex

The Paris 2024 Olympics Research Demonstration Project, endorsed by the World Weather Research Programme of WMO, aimed to make progress on future fine-scale weather forecasting systems in cities. The project brought together more than 20 national meteorological centres and laboratories from 10 countries.During the Olympic and Paralympic summer, simulations from 7 hectometric numerical models were conducted daily by the partners. Comparisons were made with weather stations inside and outside the city. The results demonstrated the capacity of the models to reproduce urban effects, but also revealed large variability among models, particularly regarding the extent of the urban heat plume at night. This opens up new scientific questions, which are explored in depth using the crowdsourced netatmo observations, in order to assess the role of the various physical processes in play, such as the competition between hot air advection and local cooling in the suburbs.A decision-making procedure was also established regarding whether or not to hold the Paris 2024 “Marathon for All” in hot weather situations. Throughout the summer of 2022, 100m MesoNH model simulations were conducted over Paris and its inner suburbs, extending to Versailles. Analysis of these simulations by expert forecasters from Météo-France Sports led to proposed scenarios assessing the heat stress conditions runners would face along the marathon route, based on their running speeds. The Paris 2024 marathon organisers were able to take this meteorological information into account when planning the event. A 100m MesoNH simulation was used specifically on the day of the Marathon for All to refine the forecasts of race conditions, and to adapt the safety and assistance arrangements for runners as best possible. This study shows the value of 100-m resolution models for targeted forecasting applications.

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 machine sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.

score de la tête « metaresearch » (Codex)0,004
score de la tête « metaresearch » (Gemma)0,003
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: Simulation ou modélisation
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,168
Score d'incertitude au seuil0,335

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0040,003
Méta-épidémiologie (sens strict)0,0020,000
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0010,002
Études des sciences et des technologies0,0010,001
Communication savante0,0020,001
Science ouverte0,0010,001
Intégrité de la recherche0,0020,001
Charge utile insuffisante (le modèle a refusé de juger)0,0020,001

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 Opus0,023
Tête enseignante GPT0,277
Écart entre enseignants0,254 · 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 source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSimulation ou modélisation
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

Citations0
Publié2025
Routes d'admission1
Résumé présentoui

Explorer davantage

Même sujetUrban Heat Island MitigationTravaux en français237 207