MétaCan
Menu
Retour à la cohorte
Enregistrement W7128501863 · doi:10.64903/1480-6800-26.2.210

Impact of Land Use Planning and Urbanisation on the Urban Heat Island Phenomena, Case Study of Salalah, Sultanate of Oman

2023· article· W7128501863 sur OpenAlexvenueno aff
Hussam Ashour, Yasser Arab, A. A. Hassan, Peem Nuaklong, Boonsap Witchayangkoon

Notice bibliographique

RevueArab world geographer · 2023
Typearticle
Langue
DomaineEnvironmental Science
ThématiqueUrban Heat Island Mitigation
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésUrban heat islandUrbanizationUrban planningUrban climateLand useLand-use planningNatural (archaeology)

Résumé

récupéré en direct d'OpenAlex

Cities across much of the world are experiencing a gradual increase in urban air temperature. A significant possible cause is an extreme reduction in urban greenery areas. Thus, land use planning is crucial in determining the quality of the outdoor environment. This paper investigates the UHI, or Urban Heat Island phenomenon, and the land-use impact in Salalah, Sultanate of Oman. To this end, UHI has been outlined in this paper with its thermodynamic characteristics and nature. Many studies investigated the type of land-use impact on UHI in urban regions. Previous studies are reviewed in this paper to determine how land use, particularly in urban areas, affects ambient temperature. Overall, the findings of the reviewed studies show that land use could influence urban temperature. Accordingly, a high-temperature difference was found between rural and urban areas, which emphasized the effect of green areas on ambient temperature. This in turn showed evidence of the effectiveness of natural areas, such as the existence of water bodies and green foliage or plants, in reducing the UHI intensity and its spread. Accordingly, urban planning processes should be more effectively considered in the future as Urban Heat Island (UHI) can be mitigated mainly by means of more rationally appropriate land use planning.

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 enseignants0,017
Score d'incertitude au seuil0,987

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,002
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)0,0010,000

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 Opus0,026
Tête enseignante GPT0,263
Écart entre enseignants0,238 · 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

Citations0
Publié2023
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueArab world geographerMême sujetUrban Heat Island MitigationTravaux en français237 207