Spatiotemporally characterizing urbantemperatures based on remote sensing and GISanalysis: a case study in the city of Saskatoon(SK, Canada)
Notice bibliographique
Résumé
Abstract The purpose of this study is to spatiotemporallyexplore the characteristics of urban temperaturesbased on multi-temporal satellite data and historical insitu measurements. As one of the most rapidly urbanizedcities in Canada, Saskatoon (SK) was selected as our studyarea. Surface brightness retrieving, Pearson correlation,linear regression modeling, and buffer analysis were appliedto different satellite datasets. The results indicatethat both Landsat and MODIS data can yield pronouncedestimations of daily air temperature with a significantlyadjusted R2 of 0.803 and 0.518 at the spatial scales of 120mand 1000 m, respectively. MODIS monthly LST data ishighly suitable for monitoring the trend of monthly urbanair temperature throughout summer (June, July, and August)due to a high average R2 of 0.8 (P<0.05), especiallyfor the warmest month (July). Our findings also reveal thatboth the Saskatchewan River and urban green spaces havestatistically significant cooling effects on the surroundingurban surface temperatures within 500 m and 200 m, respectively.In addition, a multiple linear regression modelwith four influential factors as independent variables canbe developed to estimate urban surface temperatures witha highest adjusted R2 of 0.649 and a lowest standard errorof 0.076.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,004 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».