Time series decomposition of remotely sensed land surface temperature and investigation of trends and seasonal variations in surface urban heat islands
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Abstract Previous time series methods have difficulties in simultaneous characterization of seasonal, gradual, and abrupt changes of remotely sensed land surface temperature (LST). This study proposed a model to decompose LST time series into trend, seasonal, and noise components. The trend component indicates long‐term climate change and land development and is described as a piecewise linear function with iterative breakpoint detection. The seasonal component illustrates annual insolation variations and is modeled as a sinusoidal function on the detrended data. This model is able to separate the seasonal variation in LST from the long‐term (including gradual and abrupt) change. Model application to nighttime Moderate Resolution Imaging Spectroradiometer (MODIS)/LST time series during 2000–2012 over Beijing yielded an overall root‐mean‐square error of 1.62 K between the combination of the decomposed trend and seasonal components and the actual MODIS/LSTs. LST decreased (~ −0.086 K/yr, p < 0.1) in 53% of the study area, whereas it increased with breakpoints in 2009 (~0.084 K/yr before and ~0.245 K/yr after 2009) between the fifth and sixth ring roads. The decreasing trend was stronger over croplands than over urban lands ( p < 0.05), resulting in an increasing trend in surface urban heat island intensity (SUHII, 0.022 ± 0.006 K/yr). This was mainly attributed to the trends in urban‐rural differences in rainfall and albedo. The SUHII demonstrated a concave seasonal variation primarily due to the seasonal variations of urban‐rural differences in temperature cooling rate (related to canyon structure, vegetation, and soil moisture) and surface heat dissipation (affected by humidity and wind).
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.
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 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 découle