Optimizing the urban thermal environment at local scale: a case study in Wuhan, China
Notice bibliographique
Résumé
The urban thermal environment deteriorates with increasing frequency of extreme heat events in cities. Conventionally, the Urban Heat Island (UHI) effect only reflects the temperature difference between the city and its rural surroundings. This scale of analysis is often too broad to help devise mitigation strategies, which are typically implemented at a more local scale within the sphere of urban planning and design. In this research, the city of Wuhan, China, is taken as an example. Through quantitative measurements, a workflow is proposed to mitigate the surface UHI of Wuhan, locally. Also, the satellite images of the MODerate-resolution Imaging Spectroradiometer and Landsat-7 ETM+ are used for technical purposes, and the K-means clustering is applied to classify the Local Climate Zone (LCZ). Further, the Local Scale Urban Heat Island (LSUHI) is captured through morphological parameters, such as Multi-Scale Shape Index (MSSI) based upon the latent Land Surface Temperature (LST) pattern. The mitigation process is organized hierarchically and prioritized by the combination of LCZ and LSUHI. Based on this, Wuhan is divided into seven LCZs and the LSUHI, in the mean time, can be detected by morphological parameters. We present the corresponding quantitative planning advice for places with higher heat threats in the city. This research is conducted on urban microclimate and urban planning on at least two levels: (1) the reduced study scale of urban thermal environment and (2) a planning-driven workflow of urban thermal environment optimization.
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 | 0,001 | 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 | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| 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 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 ».