Seasonal and Diurnal Characteristics of Land Surface Temperature and Major Explanatory Factors in Harris County, Texas
Notice bibliographique
Résumé
The effects of biophysical and meteorological factors on land surface temperature (LST) have been well studied in previous research. However, less attention has been paid to examine how building materials influence the magnitude of LST within an urban environment. This study investigates the interaction of biophysical and building wall materials to influence LST in Harris County, Texas, USA using multiple stepwise linear regression analyses and neighborhood analysis. Working at 1 km grid resolution, LST data is related to impervious surface fraction, albedo, distance to water bodies, and seven major wall types. Ten years of aggregated MODIS (Moderate Resolution Imaging Spectroradiometer) daily LST products were used to calculate the mean LST in January and August for daytime and nighttime conditions. Harris County 2010 parcel level building property data were used to create composition characteristics of the building wall types. Our results demonstrate that both biophysical and building wall characteristics significantly influence the spatiotemporal variations of LST. However, biophysical factors are the dominant explaining factors compared to building wall materials. Impervious surface fraction is the most significant variable to explain the variation of LST, and has positive effects on LST. In contrast, high albedo materials and the presence of open water bodies significantly affect LST and are good candidate variables to mitigate the heat island effect. Furthermore, the building wall variables all increase LST for both daytime and nighttime, but different wall materials have various effects on LST. Brick/veneer and frame/concrete block are the two dominant wall types in Harris County and tend to generate higher LST. These results demonstrate how building materials, in combination with biophysical factors, can be used to mitigate neighborhood-scale LST. This methodology works reasonably well for Houston, but is likely to be more effective in higher density urban settings.
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 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) | 0,001 | 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 ».