Using Satellite-Borne Remote Sensing Data in Generating Local Warming Maps with Enhanced Resolution
Notice bibliographique
Résumé
Warming, i.e., increments of temperature, is evident at the global, regional, and local level. However, understanding the dynamics of local warming at high spatial resolution remains challenging. In fact, it is very common to see extremely variable land cover/land use within built-up environments that create micro-climatic conditions. To address this issue, our overall goal was to generate a local warming map for the period 1961–2010 at 15 m spatial resolution over the southern part of the Canadian province of Alberta. Our proposed methods consisted of three distinct steps. These were the: (i) construction of high spatial resolution enhanced vegetation index (EVI) and normalized difference vegetation index (NDVI) maps; (ii) conversion of air temperature (Ta) normal (i.e., 30 years average) at higher spatial resolution using vegetation indices (VI); and (iii) generation of a local warming map at 15m spatial resolution. In order to execute this study, we employed MODIS-driven air temperature data, EVI and NDVI data, and Landsat-driven vegetation indices. The study uncovered that around 58% (up to positive 1 °C) of areas in the considered study region were experiencing increased temperature; whereas only about 4% of areas underwent a cooling trend (more than negative 0.25 °C). The remaining 38% did not exhibit significant change in temperature. We concluded that remote sensing technology could be useful to enhance the spatial resolution of local warming maps, which would be useful for decision-makers considering efficient decisions in the face of increments in local temperature.
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 | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,005 |
| 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 ».