Correlation Analysis between Land Use/Cover Change and Air Pollutants—A Case Study in Wuyishan City
Notice bibliographique
Résumé
Land use changes have significantly altered the natural environment in which humans live. In urban areas, diminishing air quality poses a large threat to human health. In order to investigate the relationship between land use/cover change (LUCC) and air pollutants of Wuyishan City between 2014–2017, an integrated approach was used by combining remote sensing techniques with a landscape ecology methods. Annual, seasonal, and weekly mean values of air pollutant (SO2, NO2, CO, PM10, O3, PM2.5, black carbon) concentration and atmospheric visibility were calculated to develop a Pearson correlation between LUCC and air pollutants concentration. Results showed an increase in forested areas (1.79%) and water areas (15.89%), with a simultaneous reduction in cultivated land (6.47%), bare land (72.61%), and built-up land (16.03%) from 2014 to 2017. The transition matrix of land use types revealed that (i) forest expansion took place mainly at the expense of cultivated land (13.94%) and bare land (27.48%); and (ii) water area expansion took place mainly at the expense of cultivated land (1.29%) and forests (0.21%). In 2017, the proportion of days with AQI level I (94.52%) was higher than that in 2014 (88.77%). Additionally, the annual average visibility in 2017 (37.42 km) was higher than 2014 (27.46 km). The concentration of SO2, CO, O3, and black carbon was positively correlated with the cultivated land. The concentration of SO2, CO, and black carbon negatively correlated with the increase of forests. PM10, and PM2.5 is negatively correlated with the water area. Visibility was found to be positively correlated with forested area, and negatively correlated with cultivated land. The findings from this study represent a valuable gain in understanding of policies aimed at improving, safeguarding, and monitoring air quality. These results can be used to inform land-use planning decisions in a comprehensive way and could be a valuable tool for LUCC rational management strategies.
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 | 0,001 |
| Bibliométrie | 0,002 | 0,004 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 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 ».