Urban Greenness Extracted from Pedestrian Video and Its Relationship with Surrounding Air Temperatures
Notice bibliographique
Résumé
Background: Urban greenness has been associated with a wide range of health benefits, partially attributable to local cooling and visually-stimulated stress reduction. Several approaches have been used to assess greenness exposure at individual and population scales, but there is discrepancy between methods. Image processing of pedestrian video data, collected as part of a study on microscale urban air temperature, provide a novel source of street-level information on vegetation.Methods: Python was used to extract green, yellow, and shaded pixels from ~10 million frames of video footage collected during 40 sampling runs of 20 urban routes measuring 8-10 km. Resulting greenness values (combined total of green, yellow, and shaded pixels as a percentage of all pixels) were compared with concurrent air temperatures using correlations, time series plots, and maps. Shaded pixels were included because vegetation can generate large shaded areas on hot summer days.Results: The mean air temperature measured across the 40 runs ranged from 19.8 to 31.9 °C, with standard deviations ranging from 0.26 to 1.21 °C. In comparison, the mean greenness ranged from 52% to 65%, with standard deviations ranging from 6% to 13%. Correlations ranged from -0.61 to 0.34 and were in the expected direction for 31 of 40 runs, with plots and maps showing clear inverse relationships in many cases. Flat and weakly positive relationships occurred when background temperatures were low, conditions were overcast, or routes were closer to large waterways.Conclusions: Secondary data are limited for such evaluations, but with further refinement, our methods could provide unprecedented spatial and temporal resolution for greenness exposure assessment in individual-level studies. They could also be used to evaluate and compare models used to assess exposure at the population scale as long as the video footage is temporally matched with other methods, such as satellite overpasses or Google Street View imaging.
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 | 0,000 |
| Bibliométrie | 0,001 | 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 ».