Impact of Urban Agglomeration and Physical and Socioeconomic Factors on Surface Urban Heat Islands in the Pearl River Delta Region, China
Notice bibliographique
Résumé
An understanding of the driving factors of urban heat islands could improve the urban thermal environment and provide planning strategies for sustainable urban/regional development. We selected Guangdong province in China as a case area, which covers 21 cities and more than 110 million people. We used multitemporal remote sensing data from multiple sources and socioeconomic statistical data to analyze the effects of various drivers of surface urban heat islands (SUHIs). The tested drivers include urban agglomeration, physical indicators (e.g., vegetation and built-up indices), and socioeconomic indicators (e.g., population, gross domestic production, and nightlight intensity). The results show that physical indicators are determinants of daytime SUHIs whereas socioeconomic indicators are determinants of nighttime SUHIs, which indicates that daytime and nighttime SUHIs have different causal mechanisms in this region. Moreover, the results reveal that the influence of urban agglomeration on urban surface temperature is more significant at nighttime than in daytime, which implies that the warming effect of urban agglomeration is stronger at night. Together, the results indicate that joint control of urban size, urbanization level, and socioeconomic activities is crucial to alleviate SUHIs and safeguard sustainable development in this region.
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 | 0,000 | 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 | 0,000 |
| 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 ».