Environmental Conditions in Middle Eastern Megacities: A Comparative Spatiotemporal Analysis Using Remote Sensing Time Series
Notice bibliographique
Résumé
Rapid and timely evaluation and monitoring of the urban environment has gained significant importance in understanding the state of urban sustainability in metropolises. Multi-source remote sensing (RS) data are a valuable source for a comprehensive understanding of urban environmental changes in developing countries. However, in the Middle East, a region with several developing countries, limited study has been conducted to understand urban environmental changes. In this study, to evaluate the changes in the urban environment, 32 metropolises in the Middle East were studied between 2000 and 2019. For this purpose, a comprehensive environmental index (CEI) integrated with Google Earth Engine (GEE) platform for processing and analysis is introduced. The results show degraded environmental conditions in 19 metropolises based on a significant increasing trend in the time series of the CEI index. The highest increasing trend in the value of the CEI was observed in the cities of Makkah, Jeddah, Basra, Riyadh, and Sana’a. The results also show that the percentage of urban areas in all 32 cities that falls into the degraded class varies from 5% to 75% between 2005 and 2018. The results of CEI changes in megacities, such as Ajman, Tehran, Jeddah, Makkah, Riyadh, Karaj, and Sana’a show that these cities have increasingly suffered from the degradation of environmental conditions since 2001. According to the results, it is recommended to pay more attention to environmental issues regarding the future of urban development in these cities. The proposed approach in this study can be implemented for environmental assessment in other regions.
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 | 0,001 |
| Études des sciences et des technologies | 0,001 | 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 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 ».