PanoMRT: Panoramic infrared thermography to model human thermal exposure and comfort
Notice bibliographique
Résumé
As summer heat waves become the new normal worldwide, modeling human thermal exposure and comfort to assess and mitigate urban overheating is crucial to uphold livability in cities. We introduce PanoMRT, an open source human-biometeorological model to calculate Mean Radiant Temperature (TMRT), Physiologically Equivalent Temperature (PET), and the Universal Thermal Climate Index (UTCI) from thermal equirectangular 360° panoramas and standard weather information (air temperature, relative humidity, wind speed). We validated the model for hot, dry, clear summer days in Tempe, Arizona, USA with in-situ observations using a FLIR Duo Pro R thermal camera on a rotating arm and the mobile human-biometeorological instrument platform MaRTy. We observed and modeled TMRT and thermal comfort for 19 sites with varying ground cover (grass, concrete, asphalt), sky view factor, exposure (sun, shade), and shade type (engineered, natural) six times per day. PanoMRT performed well with a Root Mean Square Error (RMSE) of 4.1 °C for TMRT, 2.6 °C for PET, and 1.2 °C for UTCI, meeting the accuracy requirement of ±5 °C set in the ISO 7726 standard for heat and cold stress studies. RayMan reference model runs without measured surface temperature forcing reveal that accurate longwave radiative flux estimations are crucial to meet the ±5 °C threshold, particularly for shaded locations and during midday when surface temperatures peak and longwave modeling errors are largest. This study demonstrates the importance of spatially resolved 3D surface temperature data for thermal exposure and comfort modeling to capture complex longwave radiation exposure patterns resulting from heterogeneity in built configuration and material radiative and thermal properties in the built environment.
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 | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,002 |
| 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 ».