HiTIC-Monthly: a monthly high spatial resolution (1 km) human thermal index collection over China during 2003–2020
Notice bibliographique
Résumé
Abstract. Human thermal comfort measures the combined effects of temperature, humidity, and wind speed, etc., and can be aggravated under the influences of global warming and local human activities. With the most rapid urbanization and the largest population, China is being severely threatened by aggravating human thermal stress. However, the variations of thermal stress in China at a fine scale have not been fully understood. This gap is mainly due to the lack of a high-resolution gridded dataset of human thermal indices. Here, we generate the first high spatial resolution (1 km1 km) dataset of monthly human thermal index collection (HiTIC-Monthly) over China from 2003 to 2020. In this collection, 12 commonly used thermal indicators are generated by the LGBM machine learning algorithm from multi-source gridded data, including MODIS land surface temperature, topography, land cover and land use, population density, and impervious surface fraction. Their accuracies were comprehensively assessed based on observations at 2419 weather stations across the mainland of China. The results show that our dataset has desirable performance, with mean R2, root mean square error, mean absolute error, and bias of 0.996, 0.693 °C, 0.512 °C, and 0.003 °C, respectively, by averaging the 12 indicators. Moreover, the predictions exhibit high agreements with observations across spatial and temporal dimensions, demonstrating the broad applicability of our dataset. The comparison with two existing datasets also suggests that our high-resolution dataset can describe a more explicit spatial distribution of the thermal information, showing great potentials in fine-scale (e.g., intra-urban) study. Further investigation reveals that nearly all indicators exhibit increasing trends in most parts of China during the year 2003~2020. The increase is especially stronger in North China, Southwest China, the Tibetan Plateau, and parts of Northwest China, and in the spring and summer seasons. The HiTIC-Monthly dataset is publicly available via https://zenodo.org/record/6895533 (Zhang et al., 2022a).
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,001 |
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 ».