Arboreal Urban Cooling Is Driven by Leaf Area Index, Leaf Boundary Layer Resistance, and Dry Leaf Mass per Leaf Area: Evidence from a System Dynamics Model
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Heat waves are becoming more frequent due to climate change. Summer heat waves can be particularly deadly in cities, where temperatures are already inflated by abundant impervious, dark surfaces (i.e., the heat island effect). Urban heat waves might be ameliorated by planting and maintaining urban forests. Previous observational research has suggested that conifers may be particularly effective in cooling cities. However, the observational nature of these studies has prevented the identification of the direct and indirect mechanisms that drive this differential cooling. Here, we develop a systems dynamics representation of urban forests to model the effects of the percentage cover of either conifers or broadleaf trees on temperature. Our model includes physiological and morphological differences between conifers and broadleaf trees, and physical feedback among temperature and energy fluxes. We apply the model to a case study of Vancouver, BC, Canada. Our model suggests that in temperate rainforest cities, conifers may by 1.0 °C cooler than broadleaf trees; this differential increases to 1.2 °C when percentage tree cover increases from 17% to 22% and to 1.7 °C at 30% cover. Our model suggests that these differences are due to three key tree traits: leaf area index, leaf boundary layer resistance, and dry mass per leaf area. Creating urban forests that optimize these three variables may not only sequester CO2 to mitigate global climate change but also be most effective at locally minimizing deadly urban heat waves.
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.
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 | 0,001 |
| 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 découle