Automatic Detection and Dynamic Analysis of Urban Heat Islands Based on Landsat Images
Notice bibliographique
Résumé
Given rapid global urban development, increases to impervious surfaces, urban population growth, building construction, and energy consumption result in the urban heat island (UHI) phenomenon. However, the spatial extent of UHIs is not clearly mapped in many UHI studies based on a remote sensing approach. Therefore, we developed a method to extract the spatial extent of the UHI during the period from 2000 to 2021 in Nanjing, China, and explored the impact of urban two- and three-dimensional expansion on UHI spatial extent and UHI intensity. After cropland effects (i.e., bare soil) were eliminated, our proposed method combines the Getis-Ord-Gi* and the standard deviation of the normalized difference vegetation index (NDVI STD) to extract the UHI area from Landsat 5 and Landsat 8 images using land surface temperature (LST) spatial autocorrelation characteristics and the seasonal variation of vegetation. Our results show the following: (1) Bare farmland has a large influence on the extraction results of UHI—combined with the seasonal variation characteristics of NDVI STD, the impact of bare soil on UHI extraction was highly reduced, strongly improving the accuracy of UHI extraction. (2) The dynamics of the UHI area are consistent with the changes in the built-up area in Nanjing at both spatial and temporal scales, but with the increase of the urban green ratio, the UHI area of mature urban areas trends to decrease due to the cooling effect of green space. (3) The accumulation of population and GDP promote the vertical expansion of urban buildings. When the two-dimensional expansion of the city reaches saturation, the UHI intensity is primarily affected by three-dimensional urban expansion.
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 | 0,000 | 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 ».