Assessment of Land Surface Temperature from the Indian Cities of Ranchi and Dhanbad during COVID-19 Lockdown: Implications on the Urban Climatology
Notice bibliographique
Résumé
An apparent increase in average global temperature is evident globally, and India is no exception. With the recent decade (2011–2020) arguably being the warmest, significant challenges due to rapid climate change have gained attention. However, notable spatial-temporal changes, especially with regard to land surface temperature (LST), were observed during the COVID-19 pandemic lockdown period, when a comparatively cooler climate was experienced in many urban centers. Assessment of LST, crucial in many heat-balance, land use, and climate change models research studies, depicts the near-surface hotness of the Earth’s temperature at a given location. Thus, this study utilizes satellite remote-sensing data to investigate the spatial-temporal variations of LST pre and post-lockdown imposed during the COVID-19 outbreak. Unlike many existing research studies on the metropolitans of India, the study considers developing Indian cities, Ranchi and Dhanbad, as its study area. Accurate LST computation was performed using existing LANDSAT-8 OLI/TIRS images and judged using other parameters (NDVI, LSE) obtained directly from the thermal infrared bands. The LST assessment successfully estimated temperature variations in Ranchi and Dhanbad, depicting a significant drop in temperature coinciding with the lockdown period and subsequent increase in urban temperature post-pandemic, indicating a meaningful relationship between human activities and urban surface temperature.
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 | 0,000 | 0,001 |
| 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 ».