Spatially Explicit Correction of Simulated Urban Air Temperatures Using Crowdsourced Data
Notice bibliographique
Résumé
Abstract Urban climate model evaluation often remains limited by a lack of trusted urban weather observations. The increasing density of personal weather sensors (PWSs) make them a potential rich source of data for urban climate studies that address the lack of representative urban weather observations. In our study, we demonstrate that carefully quality-checked PWS data not only improve urban climate models’ evaluation but can also serve for bias correcting their output prior to any urban climate impact studies. After simulating near-surface air temperatures over London and southeast England during the hot summer of 2018 with the Weather Research and Forecasting (WRF) Model and its building Effect parameterization with the building energy model (BEP–BEM) activated, we evaluated the modeled temperatures against 402 urban PWSs and showcased a heterogeneous spatial distribution of the model’s cool bias that was not captured using official weather stations only. This finding indicated a need for spatially explicit urban bias corrections of air temperatures, which we performed using an innovative method using machine learning to predict the models’ biases in each urban grid cell. This bias-correction technique is the first to consider that modeled urban temperatures follow a nonlinear spatially heterogeneous bias that is decorrelated from urban fraction. Our results showed that the bias correction was beneficial to bias correct daily minimum, daily mean, and daily maximum temperatures in the cities. We recommend that urban climate modelers further investigate the use of quality-checked PWSs for model evaluation and derive a framework for bias correction of urban climate simulations that can serve urban climate impact studies. Significance Statement Urban climate simulations are subject to spatially heterogeneous biases in urban air temperatures. Common validation methods using official weather stations do not suffice for detecting these biases. Using a dense set of personal weather sensors in London, we detect these biases before proposing an innovative way to correct them with machine learning techniques. We argue that any urban climate impact study should use such a technique if possible and that urban climate scientists should continue investigating paths to improve our methods.
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 | 0,000 |
| 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 ».