Spatiotemporal analysis of the impact of urban landscape forms on PM <sub>2.5</sub> in China from 2001 to 2020
Notice bibliographique
Résumé
Urban landscape forms can be effective in reducing increasing PM2.5 concentrations due to urbanization in China, making it crucially important to accurately quantify the spatiotemporal impact of urban landscape forms on PM2.5 variations. Three landscape indices and six control variables were selected to assess these impacts in 362 Chinese cities during different time scales from 2001 to 2020, using a spatiotemporal geographically weighted regression model, random forest models and partial dependence plots. The results show that there are spatiotemporal differences in the impacts of landscape indices on PM2.5. the proportion of urban green infrastructure (PLAND-UGI) and the fractal dimension of urban green infrastructure (FRACT-UGI) exacerbate PM2.5 concentrations in the northwest, the proportion of impervious surfaces (PLAND-Impervious) mitigates air pollution in northwest and southwest China, and shannon’s diversity index (SHDI) has seasonal differences in the northwest. PLAND-UGI is the landscape index with the largest contribution (30%) and interpretable range. The relationship between FRACT and PM2.5 was more complex than for other landscape indices. The results of this study contribute to a deeper understanding of the spatial and temporal differences in the impact of urban landscape patterns on PM2.5, contributing to clean urban development and sustainable development.
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 ».