Remote sensing‐based geostatistical hot spot analysis of Urban Heat Islands in Dhaka, Bangladesh
Notice bibliographique
Résumé
Urban Heat Island (UHI) refers to a phenomenon whereby urban areas experience higher temperatures compared to the surrounding areas. Remote sensing‐based Land Surface Temperature (LST) measurements can be utilized to measure UHI. This study emphasized on geostatistical remote sensing‐based hot spot analysis () of UHI in Dhaka, Bangladesh as a way of examining the influences of Land Use Land Cover (LULC) on UHI from 1991 to 2015. Landsat 5 and 7 satellite‐based remote sensing indices were used to explore LULC, UHI and environmental footprints during the study period. The Urban Compactness Ratio (CoR) was used to calculate the urban form and augmented characteristics. The Surface Urban Heat Island (SUHI) intensity (ΔT) was also used to explore the effects of UHI on the surrounding marginal area. Based on our investigations into LULC, we discovered that around 71.34 per cent of water bodies and 71.82 percent of vegetation cover decreased from 1991 to 2015 in Dhaka city. Contrastingly, according to CoR readings, 174.13 km2 of urban areas expanded by 249.77 per cent. Our hot spot analysis also revealed that there was a 93.73 per cent increase in hot concentration zones. Furthermore, the average temperature of the study area had increased by 3.26°C. We hope that the methods and results of this study can contribute to further research on urban climate.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 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) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».