How Should Soundscape Optimization from Perceived Soundscape Elements in Urban Forests by the Riverside Be Performed?
Notice bibliographique
Résumé
Urban forests by the riverside are important habitats for various animals and contribute various soundscapes for citizens. Unfortunately, urban forests are exposed to the influence of riverside traffic noises from freeways. This study aims to explore the spatial and temporal variation of soundscape, conduct soundscape optimization for multiple parameters, and find a balance and its interval of soundscape elements through optimizing a soundscape map. Questionnaires and measuring equipment were used to gather soundscape information in an urban forested area in Fuzhou, China. Diurnal variations and soundscape mapping were used to analyze spatial and psychophysical relationships between soundscape drivers. We then conducted optimization for a soundscape map, which included normalization, critical value determination, target interval of optimal SPL determination, and modification of SPL and mapping. Our findings suggest that biological activities and natural phenomena are potential drivers for diurnal variation of soundscapes, especially tidal phenomena contributing water and shipping soundscapes. Our results also suggest that all the high values of perceived soundscapes were found at the southwest corner of the study area, which includes both riverside and urban forest elements. Furthermore, we suggest combining both optimal soundscape and SPL correction maps to aid in sustainable design in urban forests. This can contribute to the understanding and methodology of soundscape map optimization in urban forests when proposing suitable design plans and conservation of territorial sound.
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 | 0,000 |
| Études des sciences et des technologies | 0,001 | 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 ».