An experimental analysis and deep learning model to assess the cooling performance of green walls in humid climates
Notice bibliographique
Résumé
Introduction: Amidst escalating global temperatures, increasing climate change, and rapid urbanization, addressing urban heat islands and improving outdoor thermal comfort is paramount for sustainable urban development. Green walls offer a promising strategy by effectively lowering ambient air temperatures in urban environments. While previous studies have explored their impact in various climates, their effectiveness in humid climates remains underexplored. Methods: This research investigates the cooling effect of a green wall during summer in a humid climate, employing two approaches: Field Measurement-Based Analysis (SC 1: FMA) and Deep Learning Model (SC 2: DLM). In SC 1: FMA, experiments utilized data loggers at varying distances from the green wall to capture real-time conditions. SC 2: DLM utilized a deep learning model to predict the green wall’s performance over time. Results: Results indicate a significant reduction in air temperature, with a 1.5°C (6%) decrease compared to real-time conditions. Long-term analysis identified specific distances (A, B, C, and D) contributing to temperature reductions ranging from 1.5°C to 2.5°C, highlighting optimal distances for green wall efficacy. Discussion: This study contributes novel insights by determining effective distances for green wall systems to mitigate ambient temperatures, addressing a critical gap in current literature. The integration of a deep learning model enhances analytical precision and forecasts future outcomes. Despite limitations related to a single case study and limited timeframe, this research offers practical benefits in urban heat island mitigation, enhancing outdoor comfort, and fostering sustainable and climate-resilient urban environments.
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 | 0,001 |
| 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 ».