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 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 | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».