Modelling the microscale spatial distribution of urban air temperature in suburban sprawl
Notice bibliographique
Résumé
Mobile monitoring for urban air temperature at a microscale in Mississauga, Ontario, Canada, a unique region dominated by suburban sprawl, was completed via cycling. We sampled seven pre-determined routes across Mississauga, resulting in 3144 min of air temperature measurements between July and August 2022. We developed land use regression models to determine if stopping for 5-min periods every 20 min was beneficial compared to continuous collection. The model generated from the data captured while moving demonstrated the best performance, explaining 80 % of the spatial variability of air temperature in Mississauga. Regression kriging addressed issues of spatial autocorrelation in linear models, improving predictive performance (CV R2 = 0.83, CV RMSE = 0.95 °C, CV MAE = 0.74 °C). We used the regression kriging model from the data captured while moving to predict average, maximum, and 95th percentile air temperature at a 20 m-by-20 m spatial resolution across Mississauga. We also conducted one-way analysis of variance (ANOVA) tests between air temperature and marginalization and found that areas with higher levels of marginalization experience different air temperatures compared to areas with lower levels of marginalization. Our study supports mobile monitoring to access urban air temperature and improve predictive performance by integrating regression kriging. • Mississauga, Ontario is a unique region dominated by suburban sprawl. • Mobile monitoring using a bicycle platform can model urban air temperature. • Stopping periods during mobile monitoring does not provide any benefit. • We created a high spatial resolution urban air temperature surface across the city. • Integrating regression kriging improves predictive performance.
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 | 0,000 | 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 ».