Assessing a decision-support tool to estimate the cooling potential and economic savings from urban vegetation in Singapore
Notice bibliographique
Résumé
• The InVEST Urban Cooling model accurately estimated urban temperatures in a tropical city. • Model parameters were calibrated using observed temperature data. • Urban cooling from vegetation has economic benefits through reduced energy use. • We estimated $47.14 million SGD annual savings in public residential buildings. • With minimal data requirements, the model can be applied to other tropical cities. To mitigate the growing threat of urban heat, cities are implementing greening strategies such as tree planting or the development of parks. Effectively integrating these solutions into planning requires quantitative information on the cooling effect of urban vegetation. Here we examined the performance of an open-source decision-support tool, the Integrated Valuation of Ecosystem Services and Tradeoffs Urban Cooling model, to estimate the cooling effect and economic benefits from urban vegetation in a tropical city context, using Singapore as an exemplar case study. Using observed temperature data, we calibrated the model to estimate the spatial distribution of annual average day- and night-time temperature at 10 m spatial resolution and validated the results using leave-one-out cross validation. The calibrated models performed well to estimate annual average daily mean and maximum (day), and minimum (night) temperatures (R 2 of 0.78, 0.65, and 0.52, respectively). We estimated that urban cooling in Singapore provides economic savings of $47.14 million SGD annually from reduced energy consumption in public residential buildings, based on the relationship between energy consumption and mean temperature. Our results give confidence in the model as a decision-support tool to estimate urban heat island effects and evaluate heat mitigation strategies in tropical cities.
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 ».