Spatial patterns in urban water consumption: The role of local climate zones and temperature dynamics
Notice bibliographique
Résumé
Urban Water Consumption (UWC) is a major challenge in arid regions, intensified by urbanization, population growth, and resource scarcity, prompting debates on relocating Iran's capital to address resource scarcity and sustainability. This study analyzed the relationship between Local Climate Zones (LCZ), Land Surface Temperature (LST), and water usage in Tehran (2015–2019) to inform urban water management. UWC data was spatially matched to urban areas to calculate per capita consumption. An LCZ map for the base year 2017 was generated using the Random Forest (RF) algorithm, achieving an accuracy of 88.88 %. LST data for the five years was derived using the single-channel algorithm. LCZ2 of dense midrise buildings exhibited the largest area, while LCZG of water had the smallest area. Annual per capita UWC showed a consistent upward trend, with 2019 experiencing the most significant increase. The highest UWC was in LCZG and LCZ2, respectively, while LCZ7 of low dense single buildings recorded the lowest. Most of the city's area had neighbourhoods with an average LST ranging between 30 °C and 35 °C throughout the study period. The correlation between population density, LST, and UWC was 10 % to 17 %. Modelling accuracy, measured by Root Mean Square Error (RMSE), ranged from 1.4 to 9.9. This research highlights the need for climate-sensitive urban design and sustainable water management, providing a foundation for policies to address water scarcity in vulnerable urban areas. Additionally, analyzing annual population dynamics and improving UWC modeling will help better reflect future urban water consumption patterns.
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 ».