Examining Race and Class Disparities in Urban Heat: Towards Environmental Justice in Urban Planning
Notice bibliographique
Résumé
The interplay of climate change and urbanization has led to uneven heat exposure patterns, disproportionately impacting marginalized communities and raising critical concerns about environmental justice. While studies primarily in the United States highlight the heightened heat vulnerability of low-income and ethnic minority groups, similar analyses are still lacking for other countries, creating a significant gap in understanding global environmental inequities. This gap limits assessment of socio-economic and ethnic disparities to identify shortcomings in urban planning strategies.This study aims to integrate social and environmental sciences to address environmental injustice by investigating the relationship between extreme heat exposure and socio-economic disparities across municipalities or counties for various countries including Australia, New Zealand, Canada, Germany, and the U.K. The research leverages satellite-derived land surface temperature data at daytime and nighttime for summer and census datasets from countries to examine key socio-economic indicators, such as education levels, age distribution, and the proportion of foreign-born populations. Additionally, the study delves into urban planning parameters including green spaces, building density and local climate zones to assess their correlation with land surface temperatures, and also air temperature and heat stress indices for the case of Germany.The findings reveal varying levels of heat exposure disparities across countries and its severe consequences for vulnerable populations, emphasizing the urgent need for equitable urban planning. This research calls on policymakers and urban planners to address environmental injustices by prioritizing inclusive interventions aimed at mitigating socio-economic and racial disparities in urban heat exposure. Furthermore, the study serves as a framework for conducting similar analysis worldwide, supporting the development of equitable and sustainable 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 | 0,005 | 0,012 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,003 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,002 | 0,003 |
| Science ouverte | 0,001 | 0,004 |
| Intégrité de la recherche | 0,000 | 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 ».