Evaluating the Impacts of Natural Based Soluations on Long-term Urban Overheating through Machine Learning and Field Measurements
Notice bibliographique
Résumé
Urban overheating has become a global issue, exacerbated by climate change and that may lead to severe effects on both public health as well as urban sustainability. This study is intended to permit the prediction of the longevity and severity of future urban overheating events by integrating field measurements and machine learning models, focusing on the impact of urban greening under different global warming (GW) scenarios. Field measurements have been conducted during summer 2024 in an office campus at Ottawa, a city located in cold climate zone. Microclimate data were measured at four locations within the campus, the four locations have different types and coverage levels of urban greenings – large lawn area without trees (Lawn), parking lot without any greening (Parking), greenery area with sparsely distributed trees (Tree) and an area with 100% coverage of trees (Forest). Models, such as Artificial Neural Networks (ANN), and Recurrent Neural Networks (RNN), and Long Short-Term Memory network models (LSTM) were trained on local microclimate data, with LSTM chosen for its superior performance predictions. Four Global Warming (GW) scenarios were considered to represent different Shared Socioeconomic Pathways (SSP) by 2050 and 2090. The results show that the UTCI at the “Parking” location increased from around 27 °C under GW1.0 to 31 °C under GW3.5. Besides, low health risk (UTCI > 26 °C) will be increased in all locations due to climate change impacts, regardless of urban greening conditions. However, the tree area like 'Tree' and 'Forest' are effective in eliminating the occurrence of extremely high-risk heat conditions (UTCI > 38.9 °C). The findings demonstrate that urban greening plays a crucial role in reducing severe thermal stress, thereby enhancing thermal comfort under future climate scenarios.
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 | 0,001 |
| 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 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».