Seasonal Regulation Mechanisms of Urban Parks on Land Surface Temperature: A Case Study of the Built-up Area in Xi’an City
Notice bibliographique
Résumé
As a consequence of the dual challenges of global warming and increasingly frequent extreme heatwaves, the Urban Heat Island (UHI) effect has become a major threat to urban ecological environments and the quality of life in densely built-up areas. Heat risk (HR) poses significant challenges to public health and urban resilience. As nature-based solutions, urban parks play an important role in mitigating HR and enhancing urban adaptability. This study examines 45 urban parks of various types within Xi’an’s built-up area, integrating multi-source remote sensing data and machine learning approaches to evaluate their regulatory effects on land surface temperature (LST), capacity to alleviate summer HR, and the underlying mechanisms driving these effects. The results reveal that: (1) The cooling effects of urban parks in Xi’an exhibit marked seasonal variation, with the greatest cooling intensity and spatial extent of influence (typically within a 100–200 m radius) occurring in summer; (2) Ecological and comprehensive parks, characterized by abundant vegetation and integrated water features, exhibit year-round regulatory capacity, whereas community, recreational, and cultural heritage parks, predominantly composed of deciduous vegetation, demonstrate limited cooling effects during winter; and (3) The Normalized Difference Water Index (NDWI) exerts a greater cooling influence in high-LST areas than the Normalized Difference Vegetation Index (NDVI), highlighting the synergistic role of water and vegetation in enhancing park cooling efficacy. This study highlights the essential function of urban green spaces in sustainable urban development and offers scientific evidence and practical guidance for improving urban planning and optimizing the configuration of green and water elements.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 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 ».