Urban morphology impacts on urban microclimate using artificial intelligence – a review
Notice bibliographique
Résumé
Urban morphology, defined by the characteristics and spatial arrangement of urban structures, significantly affects urban microclimate in terms of thermal environments, wind dynamics, energy use, and outdoor air quality. Despite extensive research in this field, these effects are intensified by climate change and rapid urbanization, posing challenges to urban sustainability, such as poor air quality, increased energy demands, and pedestrian discomfort. While artificial intelligence (AI) and machine learning (ML) offer promising solutions for addressing these challenges, the field lacks standardized approaches for implementing these technologies. By leveraging urban morphology indicators such as sky view factor, building density, and green space ratio, AI models can analyze complex interactions across various spatiotemporal scales. However, significant variability in methodologies, indicators, and datasets limits the generalizability and applicability of these techniques. By synthesizing 111 studies over the last decade utilizing urban morphology and AI models to predict urban microclimate, this review aims to bridge these gaps and highlight AI’s unique potential to contribute to the field. Analyzed studies reported that key urban morphology indicators, particularly building density and height, explain up to 75% of land surface temperature variance across seasons, while sky view factor accounts for over 67% of heat exposure variations in urban environments, with these findings emerging from multiple independent investigations across diverse urban contexts. Random Forest emerges as the most widely adopted AI technique, demonstrating robust performance across different applications. Emerging trends, such as hybrid approaches combining AI with physics-based models, are highlighted as promising avenues for advancing the field. Our review identifies the need for standardized frameworks and datasets to enhance model applicability. The study presents actionable insights for climate-responsive urban planning and lays the groundwork for interdisciplinary studies, enabling the development of resilient, sustainable urban environments amid the growing challenges of urbanization and climate change.
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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
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 ».