Integrating forest inventory and <scp>LiDAR</scp> observations to uncover the role of plant traits on cooling and humidifying effects in urban area
Notice bibliographique
Résumé
Abstract Outdoor heat stress possesses significant health risks, contributing to thousands of premature deaths each summer. Urban greening has been widely recognized as a potential solution to mitigate this heat threat. However, the optimal way to maximize cooling effects from urban forest—specifically through the influences of plant leaf traits and canopy structure on local climate (temperature and humidity)—remains underexplored. To address this issue, we combined traditional forest inventory methods with advanced LiDAR observations to assess 3883 individual trees and 77 plant species in the urban forests of Shanghai during the summer of 2021. For all trees, we analysed six leaf traits: nitrogen content, phosphorus content, potassium content, leaf area, specific leaf area and leaf dry matter content. Additionally, three canopy structural characteristics—mean foliage height, foliage height diversity, and canopy coverage—were investigated. Near‐surface air temperature and relative humidity within and outside the forests were measured repeatedly using a state‐of‐the‐art mobile monitoring system during four time intervals: 07:00–10:00, 11:00–14:00, 16:00–19:00 and 21:00–24:00. Our findings revealed that leaf stoichiometric traits significantly contribute to the variation in cooling effects, with their relative importance being twice as high as that of canopy structure during morning and afternoon periods. Specifically, nitrogen (N) and phosphorus (P) in leaves positively influenced cooling and humidification, whereas potassium (K) had a negative impact. Synthesis and applications . To enhance the summer cooling potential of urban forests, we recommend incorporating tree species with high leaf N, leaf P and low leaf K in urban park designs, rather than solely expanding canopy coverage. This study highlights the importance of considering plant traits in future urban green design, planning and management for combating heat effectively.
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 ».