Integrating Remote Sensing, Consumer Preferences, and Sustainable Marketing: A GWR Study of Urban Growth and Heat Island in BSD City, Indonesia
Notice bibliographique
Résumé
Urban expansion in BSD City, Indonesia, has generated major environmental and behavioral shifts.This study employed Landsat 8 surface reflectance imagery (2020-2023) and spatial statistics to assess vegetation cover, built-up growth, land surface temperature (LST), and consumer demand for eco-friendly housing.Preprocessing included atmospheric correction, emissivity adjustment, and cloud masking, while indices were validated with high-resolution imagery to ensure accuracy.NDVI values ranged from -0.125 to 0.375 (peak 0.188), NDBI from -0.219 to 0.094 (peak -0.063), and the Urban Index from 0.188 to 0.500 (peak 0.375), indicating compact urban development with stressed vegetation.LST ranged between 32-68℃, with a dominant mode at 40℃, revealing thermal stress concentrated in urban cores.Spatial heterogeneity was confirmed through coefficient of variation (NDVI max 0.625), Moran's I (-0.004 to 0.016), and Gi* hotspots (-2.0 to 1.75).Geographically Weighted Regression (GWR) showed localized associations between vegetation decline, built-up intensity, and LST anomalies.Annual reports suggested eco-branding strategies were most effective in greener and cooler districts, linking environmental attributes with housing demand.Findings should be interpreted cautiously since consumer data were aggregated and lacked neighborhood-scale resolution.The study highlights the role of integrating remote sensing, spatial modelling, and behavioral insights in guiding sustainable urban planning and ecooriented marketing.
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 | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 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) | 0,001 | 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 ».