An Innovative Low-Altitude Dual-Source Remote Sensing Platform for Urban Thermal Environment Observation: Integration, Tests, Optimization, and Assessment
Notice bibliographique
Résumé
The urban thermal environment significantly influences regional climate change, urban resilience, and sustainability. Although traditional remote sensing technologies are common tools for urban thermal environments observation, it has limitations including low spatial resolution, long revisit cycles, and cloud cover. In responding to these limitations, a low-altitude dual-source remote sensing platform (LADSRSP) was researched and developed in this study through a series of tests. First, a thermal infrared sensor and a hyperspectral sensor were simultaneously equipped on a multi-rotor drone via a customized three-axis gimbal in LADSRSP. Furthermore, LADSRSP was optimized based on the stability test results, and was then confirmed to have the ability of collecting data with high spatial resolution and quality through the data acquisition tests. Last, the performance of LADSRSP was assessed by data integrity, classification accuracy, and temperature analysis. The image classification results demonstrate high accuracy with an overall classification accuracy of 97.92% and a Kappa coefficient of 0.97 from collected data quality analysis tests. The temperature values of each urban underlying surface were then accurately extracted to facilitate further statistical analysis. Overall, the LADSRSP was proved to be a feasible, efficient, and accurate tool for urban thermal environment research.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,003 | 0,001 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».