Predicting Long-term Urban Overheating and Their Mitigations from Nature Based Solutions Using Machine Learning and Field Measurements
Notice bibliographique
Résumé
Urban overheating, exacerbated by climate change, threatens public health and urban sustainability. Traditional approaches, such as numerical simulations and field measurements, face challenges due to uncertainties in input data. This study integrates field measurements with machine learning models to predict the duration and severity of future urban overheating events, focusing on the role of urban greening under different global warming (GW) scenarios. Field measurements were conducted in summer 2024 at an office campus in Ottawa, a cold-climate city. Microclimate data were collected from four locations with varying levels of greenery: a large lawn without trees (Lawn), a parking lot without greenery (Parking), an area with sparsely distributed trees (Tree), and a fully covered forested area (Forest). Machine learning models, including Artificial Neural Networks (ANN), Recurrent Neural Networks (RNN), and Long Short-Term Memory (LSTM) networks, were trained on local microclimate data, with LSTM achieving the best predictions. Four GW scenarios were analyzed, corresponding to different Shared Socioeconomic Pathways (SSP) for 2050 and 2090. Results show that the Universal Thermal Climate Index (UTCI) at the "Parking" location rises from about 27,\textdegree C under GW1.0 to 31,\textdegree C under GW3.5. Moreover, low health risk conditions (UTCI > 26,\textdegree C) increase across all locations due to climate change, regardless of greenery levels. However, tree-covered areas such as "Tree" and "Forest" effectively prevent extreme heat conditions (UTCI > 38.9,\textdegree C). These findings highlight the crucial role of urban greening in mitigating severe thermal stress and enhancing thermal comfort under future climate scenarios.
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 | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| 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 ».