Increasing tree canopy lowers urban air temperature by up to 1.5 °C in heat-prone areas
Notice bibliographique
Résumé
Urban heat islands (UHIs) exacerbate thermal stress, disproportionately affecting communities with limited tree cover. While satellite-derived land surface temperature ( $$T{\rm{s}}$$ ) is widely used to assess urban heat, it often overestimates conditions compared to air temperature ( $$T{\rm{a}}$$ )—the metric more relevant to human thermal comfort. Despite this discrepancy, relatively few studies have leveraged $$T{\rm{a}}$$ to quantify the cooling effect of tree canopy in heat-prone areas. Using a citywide network of high-accuracy air temperature sensors and high-resolution satellite data during a heatwave, we first show that surface UHI (SUHI) overestimates urban heat by a factor of two, with SUHI averaging 8.9 °C ± 1.2 vs 4.6 °C ± 1.1 for canopy UHI. We find that tree canopy cover is the dominant cooling factor, explaining 67% of the spatial variation in $$T{\rm{a}}$$ . Notably, a 10% increase in tree canopy reduces air temperature by 0.8 °C, while a 30% increase lowers it by as much as 1.5 °C. These findings underscore the essential role of urban greening in mitigating extreme heat, reinforcing the need for targeted tree-planting strategies in vulnerable neighborhoods. By bridging remote sensing with in-situ temperature observations, our study highlights the urgency of integrating air temperature–based UHI assessments into urban planning and climate adaptation policies. Expanding tree canopy coverage is a scalable, nature-based solution for enhancing urban resilience, and this work directly quantifies its impacts.
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 | 0,000 | 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) | 0,001 | 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 ».