Clustering-based characterization of urban microclimate zones using CFD derived time-series data
Notice bibliographique
Résumé
Identifying microclimate zones in cities is needed for planning adequate heat mitigation strategies, ensuring more comfortable and resilient urban environments in the face of climate change. The spatial and temporal variability of thermal comfort poses challenges for analyzing the urban microclimate. This study introduces a clustering-based methodology to analyze the spatial and temporal variability of urban microclimate and assess thermal comfort at neighborhood scale. The approach relies on high-resolution Computational Fluid Dynamics (CFD) simulations used in a time-series clustering to identify patterns driving heat stress. Microclimate data are obtained using the urbanMicroclimateFoam (UMF) model based on OpenFOAM. The Universal Thermal Climate Index (UTCI) is used to assess thermal comfort, while the clustering algorithm integrates normalized time series of air temperature, relative humidity, wind speed, and mean radiant temperature, i.e. the variables influencing UTCI. The methodology is evaluated using two distinct climatic contexts: a hot-humid climate (Singapore) and a continental climate (Montreal). A six-cluster classification is identified as a balance between accuracy and interpretability. The results reveal distinct microclimatic zones. Tree-shaded areas form clusters with significantly improved thermal comfort due to canopy shading. In contrast, unshaded zones form separate clusters characterized by higher UTCI values. These are driven by reduced wind speed, increased relative humidity and high mean radiant temperature. Ventilation corridors are also identified using the clustering approach. Their effect on comfort depends on whether they transport cool, dry air or hot, humid air.
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 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| 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 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 ».