Using Landsat land surface temperature as a proxy for air temperature in urban settings: Experiments in the Netherlands
Notice bibliographique
Résumé
Understanding the UHI effect in any city requires high-resolution temperature data. This data is often difficult to obtain as cities usually have only a few ground sensors, leaving large data gaps. To fill these gaps, we compare Landsat-derived land surface temperature (LST) with air temperature (Tair) measurements from urban weather stations in the two largest cities in the Netherlands. Previous studies of this kind have often been limited due to a few main factors: low spatial resolution, limited weather station data and small sample sizes (Chung et al., 2020, Mutiibwa, 2015; Sheng 2017; Xiong, 2017; Yang, 2020). As a result, findings have been inconsistent, albeit mostly promising. Addressing these issues and adding to Burnett and Chen’s (2021) extensive comparison on a regional scale in Ontario, Canada, we present a reproducible, code-based approach focusing on cities. Using 149 Landsat scenes and data from 33 urban weather stations in the Netherlands (24 in Amsterdam, 9 in Rotterdam) between 2013-2022, 1700 comparison points across all European seasons are established. We find that there is a strong positive and significant linear relationship between LST and Tair across the dataset (r = .89). OLS regression results indicate 80% of the Tair variation can be explained by the LST, with Tair increasing by 0.62°C for every 1°C increase in LST. Analyses were repeated to account for seasonality, each station's local climate zone (Stewart and Oke, 2012) as well as mean absolute error and root mean square error to interrogate the discrepancy, all of which will be highlighted in the presentation. Overall, our evidence suggests that LST can indeed be a suitable proxy for Tair and could consequently form an additional decision-making layer to assist climate monitoring and urban planning in the Netherlands as well as similar climates.
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 | 0,002 | 0,009 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 ».