MétaCan
Menu
Retour à la cohorte
Enregistrement W7071932077

Using Landsat land surface temperature as a proxy for air temperature in urban settings: Experiments in the Netherlands

2023· other· en· W7071932077 sur OpenAlexaboutno aff

Notice bibliographique

RevueResearch Repository (Delft University of Technology) · 2023
Typeother
Langueen
Domaine
Thématique
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésUrban heat islandProxy (statistics)Air temperatureLinear regressionWeather stationMean squared errorAutomatic weather stationSurface air temperature
DOInon disponible

Résumé

récupéré en direct d'OpenAlex

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. <br/><br/>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 distillée sur la base complète

Imitation des enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,002
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMéta-épidémiologie (sens strict), Intégrité de la recherche
Catégories consensuellesIntégrité de la recherche
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: Sans objet
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,341
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0020,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0030,004
Études des sciences et des technologies0,0000,001
Communication savante0,0000,000
Science ouverte0,0020,001
Intégrité de la recherche0,0020,003
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,033
Tête enseignante GPT0,327
Écart entre enseignants0,294 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; les deux têtes enseignantes s’accordent sur ce qui est montré ici.

Devis d'étudeSans objet
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations0
Publié2023
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueResearch Repository (Delft University of Technology)Travaux en français237 207