Mitigating urban heat exposure inequity with a seasonally adaptive machine-learning approach
Notice bibliographique
Résumé
Urban heat exposure poses significant risks to human well-being and contributes to emerging social inequity. While previous research has addressed urban heat exposure, mitigating the inequity associated with such hazards remains a significant challenge and an understudied area. To address this issue, this study proposes a machine-learning approach to assess the effectiveness of various urban development strategies in mitigating urban heat exposure inequity. The results from real-world datasets demonstrate that our approach effectively quantifies urban heat inequity, and the proposed machine learning model can accurately capture urban heat exposure based on various urban environmental variables. The season-specific simulation is further conducted by evaluating the outcomes of various urban development strategies across different seasons. The simulation results show that while modifying certain built features may help mitigate heat exposure inequity based on annual data, their effects are significantly more pronounced in winter. In contrast, improving natural features yields more substantial effects in summer and consequently serves as an optimal strategy for mitigating urban heat exposure inequity, which may be overlooked when relying solely on annual data. Compared with prior research that primarily focuses on hazard exposure itself, this study advances the field by addressing the urban heat inequity through a novel and effective machine-learning framework. The proposed methodology not only offers a robust framework for evaluating mitigation strategies but also leverages a season-specific perspective to uncover inefficiencies in approaches that may seem effective in annual analyses yet prove inadequate in critical seasons. By recognizing these seasonal variations, this study enables the development of targeted and cost-effective strategies that optimize urban planning interventions, ultimately reducing urban heat exposure and promoting social equity.
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 | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 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 ».