Urban Heat Island Effect Detection in the Al ‘Ain Region in 2000 and 2019
Notice bibliographique
Résumé
The study evaluates the extent of land use, land cover, and land surface temperature change between August 2000 and August 2019 in the Al ‘Ain region in the southeast of the United Arab Emirates using Landsat satellite images. The satellite imageries have been classified by both unsupervised and supervised classification methods using ENVI software. In an unsupervised technique, the ISODATA clustering algorithm will be used for the classification. The resulting image will be used as a reference and for understanding the distribution of pixels with different digital numbers. In the supervised classification method, the maximum likelihood algorithm will classify the image based on the region of interest (training sets) provided by the user based on the field knowledge. Changes in land use/land cover between 2000 and 2019 were quantified using post-classification analysis in a geographic information system. Followed by atmospheric correction and LST retrieval. The results have shown a dramatic change in land cover and an obvious increase in land surface temperature over the 19 years’ study period. The composition of land use/landcover features significantly influences the magnitude of land surface temperature, and the percent cover of the urban area had an unexpected inverse effect. In contrast, the percent of vegetation is the most fundamental factor in reducing land surface temperature. Using the topical approach, the researchers suggest that the leadership can directly minimize the urban heat island effect in Al ‘Ain city by keeping the cooling effects of urban greenery.
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 | 0,001 | 0,001 |
| 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) | 0,000 | 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 ».