Supporting Urban Energy Efficiency with Volunteered Roof Information and the Google Maps API
Notice bibliographique
Résumé
The Heat Energy Assessment Technologies (HEAT) project uses high-resolution airborne thermal imagery, Geographic Object-Based Image Analysis (GEOBIA), and a Geoweb environment to allow the residents of Calgary, Alberta, Canada to visualize the amount and location of waste heat leaving their houses, communities, and the city. To ensure the accuracy of these measures, the correct emissivity of roof materials needs to be known. However, roof material information is not readily available in the Canadian public domain. To overcome this challenge, a unique Volunteered Geographic Information (VGI) application was developed using Google Street View that engages citizens to classify the roof materials of single dwelling residences in a simple and intuitive manner. Since data credibility, quality, and accuracy are major concerns when using VGI, a private Multiple Listing Services (MLS) dataset was used for cross-verification. From May–November 2013, 1244 volunteers from 85 cities and 14 countries classified 1815 roofs in the study area. Results show (I) a 72% match between the VGI and MLS data; and (II) in the majority of cases, roofs with greater than, or equal to five contributions have the same material defined in both datasets. Additionally, this research meets new challenges to the GEOBIA community to incorporate existing GIS vector data within an object-based workflow and engages the public to provide volunteered information for urban objects from which new geo-intelligence is created in support of urban energy efficiency.
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 | 0,000 |
| 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 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 ».