Estimation of Base-Year Floor Space Data
Notice bibliographique
Résumé
Base-year floor space data are essential for integrated land use transport models. This information has traditionally been estimated on the basis of limited population or employment data provided by the census, with unknown accuracy. Advances in geographic information systems (GIS) and remote sensing technology enable the accuracy of this conventional method to be evaluated with geographic data of high precision. This study assessed the accuracy of the census-based approach in estimating base-year floor space data; the paper describes the use of a hybrid method that combines lidar and geographic vector data (referred to as the “lidar-GIS method”) to develop a ground truth building floor space database for the City of Fredericton, New Brunswick, Canada. A ground survey proved that the developed ground truth building data set provided highly accurate estimates of building heights, footprint areas, and therefore floor space. Through a case study, the floor space at the dissemination area level estimated with the traditional census-based method was compared with the floor space estimated with the lidar-GIS method for various land use categories. The results showed that for the residential floor space estimation, the average absolute percentage error of the census-based approach was 15%. The accuracy of the conventional method was much lower for nonresidential land use categories, with average errors of 50% or higher. These statistics indicate that the traditional census-based approach is unreliable and inaccurate for use in the estimation of base-year floor space and suggests that a method that incorporates the above-mentioned modern information technologies be used.
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 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,003 | 0,003 |
| 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 | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
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 ».