Scaling urban energy use and greenhouse gas emissions through LiDAR
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Although models to quantify CO₂e emissions in urban areas exist, they are within isolated disciplines, and are targeted at specific scales, emissions processes, and end-users — not a priori compatible with planning needs. Furthermore, the majority of existing models rely on inventory data, which is typically only available at aggregate space and time scales. It is necessary however, that neighborhood-scale CO₂e emissions estimates are provided to determine the key relationships between urban form and emissions — which can than be applied to future planning strategies. This thesis developed a new methodology to integrate LiDAR data, building simulation software and a building typology database to rapidly model energy and emissions for a large number of buildings. To adjust building energy demand to local urban-context, building morphology, and population density a scaling approach is proposed. This methodology was applied to a study area of 7.4 km² in Vancouver, BC, consisting of 7812 buildings ranging in moderate to high density. Modeled building energy use in this transect was sensitive to local conditions (average variation in building energy use due to urban-context 2.8%, building morphology 2.8%, and population density 3.2%) resulting CO₂e emissions of 14.2 kg CO₂e m⁻²yr⁻¹ (1309 kg CO₂e Inh.⁻¹ yr⁻¹) varying dramatically between the central business district (40.1), mixed-use (12.7), and residential (9.0) neighbourhoods. Spatial and temporal patterns of building energy use, CO₂e emissions and anthropogenic heat release by buildings are presented and discussed in relation to urban form.
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.
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 | 0,001 |
| Études des sciences et des technologies | 0,003 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 découle