Calibration and Validation of Climate-Based Daylighting Models Based on One-Time Field Measurements: Office Buildings in the Tropics
Notice bibliographique
Résumé
Calibrated climate-based lighting simulation models of buildings have the capacity to perform an essential role in postoccupancy evaluations, such as annual frequency assessments of daylighting quality and visual discomfort. However, in most postoccupancy case studies the role of lighting analysis is temporally limited by instantaneous measurements or limited in scale by requiring constant monitoring with expensive sensors. It is challenging to build calibrated models based on point-in-time measurements due to the presence of electric lighting, transient use of dynamic shades, limited information on the material specifications, and short durations of accessibility to the spaces being studied. The authors propose and present a calibration process for annual daylighting and electric lighting simulation models based on one-time field measurements of large daylit and electrically lit spaces exemplified through a data set of 540 individual office desks across 10 office spaces. The calibration process includes measuring lighting, physical, and material data during a one-time visit that are used to calibrate high dynamic range images and lighting simulation models using actual weather data. The calibration accuracy is validated based on measured and simulated luminance and illuminance data. Comparing measured and simulated illuminance, relative root mean squared error (RMSE) values were 25.8% and 45.5% for horizontal and vertical measurements, respectively. When tracking errors using log10(illuminance), approximating human perceptual differences, errors of 4.3% and 6.8% were achieved. Vertical illuminance was found to vary more with measured data due to the uncertainty of monitor screen luminances. The authors aim to achieve calibrated lighting models that are reliable enough to be used in assessing the relationship of annualized lighting metrics to participants’ long-term perceptions of lighting quality, thereby enabling simulation models to be used in the postoccupancy evaluation process of building lighting. This article demonstrates that measured data through one-time visits can be utilized to build reliable calibrated lighting simulation models to integrate long-term annual lighting results in postoccupancy evaluations.
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 | 0,001 | 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 ».