Developing The Port of Vancouver’s Port Noise Rating Methodology
Notice bibliographique
Résumé
The Vancouver Fraser Port Authority manages Canada’s largest port, the Port of Vancouver, encompassing federal port waters, lands, and shorelines in and around Vancouver, BC. In total, port-managed areas border 16 municipalities. As urban densification has increased near port operations, so too has the potential for port-related noise to disturb nearby communities. Between 2013 and 2015, to better understand port-related noise in nearby communities and address community noise concerns, the port installed 11 permanent noise monitoring terminals (NMTs) along the north and south shores of Burrard Inlet and at Roberts Bank. The NMTs continually log sound data in or near communities potentially affected by port noise. In order to provide value from this data to the port and its stakeholders, BKL developed a Port Noise Rating (PNR) metric which relates the measured sound pressure levels to the potential annoyance in the surrounding population using noise modelling and census data. The PNR metric provides a useful way for the port to interpret the significance of measured noise levels, changes over time, and differences between NMTs. However, the accuracy of this approach depends on many noise source modelling assumptions due to the complex noise environments that exist throughout the port’s jurisdiction. This paper summarizes the methodology BKL developed in partnership with the Vancouver Fraser Port Authority to calculate and present the PNR, including NMT configuration, local housing and population review, noise source identification, data analysis, and noise modelling.
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 | 0,011 | 0,030 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,009 | 0,008 |
| Études des sciences et des technologies | 0,003 | 0,001 |
| Communication savante | 0,006 | 0,001 |
| Science ouverte | 0,003 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,007 | 0,002 |
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 ».