Mapping China’s Electronic Power Consumption Using Points of Interest and Remote Sensing Data
Notice bibliographique
Résumé
Producing gridded electric power consumption (EPC) maps at a fine geographic scale is critical for rational deployment and effective utilization of electric power resources. Brightness of nighttime light (NTL) has been extensively adopted to evaluate the spatial patterns of EPC at multiple geographical scales. However, the blooming effect and saturation issue of NTL imagery limit its ability to accurately map EPC. Moreover, limited sectoral separation in applying NTL leads to the inaccurate spatial distribution of EPC, particularly in the case of industrial EPC, which is often a dominant portion of the total EPC in China. This study pioneers the separate estimation of spatial patterns of industrial and nonindustrial EPC over mainland China by jointly using points of interest (POIs) and multiple remotely sensed data in a random forests (RF) model. The POIs provided fine and detailed information about the different socioeconomic activities and played a significant role in determining industrial and nonindustrial EPC distribution. Based on the RF model, we produced industrial, non-industrial, and overall EPC maps at a 1 km resolution in mainland China for 2011. Compared against statistical data at the county level, our results showed a high accuracy (R2 = 0.958 for nonindustrial EPC estimation, 0.848 for industrial EPC estimation, and 0.913 for total EPC). This study indicated that the proposed RF-based method, integrating POIs and multiple remote sensing data, can markedly improve the accuracy for estimating EPC. This study also revealed the great potential of POIs in mapping the distribution of socioeconomic parameters.
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 | 0,001 |
| 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 ».