Regionalization for urban air mobility application in metropolitan areas: case studies in San Francisco and New York
Notice bibliographique
Résumé
In a new era of mobility where the transportation of persons or goods via flying vehicles over urban areas has garnered great interest in its application in urban space. With the anticipated utilization of sUAS in urban airspace, a multi-dimensional understanding of urban space is essential. As a first step to assess the feasibility of Urban Air Mobility (UAM) in urban areas, we conduct regionalization and correspondence analysis in highly urbanized areas – San Francisco, CA and Manhattan, NY – by incorporating population dataset and urban 3D airspace to delineate the regional boundaries. Regionalization is carried out using graph-based clustering technique called SKATER (Spatial ‘K’luster Analysis by Tree Edge Removal) to group the regions having similar characteristics and address the compound effect of both population and spatial information. By classifying the regions into five categories through correspondence analysis, the operational and economic feasibility of each region is evaluated. The results provide the region maps of each city with the most and least attractive regions for UAM application with the temporal notion, whether the clusters are daytime-intensive or nighttime-intensive areas. The outcomes have several unique information that can benefit drone delivery target area identification, landing location identification, demand prediction. Our approach can contribute to providing a useful basis for management for UAM in urban areas as well as the process of regulating airspace use.
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 | 0,000 | 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 ».