MétaCan
Menu
Retour à la cohorte

3D CITYLUR: MODELLING 3D CITY LAND-USE REGULATIONS TO SUPPORT ISSUING A PLANNING PERMIT

2021· article· en· W3204032577 sur OpenAlexafffund
S. Emamgholian, J. Pouliot, Davood Shojaei

Notice bibliographique

RevueISPRS annals of the photogrammetry, remote sensing and spatial information sciences · 2021
Typearticle
Langueen
DomaineEngineering
Thématique3D Modeling in Geospatial Applications
Établissements canadiensUniversité Laval
Organismes subventionnairesNatural Sciences and Engineering Research Council of CanadaDepartment of Environment, Land, Water and Planning, State Government of Victoria
Mots-clés3D city modelsComputer scienceRepresentation (politics)Key (lock)Process (computing)Level of detailScale (ratio)Boundary (topology)Seven Management and Planning ToolsSemantics (computer science)Operations researchData miningGeographyArtificial intelligenceEngineeringMathematicsCartographyOperations managementProgramming language

Résumé

récupéré en direct d'OpenAlex

Abstract. The applications and understanding of Land-use Regulations (LuR) are more communicable when they are linked to the digital representation of the physical world. In order to support issuing a planning permit and move towards the establishment of automated planning permit checks, this paper investigates how LuRs related to a planning permit process can be modelled in 3D called 3D CityLuR. 3D CityLuR serves as a 3D model for representing LuRs’ legal extents on a city scale. It is formed based on multiple geometric modelling approaches representing LuRs, which can provide a better cognitive understanding of LuRs and subsequently facilitate LuR automatic checks. To this purpose, according to LuRs’ descriptions and characteristics explained in related planning documents, key parameters representing LuRs’ extent are identified (e.g. maximum distance in overlooking or maximum allowed height in building height regulations). Accordingly, to automatically model each LuR, a geometric modelling approach (e.g. Boundary Representation (B-Rep), CSG, and extrusion) that best fits with the identified key parameters is proposed. In addition, to combine 3D CityLuR with an integrated BIM-GIS environment, the level of information need in terms of geometries and semantics is specified. Finally, the paper results in a showcase for five LuRs including building height, energy efficiency protection, overshadowing open space, overlooking, and noise impacts regulations. The showcase is a proof of concept for determining how these LuRs can be modelled in 3D and combined with 3D city models based on the selected geometric modelling approaches, identified parameters, and level of information need.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,002
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: Simulation ou modélisation
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,015
Score d'incertitude au seuil0,039

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,002
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0010,002
Bibliométrie0,0010,001
Études des sciences et des technologies0,0010,001
Communication savante0,0030,001
Science ouverte0,0010,002
Intégrité de la recherche0,0020,001
Charge utile insuffisante (le modèle a refusé de juger)0,0120,003

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.

Tête enseignante Opus0,087
Tête enseignante GPT0,309
Écart entre enseignants0,222 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSimulation ou modélisation
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations2
Publié2021
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueISPRS annals of the photogrammetry, remote sensing and spatial information sciencesMême sujet3D Modeling in Geospatial ApplicationsTravaux en français237 207