An unsupervised method for predicting photovoltaic potential in Canada
Notice bibliographique
Résumé
To mitigate the effects of global climate change caused by fossil fuel emissions, Canada needs to reach net-zero emissions as soon as possible. However, for a country that relies heavily on non-renewable resources to heat homes, fuel transportation, and support industries, renewable alternatives must be reliable, efficient, and effective. One of the front-runners in sustainable energy solutions is solar power. Our team analyzed the photovoltaic (PV) potential of geographical sites across the country using data from the Canadian Weather Energy and Engineering Datasets (CWEEDS). Using k-means clustering, an unsupervised machine learning model, we placed 564 locations into 5 clusters and then predicted the PV potential for each cluster using a range of irradiance and radiation variables. Through plotting our results on scatter graphs, we concluded that the PV potential in most of Canada is much higher than the world average (4.11-6.96 kWh/m 2 ). Furthermore, the province of Alberta—known for its tar sands and oil production—has the highest PV potential in the country. The province has the potential to become the leader in solar energy production in Canada. These findings can aid governments in optimizing their shift towards solar power. By identifying solar power as a strong alternative to fossil fuels, administrations can start working towards setting up solar farms in places where they would optimally serve Canadians in order to take the first step in decreasing our national carbon footprint.
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 | 0,002 | 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 ».