Advancements in supervised machine learning for outdoor thermal comfort: A comprehensive systematic review of scales, applications, and data types
Notice bibliographique
Résumé
• Systematic review of articles on the use of supervised machine learning (SML) for outdoor thermal environment (OTC) research. • The application of SML algorithms in OTC was discussed to provide reference and understanding for a wider audience. • The limitations, opportunities, and significance of the current application of SML in OTC research have been identified. Supervised Machine Learning (SML) has a proven track record in addressing the complexities of urban studies. To enhance the accuracy and efficiency of current urban outdoor thermal environment research, many scholars had employed SML methods. However, the current status and limitations of SML applications in this field remained unclear. This paper offered a systematic review of SML use in urban studies based on 58 publications. It recorded the topic, use case, application, data type, and method of each paper, providing statistical insights into trends and evolution. The studies were categorized into three scales, six application types, and six data types. We found that mesoscale studies are the most popular, accuracy comparison is the most common application type, and multiple data sources are the most common input. The Random Forest (RF) algorithm was the most frequently used across categories. A detailed review showed how SML is applied in various outdoor thermal comfort (OTC) studies, suggesting that future research should cover wider study areas and longer time spans. Qualitative methods should also be incorporated into SML research as complementary tools. We discussed SML methods, highlighting algorithm synergy and portability as key areas for future OTC research. The limitations of current applications, such as high computing costs, parameter adjustment complexity, and tedious pretreatment, were identified, along with development directions to address these issues. For input data, we recommended using more dimensional datasets and advanced preprocessing models to enhance prediction accuracy and depth. In conclusion, this review demonstrated SML’s potential to effectively solve outdoor thermal comfort problems. It refines and summarizes existing workflows and applications, offering three propositions for future development in this field.
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 ».