How geospatial technologies are transforming urban net-zero energy buildings: A comprehensive review of insights, challenges, and future directions
Notice bibliographique
Résumé
Governments worldwide are taking action to alleviate building emissions to achieve “net zero energy targets” by 2050. However, achieving Urban Net-Zero Energy Buildings (UNZEBs) remains challenging due to spatial, temporal and data integration constrain. This study systematically reviews the role of geospatial technologies, particularly GIS and remote sensing , in advancing UNZEBs by analyzing 204 peer-reviewed articles published between 2019 and 2024. Our research focuses on three key objectives: (1) identifying challenges and requirements for urban-scale net-zero energy buildings, (2) evaluating geospatial technologies used in urban building energy and environmental assessments , and (3) assessing their contributions to net-zero energy targets across various spatial scales. The findings reveal that geospatial tools enhance urban energy modeling, renewable energy potential assessments, and policy-driven decision-making. However, challenges such as inconsistencies in data resolution, interoperability issues, and the lack of standardized validation frameworks persist. To address these gaps, we propose a data-driven approach that integrates large-scale remote sensing, GIS, and machine learning to improve urban energy modeling and planning. This review contributes to provide a structured assessment of geospatial technology applications in urban energy transitions, which offers insights for researchers and policymakers to accelerate the shift toward net-zero energy cities. The novelty of this study lies in bridging geospatial data-driven approaches with urban energy sustainability frameworks , and highlights pathways for future advancements in geospatially informed urban planning.
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) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| 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 | 0,001 | 0,001 |
| 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 ».