Bridging the Fleet Distribution Data Gap with Satellite Imagery and Deep Learning for GHG Estimation
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Precise quantification of greenhouse gas (GHG) emissions is important for better urban sustainability. Transportation is one of the primary contributing sources of greenhouse gas emissions. To quantify better on-road GHG emissions, it is essential to decode fleet distribution. However, globally, many cities do not have the infrastructure to calculate a fleet distribution. Therefore, there will always be an uncertain error in the on-road GHG emissions estimation. However, very high-resolution satellite data can be helpful to overcome this gap due to its global temporal coverage. Hence, this study proposes a deep learning method, Faster Region-based Convolutional Neural Network (Faster R-CNN), and You Look Only Once (YOLO) based vehicle detection to identify the vehicles and vehicle categories from the very high-resolution satellite data and estimate the fleet distribution. The results show that our model can identify, Passenger Cars, Buses, Trucks, and Large Passenger Cars with the precision of 93.30%, 79.50%, 78.90%, and 81.15%, respectively. We applied this model to temporally available satellite images of Phoenix and calculated the fleet distribution and calculated the FFCO2 based on that fleet distribution and compared it with FFCO2 estimated using CURB dataset fleet distribution. Results show that CURB data-based FFOC2 is over-predicting by 22%, while using fleet distribution estimated by this method, FFCO2 over-predicting by 17% w.r.t VULCAN. These findings demonstrate the effectiveness of satellite-based fleet distribution estimation for improving FFCO₂ quantification in cities lacking robust data infrastructure. This approach provides a scalable and data-driven pathway to more accurate urban emissions modeling, enabling better-informed urban planning and sustainability efforts.
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.
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 découle