MétaCan
Menu
Retour à la cohorte
Enregistrement W4413274511 · doi:10.1088/2634-4505/adfc95

Leveraging building permit data for large-scale embodied carbon assessment of residential building construction

2025· article· en· W4413274511 sur OpenAlexaff
Santiago Zuluaga, Shoshanna Saxe

Notice bibliographique

RevueEnvironmental Research Infrastructure and Sustainability · 2025
Typearticle
Langueen
DomaineEnvironmental Science
ThématiqueEnvironmental Impact and Sustainability
Établissements canadiensUniversity of Toronto
Organismes subventionnairesnon disponible
Mots-clésScale (ratio)Embodied cognitionArchitectural engineeringComputer scienceConstruction engineeringEnvironmental scienceEngineeringGeographyArtificial intelligenceCartography

Résumé

récupéré en direct d'OpenAlex

Abstract The construction sector must balance reducing embodied greenhouse gas (GHG) emissions with meeting the rising global demand for infrastructure driven by population growth. While existing research on additional housing provision often focuses on the environmental implications of new buildings, a push towards circular economy initiatives has shed light on the renovation of existing building as an alternative pathway for additional dwelling creation. This study quantifies embodied GHG emissions for over 65 000 residential construction projects from 2018 to 2023 by analyzing open-source building permit data from six North American municipalities. Through a hybrid approach that combines regional input–output models and reported construction costs, we estimate embodied emissions for newly built residential dwellings and dwellings added through renovations of existing buildings. Our results show that new single-dwelling buildings have a higher average GHG emission intensity than new multi-unit residential buildings and are also ∼10 times more GHG intensive than single-dwelling additions to existing buildings. In contrast, units in new multi-unit buildings with over 10 dwellings are on average 1.5–3 times more GHG-intensive than additions to existing buildings. We show that best-in-class dwelling additions have 30%–90% less embodied GHG compared to the median GHG intensity of new dwellings. However, dwellings added through the most GHG-intensive renovations exceeded the emissions of newly built units in up to 40% of cases in large multi-unit buildings. This study provides insight into the scale and intensity of renovation activities while demonstrating the utility of building permit data for embodied GHG and circularity assessments, providing valuable insights for sustainable housing and resource management policies.

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: Observationnel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,044
Score d'incertitude au seuil0,088

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,002
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0000,001
Bibliométrie0,0020,004
Études des sciences et des technologies0,0000,000
Communication savante0,0010,001
Science ouverte0,0010,001
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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.

Tête enseignante Opus0,017
Tête enseignante GPT0,362
Écart entre enseignants0,345 · 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'étudeObservationnel
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

Citations1
Publié2025
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueEnvironmental Research Infrastructure and SustainabilityMême sujetEnvironmental Impact and SustainabilityTravaux en français237 207