A Data-Driven Decision-Making Tool for Prioritizing Resilience Strategies in Cold-Climate Urban Neighborhoods
Notice bibliographique
Résumé
Cold-climate urban neighborhoods face mounting energy and thermal risks from extreme weather and power outages, creating trade-offs between different resilience capacities and objectives. This study develops a scalable, data-driven decision-making tool to support early-stage prioritization of resilience strategies at both the building component and neighborhood levels. A database of 48 active and passive strategies was systematically linked to 14 resilience objectives, reflecting energy- and thermally oriented capacities. Each strategy–objective pair was qualitatively assessed through a literature review and translated into probability distributions. Monte Carlo simulations (10,000 iterations) were performed to generate possible outcomes and several scores were calculated. Comparative scenario analysis—spanning holistic, short-term, long-term, energy-oriented, and thermally oriented perspectives—highlighted distinct adoption patterns. Active energy strategies, such as ESS, decentralized RES, microgrids, and CHP, consistently achieved the highest adoption (A) scores across levels and scenarios. Several passive measures, including green roofs, natural ventilation with passive heat recovery, and responsive glazing, also demonstrated strong multi-objective performance and outage resilience. A case study application integrated stakeholder-specific objective weightings, revealing convergent strategies suitable for immediate adoption and divergent ones requiring negotiation. This tool provides an adaptable probabilistic foundation for evaluating resilience strategies under uncertainty.
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 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 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 ».