11/21/02 Draft, Do Not Copy Energy Impacts of Heat Island Reduction Strategies in Toronto, Canada
Notice bibliographique
Résumé
The effect of heat-island reduction (HIR) strategies on annual energy savings and peak-power avoidance of the building sector of the Greater Toronto Area is calculated. The analysis is focused on three major building types that offer highest saving potentials: residence, office, and retail store. Using the DOE-2 building energy simulation model, we quantified the energy saving potentials of (1) using reflective roofs on individual buildings, (2) planting deciduous shade trees near the south and west walls of building, (3) planting coniferous wind-shielding vegetation near a building, (4) ambient cooling by a large-scale program of urban reforestation with reflective building roofs and pavements, and (5) the combined effects of 1-4. Results show potential annual energy savings of over CAD$11M (with uniform residential and commercial electricity and gas prices of $0.084/kWh and $5.54/GJ) could be realized by ratepayers from the combined effects of HIR strategies. Of that total, about 88 % was from the direct effects [1-3] and the remainder (12%) from the effects of the cooler ambient air temperature. The residential sector accounts for over half (59%) of the total savings; offices, 13%; and retail stores, 28%. Savings from reflective roofs were about 20%; shade trees, 30%; wind shielding of trees, 37%; and ambient cooling effect, 12%. These results are highly sensitive to the price of gas. Assuming a residential gas price of $10.84/GJ (gas price during December 2001), the net annual savings are reduced to about $10M; about 78 % resulted from wind-shielding, 16 % from shading by trees, and 5 % from cool roofs. Potential annual electricity savings were estimated at about 150GWh and potential peak-power avoidance was estimated at 250MW. 1.
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) | 0,001 | 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 ».