An Interactive Method to Dynamically Create Transition Rules in a Land-use Cellular Automata Model
Notice bibliographique
Résumé
Cellular Automata -Simplicity Behind Complexity 4 analysis of variance (Lau and Kam, 2005) have been proposed for CA calibration.Computational intelligence techniques have also been tested, including artificial neural network (Li and Yeh, 2002b;Pijanowski et al., 2002), genetic algorithm (Shan et al., 2008), and data mining (Wang et al., 2010).Other methods involve the systematic testing of parameters (Jantz and Goetz, 2005;Jantz et al., 2003) and iterative calibration to achieve reasonable goodness-of-fit (Straatman et al., 2004).While these approaches might provide satisfactory simulation results, they often leave the modeler with little control on the mathematical equations used to determine the transition rules and the difficulty of understanding the geographical meaning of these rules (Verburg et al., 2004).This paper describes a semi-automated, interactive method that was designed and implemented to dynamically create transition rules and calibrate a land-use CA model.The proposed method combines the benefits of conditional and mathematical rules and is adaptable in terms of number of land-use classes, and spatial and temporal scale of the input data.It allows the modeler to acquire information about the importance of the factors associated to historical land-use changes within the study area and to interactively select the parameter values required for the model calibration.A detailed description of the steps involved in the CA calibration is provided.The CA model is then used to answer the following questions: a) how sensitive is the model to the conditions involved in the calibration, including the cell size, neighborhood configuration, parameter values and external driving factors?b) what is the performance of the model, in terms of presence and location, in simulating land-use changes using the transition rules identified by the proposed calibration method? How to referenceIn order to correctly reference this scholarly work, feel free to copy and paste the following:
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,016 | 0,002 |
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 source (Gemma direct ou Codex distillé), 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 ».