Defining Transition Rules with Reinforcement Learning for Modeling Land Cover Change
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
Spatio-temporal modeling provides the opportunity to simulate geographic processes of land use and land cover change (LUCC) by integrating geographic information systems (GIS) with various machine learning approaches to computing. Contemporary models are often developed using a training dataset to define a set of probabilistic transition rules that govern how a landscape changes over time. However, the use of training datasets can be problematic for spatio-temporal modeling, as they can limit the ability to incorporate system complexity and hinder the transferability of the model to different datasets. The purpose of this study is to evaluate a machine learning approach called reinforcement learning (RL) for defining transition rules for GIS-based models of land cover change due to natural resource extraction. Specifically, RL is evaluated based on its potential for constructing models independent of training datasets that can handle different levels of complexity and be transferred across different spatial extents. An RL model for Land Cover Change (RL-LCC) is developed for considering economic and ecological goals involved in natural resource management, and implemented using a hypothetical forest management scenario. Simulation results reveal that agents in the RL-LCC model are able to develop transition rules from their experience in their landscape in a variety of simulation scenarios that allow them to achieve their goals. This study demonstrates the benefits of integrating RL and GIS in order to address important issues of space, time and complexity.
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