Landscape Mapping to Quantify Degree-of-Freedom, Degree-of-Sprawl, and Degree-of-Goodness of Urban Growth in Hawassa, Ethiopia
Notice bibliographique
Résumé
In the rapidly urbanizing African continent, monitoring, mapping and modeling of urban growth is an indispensable task to understand the magnitude and rate of the ongoing changes. Remote sensing data have been found useful in mapping urban areas and as a source of data for modeling and analysis of spatio-temporal trajectories of cities. In this study, remote sensing data from different sensors extending over a period of 24 years (1987-2011) were used to classify and extract areas of the established land use land cover classes in Hawassa City, Ethiopia. Among those classes, built-up areas were used to quantify urban growth and sprawl. The result of the mapping indicated that the built-up area had increased by 234.5% between 1987 and 2011. The area under investigation was sub-divided into eight equal zones within a circle to apply analytical models. To analyze the pattern, process and overall growth status of Hawassa City, Pearson’s Chi-square statistics, Shannon’s entropy, and degree-of-goodness models were employed. The result revealed that the degree-of-freedom was high indicating the disparity between observed and expected urban growth. The entropy values both in temporal intervals and zones were found higher than half-way mark of respectively showing the tendency of sprawl. Except the South Zone, the city had not experienced “goodness” during the entire study period. This study has provided new evidence about the urban growth in the study area that could be used by city managers.
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 | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| 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 ».