The Impacts on Illegal Farmland Conversion of Adopting Remote Sensing Technology for Land Inspection in China
Notice bibliographique
Résumé
While China’s central government has adopted remote sensing technology in land inspection since 2000, little empirical research has been done on its effect. This study aims to measure the effect of satellite imagery-based land inspection (SIBI) on illegal farmland conversion. The data used in this study were collected for the period from 1997 to 2010 at the province-level. The econometrics approach for panel data model was used in this research. The results showed that SIBI has a deterrent effect of approximately 2.42 ha for every increase of 1% in proportion to the area of prefecture-level regions inspected in a province-level region. The results also indicate land inspections with RS (Remote Sensing) technology saved approximately 11,880 ha farmland from illegal conversion during 2000–2010 with an estimated contribution of reducing illegal farmland conversion by nearly 11%. Furthermore, the governance structure change for land inspection has also contributed to deterring illegal farmland conversion. The deterrent effects due to land inspection by the Supervisor of State Land (SSL) are about 7332 ha during 2008–2010 with an estimated contribution of reducing illegal farmland conversion by nearly 33%. In conclusion, although SIBI has strengthened China’s central capacity to uncover illegal farmland conversion and weakened local governments’ abilities to hide illegal farmland conversion, it has limited impact on illegal farmland conversion since it is just a technical tool. Improvements in the land inspection governance structure have also helped to deter illegal farmland conversion.
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 | 0,001 | 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 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 ».