A <scp>GIS</scp>‐based land‐use diversity index model to measure the degree of suburban sprawl
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
This paper describes a GIS ‐based land‐use diversity measure for residential neighbourhoods – the land‐use diversity index (or LDI ) model – as a possible urban sustainability criterion. The term ‘land‐use diversity’ is proposed as representative of many physical attributes of neighbourhood form opposite to typical sprawl patterns. A diverse neighbourhood is one with a mixture of compatible land uses and housing types, containing an array of amenities in reasonable proximity to where people live. The prototype version of the LDI model incorporates 34 input variables, structured around four sub‐indices. Its range of expected values are explored through four case study applications. Theoretically, index values can vary between 0 and 1, where 1 represents a condition of greater ‘land‐use diversity’. The two traditional urban neighbourhoods fared well (index values ranging between 0.627 and 0.726) because they have a greater range of land uses and neighbourhood amenities, a better integration of housing types and are more concentrated. These two neighbourhoods meet many of the ‘exuberant diversity’ criteria described by Jacobs. The two suburban neighbourhoods scored lower index values (between 0.250 and 0.363), indicating variables different to those for traditional urban forms. The LDI model differs from existing sprawl measures fundamentally, as it attempts to measure sprawl at a finer resolution (i.e. at the neighbourhood scale). It is anticipated the LDI model will assist with planning new, and reconfiguring old, neighbourhoods as they strive to meet smart growth criteria now being considered by many cities.
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 | 0,001 | 0,001 |
| 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 | 0,001 | 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