A multi‐label cellular automata model for land change simulation
Notice bibliographique
Résumé
Abstract The use of cellular automata (CA) has for some time been considered among the most appropriate approaches for modeling land‐use changes. Each cell in a traditional CA model has a state that evolves according to transition rules, taking into consideration its own and its neighbors’ states and characteristics. Here, we present a multi‐label CA model in which a cell may simultaneously have more than one state. The model uses a multi‐label learning method—a multi‐label support vector machine, Rank‐SVM—to define the transition rules. The model was used with a multi‐label land‐use dataset for Luxembourg, built from vector‐based land‐use data using a method presented here. The proposed multi‐label CA model showed promising performance in terms of its ability to capture and model the details and complexities of changes in land‐use patterns. Applied to historical land use data, the proposed model estimated the land use change with an accuracy of 87.2% exact matching and 98.84% when including cells with a misclassification of a single label, which is comparably better than a classical multi‐class model that achieved 83.6%. The multi‐label cellular automata outperformed a model combining CA and artificial neural networks. All model goodness‐of‐fit comparisons were quantified using various performance metrics for predictive models.
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 | 0,000 | 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 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 ».