Geospatial Disaggregation of Population Data in Supporting SDG Assessments: A Case Study from Deqing County, China
Notice bibliographique
Résumé
Quantitative assessments and dynamic monitoring of indicators based on fine-scale population data are necessary to support the implementation of the United Nations (UN) 2030 Agenda and to comprehensively achieve its 17 Sustainable Development Goals (SDGs). However, most population data are collected by administrative units, and it is difficult to reflect true distribution and uniformity in space. To solve this problem, based on fine building information, a geospatial disaggregation method of population data for supporting SDG assessments is presented in this paper. First, Deqing County in China, which was divided into residential areas and nonresidential areas according to the idea of dasymetric mapping, was selected as the study area. Then, the town administrative areas were taken as control units, building area and number of floors were used as weighting factors to establish the disaggregation model, and population data with a resolution of 30 m in Deqing County in 2016 were obtained. After analyzing the statistical population of 160 villages and the disaggregation results, we found that the global average accuracy was 87.08%. Finally, by using the disaggregation population data, indicators 3.8.1, 4.a.1, and 9.1.1 were selected to conduct an accessibility analysis and a buffer analysis in a quantitative assessment of the SDGs. The results showed that the SDG measurement and assessment results based on the disaggregated population data were more accurate and effective than the results obtained using the traditional method.
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) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,010 |
| 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 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 ».