Spatiotemporal analysis of the housing bubble’s contribution to the proliferation of illegal landfills – The case of Gran Canaria
Notice bibliographique
Résumé
The management of disposed waste in illegal landfills (ILs) is a significant problem in contemporary societies due to respective hazards for the environment and human health. This study investigates the spatiotemporal distribution of IL occurrence for 2000, 2006 and 2012 in two representative areas of Gran Canaria island: northwest (Zone A) and east (Zone B). The interannual growth rate of surfaces affected by ILs for the period between 2000 and 2006 was 4.5% and 9.5% and between 2006 and 2012 it was 6.6% and 6.7%, for Zone A and Zone B respectively. The growth of ILs between 2000 and 2006 was higher in urban areas, spaces under construction, and industrial zones, and may be closely related to the process of urban expansion linked to the real estate boom. The latter would have a deep impact on the landscape due to the proliferation of illegal construction and demolition waste. The growth rate of ILs in urban environments fell during the later period of urban expansion. Besides, this work shows the application of cellular automata (CA) in the analysis of IL occurrence, with ILs considered to be a dynamic and complex system. This may supply added value to policies for environmental repair and protection as well as territorial planning (land use and management), by delimiting possible future areas of IL occurrence. In this regard, IL occurrence was simulated over a long timescale (18 years), to estimate and spatially locate the surface growth of ILs based on CA-Markov and Multiobjective Land Allocation models. The modelling of IL proliferation was divided into three phases: calibration, validation and simulation of the future 2018 scenario. Synchronic data series were used, along with Markov chains and transition rules, in all phases. In the calibration phase the suitability analysis was done and the transition rules and transition potential maps were obtained. The use of dynamic characteristics such as those associated to land uses and static characteristics such as elevation and slope helped model the ILs’ growth. Models’ accuracy was assessed using Kappa index and landscape metrics. Simulation outputs were not highly accurate when reproducing the exact location of ILs, however, they did correctly reproduce the distribution patterns for IL proliferation. Obtaining the best validation results, the CA_Markov model was used to simulating IL proliferation in 2018, predicting that increases of 52.3 ha and 81.5 ha affected by ILs in Zone A and Zone B respectively.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 source (Gemma direct ou Codex distillé), 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 ».