Understanding Urban Land Growth through a Social-Spatial Perspective
Notice bibliographique
Résumé
To understand the urbanization process, it is essential to detect urban spatial growth and to study relations with social development. In this study, we take Wuhan as a case to examine urban land growth patterns and how social factors relate to the urban land evolution between 1990, 2000, and 2010. We first classify land cover using Landsat images and examine the urban growth patterns during various stages based on landscape metrics regarding the area, density, and shape. Afterwards, principal component analysis and census data are used to extract key social factors. Thirdly, we apply geographically weighted regression (GWR) to depict the link between urban land metrics and social factors. The results indicate that the urban land coalescence and diffusion simultaneously exist, for which redevelopment, infilling, and edge expansion dominate the city center, and diffusion dominates the peripheral areas. The social factors have global regression relationships with urban land areas while local spatial non-stationarity presents in the relationships with the urban land patch shape irregularities. Industrial upgrading, educational levelling up, and population aging show significant with local heterogeneities in the relationships. The simulation of the relationship provides a social-spatial perspective to understand urban land growth. The authors conclude that sustainable urban management should consider the coexistence of different urban spatial growth models and underline social transitions when examining the urban growth process. This works for cities in rapidly urbanizing countries or regions.
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) | 0,002 | 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 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 ».