Urban form in Canada at a small-area level: Quantifying “compactness” and “sprawl” with bayesian multivariate spatial factor analysis
Notice bibliographique
Résumé
Quantifying urban forms to explore urban compactness or sprawl has become increasingly popular in multiple fields in the past decades. However, previous studies predominantly analyze the multidimensional phenomenon at large-area levels such as metropolitan areas, concealing variations that probably occur at small-area levels. Canadian studies measuring urban forms are usually conducted at the regional level with inconsistent indicators and approaches, hindering meaningful comparisons of compactness or sprawling between different regions. This study bridges a previous gap by applying Bayesian multivariate spatial factor analysis to construct a new composite urban compactness index for all Census Tracts (CT) in Canada. Nine urban form indictors representing four dimensions, density, centering, land use, and street connectivity are used in developing the index. Posterior probability is used to detect CTs that are most compact or sprawling. Results indicate that gross population and employment densities best characterize urban compactness at the CT level while land-use mix is the least central indictor to define the multi-faceted concept. Notable differences of urban compactness are detected across Canada and among different Census Metropolitan Areas (CMA). The most compact CTs usually locate in downtown or city center areas of a CMA. Larger and more populous CMAs, which also capture a larger extent of periphery areas, are not necessarily more compact and vice versa, suggesting the need to measure local variations of urban compactness. The constructed composite index allows direct urban compactness comparisons across different Canadian regions. Findings from this study can be used to guide smart and sustainable urban development in Canada.
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 ».