Human Activity Intensity and Its Spatial-Temporal Evolution in China’s Border Areas
Notice bibliographique
Résumé
Monitoring human activities in border areas is challenging due to the complex geographical environment and diverse people. China has the longest terrestrial boundary and the highest number of neighboring countries in the world. In this study, a human activity intensity index (HAI) was proposed based on land cover, population density, and satellite-based nighttime light for a long-term macroscopic study. The HAI was calculated at 1 km resolution within the 50 km buffer zone of China’s land boundary on each side in 1992, 2000, 2010, and 2020, respectively. Results show that human activity is low in about 90% of the study area. Overall, the HAI on the Chinese side is higher than that on the neighboring side, and the intensity of land use on the Chinese side has increased significantly from 1992 to 2020. Among China’s neighbors, India has the highest HAI with the fastest growth. With the changes in the HAI between China and its neighboring countries, four regional evolution patterns are found in the study area: Sino-Russian HAI decline; Sino-Kazakhstan HAI unilateral growth; Indian HAI continuous growth; China and Indochina HAI synchronized growth. Hotspot analysis reveals three spatial evolution patterns, which are unilateral expansion, bilateral expansion, and cross-border fusion. Both the “border effect” and “agglomeration effect” exist in border areas. The HAI changes in border areas not only impact the eco-environment but also affect geopolitics and geoeconomics. The HAI can be used as an instrument for decision-making and cooperation between China and neighboring countries in such areas as ecological protection, border security, and border trade.
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 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».