MétaCan
Menu
← Retour à la cohorte
Enregistrement W4394282909 · doi:10.6084/m9.figshare.19721709

Offshore Island Connection Line: A new perspective of coastal urban development boundary simulation and multi-scenario prediction

2022· dataset· en· W4394282909 sur OpenAlexaff
Fei He, Jun Yang, Yuqing Zhang, Dongqi Sun, Li Wang, Xiangming Xiao, Jianhong Xia

Notice bibliographique

RevueFigshare · 2022
Typedataset
Langueen
DomaineEnvironmental Science
ThématiqueCoastal and Marine Management
Établissements canadiensMcMaster University
Organismes subventionnairesnon disponible
Mots-clésSubmarine pipelinePerspective (graphical)Connection (principal bundle)Line (geometry)Boundary (topology)Development (topology)GeographyGeologyMarine engineeringOceanographyComputer scienceEngineeringGeometryArtificial intelligenceMathematicsMechanical engineering

Résumé

récupéré en direct d'OpenAlex

The urban development boundary (UDB) is a core issue in territorial spatial planning and remains a research focus in urban development. However, in the past, land use simulations of coastal cities have had some limitations. For example, new urban land outside the research boundary could not be effectively simulated, resulting in a large gap between the simulation results and reality. In this study, an artificial neural network (ANN) cellular automata (CA) model based on a new perspective, the Offshore Island Connection Line (collectively, OICL-ANN-CA), was developed to address this problem. We first proposed the delineation principles and methods of OICL and applied it to the Jinpu New Area of Dalian City, Liaoning Province, China. Based on the conversion probability and land use simulation results obtained by ANN and CA, this study validated the UDB simulations for 2000–2020 in the Jinpu New Area and predicted the UDB for 2020–2035 under three scenarios: historical inertia development, ecological security protection, and ecological and economic balance. The results indicate that, compared with the traditional perspective model (the ANN-CA model based on the sea–land boundary), the OICL-ANN-CA model exhibited better simulation accuracy (the figure of merit was approximately 35% higher) and effectively simulated new urban land outside the traditional boundary. This simulation of urban land expansion is more consistent with recent development in the study area. In addition, the predicted results of UDB in 2035 also demonstrate the benefits of this model for detecting reclaimed land. This study illustrates that the OICL-ANN-CA model is a more capable method for capturing changes in new coastal urban land and can produce realistic simulations. It provides a reference for delimiting the UDB and defining the research boundary for the Jinpu New Area and other fast-growing coastal cities in China.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,001
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: aucune
GenreSignal candidat: Jeu de données · Signal consensuel: aucune
Score de désaccord entre enseignants0,027
Score d'incertitude au seuil0,054

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,001
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0000,001
Bibliométrie0,0010,001
Études des sciences et des technologies0,0000,000
Communication savante0,0010,001
Science ouverte0,0010,001
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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.

Tête enseignante Opus0,027
Tête enseignante GPT0,254
Écart entre enseignants0,227 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSans objet
Domainenon disponible
GenreJeu de données

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations0
Publié2022
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueFigshare→Même sujetCoastal and Marine Management→Travaux en français237 207→