Spatio-Temporal Differentiation and Driving Factors of Land Use and Habitat Quality in Lu’an City, China
Notice bibliographique
Résumé
The spatio-temporal evolution of land use/land cover (LULC) and habitat quality (HQ) is vital to maintaining ecological balance and realizing regional sustainable development. Using the InVEST and CA-Markov model, with the Kendall coefficient as the sensitivity value, LULC and HQ in Lu’an City from 2000 to 2030 are simulated and evaluated. Then, Spearman is used to analyze the correlation between HQ and driving factors. Finally, the influence of policy factors on HQ is discussed. The results show the following: (1) from 2000 to 2030, the LULC of Lu’an is mainly cropland (about 40%) and forest land (about 30%) which are transferred to construction land; (2) the kappa coefficient is 0.9097 (>0.75), indicating that the prediction results are valid; (3) the Spearman coefficient shows that DEM (0.706), SLOPE (0.600), TRI (0.681), and HFI (−0.687) are strongly correlated with HQ, while FVC (0.356) and GDP (−0.368) are weakly correlated with HQ; (4) the main reasons for the decrease in HQ are the increase in construction land area, the decrease in forest area, the vulnerability of artificial forests to threat factors, and their low biodiversity. This study outlines exploratory research from two perspectives of HQ factors and policy effects to provide policy suggestions for the sustainable development of Lu’an City.
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 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| 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 ».