Forecasting Urban Land Use Dynamics Through Patch-Generating Land Use Simulation and Markov Chain Integration: A Multi-Scenario Predictive Framework
Notice bibliographique
Résumé
Rapid urbanization and changing land use dynamics require robust tools for projecting and analyzing future land use scenarios to support sustainable urban development. This study introduces an integrated modeling framework that combines the Patch-generating Land Use Simulation (PLUS) model with Markov Chain (MC) analysis to simulate land use and land cover (LULC) changes for Montreal Island, Canada. This framework leverages historical data, scenario-based adjustments, and spatial drivers, providing urban planners and policymakers with a tool to evaluate the potential impacts of land use policies. Three scenarios—sustainable, industrial, and baseline—are developed to illustrate distinct pathways for Montreal’s urban development, each reflecting different policy priorities and economic emphases. The integrated MC-PLUS model achieved a high accuracy level, with an overall accuracy of 0.970 and a Kappa coefficient of 0.963 when validated against actual land use data from 2020. The findings indicate that sustainable policies foster more contiguous green spaces, enhancing ecological connectivity, while industrial-focused policies promote the clustering of commercial and industrial zones, often at the expense of green spaces. This study underscores the model’s potential as a valuable decision-support tool in urban planning, allowing for the scenario-driven exploration of LULC dynamics with high spatial precision. Future applications and enhancements could expand its relevance across diverse urban contexts globally.
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 | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 ».