Urbanization-driven risk assessment of song-dynasty cultural heritage under land-use transition: A landscape-based spatial model for historic Kaifeng, China
Notice bibliographique
Résumé
Urbanization and land-use transition are major drivers of cultural heritage risk in historic cities, yet the spatiotemporal dynamics and underlying mechanisms remain underexplored. This study presents an integrated risk assessment framework for Song-Dynasty heritage in Kaifeng, Central China, systematically coupling multi-temporal land-use data, urban expansion intensity (UEI), landscape pattern metrics, and a Natural–Social–Landscape (NSL) risk model based on analytic hierarchy process (AHP). Using remote sensing and Geographic Information System (GIS) data from 1985 to 2022, we reveal that Kaifeng has undergone significant conversion from Cropland to Impervious, with urban expansion intensity and landscape fragmentation accelerating particularly around heritage clusters. Results indicate that risk hotspots are dynamic, shifting from peri-urban zones in early stages to the core heritage buffer in recent years, driven by the interplay of urban expansion and landscape fragmentation. The NSL model quantitatively captures the combined influence of natural, social, and landscape factors, enabling dynamic mapping of risk zones. Comparative analysis with recent high-impact literature demonstrates both consistency with broader urban–heritage risk patterns and novel insights into the spatial heterogeneity and temporal evolution of risk. These findings highlight the necessity of adaptive, spatially-targeted conservation policies and provide a replicable methodological reference for risk-informed urban planning in heritage-rich regions. • A spatial risk assessment model is developed for Song-dynasty heritage in Kaifeng. • Urban expansion intensity and landscape metrics are integrated via GIS-based analysis. • AHP-weighted NSL model identifies dynamic high-risk zones from 1985 to 2022. • Fragstats-derived LPI, SHDI, and PAFRAC reveal heritage landscape sensitivity. • The study proposes spatial regulation strategies for heritage-informed urban planning.
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 ».