LAND COVER CHANGE PREDICTION USING CELLULAR AUTOMATA AND MARKOV CHAIN MODELS
Notice bibliographique
Résumé
This research examines the impact of land use change on mobility. Spatial problems arise due to increased activity, population, and transportation in the same space, necessitating the development of modeling strategies. This aligns with SDG 11 on cities and settlements, as well as the PRN's focus on transportation innovation. The urgency of this research lies in its adaptive and sustainable spatial prediction efforts aimed at controlling future land use. This study aims to analyze land use change patterns using the Cellular Automata Markov Chain (CA-Markov) model in Kupang City until 2043. CA-Markov simulations efficiently evaluate land cover changes and movement. The quantitative research method was conducted based on spatial predictions and spatial configuration. Quantum GIS (QGIS) and GeoSOS-FLUS were used to obtain results from each stage. There are three research stages. First, identification of land cover (land use in 2018 and 2023), driving factors (distance to settlements, airports, highways, elevation, slope, slope orientation, rainfall, population density), and conservation areas. Second, standardisation of spatial data. Third, land cover prediction using GeoSOS software (five-year prediction) to identify patterns of land use change. These findings emphasize the importance of using CA-Markov-based spatial predictions as a foundation for adaptive spatial planning to control land-use conversion and maintain sustainable spatial connectivity in Kupang City until 2043.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| 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 ».