Crowdsourced mapping of land use in urban dense environments: An assessment of Toronto
Bibliographic record
Abstract
Geo‐located information is increasingly important for regional decision making and spatial assessment. Toronto has witnessed rapid demographic and economic change over the last decades, making the Toronto region the fourth largest economic centre in North America. From a policymaker's perspective, understanding land use for planning purposes is critical for better urban planning. Such information is, however, conditioned by classical surveying and sophisticated remote sensing techniques, which are often costly and spatially not feasible. Only local knowledge and information can really bridge this gap, as urban land use in denser urban regions is often very fine‐grained information. Volunteered geo‐information (VGI) sources are fundamental tools for the assessment of urban land use patterns. This article identifies land use patterns using VGI and offers a comparative assessment with traditionally classified land use features from remote sensing imagery for Toronto. A parcel‐based analysis of the voluntarily shared spatial information is used and extended at a regional level, with an overall accuracy of 75 percent. Additionally, a per‐class analysis confirms which land classes can be well (or poorly) mapped, and what level of disagreement exists between our approach and official records. The findings confirm a promising outlook for harnessing VGI for urban land use mapping for Toronto. La cartographie par externalisation ouverte de l'occupation du sol dans les milieux urbains denses : une évaluation à Toronto Les informations géolocalisées prennent de plus en plus d'importance dans les processus de prise de décision et dans l'évaluation spatiale au niveau régional. Toronto a connu une évolution démographique et économique rapide au cours des dernières décennies, de sorte que cette région est devenue le quatrième centre économique en Amérique du Nord. Pour améliorer l'aménagement du territoire, il est essentiel que les responsables politiques puissent intégrer l'occupation du sol dans la perspective urbanistique. Toutefois, ce type d'information dépend de techniques classiques d'arpentage et de télédétection très poussées, qui sont souvent dispendieuses et inapplicables sur le terrain. Il est possible de combler cette lacune en utilisant des savoirs et informations de nature locale, étant donné que les données sur l'occupation du sol dans les régions urbaines plus denses sont souvent très détaillées. Les sources d'information géographique volontaire (IGV) sont incontournables pour l'évaluation des modes d'occupation du sol en milieu urbain. Dans cet article, on distingue à l'aide d'IGV des modes d'occupation du sol qui font ensuite l'objet d'une évaluation avec les éléments d'occupation du sol conventionnels tirés d'un traitement d'images de télédétection à Toronto. Une analyse des parcelles est menée à partir de l'information spatiale partagée volontairement, puis est élargie à l'échelle régionale avec une précision globale de 75 percent. En outre, une analyse par classes d'occupation du sol permet de vérifier celles qui peuvent être bien (ou mal) cartographiées ainsi que l'écart entre notre approche et les documents officiels. Il en ressort des perspectives prometteuses pour mettre à profit l'IGV afin de réaliser la cartographie de l'occupation du sol en milieu urbain à Toronto.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.003 | 0.006 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.002 | 0.004 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.002 | 0.001 |
| Open science | 0.001 | 0.002 |
| Research integrity | 0.001 | 0.000 |
| Insufficient payload (model declined to judge) | 0.002 | 0.000 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".