Quelques indicateurs pour la mesure de la consommation des espaces et la caractérisation de l'étalement urbain de la ville d'Ain Beida
Bibliographic record
Abstract
RESUMEL'étalement urbain est un phénomène connu dans la plupart des agglomérations urbaines sous forme de démographie, saturation urbaine, ségrégation sociale.Il se traduit en faits urbains qui ont caractérisé un nombre de pays dans le monde entier.Seulement, la mesure et la caractérisation de l'étalement demeurent une tâche difficile, elles diffèrent d'un pays à un autre.Afin d'approcher la réalité de ce phénomène à l'échelle d'une ville moyenne; Aïn-Beida (notre cas d'étude), nous proposons de voir les différentes méthodes de mesure de l'étalement à partir des textes et articles scientifiques.À partir de ce fait, on a choisi trois exemples totalement différents sur le plan géographique, morphologique et social: Canada(Québec), les États-Unis, la France (Lyon).Le choix de ces expériences est porté essentiellement sur le nombre et la diversité des indicateurs de mesure utilisés dans chaque pays et chaque région, ces indicateurs deviennent par la suite une base de données pour sélectionner ceux qu'on peut projeter sur notre cas d'étude en fonction des similarités qui existent entre les exemples étudiés et le cas d'étude de notre recherche.Pour notre cas d'étude, Aïn-Beïda, qui est une ville moyenne dans les hautes plaines de la wilaya d'Oum El Bouaghi, a subi une extension spatiale démesurée, conséquence de la politique d'urbanisme de zoning fonctionnel consommateur d'espaces.Cette urbanisation accélérée a conduit à l'épuisement des réserves foncières, à l'étalement urbain et par conséquent, un développement anarchique, une pauvreté urbaine, et des ségrégations socio-spatiales importantes.
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 | 0.002 | 0.005 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.006 | 0.009 |
| Science and technology studies | 0.002 | 0.001 |
| Scholarly communication | 0.004 | 0.002 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.013 | 0.001 |
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".