Cambios

              
    

          
          
        
        

            
f
1
{
f
1
{
            
2
  "author": "R Lopez-Farias, SI Valdez, A Garcia-Robledo", 
2
  "author": "R Lopez-Farias, SI Valdez, A Garcia-Robledo", 
            
3
  "author_email": null, 
3
  "author_email": null, 
            
4
  "creator_user_id": "a3da3ec9-3fd4-47a4-8d04-0a90b09614e0", 
4
  "creator_user_id": "a3da3ec9-3fd4-47a4-8d04-0a90b09614e0", 
            
5
  "extras": [
5
  "extras": [
            
6
    {
6
    {
            
7
      "key": "Publicaci\u00f3n", 
7
      "key": "Publicaci\u00f3n", 
            
8
      "value": "Conferencia"
8
      "value": "Conferencia"
            
9
    }, 
9
    }, 
            
10
    {
10
    {
            
11
      "key": "Tipo", 
11
      "key": "Tipo", 
            
12
      "value": "Publicaci\u00f3n"
12
      "value": "Publicaci\u00f3n"
            
13
    }
13
    }
            
14
  ], 
14
  ], 
            
15
  "groups": [
15
  "groups": [
            
16
    {
16
    {
            
17
      "description": "Este grupo integra las publicaciones 
17
      "description": "Este grupo integra las publicaciones 
            
18
acad\u00e9micas derivadas de los proyectos de investigaci\u00f3n del 
18
acad\u00e9micas derivadas de los proyectos de investigaci\u00f3n del 
            
19
Observatorio Metropolitano CentroGeo. Incluye art\u00edculos 
19
Observatorio Metropolitano CentroGeo. Incluye art\u00edculos 
            
20
presentados en congresos nacionales e internacionales, manuscritos en 
20
presentados en congresos nacionales e internacionales, manuscritos en 
            
21
formato preprint, cap\u00edtulos de libro y trabajos publicados en 
21
formato preprint, cap\u00edtulos de libro y trabajos publicados en 
            
22
revistas cient\u00edficas especializadas. Estos materiales reflejan la 
22
revistas cient\u00edficas especializadas. Estos materiales reflejan la 
            
23
labor de investigaci\u00f3n, desarrollo metodol\u00f3gico y 
23
labor de investigaci\u00f3n, desarrollo metodol\u00f3gico y 
            
24
an\u00e1lisis territorial del observatorio, contribuyendo al avance 
24
an\u00e1lisis territorial del observatorio, contribuyendo al avance 
            
25
del conocimiento en temas urbanos, metropolitanos y geoespaciales.", 
25
del conocimiento en temas urbanos, metropolitanos y geoespaciales.", 
            
26
      "display_name": "Publicaciones", 
26
      "display_name": "Publicaciones", 
            
27
      "id": "a15a6b77-ddf5-4594-acab-7e772938a5b0", 
27
      "id": "a15a6b77-ddf5-4594-acab-7e772938a5b0", 
            
28
      "image_display_url": "", 
28
      "image_display_url": "", 
            
29
      "name": "publicaciones", 
29
      "name": "publicaciones", 
            
30
      "title": "Publicaciones"
30
      "title": "Publicaciones"
            
31
    }
31
    }
            
32
  ], 
32
  ], 
            
33
  "id": "f0f209f9-5807-4ca8-b763-5c273cc53cf5", 
33
  "id": "f0f209f9-5807-4ca8-b763-5c273cc53cf5", 
            
34
  "isopen": false, 
34
  "isopen": false, 
            
35
  "license_id": null, 
35
  "license_id": null, 
            
36
  "license_title": null, 
36
  "license_title": null, 
            
37
  "maintainer": null, 
37
  "maintainer": null, 
            
38
  "maintainer_email": null, 
38
  "maintainer_email": null, 
            
39
  "metadata_created": "2025-10-10T07:19:46.268413", 
39
  "metadata_created": "2025-10-10T07:19:46.268413", 
            
n
40
  "metadata_modified": "2025-10-10T07:19:46.725953", 
n
40
  "metadata_modified": "2025-10-11T01:23:38.168852", 
            
41
  "name": 
41
  "name": 
            
42
tch-growing-algorithm-for-urban-land-change-simulations-adc9e415743b", 
42
tch-growing-algorithm-for-urban-land-change-simulations-adc9e415743b", 
            
43
  "notes": "Urban growth modelling is a current trend in 
43
  "notes": "Urban growth modelling is a current trend in 
            
44
geo-computation due to its impact on the local living environment and 
44
geo-computation due to its impact on the local living environment and 
            
45
the quality of life. The FUTure Urban-Regional Environment Simulation 
45
the quality of life. The FUTure Urban-Regional Environment Simulation 
            
46
(FUTURES) model produces projections of landscape patterns by coupling 
46
(FUTURES) model produces projections of landscape patterns by coupling 
            
47
land suitability, per-capita demand, and patch growing algorithm (PGA) 
47
land suitability, per-capita demand, and patch growing algorithm (PGA) 
            
48
sub-models. In particular, the PGA is the urban growing simulator 
48
sub-models. In particular, the PGA is the urban growing simulator 
            
49
component that takes into account the stochastic nature of urban 
49
component that takes into account the stochastic nature of urban 
            
50
development. It requires a set of parameters, namely compactness mean, 
50
development. It requires a set of parameters, namely compactness mean, 
            
51
compactness range, and discount factor to approximate the general 
51
compactness range, and discount factor to approximate the general 
            
52
characteristics of the urban development structure. The fitness of the 
52
characteristics of the urban development structure. The fitness of the 
            
53
parameters is measured by computing the difference between the area 
53
parameters is measured by computing the difference between the area 
            
54
and compactness histograms of the observed and simulated urban 
54
and compactness histograms of the observed and simulated urban 
            
55
growths. On the one hand, the authors find these parameters via an 
55
growths. On the one hand, the authors find these parameters via an 
            
56
exhaustive grid search; nevertheless, this requires evaluating all the 
56
exhaustive grid search; nevertheless, this requires evaluating all the 
            
57
points in the grid, which implies a high computational cost because 
57
points in the grid, which implies a high computational cost because 
            
58
each point is associated with several PGA simulations. In addition, 
58
each point is associated with several PGA simulations. In addition, 
            
59
the approximation is limited to be one of the points in the grid. 
59
the approximation is limited to be one of the points in the grid. 
            
60
Thus, the better the precision is, the higher the required 
60
Thus, the better the precision is, the higher the required 
            
61
computational cost. On the other hand, evolutionary algorithms have 
61
computational cost. On the other hand, evolutionary algorithms have 
            
62
been widely used for the automatic calibration of parameters but, in 
62
been widely used for the automatic calibration of parameters but, in 
            
63
general, they are not designed to use a low number of evaluations, 
63
general, they are not designed to use a low number of evaluations, 
            
64
require expert tuning, and to define the stop criteria. Therefore, we 
64
require expert tuning, and to define the stop criteria. Therefore, we 
            
65
propose an algorithm to find the adequate parameters, with minimum 
65
propose an algorithm to find the adequate parameters, with minimum 
            
66
expert intervention, using an Estimation of Distribution Algorithm 
66
expert intervention, using an Estimation of Distribution Algorithm 
            
67
designed to use a low number of function evaluations (EDALNFE) when 
67
designed to use a low number of function evaluations (EDALNFE) when 
            
68
compared to the grid search. EDALNFE provides several assets: it 
68
compared to the grid search. EDALNFE provides several assets: it 
            
69
delivers competitive results, it requires a low number of function 
69
delivers competitive results, it requires a low number of function 
            
70
evaluations, it does not require expert settings, and it is equipped 
70
evaluations, it does not require expert settings, and it is equipped 
            
71
with an automatic stop criterion. The proposed algorithm is compared 
71
with an automatic stop criterion. The proposed algorithm is compared 
            
72
to exhaustive grid search (the only method readily available in the 
72
to exhaustive grid search (the only method readily available in the 
            
73
FUTURES package) and differential evolution to demonstrate its 
73
FUTURES package) and differential evolution to demonstrate its 
            
74
superior performance.", 
74
superior performance.", 
            
75
  "num_resources": 1, 
75
  "num_resources": 1, 
            
76
  "num_tags": 9, 
76
  "num_tags": 9, 
            
77
  "organization": {
77
  "organization": {
            
78
    "approval_status": "approved", 
78
    "approval_status": "approved", 
            
79
    "created": "2022-05-19T00:10:30.480393", 
79
    "created": "2022-05-19T00:10:30.480393", 
            
80
    "description": "Observatorio Metropolitano CentroGeo", 
80
    "description": "Observatorio Metropolitano CentroGeo", 
            
81
    "id": "b3b3a79d-748a-4464-9471-732b6c74ec53", 
81
    "id": "b3b3a79d-748a-4464-9471-732b6c74ec53", 
            
82
    "image_url": 
82
    "image_url": 
            
83
"2022-05-19-001030.456616FullColor1280x1024LogoOnly.png", 
83
"2022-05-19-001030.456616FullColor1280x1024LogoOnly.png", 
            
84
    "is_organization": true, 
84
    "is_organization": true, 
            
85
    "name": "observatorio-metropolitano-centrogeo", 
85
    "name": "observatorio-metropolitano-centrogeo", 
            
86
    "state": "active", 
86
    "state": "active", 
            
87
    "title": "Observatorio Metropolitano CentroGeo", 
87
    "title": "Observatorio Metropolitano CentroGeo", 
            
88
    "type": "organization"
88
    "type": "organization"
            
89
  }, 
89
  }, 
            
90
  "owner_org": "b3b3a79d-748a-4464-9471-732b6c74ec53", 
90
  "owner_org": "b3b3a79d-748a-4464-9471-732b6c74ec53", 
            
91
  "private": false, 
91
  "private": false, 
            
92
  "relationships_as_object": [], 
92
  "relationships_as_object": [], 
            
93
  "relationships_as_subject": [], 
93
  "relationships_as_subject": [], 
            
94
  "resources": [
94
  "resources": [
            
95
    {
95
    {
            
96
      "cache_last_updated": null, 
96
      "cache_last_updated": null, 
            
97
      "cache_url": null, 
97
      "cache_url": null, 
            
98
      "created": "2025-10-10T07:19:46.754344", 
98
      "created": "2025-10-10T07:19:46.754344", 
            
99
      "datastore_active": false, 
99
      "datastore_active": false, 
            
100
      "description": "Urban growth modelling is a current trend in 
100
      "description": "Urban growth modelling is a current trend in 
            
101
geo-computation due to its impact on the local living environment and 
101
geo-computation due to its impact on the local living environment and 
            
102
the quality of life. The FUTure Urban-Regional Environment Simulation 
102
the quality of life. The FUTure Urban-Regional Environment Simulation 
            
103
(FUTURES) model produces projections of landscape patterns by coupling 
103
(FUTURES) model produces projections of landscape patterns by coupling 
            
104
land suitability, per-capita demand, and patch growing algorithm (PGA) 
104
land suitability, per-capita demand, and patch growing algorithm (PGA) 
            
105
sub-models. In particular, the PGA is the urban growing simulator 
105
sub-models. In particular, the PGA is the urban growing simulator 
            
106
component that takes into account the stochastic nature of urban 
106
component that takes into account the stochastic nature of urban 
            
107
development. It requires a set of parameters, namely compactness mean, 
107
development. It requires a set of parameters, namely compactness mean, 
            
108
compactness range, and discount factor to approximate the general 
108
compactness range, and discount factor to approximate the general 
            
109
characteristics of the urban development structure. The fitness of the 
109
characteristics of the urban development structure. The fitness of the 
            
110
parameters is measured by computing the difference between the area 
110
parameters is measured by computing the difference between the area 
            
111
and compactness histograms of the observed and simulated urban 
111
and compactness histograms of the observed and simulated urban 
            
112
growths. On the one hand, the authors find these parameters via an 
112
growths. On the one hand, the authors find these parameters via an 
            
113
exhaustive grid search; nevertheless, this requires evaluating all the 
113
exhaustive grid search; nevertheless, this requires evaluating all the 
            
114
points in the grid, which implies a high computational cost because 
114
points in the grid, which implies a high computational cost because 
            
115
each point is associated with several PGA simulations. In addition, 
115
each point is associated with several PGA simulations. In addition, 
            
116
the approximation is limited to be one of the points in the grid. 
116
the approximation is limited to be one of the points in the grid. 
            
117
Thus, the better the precision is, the higher the required 
117
Thus, the better the precision is, the higher the required 
            
118
computational cost. On the other hand, evolutionary algorithms have 
118
computational cost. On the other hand, evolutionary algorithms have 
            
119
been widely used for the automatic calibration of parameters but, in 
119
been widely used for the automatic calibration of parameters but, in 
            
120
general, they are not designed to use a low number of evaluations, 
120
general, they are not designed to use a low number of evaluations, 
            
121
require expert tuning, and to define the stop criteria. Therefore, we 
121
require expert tuning, and to define the stop criteria. Therefore, we 
            
122
propose an algorithm to find the adequate parameters, with minimum 
122
propose an algorithm to find the adequate parameters, with minimum 
            
123
expert intervention, using an Estimation of Distribution Algorithm 
123
expert intervention, using an Estimation of Distribution Algorithm 
            
124
designed to use a low number of function evaluations (EDALNFE) when 
124
designed to use a low number of function evaluations (EDALNFE) when 
            
125
compared to the grid search. EDALNFE provides several assets: it 
125
compared to the grid search. EDALNFE provides several assets: it 
            
126
delivers competitive results, it requires a low number of function 
126
delivers competitive results, it requires a low number of function 
            
127
evaluations, it does not require expert settings, and it is equipped 
127
evaluations, it does not require expert settings, and it is equipped 
            
128
with an automatic stop criterion. The proposed algorithm is compared 
128
with an automatic stop criterion. The proposed algorithm is compared 
            
129
to exhaustive grid search (the only method readily available in the 
129
to exhaustive grid search (the only method readily available in the 
            
130
FUTURES package) and differential evolution to demonstrate its 
130
FUTURES package) and differential evolution to demonstrate its 
            
131
superior performance.", 
131
superior performance.", 
            
132
      "format": "HTML", 
132
      "format": "HTML", 
            
133
      "hash": "", 
133
      "hash": "", 
            
134
      "id": "7484c0ce-962f-42c3-9a34-a281537819ba", 
134
      "id": "7484c0ce-962f-42c3-9a34-a281537819ba", 
            
135
      "last_modified": null, 
135
      "last_modified": null, 
            
t
136
      "metadata_modified": "2025-10-10T07:19:46.729696", 
t
136
      "metadata_modified": "2025-10-11T01:23:38.173481", 
            
137
      "mimetype": null, 
137
      "mimetype": null, 
            
138
      "mimetype_inner": null, 
138
      "mimetype_inner": null, 
            
139
      "name": "Parameter Calibration of the Patch Growing Algorithm 
139
      "name": "Parameter Calibration of the Patch Growing Algorithm 
            
140
for Urban Land Change Simulations", 
140
for Urban Land Change Simulations", 
            
141
      "package_id": "f0f209f9-5807-4ca8-b763-5c273cc53cf5", 
141
      "package_id": "f0f209f9-5807-4ca8-b763-5c273cc53cf5", 
            
142
      "position": 0, 
142
      "position": 0, 
            
143
      "resource_type": null, 
143
      "resource_type": null, 
            
144
      "size": null, 
144
      "size": null, 
            
145
      "state": "active", 
145
      "state": "active", 
            
146
      "url": "https://doi.org/10.1109/enc53357.2021.9534789", 
146
      "url": "https://doi.org/10.1109/enc53357.2021.9534789", 
            
147
      "url_type": null
147
      "url_type": null
            
148
    }
148
    }
            
149
  ], 
149
  ], 
            
150
  "state": "active", 
150
  "state": "active", 
            
151
  "tags": [
151
  "tags": [
            
152
    {
152
    {
            
153
      "display_name": "algorithm", 
153
      "display_name": "algorithm", 
            
154
      "id": "da224d7c-d794-48c8-8316-05d6b5fdc51c", 
154
      "id": "da224d7c-d794-48c8-8316-05d6b5fdc51c", 
            
155
      "name": "algorithm", 
155
      "name": "algorithm", 
            
156
      "state": "active", 
156
      "state": "active", 
            
157
      "vocabulary_id": null
157
      "vocabulary_id": null
            
158
    }, 
158
    }, 
            
159
    {
159
    {
            
160
      "display_name": "calibration", 
160
      "display_name": "calibration", 
            
161
      "id": "57aaaf8e-b348-4b10-bb60-62ad1d2773c6", 
161
      "id": "57aaaf8e-b348-4b10-bb60-62ad1d2773c6", 
            
162
      "name": "calibration", 
162
      "name": "calibration", 
            
163
      "state": "active", 
163
      "state": "active", 
            
164
      "vocabulary_id": null
164
      "vocabulary_id": null
            
165
    }, 
165
    }, 
            
166
    {
166
    {
            
167
      "display_name": "computation", 
167
      "display_name": "computation", 
            
168
      "id": "7360e5e0-ae0d-4cd2-8974-a4f49ac17663", 
168
      "id": "7360e5e0-ae0d-4cd2-8974-a4f49ac17663", 
            
169
      "name": "computation", 
169
      "name": "computation", 
            
170
      "state": "active", 
170
      "state": "active", 
            
171
      "vocabulary_id": null
171
      "vocabulary_id": null
            
172
    }, 
172
    }, 
            
173
    {
173
    {
            
174
      "display_name": "computer-science", 
174
      "display_name": "computer-science", 
            
175
      "id": "29cae056-cd7e-43f7-be5b-b25869a3fbf2", 
175
      "id": "29cae056-cd7e-43f7-be5b-b25869a3fbf2", 
            
176
      "name": "computer-science", 
176
      "name": "computer-science", 
            
177
      "state": "active", 
177
      "state": "active", 
            
178
      "vocabulary_id": null
178
      "vocabulary_id": null
            
179
    }, 
179
    }, 
            
180
    {
180
    {
            
181
      "display_name": "grid", 
181
      "display_name": "grid", 
            
182
      "id": "ffb14913-8224-4760-8d62-ba7cfcdb4542", 
182
      "id": "ffb14913-8224-4760-8d62-ba7cfcdb4542", 
            
183
      "name": "grid", 
183
      "name": "grid", 
            
184
      "state": "active", 
184
      "state": "active", 
            
185
      "vocabulary_id": null
185
      "vocabulary_id": null
            
186
    }, 
186
    }, 
            
187
    {
187
    {
            
188
      "display_name": "histogram", 
188
      "display_name": "histogram", 
            
189
      "id": "933d7267-334e-4f94-b55e-e7a80b3da092", 
189
      "id": "933d7267-334e-4f94-b55e-e7a80b3da092", 
            
190
      "name": "histogram", 
190
      "name": "histogram", 
            
191
      "state": "active", 
191
      "state": "active", 
            
192
      "vocabulary_id": null
192
      "vocabulary_id": null
            
193
    }, 
193
    }, 
            
194
    {
194
    {
            
195
      "display_name": "mathematical-optimization", 
195
      "display_name": "mathematical-optimization", 
            
196
      "id": "b33a86ee-df39-4619-8165-c8d73afbf5a4", 
196
      "id": "b33a86ee-df39-4619-8165-c8d73afbf5a4", 
            
197
      "name": "mathematical-optimization", 
197
      "name": "mathematical-optimization", 
            
198
      "state": "active", 
198
      "state": "active", 
            
199
      "vocabulary_id": null
199
      "vocabulary_id": null
            
200
    }, 
200
    }, 
            
201
    {
201
    {
            
202
      "display_name": "range-aeronautics", 
202
      "display_name": "range-aeronautics", 
            
203
      "id": "631e97f4-5be6-4bf1-a707-33ebbb9778fa", 
203
      "id": "631e97f4-5be6-4bf1-a707-33ebbb9778fa", 
            
204
      "name": "range-aeronautics", 
204
      "name": "range-aeronautics", 
            
205
      "state": "active", 
205
      "state": "active", 
            
206
      "vocabulary_id": null
206
      "vocabulary_id": null
            
207
    }, 
207
    }, 
            
208
    {
208
    {
            
209
      "display_name": "set-abstract-data-type", 
209
      "display_name": "set-abstract-data-type", 
            
210
      "id": "b2cf6bcc-6aa2-4a45-9c63-4066f4e32845", 
210
      "id": "b2cf6bcc-6aa2-4a45-9c63-4066f4e32845", 
            
211
      "name": "set-abstract-data-type", 
211
      "name": "set-abstract-data-type", 
            
212
      "state": "active", 
212
      "state": "active", 
            
213
      "vocabulary_id": null
213
      "vocabulary_id": null
            
214
    }
214
    }
            
215
  ], 
215
  ], 
            
216
  "title": "Parameter Calibration of the Patch Growing Algorithm for 
216
  "title": "Parameter Calibration of the Patch Growing Algorithm for 
            
217
Urban Land Change Simulations", 
217
Urban Land Change Simulations", 
            
218
  "type": "dataset", 
218
  "type": "dataset", 
            
219
  "url": "https://doi.org/10.1109/enc53357.2021.9534789", 
219
  "url": "https://doi.org/10.1109/enc53357.2021.9534789", 
            
220
  "version": null
220
  "version": null
            
221
}
221
}