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": "A\u00f1o", 
7
      "key": "A\u00f1o", 
            
8
      "value": "2021"
8
      "value": "2021"
            
9
    }, 
9
    }, 
            
10
    {
10
    {
            
11
      "key": "DOI", 
11
      "key": "DOI", 
            
12
      "value": "https://doi.org/10.1109/enc53357.2021.9534789"
12
      "value": "https://doi.org/10.1109/enc53357.2021.9534789"
            
13
    }, 
13
    }, 
            
14
    {
14
    {
            
15
      "key": "Google Scholar URL", 
15
      "key": "Google Scholar URL", 
            
16
      "value": 
16
      "value": 
            
n
17
gesize=100&sortby=pubdate&citation_for_view=b81TvMMAAAAJ:LkGwnXOMwfcC"
n
17
gesize=100&sortby=pubdate&citation_for_view=MG1jyREAAAAJ:tKAzc9rXhukC"
            
18
    }, 
18
    }, 
            
19
    {
19
    {
            
20
      "key": "Identificador hash", 
20
      "key": "Identificador hash", 
            
21
      "value": "5736cfe1ba23"
21
      "value": "5736cfe1ba23"
            
22
    }, 
22
    }, 
            
23
    {
23
    {
            
24
      "key": "Lugar de publicaci\u00f3n", 
24
      "key": "Lugar de publicaci\u00f3n", 
            
25
      "value": "2021 Mexican International Conference on Computer 
25
      "value": "2021 Mexican International Conference on Computer 
            
26
Science (ENC), 1-8, 2021"
26
Science (ENC), 1-8, 2021"
            
27
    }, 
27
    }, 
            
28
    {
28
    {
            
29
      "key": "Tipo", 
29
      "key": "Tipo", 
            
30
      "value": "Publicaci\u00f3n"
30
      "value": "Publicaci\u00f3n"
            
31
    }, 
31
    }, 
            
32
    {
32
    {
            
33
      "key": "Tipo de publicaci\u00f3n", 
33
      "key": "Tipo de publicaci\u00f3n", 
            
34
      "value": "Conferencia"
34
      "value": "Conferencia"
            
35
    }, 
35
    }, 
            
36
    {
36
    {
            
37
      "key": "URL directo", 
37
      "key": "URL directo", 
            
38
      "value": 
38
      "value": 
            
39
"https://ieeexplore.ieee.org/abstract/document/9534789/"
39
"https://ieeexplore.ieee.org/abstract/document/9534789/"
            
40
    }
40
    }
            
41
  ], 
41
  ], 
            
42
  "groups": [
42
  "groups": [
            
43
    {
43
    {
            
44
      "description": "", 
44
      "description": "", 
            
45
      "display_name": "Publicaciones", 
45
      "display_name": "Publicaciones", 
            
46
      "id": "8be672a5-4640-455e-a4f3-46b52b66c07b", 
46
      "id": "8be672a5-4640-455e-a4f3-46b52b66c07b", 
            
47
      "image_display_url": "", 
47
      "image_display_url": "", 
            
48
      "name": "publicaciones", 
48
      "name": "publicaciones", 
            
49
      "title": "Publicaciones"
49
      "title": "Publicaciones"
            
50
    }
50
    }
            
51
  ], 
51
  ], 
            
52
  "id": "3254df70-b09b-422b-8258-573fe3646fe1", 
52
  "id": "3254df70-b09b-422b-8258-573fe3646fe1", 
            
53
  "isopen": false, 
53
  "isopen": false, 
            
54
  "license_id": null, 
54
  "license_id": null, 
            
55
  "license_title": null, 
55
  "license_title": null, 
            
56
  "maintainer": null, 
56
  "maintainer": null, 
            
57
  "maintainer_email": null, 
57
  "maintainer_email": null, 
            
58
  "metadata_created": "2025-10-21T08:59:20.976841", 
58
  "metadata_created": "2025-10-21T08:59:20.976841", 
            
n
59
  "metadata_modified": "2025-10-21T08:59:21.513109", 
n
59
  "metadata_modified": "2025-10-21T09:01:30.345845", 
            
60
  "name": "5736cfe1ba23", 
60
  "name": "5736cfe1ba23", 
            
61
  "notes": "Urban growth modelling is a current trend in 
61
  "notes": "Urban growth modelling is a current trend in 
            
62
geo-computation due to its impact on the local living environment and 
62
geo-computation due to its impact on the local living environment and 
            
63
the quality of life. The FUTure Urban-Regional Environment Simulation 
63
the quality of life. The FUTure Urban-Regional Environment Simulation 
            
64
(FUTURES) model produces projections of landscape patterns by coupling 
64
(FUTURES) model produces projections of landscape patterns by coupling 
            
65
land suitability, per-capita demand, and patch growing algorithm (PGA) 
65
land suitability, per-capita demand, and patch growing algorithm (PGA) 
            
66
sub-models. In particular, the PGA is the urban growing simulator 
66
sub-models. In particular, the PGA is the urban growing simulator 
            
67
component that takes into account the stochastic nature of urban 
67
component that takes into account the stochastic nature of urban 
            
68
development. It requires a set of parameters, namely compactness mean, 
68
development. It requires a set of parameters, namely compactness mean, 
            
69
compactness range, and discount factor to approximate the general 
69
compactness range, and discount factor to approximate the general 
            
70
characteristics of the urban development structure. The fitness of the 
70
characteristics of the urban development structure. The fitness of the 
            
71
parameters is measured by computing the difference between the area 
71
parameters is measured by computing the difference between the area 
            
72
and compactness histograms of the observed and simulated urban 
72
and compactness histograms of the observed and simulated urban 
            
73
growths. On the one hand, the authors find these parameters via an 
73
growths. On the one hand, the authors find these parameters via an 
            
74
exhaustive grid search; nevertheless, this requires evaluating all the 
74
exhaustive grid search; nevertheless, this requires evaluating all the 
            
75
points in the grid, which implies a high computational cost because 
75
points in the grid, which implies a high computational cost because 
            
76
each point is associated with several PGA simulations. In addition, 
76
each point is associated with several PGA simulations. In addition, 
            
77
the approximation is limited to be one of the points in the grid. 
77
the approximation is limited to be one of the points in the grid. 
            
78
Thus, the better the precision is, the higher the required 
78
Thus, the better the precision is, the higher the required 
            
79
computational cost. On the other hand, evolutionary algorithms have 
79
computational cost. On the other hand, evolutionary algorithms have 
            
80
been widely used for the automatic calibration of parameters but, in 
80
been widely used for the automatic calibration of parameters but, in 
            
81
general, they are not designed to use a low number of evaluations, 
81
general, they are not designed to use a low number of evaluations, 
            
82
require expert tuning, and to define the stop criteria. Therefore, we 
82
require expert tuning, and to define the stop criteria. Therefore, we 
            
83
propose an algorithm to find the adequate parameters, with minimum 
83
propose an algorithm to find the adequate parameters, with minimum 
            
84
expert intervention, using an Estimation of Distribution Algorithm 
84
expert intervention, using an Estimation of Distribution Algorithm 
            
85
designed to use a low number of function evaluations (EDALNFE) when 
85
designed to use a low number of function evaluations (EDALNFE) when 
            
86
compared to the grid search. EDALNFE provides several assets: it 
86
compared to the grid search. EDALNFE provides several assets: it 
            
87
delivers competitive results, it requires a low number of function 
87
delivers competitive results, it requires a low number of function 
            
88
evaluations, it does not require expert settings, and it is equipped 
88
evaluations, it does not require expert settings, and it is equipped 
            
89
with an automatic stop criterion. The proposed algorithm is compared 
89
with an automatic stop criterion. The proposed algorithm is compared 
            
90
to exhaustive grid search (the only method readily available in the 
90
to exhaustive grid search (the only method readily available in the 
            
91
FUTURES package) and differential evolution to demonstrate its 
91
FUTURES package) and differential evolution to demonstrate its 
            
92
superior performance.", 
92
superior performance.", 
            
93
  "num_resources": 1, 
93
  "num_resources": 1, 
            
94
  "num_tags": 12, 
94
  "num_tags": 12, 
            
95
  "organization": {
95
  "organization": {
            
96
    "approval_status": "approved", 
96
    "approval_status": "approved", 
            
97
    "created": "2022-05-19T00:10:30.480393", 
97
    "created": "2022-05-19T00:10:30.480393", 
            
98
    "description": "Observatorio Metropolitano CentroGeo", 
98
    "description": "Observatorio Metropolitano CentroGeo", 
            
99
    "id": "b3b3a79d-748a-4464-9471-732b6c74ec53", 
99
    "id": "b3b3a79d-748a-4464-9471-732b6c74ec53", 
            
100
    "image_url": 
100
    "image_url": 
            
101
"2022-05-19-001030.456616FullColor1280x1024LogoOnly.png", 
101
"2022-05-19-001030.456616FullColor1280x1024LogoOnly.png", 
            
102
    "is_organization": true, 
102
    "is_organization": true, 
            
103
    "name": "observatorio-metropolitano-centrogeo", 
103
    "name": "observatorio-metropolitano-centrogeo", 
            
104
    "state": "active", 
104
    "state": "active", 
            
105
    "title": "Observatorio Metropolitano CentroGeo", 
105
    "title": "Observatorio Metropolitano CentroGeo", 
            
106
    "type": "organization"
106
    "type": "organization"
            
107
  }, 
107
  }, 
            
108
  "owner_org": "b3b3a79d-748a-4464-9471-732b6c74ec53", 
108
  "owner_org": "b3b3a79d-748a-4464-9471-732b6c74ec53", 
            
109
  "private": false, 
109
  "private": false, 
            
110
  "relationships_as_object": [], 
110
  "relationships_as_object": [], 
            
111
  "relationships_as_subject": [], 
111
  "relationships_as_subject": [], 
            
112
  "resources": [
112
  "resources": [
            
113
    {
113
    {
            
114
      "cache_last_updated": null, 
114
      "cache_last_updated": null, 
            
115
      "cache_url": null, 
115
      "cache_url": null, 
            
116
      "created": "2025-10-21T08:59:21.546061", 
116
      "created": "2025-10-21T08:59:21.546061", 
            
117
      "datastore_active": false, 
117
      "datastore_active": false, 
            
118
      "description": "Urban growth modelling is a current trend in 
118
      "description": "Urban growth modelling is a current trend in 
            
119
geo-computation due to its impact on the local living environment and 
119
geo-computation due to its impact on the local living environment and 
            
120
the quality of life. The FUTure Urban-Regional Environment Simulation 
120
the quality of life. The FUTure Urban-Regional Environment Simulation 
            
121
(FUTURES) model produces projections of landscape patterns by coupling 
121
(FUTURES) model produces projections of landscape patterns by coupling 
            
122
land suitability, per-capita demand, and patch growing algorithm (PGA) 
122
land suitability, per-capita demand, and patch growing algorithm (PGA) 
            
123
sub-models. In particular, the PGA is the urban growing simulator 
123
sub-models. In particular, the PGA is the urban growing simulator 
            
124
component that takes into account the stochastic nature of urban 
124
component that takes into account the stochastic nature of urban 
            
125
development. It requires a set of parameters, namely compactness mean, 
125
development. It requires a set of parameters, namely compactness mean, 
            
126
compactness range, and discount factor to approximate the general 
126
compactness range, and discount factor to approximate the general 
            
127
characteristics of the urban development structure. The fitness of the 
127
characteristics of the urban development structure. The fitness of the 
            
128
parameters is measured by computing the difference between the area 
128
parameters is measured by computing the difference between the area 
            
129
and compactness histograms of the observed and simulated urban 
129
and compactness histograms of the observed and simulated urban 
            
130
growths. On the one hand, the authors find these parameters via an 
130
growths. On the one hand, the authors find these parameters via an 
            
131
exhaustive grid search; nevertheless, this requires evaluating all the 
131
exhaustive grid search; nevertheless, this requires evaluating all the 
            
132
points in the grid, which implies a high computational cost because 
132
points in the grid, which implies a high computational cost because 
            
133
each point is associated with several PGA simulations. In addition, 
133
each point is associated with several PGA simulations. In addition, 
            
134
the approximation is limited to be one of the points in the grid. 
134
the approximation is limited to be one of the points in the grid. 
            
135
Thus, the better the precision is, the higher the required 
135
Thus, the better the precision is, the higher the required 
            
136
computational cost. On the other hand, evolutionary algorithms have 
136
computational cost. On the other hand, evolutionary algorithms have 
            
137
been widely used for the automatic calibration of parameters but, in 
137
been widely used for the automatic calibration of parameters but, in 
            
138
general, they are not designed to use a low number of evaluations, 
138
general, they are not designed to use a low number of evaluations, 
            
139
require expert tuning, and to define the stop criteria. Therefore, we 
139
require expert tuning, and to define the stop criteria. Therefore, we 
            
140
propose an algorithm to find the adequate parameters, with minimum 
140
propose an algorithm to find the adequate parameters, with minimum 
            
141
expert intervention, using an Estimation of Distribution Algorithm 
141
expert intervention, using an Estimation of Distribution Algorithm 
            
142
designed to use a low number of function evaluations (EDALNFE) when 
142
designed to use a low number of function evaluations (EDALNFE) when 
            
143
compared to the grid search. EDALNFE provides several assets: it 
143
compared to the grid search. EDALNFE provides several assets: it 
            
144
delivers competitive results, it requires a low number of function 
144
delivers competitive results, it requires a low number of function 
            
145
evaluations, it does not require expert settings, and it is equipped 
145
evaluations, it does not require expert settings, and it is equipped 
            
146
with an automatic stop criterion. The proposed algorithm is compared 
146
with an automatic stop criterion. The proposed algorithm is compared 
            
147
to exhaustive grid search (the only method readily available in the 
147
to exhaustive grid search (the only method readily available in the 
            
148
FUTURES package) and differential evolution to demonstrate its 
148
FUTURES package) and differential evolution to demonstrate its 
            
149
superior performance.", 
149
superior performance.", 
            
150
      "format": "HTML", 
150
      "format": "HTML", 
            
151
      "hash": "", 
151
      "hash": "", 
            
152
      "id": "bda05cb0-9773-4166-87af-ab42ee6f1b03", 
152
      "id": "bda05cb0-9773-4166-87af-ab42ee6f1b03", 
            
153
      "last_modified": null, 
153
      "last_modified": null, 
            
n
154
      "metadata_modified": "2025-10-21T08:59:21.516834", 
n
154
      "metadata_modified": "2025-10-21T09:01:30.350034", 
            
155
      "mimetype": null, 
155
      "mimetype": null, 
            
156
      "mimetype_inner": null, 
156
      "mimetype_inner": null, 
            
157
      "name": "Parameter Calibration of the Patch Growing Algorithm 
157
      "name": "Parameter Calibration of the Patch Growing Algorithm 
            
158
for Urban Land Change Simulations", 
158
for Urban Land Change Simulations", 
            
159
      "package_id": "3254df70-b09b-422b-8258-573fe3646fe1", 
159
      "package_id": "3254df70-b09b-422b-8258-573fe3646fe1", 
            
160
      "position": 0, 
160
      "position": 0, 
            
161
      "resource_type": null, 
161
      "resource_type": null, 
            
162
      "size": null, 
162
      "size": null, 
            
163
      "state": "active", 
163
      "state": "active", 
            
164
      "url": 
164
      "url": 
            
165
esize=100&sortby=pubdate&citation_for_view=b81TvMMAAAAJ:LkGwnXOMwfcC", 
165
esize=100&sortby=pubdate&citation_for_view=b81TvMMAAAAJ:LkGwnXOMwfcC", 
            
166
      "url_type": null
166
      "url_type": null
            
167
    }
167
    }
            
168
  ], 
168
  ], 
            
169
  "state": "active", 
169
  "state": "active", 
            
170
  "tags": [
170
  "tags": [
            
171
    {
171
    {
            
172
      "display_name": "2021", 
172
      "display_name": "2021", 
            
173
      "id": "79560db5-a3ce-45a1-80a6-2de3f9c2cf63", 
173
      "id": "79560db5-a3ce-45a1-80a6-2de3f9c2cf63", 
            
174
      "name": "2021", 
174
      "name": "2021", 
            
175
      "state": "active", 
175
      "state": "active", 
            
176
      "vocabulary_id": null
176
      "vocabulary_id": null
            
177
    }, 
177
    }, 
            
178
    {
178
    {
            
179
      "display_name": "albertogarob", 
179
      "display_name": "albertogarob", 
            
180
      "id": "b079b3e9-8dbb-4423-88fb-f095153d314a", 
180
      "id": "b079b3e9-8dbb-4423-88fb-f095153d314a", 
            
181
      "name": "albertogarob", 
181
      "name": "albertogarob", 
            
182
      "state": "active", 
182
      "state": "active", 
            
183
      "vocabulary_id": null
183
      "vocabulary_id": null
            
184
    }, 
184
    }, 
            
185
    {
185
    {
            
186
      "display_name": "algorithm", 
186
      "display_name": "algorithm", 
            
187
      "id": "da224d7c-d794-48c8-8316-05d6b5fdc51c", 
187
      "id": "da224d7c-d794-48c8-8316-05d6b5fdc51c", 
            
188
      "name": "algorithm", 
188
      "name": "algorithm", 
            
189
      "state": "active", 
189
      "state": "active", 
            
190
      "vocabulary_id": null
190
      "vocabulary_id": null
            
191
    }, 
191
    }, 
            
192
    {
192
    {
            
193
      "display_name": "calibration", 
193
      "display_name": "calibration", 
            
194
      "id": "57aaaf8e-b348-4b10-bb60-62ad1d2773c6", 
194
      "id": "57aaaf8e-b348-4b10-bb60-62ad1d2773c6", 
            
195
      "name": "calibration", 
195
      "name": "calibration", 
            
196
      "state": "active", 
196
      "state": "active", 
            
197
      "vocabulary_id": null
197
      "vocabulary_id": null
            
198
    }, 
198
    }, 
            
199
    {
199
    {
            
200
      "display_name": "computation", 
200
      "display_name": "computation", 
            
201
      "id": "7360e5e0-ae0d-4cd2-8974-a4f49ac17663", 
201
      "id": "7360e5e0-ae0d-4cd2-8974-a4f49ac17663", 
            
202
      "name": "computation", 
202
      "name": "computation", 
            
203
      "state": "active", 
203
      "state": "active", 
            
204
      "vocabulary_id": null
204
      "vocabulary_id": null
            
205
    }, 
205
    }, 
            
206
    {
206
    {
            
207
      "display_name": "computer-science", 
207
      "display_name": "computer-science", 
            
208
      "id": "29cae056-cd7e-43f7-be5b-b25869a3fbf2", 
208
      "id": "29cae056-cd7e-43f7-be5b-b25869a3fbf2", 
            
209
      "name": "computer-science", 
209
      "name": "computer-science", 
            
210
      "state": "active", 
210
      "state": "active", 
            
211
      "vocabulary_id": null
211
      "vocabulary_id": null
            
212
    }, 
212
    }, 
            
213
    {
213
    {
            
214
      "display_name": "grid", 
214
      "display_name": "grid", 
            
215
      "id": "ffb14913-8224-4760-8d62-ba7cfcdb4542", 
215
      "id": "ffb14913-8224-4760-8d62-ba7cfcdb4542", 
            
216
      "name": "grid", 
216
      "name": "grid", 
            
217
      "state": "active", 
217
      "state": "active", 
            
218
      "vocabulary_id": null
218
      "vocabulary_id": null
            
219
    }, 
219
    }, 
            
220
    {
220
    {
            
221
      "display_name": "histogram", 
221
      "display_name": "histogram", 
            
222
      "id": "933d7267-334e-4f94-b55e-e7a80b3da092", 
222
      "id": "933d7267-334e-4f94-b55e-e7a80b3da092", 
            
223
      "name": "histogram", 
223
      "name": "histogram", 
            
224
      "state": "active", 
224
      "state": "active", 
            
225
      "vocabulary_id": null
225
      "vocabulary_id": null
            
226
    }, 
226
    }, 
            
227
    {
227
    {
            
228
      "display_name": "mathematical-optimization", 
228
      "display_name": "mathematical-optimization", 
            
229
      "id": "b33a86ee-df39-4619-8165-c8d73afbf5a4", 
229
      "id": "b33a86ee-df39-4619-8165-c8d73afbf5a4", 
            
230
      "name": "mathematical-optimization", 
230
      "name": "mathematical-optimization", 
            
231
      "state": "active", 
231
      "state": "active", 
            
232
      "vocabulary_id": null
232
      "vocabulary_id": null
            
233
    }, 
233
    }, 
            
234
    {
234
    {
            
235
      "display_name": "range-aeronautics", 
235
      "display_name": "range-aeronautics", 
            
236
      "id": "631e97f4-5be6-4bf1-a707-33ebbb9778fa", 
236
      "id": "631e97f4-5be6-4bf1-a707-33ebbb9778fa", 
            
237
      "name": "range-aeronautics", 
237
      "name": "range-aeronautics", 
            
238
      "state": "active", 
238
      "state": "active", 
            
239
      "vocabulary_id": null
239
      "vocabulary_id": null
            
240
    }, 
240
    }, 
            
241
    {
241
    {
            
242
      "display_name": "set-abstract-data-type", 
242
      "display_name": "set-abstract-data-type", 
            
243
      "id": "b2cf6bcc-6aa2-4a45-9c63-4066f4e32845", 
243
      "id": "b2cf6bcc-6aa2-4a45-9c63-4066f4e32845", 
            
244
      "name": "set-abstract-data-type", 
244
      "name": "set-abstract-data-type", 
            
245
      "state": "active", 
245
      "state": "active", 
            
246
      "vocabulary_id": null
246
      "vocabulary_id": null
            
247
    }, 
247
    }, 
            
248
    {
248
    {
            
249
      "display_name": "svaldez", 
249
      "display_name": "svaldez", 
            
250
      "id": "f42a8210-1cef-4f03-98a0-a6d3d0d4f848", 
250
      "id": "f42a8210-1cef-4f03-98a0-a6d3d0d4f848", 
            
251
      "name": "svaldez", 
251
      "name": "svaldez", 
            
252
      "state": "active", 
252
      "state": "active", 
            
253
      "vocabulary_id": null
253
      "vocabulary_id": null
            
254
    }
254
    }
            
255
  ], 
255
  ], 
            
256
  "title": "Parameter Calibration of the Patch Growing Algorithm for 
256
  "title": "Parameter Calibration of the Patch Growing Algorithm for 
            
257
Urban Land Change Simulations", 
257
Urban Land Change Simulations", 
            
258
  "type": "dataset", 
258
  "type": "dataset", 
            
259
  "url": 
259
  "url": 
            
t
260
esize=100&sortby=pubdate&citation_for_view=b81TvMMAAAAJ:LkGwnXOMwfcC", 
t
260
esize=100&sortby=pubdate&citation_for_view=MG1jyREAAAAJ:tKAzc9rXhukC", 
            
261
  "version": null
261
  "version": null
            
262
}
262
}