how to open pdf file using c# : How to select text in pdf reader software control dll windows web page wpf web forms Theobald20050-part1456

Copyright © 2005 by the author(s). Published here under license by the Resilience Alliance.
Theobald, D. 2005. Landscape patterns of exurban growth in the USA from 1980 to 2020. Ecology and
Society 10(1): 32. [online] URL:
http://www.ecologyandsociety.org/vol10/iss1/art32/
Research
Landscape Patterns of Exurban Growth in the USA from 1980 to
2020
David M. Theobald
1
ABSTRACT. In the  United States, citizens, policy makers,  and natural resource managers alike have
become concerned about urban sprawl, both locally and nationally. Most assessments of sprawl, or undesired
growth patterns, have focused on quantifying land-use changes in urban and metropolitan areas. It is critical
for ecologists to examine and improve understanding of land-use changes beyond the urban fringe—also
called exurban sprawl—because of the extensive and widespread changes that are occurring, and which
often are located adjacent to or nearby “protected” lands.
The primary goal of this paper is to describe the development of a nationwide, fine-grained database of
historical, current, and forecasted housing density, which enables these changes to be  quantified  as a
foundation for inference of possible ecological effects. Forecasted patterns were generated by the Spatially
Explicit Regional Growth Model, which relates historical growth patterns with accessibility to urban and
protected lands. Secondary goals are to report briefly on the status and trend of exurban land-use changes
across the U.S., and to introduce a landscape sprawl metric that captures patterns of land-use change. In
2000, there were 125 729 km
2
in urban and suburban (<0.68 ha per unit) residential housing density
nationwide (coterminous USA), but there were slightly over seven times that (917 090 km
2
) in exurban
housing density (0.68–16.18 ha per unit). The developed footprint has grown from 10.1% to 13.3% (1980
to 2000), roughly at a rate of 1.60% per year. This rate of land development outpaced the population growth
rate (1.18% per year) by 25%. Based on model forecasts, urban and suburban housing densities will expand
to 2.2% by 2020, whereas exurban development will expand to 14.3%.
Key Words: cross-scale edge; exurban sprawl; forecast model; landscape sprawl metric; land-use change;
resilience
INTRODUCTION
Urban sprawl—or undesirable land-use patterns—
and  its general  effects  have been  discussed by  a
variety  of  researchers,  decision  makers,  and
concerned interest groups (Alig  and Healy 1987,
Ewing 1994, Bank of America 1996, Sierra Club
1998,  Benfield  et  al.  1999,  Katz  and  Liu  2000,
Waldie 2000, Ewing et al. 2005). A recent special
feature of
Ecology and Society directly addressed
the interface of urban sprawl and ecology, and its
primary outcome was the conclusion that, central to
the  integration  of  ecology  and  society,  is  better
understanding  of  the  consequences  of  land-use
changes  on  natural  resources  and  ecological
processes (Ricketts and Imhoff 2003).
Research is needed to improve understanding of the
patterns,  rates,  and  ecological  effects  of  urban
sprawl,  but  another  type  of  land-use  change  is
occurring that has important ecological implications
as well. Here, I argue that it is critical for ecologists
to examine and improve understanding of land-use
changes  beyond  the  urban  fringe—also  called
“exurban sprawl” or rural residential development
—because of the extensive and widespread changes
that  are  occurring,  and  because  they  often  are
located  adjacent  to  or  nearby  “protected”  lands
meant  to  conserve  natural  resources  and
biodiversity. Daniels (1999) defines rural sprawl as
low-density  residential  development  scattered
outside of suburbs and cities, and as commercial
1
Colorado State University
How to select text in pdf reader - search text inside PDF file in C#.net, ASP.NET, MVC, Ajax, WinForms, WPF
Learn how to search text in PDF document and obtain text content and location information
searching pdf files for text; how to make pdf text searchable
How to select text in pdf reader - VB.NET PDF Text Search Library: search text inside PDF file in vb.net, ASP.NET, MVC, Ajax, WinForms, WPF
Learn How to Search Text in PDF Document and Obtain Text Content and Location Information in VB.NET application
find text in pdf image; search pdf files for text programmatically
Ecology and Society 10(1): 32
http://www.ecologyandsociety.org/vol10/iss1/art32/
strip  development  along  roads  outside  cites.
Nationwide, exurban land use occupies five to ten
times more area than urban and suburban densities,
and has been growing at a rate of about 10–15% per
year  (Theobald  2000,  Theobald  2001a),  which
exceeds  the  rate  of  urban  development  (Natural
Resources Conservation Service (NRCS) 2001).
Many researchers have examined land-use change
and  sprawl,  but  they  typically  focus  on  urban
systems.  One  frequently  used  quantitative
definition of urban sprawl is a decline in population
density over time (El Nasser and Overberg 2001,
Firestone 2001). For example, Rusk (1997) found
that, for 213 urbanized areas, the population grew
by 47% between 1960 and 1990, whereas urbanized
land increased by 107%. Thus, the general notion
of  urban  sprawl  is  that  the  spatial  spread  of
development  proceeds  at  a  greater  rate  than
population  growth,  resulting  in  dispersed,  low-
density development.
Most  urban  sprawl  studies  have  used  Census
Bureau-defined Urban Areas (UAs) and Metropolitan
Statistical  Areas  (MSAs)  (e.g.,  Pendall  1999,
Kolankiewicz and Beck 2001, Lang 2003, Ewing et
al. 2005), which can both over- and under-bound
locations of urban density (Theobald 2001a). That
is, most small cities and towns in the U.S. (census
places) were not located within an UA or MSA, and
so many towns and cities of generally less than 50
000 residents were excluded from these analyses.
Urban density is defined by the U.S. Census Bureau
as greater than 1000 people per square mile (about
3.9 people per ha; 1.6 people per acre), whereas rural
areas are simply defined as “not urban.” Note that
“smart growth” density (i.e., the density that would
support  mass  transit)  is  much  higher  at  12  500
people  per  square  mile  (about  >48  people  per
ha; >19.5 people per acre). Also, because MSAs are
defined by amalgamations of counties, rural areas
containing very low population densities within a
county are often mixed with highly urbanized areas
in these analyses.
Some  researchers  have  recognized  sprawl  as  a
multidimensional phenomenon rather than simply
a decline in the average population density over time
(e.g., Torrens and Alberti 2000, Ewing et al. 2002).
For example, Ewing (1997) argued that sprawl is
characterized  by  leapfrog,scattered,  strip,  low-
density, or single-use forms of development. Alberti
(1999)  identified  four  structural  variables:  form,
density,  grain,  and  connectivity.  A  useful
conceptual definition of sprawl comes from Galster
et al. (2000, page 5): “ “ Sprawl (n.) is a pattern of
land use in a [urban area] that exhibits low levels of
some  combination  of  eight  distinct  dimensions:
density,  continuity,  concentration,  compactness,
centrality, nuclearity, diversity, and proximity.” In a
comprehensive  examination  of  urban  growth,
Ewing  et  al.  (2002)  characterized  sprawl  by
computing indicators of residential density, mix of
services, activity centers, and accessibility of the
street  network.  Most  recently,  work  on  urban
morphology  continues  to  emphasize  multiple
characteristics of growth (Song and Knaap 2004).
Although progress is being made on characterizing
urban sprawl, less work has investigated land-use
change in exurban and rural areas.
The lack of geographic precision exhibited in most
urban sprawl studies is one of the main reasons that
a rethinking of the urban–rural framework has been
called for (Alonso 1993, page 26): “ “ The existing
censal  categories  are  misleading  because  they
present a vision of the United States as a territory
tiled  with  convex,  continuous, mutually  exclusive
types of regions, while the reality is one of a great
deal  of  interpenetration,  much  of  it  rather  fine-
grained.” Revisions to the 2000 Census have
partially  addressed  this  issue  through  “urban
clusters,” which contain between 500–1000 people
per mile
2
in blocks adjacent to UAs. Moreover, it is
common to measure  and express the pattern and
extent  of  development  through  population  or
population density. However, because population
data from the Census Bureau are tied to the primary
place of residence, measures based on population
underestimate landscape change  because housing
units in the form of vacation and second homes are
not  represented.  Therefore,  housing  density  is  a
more complete and consistent measure of landscape
change than population density.
The  main  difficulties  to  knowing  about  exurban
land-use changes stem from three related factors.
Exurban land-use activities tend to be less intensive
than  urban  land  uses,  and  as  a  result,  are  more
difficult  to  define  and  map  (Ward  et  al.  2000).
Typically,  spatially  explicit  efforts  to  examine
spatial  patterns  of  exurban  dynamics  have  been
limited to case study assessments (e.g., Theobald et
al. 1996, Wilson et al. 2004, Robinson et al. 2005).
Although there are a number of federal (and state)
efforts to inventory natural resources such as the U.
S. Census of Agriculture, Population, and Housing,
and  the  NRCS’s  National  Resource  Inventory
C# PDF Image Extract Library: Select, copy, paste PDF images in C#
C#: Select All Images from One PDF Page. C# programming sample for extracting all images from a specific PDF page. C#: Select An Image from PDF Page by Position.
find text in pdf image; how to select text in a pdf
VB.NET PDF Image Extract Library: Select, copy, paste PDF images
VB.NET : Select An Image from PDF Page by Position. Sample for extracting an image from a specific position on PDF in VB.NET program.
pdf select text; find and replace text in pdf file
Ecology and Society 10(1): 32
http://www.ecologyandsociety.org/vol10/iss1/art32/
(NRI),  these  tend  to  provide  county-level
summaries  that  are  insufficient  for  ecological
inference  because  important  exurban  land-use
patterns  cannot  be  spatially  resolved.  The  U.S.
Geological Survey’s National Land Cover data set
(NLCD)  (Vogelmann  et  al.  2001)  provides  fine
resolution (30 m) data, but like the other commonly
available inventories, is based on coarse categories
that do not differentiate important land-use types
beyond the urban fringe (e.g., urban vs. rural).
I  emphasize  here  that  ecological  assessments  of
development patterns need to be based on data sets
that allow fine-grained differentiation of land-use
patterns  across  the  urban  to  exurban  to  rural
spectrum. Moreover, because a primary conservation
response  to  perceived  sprawl  is  to  establish
protected  lands  and  open  space  through  direct
purchase and conservation easements on privately
owned lands, then protected lands, in addition to
developed lands, need to be resolved in finer detail
as well. Many efforts to estimate sprawl based on
undifferentiated  geographies,  such  as  UAs  or
MSAs, may, ironically, have overestimated sprawl
because  protected  areas  (with  no  or  very  low
population) within an urban area were not resolved,
yet  contributed  to  the  density  calculations.  For
example,  the  population  density  of  Fort  Collins,
Colorado, USA, computed using the city boundary,
declined from  4.05 to 3.72  people per acre from
1980 to 1998, suggesting that it “sprawled.” But,
after  removing  protected  lands  within city  limits
(purchased  in  large  part  to  counteract  sprawl),
population density increased  from 4.05 to 4.27 in
1998  (Theobald  2004).  Although  the  amount  of
developed area expanded, Fort Collins grew in a
more efficient manner (as measured by population
density), after adjusting for fine-grained land-use
pattern, and incorporating protected lands.
My work presented here builds on the premise that
to advance understanding of the ecological effects
of  urbanization  and  human  population  growth
requires recognition of land-use dynamics beyond
the  urban  fringe,  and  spatial  databases  of
development and protected lands that contain fine-
grained, spatially explicit data. Because ecosystems
do  not  follow  political  boundaries,  a  consistent,
comprehensive, and seamless data set of regional to
nationwide  land  use  is  needed  to  fully  support
geographical  analyses  and  assessments  of
ecological effects of land-use change. The overall
objective in this paper is to broaden discourse about
better  understanding  of  land-use  dynamics  and
ecological effects to  include changes beyond the
urban  fringe. My primary goal is to describe the
development of a nationwide, fine-grained database
of  historical,  current,  and  forecasted  housing
density. Secondary goals are to briefly report on the
status and trend of exurban land-use changes across
the  U.S.,  and  to  introduce  a  landscape  sprawl
measure that captures patterns of land-use change
—especially  the  spatial  configuration  between
protected and exurban areas.
METHODS
This research was conducted in five general steps.
First,  I  estimated  historical  and  current  housing
densities at a fine grain to examine spatial patterns
of  development  across  the  coterminous  U.S.
Decadal sequences of housing density from 1940 to
2000 were constructed. Using historical and current
housing density patterns as data inputs, I developed
a  simulation  model  to  forecast  future  housing
density patterns based on county-level population
projections. I evaluated the forecast model by “hind-
casting”—i.e., generating a test data set with model
runs that started from estimated 1980 patterns and
generated forecasted patterns for 1990 and 2000.
The results from the hindcasts were then compared
with the estimated (“truth”) patterns in 1990 and
2000. I chose to concentrate on recent and near-term
patterns  from  1980  to  2020  because  most
conservation planning issues involve roughly 20-
year horizons, and these data are the most reliable
as well. Next, I developed a metric that measures
the  spatial  pattern  and  configuration  of  housing
density to better quantify “sprawl” and landscape
fragmentation.
Based on the Census Bureau’s definition of urban
areas, I define “urban” housing densities as less than
0.1 ha per unit, and “suburban” as 0.1–0.68 ha per
unit. I define “exurban” density as 0.68–16.18 ha
per unit to capture residential land use beyond the
urban–suburban fringe comprising parcels or lots
that  are  generally  too  small  to  be  considered
productive  agricultural  land  use  (although  some
high-value crops, such as orchards, are a notable
exception). “Rural” is defined as greater than 16.18
ha  per unit,  where the majority of  housing  units
support  agricultural  production.  In  some  states,
where  farming  can be  productive  even for small
acreage farms (~8–10 ha), exurban areas could be
defined as having between 0.68–8.09 ha per unit.
C# PDF Text Redact Library: select, redact text content from PDF
Free online C# source code to erase text from adobe PDF file in Visual Studio. NET class without adobe reader installed. Provide
search text in multiple pdf; pdf find highlighted text
VB.NET PDF Text Redact Library: select, redact text content from
PDF Image Extract; VB.NET Write: Insert text into PDF; VB.NET Annotate: PDF Markup & Drawing. XDoc.Word for C#; C#; XImage.OCR for C#; XImage.Barcode Reader for C#
search multiple pdf files for text; pdf find text
Ecology and Society 10(1): 32
http://www.ecologyandsociety.org/vol10/iss1/art32/
Estimating Historical and Current Housing
Density
To estimate historical and current housing density
patterns, I created maps of housing density using
dasymetric  mapping  techniques  (Wright  1936,
Robinson et al. 1995). I used the best available, fine-
grained  and  national-extent  spatial  database  on
population and housing from the Census Bureau’s
block-group and block data for 2000 (U.S. Census
Bureau 2001a). Below, I describe census geography
basics and a few refinements to common dasymetric
techniques that have been detailed in previous work
(Theobald 2001a, 2003).
Using census geography, the familiar census tract
was  subdivided  into  a  block-group  (containing
roughly 250 to 550 housing units). Block-groups
were in turn subdivided into blocks that are roughly
a block or so in size in urban areas, but may be many
square kilometers in rural areas. These block-groups
and blocks tessellate or cover the entire U.S. (U.S.
Census Bureau 2001a). Nationwide in 2000, there
were 207 469 block-groups and 8 185 004 blocks.
The boundaries of census blocks typically follow
visible  physical  features,  such  as  streets,  roads,
streams,  railroad  tracks,  and  ridgelines,  and
occasionally are based on invisible features, such as
city  or  county  limits,  property  lines,  or  short
extensions of streets (U.S. Census 2001a). Blocks
vary in shape and size, ranging roughly from 1–2
ha in urban areas to 100–1000 ha in rural areas.
Because  houses  are  not  allowed  on  public  and
protected lands, I removed the portions of blocks
that overlapped with protected lands identified in
the  Protected  Areas  Database  (DellaSala  et  al.
2001), which is the best available, nationwide data
set, and provides data mapped at a scale of roughly
1:100 000 on public lands. Most privately owned
protected  lands  (e.g.,  through  conservation
easements) and local government lands (i.e., cities
and counties), however, were not included in this
database,  but  are a high  priority need for  future
work.  In  addition,  housing  units  were  precluded
from occurring in so-called “water blocks,” which
represent  hydrological  features,  such  as  streams,
rivers, ponds, lakes, and reservoirs. As an example,
Colorado contains about 141 000 blocks, 75 000 of
which contain  at least one housing unit (mean =
262.1 ha; SD = 1652.0 ha). Removing the portion
of blocks that overlap protected areas refines them
considerably (mean = 163.04 ha; SD = 833.9 ha).
Using  refined  blocks  results  in  over  131  600
additional  hectares  (~18%)  being  defined  as
exurban  along  the  wildland  interface  in  western
Colorado.
Although the refined blocks result in a finer-grained
data set, an  assumption must  be made about the
spatial distribution of units within a refined block.
Typically, dasymetric mapping techniques assume
a  homogenous  distribution  (e.g.,  Theobald  2000;
Eicher  and  Brewer  2001;  Theobald  2001b;
Theobald 2003). Another option is to constrain the
distribution of units based on land cover types (e.g.,
Monmonier and Schnell 1984; Holloway et al. 1999;
Schumacher et al. 2000; Radeloff et al. 2001), but
Eicher  and  Brewer  (2001)  found  no  significant
improvement in distribution when land use/cover
was incorporated.
I modified the spatial distribution of housing units
within a block based on the density of major roads,
because houses were more likely to be located near
roads and less likely to be in portions of blocks that
are distant (>~1 km) from roads (Theobald 2003).
The allocation of housing units were weighted based
on road density (km/km
2
) computed using a moving
neighborhood  with  an  800-m  radius,  which  is
arbitrary but is supported by a moderately strong
correlation  between  housing  and  road  density
(Theobald 2003).  Density  was  computed using a
commonly available, nationwide data set of major
roads generated from the U.S. Census TIGER data
set  (2004  data  and  maps  from  Environmental
Systems  Research  Institute  (ESRI),  Redlands,
California, USA). Road density was classified into
four  categories  to  distinguish  different  levels  of
development based on an ad hoc comparison of road
densities and housing densities around the nation.
The classes used were: very low (0.0–0.25 km/km
2
),
low (0.25–1.0 km/km
2
), medium (1.0–5.0 km/km
2
),
and high (>5.0 km/km
2
). Weights of 1, 2, 3, and 4
were assigned to very low to high (respectively),
and were used to allocate housing density values to
cells within a block.
The number of housing units per block was obtained
from the 100% sample data from the 2000 Census
Summary Tape File 1 (U.S. Census Bureau 2001b).
Historical patterns of housing density (decadal from
1940  to  1990)  were  generated  from  estimates
obtained from the “Year Housing Built” question
from the sample data Summary File 3 data set (U.
S. Census Bureau 2001c). Because the geography
of  tracts and blocks changes  with each census,  I
estimated historical housing units based on the 2000
C# HTML5 PDF Viewer SDK to view PDF document online in C#.NET
Barcoding. XImage.Barcode Reader. XImage.Barcode Generator. Others. XDoc.Tiff. XDoc.Dicom. 1. Select tool. Select text and image on PDF document. 2. Hand tool.
pdf find and replace text; pdf searchable text
VB.NET PDF- View PDF Online with VB.NET HTML5 PDF Viewer
Barcoding. XImage.Barcode Reader. XImage.Barcode Generator. Others. XDoc.Tiff. XDoc.Dicom. 1. Select tool. Select text and image on PDF document. 2. Hand tool.
how to search text in pdf document; search pdf for text in multiple files
Ecology and Society 10(1): 32
http://www.ecologyandsociety.org/vol10/iss1/art32/
Census  geography  using  established  methods
(Radeloff et al. 2001, Theobald 2001a, Hammer et
al. 2004). Housing unit counts for each decade are
provided at the block-group level and were adjusted
to ensure that the sum of units by block-groups in a
county equaled the counts from decadal census. This
minimizes systematic underestimation of historical
units.
Estimates  of  exurban  housing  density  computed
from these data are conservative because units are
assumed  to  be  distributed  roughly  evenly
throughout a block. Therefore, estimated housing
density will tend to be lower because higher density
areas within a block are “averaged out.” Note that
the variable-sized  analytical  units cause  possible
inaccuracies,  which  is  widely  recognized  as  the
modifiable  areal unit problem  (Openshaw  1984).
Analyses based on Census data are subject to these
limitations, but to date, there is no easy, practical
solution to these difficulties (Longley et al. 2001).
It is important to note that the resolution or “grain”
of  the  refined  blocks,  represented  at  100  m
resolution, is coarser than land cover information
from U.S. Geological Survey’s NLCD (30 m), but
because the boundaries of blocks are often based on
visible  physical  boundaries,  their  shapes  often
conform to important features on the landscape that
control the distribution of houses.
Forecasting Future Housing Density
Most  efforts  to  forecast  land-use  change  have
focused on urban systems (e.g., Landis 1995, Batty
1997,  Clarke  1997,  Wilson  et  al.  2003,  but  see
Theobald  and  Hobbs 1998). In previous  work,  I
created  a  model  to  forecast  future  patterns  of
housing density across the urban-to-rural gradient,
named  the  Western  Futures  model  (Theobald
2001b, Theobald 2003, Claggett et al. 2004). Here,
I describe additional refinements that have resulted
in  a  new  model  called  SERGoM  v1  (Spatially
Explicit Regional Growth Model). The full urban-
to-rural spectrum of housing densities is modeled
in SERGoM at broad regional-to-national extents.
It uses a supply–demand–allocation approach, and
assumes that future growth patterns will be similar
to those found in the past decade, although this can
be parameterized to reflect alternative scenarios.
There are three basic steps in SERGoM to forecast
future patterns on a decadal basis (Fig. 1). First, the
number of new housing units in the next decade is
forced to meet the demands of the projected county-
level population. There is significant variability in
the population per housing unit ratio (area-weighted
mean = 2.509,  SD =  2.383), so that in the 2000
Census, 440 counties had <2.0 people/unit and 70
counties <1.5 people/unit. Rather than using a single
nationwide  conversion  factor,  population  growth
was converted to new housing units by the county-
specific housing unit per population ratio for 2000.
Population  estimates  were  obtained  from  a
demographic–econometric  model  (NPA  Data
Services 2003).
The second step was to compute a location-specific
average growth rate from the previous to current
time step (e.g., 1990 to 2000). These growth rates
were computed for each 100-m cell using a moving
neighborhood (radius = 1.6 km). For each state, I
computed the average growth rate for each of 16
development classes. These 16 classes were found
by overlaying four density classes (urban, suburban,
exurban, and rural) with four accessibility classes
measured as travel time (minutes one way) from the
nearest urban core (see below): 0–10, 10–30, 30–
60, and >60 minutes. Growth rates averaged over
the classes generated from the housing density and
accessibility patterns that reflect the previous time
step  were  then  joined  to  a  map  that  depicts  the
current time step housing density and accessibility
pattern.  Because  these  classes  and  rates  are
computed locally, both within-county heterogeneity
and cross-boundary patterns can be captured. This
allows rates of growth to vary across the nation,
across a region, and even within a county, and does
not assume stationarity.
The distribution of new housing units was adjusted
according to accessibility to the nearest urban core.
That is, growth typically occurs at locations on the
urban  fringe.  Accessibility  from  all  developable
land to the nearest urban core was computed—based
not simply on straight-line distance, but in terms of
minutes of travel time from a location along the main
transportation network (major roads and highways)
to  the  nearest  urban core. An urban core area is
defined here as a contiguous cluster (>100 ha) at
urban housing density, but alternative definitions
could be developed. Because it is difficult to forecast
when roads will be enlarged or where new roads
will  be  constructed,  travel  time  to  move  across
locations that are not on the network of major roads
was modeled as an average travel time of 15 miles
per hour (24.2 km/hour). Travel speed was assumed
VB.NET PDF - View PDF with WPF PDF Viewer for VB.NET
Barcoding. XImage.Barcode Reader. XImage.Barcode Generator. Hand. Pan around the PDF document. Ⅱ. Select text and image to copy and paste using Ctrl+C and Ctrl+V
text searchable pdf file; how to select all text in pdf
C# WPF PDF Viewer SDK to view PDF document in C#.NET
Barcoding. XImage.Barcode Reader. XImage.Barcode Generator. Hand. Pan around the PDF document. Ⅱ. Select text and image to copy and paste using Ctrl+C and Ctrl+V
make pdf text searchable; search pdf files for text
Ecology and Society 10(1): 32
http://www.ecologyandsociety.org/vol10/iss1/art32/
Fig. 1. A basic logic diagram of the Spatially Explicit Regional Growth Model (SERGoM v1).
to be 70 mph (113 km/hour) on interstates, 55 mph
(89 km/hour) on highways, and 45 mph (72.4 km/
hour)  on  major  county  roads.  An  accessibility
surface was then created from a cost weight based
on travel time from urban areas along major roads.
New housing units are allocated as a function of the
accessibility surface. Here, the allocation is based
on  the  distribution  of  new  units  realized  in  the
previous  decade,  but  other  weightings  could  be
applied to develop denser or more dispersed growth
scenarios. Accessibility is computed at each decadal
time step because new “islands” of urban core may
emerge  over  time.  This  allows  complex  growth
patterns  to  be  modeled,  and  incorporates  the
emergent nature of development patterns.
The third  step was to add the map layer  of new
housing density to the current housing density (e.g.,
adding new housing units to 2000 housing density).
SERGoM  assumes  that  housing  density  cannot
decline over time. This is a reasonable assumption
when examining patterns of expansion in suburban
and  exurban  areas.  However,  this  current
implementation  is  limited  when  investigating
urban-centric  processes,  such  as  urban  decay  or
expansion of commercial land use into urban and
suburban residential areas. Future development of
SERGoM could include commercial and industrial
land  cover  data  (e.g.,  from  the  U.S.  Geological
Survey’s  NLCD)  to  incorporate  commercial/
industrial and residential dynamics in urban areas.
Evaluation of Forecast Model
To evaluate forecasts of urban, exurban, and rural
housing density patterns generated by SERGoM, I
ran  the  model  with  the  1980  estimated  housing
density pattern as the initial conditions (in place of
2000), and then generated forecasts for 1990 and
2000. I then compared the estimated development
patterns to forecasted patterns for 1990 and 2000
data sets. A simple way to examine the accuracy of
the forecasted patterns is to generate a “confusion
C# Image: Select Document or Image Source to View in Web Viewer
Supported document formats: TIFF, PDF, Office Word, Excel, PowerPoint, Dicom; Supported Viewer Library enables Visual C# programmers easily to select and load
select text in pdf reader; convert pdf to word searchable text
C# WPF PDF Viewer SDK to annotate PDF document in C#.NET
Click to select drawing annotation with default properties. Other Tab. Item. Name. Description. 17. Text box. Click to add a text box to specific location on PDF
how to search pdf files for text; select text in pdf file
Ecology and Society 10(1): 32
http://www.ecologyandsociety.org/vol10/iss1/art32/
matrix”  or  cross-tabulation  of  the  area  of
intersection of the nine possible combinations (of
three classes). To examine how accuracy changes
with coarser-resolution representations of the data,
I followed a multi-resolution approach (Costanza
1989, Pontius 2002) where I averaged the housing
density maps from their original resolution of 1 ha
to coarser resolutions of 4, 16, 64, and 256 ha. At
each resolution, I re-computed the housing density
classes (urban/suburban, exurban, and rural) and re-
computed a cross-table for each combination of year
and resolution.
Landscape Measures of Development Patterns
Most research effort has measured the pattern of
land use, but less work has quantified how land-use
change  modifies  or  affects  habitat  and  natural
resources. Pattern is defined here as the structural
arrangement of different land-use types, which are
defined based on housing density. Few researchers
have explored the usefulness of common landscape
ecology metrics (e.g., Torrens and Alberti 2000).
For  example,  Luck  and  Wu  (2002)  used
FRAGSTATS (McGarigal  and Marks  1995)  and
found  several  metrics  useful  to  differentiate  the
urbanization  gradient.  Patch-based  landscape
metrics have also been used to examine patterns of
sprawl (Carrion-Flores and Irwin 2004, Hasse and
Lathrop 2003, Robinson et al. 2005). However, a
primary criterion to judge the usefulness of a metric
is establishing a clear link between the landscape
metric and the land-use process.
Here, I introduce a metric to quantify the effects of
exurban  and  rural  development  on  natural
resources,  from  a  landscape  perspective.  The
landscape  sprawl  metric, LS,  quantifies  three
primary aspects of residential development patterns
(Fig. 2): density, continuity, and configuration (the
latter roughly incorporates concentration, compactness,
centrality, nuclearity, accessibility, and proximity).
More  work  needs  to  be  done  to  examine  the
sensitivity  of  this  metric  to  different  regional
situations and land-use processes.
Commonly  the  analytical  unit  or  area  (the
denominator  in  density  calculations)  is  typically
defined  by  city  limits,  urbanized  areas,  or
metropolitan  statistical  areas,  but  computing  the
density locally for each block allows fine-grained
mapping of development patterns to be examined
across the urban-to-rural  gradient. Also note that
protected open space, parks, and lakes should be
excluded  from  the  area  developed  during
calculations. At each location, housing density, D,
is computed using the refined blocks. A threshold,
t, is used to identify and remove blocks that are
presumed  to  be  non-residential  land  use  (e.g.,
agricultural); here, I assume that lower than exurban
densities  are  primarily  non-residential  land  use.
Note  that  it  is  difficult  to  map  commercial  and
industrial land use with these data.
Measuring the continuity of residential development
patterns  can  identify  leap-frog  development  and
locations adjacent to residential development in the
so-called urban “shadow” or “fringe.” I computed
a continuity or edge weight (Eq. 1), S
E
to penalize
development locations that contribute to increased
edge  between  developed  and  undeveloped/
protected land. This is arbitrarily set to the square
root of the housing density (maximum of 5.0) so
that  edges  that  have  higher  density  adjacent  to
undeveloped land are weighted higher than edges
formed by  lower density development.  Note that
only  edges  where  developed  land  is  adjacent  to
undeveloped lands, but developable, are considered;
development  adjacent  to  large  water  bodies  and
commercial/industrial are not considered discontinuous
development. Also, density is smoothed by a 600-
m  radius  window  to  remove  small  “islands”  or
narrow strips of housing development to make the
identification  of  edges  more  robust  and  less
sensitive to possible anomalies.
(1)
To account for vehicle miles traveled and the effects
of  broader  spatial  scales  or  configurations  of
development, I computed the accessibility (Eq. 2),
S
T
, of a location of residential development to the
nearest  urban  core  areas,  computed  in  terms  of
minutes of one-way travel time, T, along the major
road network. The average person in the U.S. travels
roughly 40 miles per day, most of it in a personal
vehicle (U.S. Department of Transportation 2003).
Development that is more distant from the urban
core is assumed to contribute more vehicle miles
traveled. Urban core is defined as a contiguous area
of at least 25 ha in size, composed of urban density
Ecology and Society 10(1): 32
http://www.ecologyandsociety.org/vol10/iss1/art32/
Fig. 2. An illustration of the three components of the Landscape Sprawl (LS) metric. The development
pattern (upper left) is based on housing density, classified here to four categories: urban (<0.1 ha per unit)
comprises 4% of the area, located at the top, followed by suburban (0.1–0.68 ha per unit; 12%), exurban
(0.68 – 16.18 ha per unit; 20%), and rural (>16.18 ha per unit; 44%). Protected land (e.g., public national
forest, park, etc.) has no housing density and makes up 20%. LS1–Where rural or protected lands are
adjacent to urban, suburban, or exurban densities, an edge contrast weight is computed (upper right). Edges
formed by higher density housing lead to a higher edge contrast, and disjoint or “leapfrog” development
(>0.5 km) is also penalized by the edge weight. LS2–To get at spatial configuration of development, the
distance (square-root transformed) in minutes of travel time along major roads and highways from urban
areas is multiplied by housing density to account for the number of trips or vehicle miles traveled (lower
right). Within each class, this component increases slightly with increasing distance, but housing density
is fairly dominant, so that suburban areas, even though they are closer, account for a greater impact because
of the sheer number of housing units. LS3–The inverse of housing density (units per ha) is land consumption
(ha per unit). Note that the final LS metric value is the summation of these three components.
Ecology and Society 10(1): 32
http://www.ecologyandsociety.org/vol10/iss1/art32/
cells. Both the density threshold and minimum area
requirements could be changed to create alternative
scenarios. Note that accessibility is rescaled using
a square-root transform and constrained to be at least
1.0, so that T increases at a slower rate for longer
distances.  This  transform  is  performed  because,
although  the  majority  of  vehicle  miles  traveled
occur during long commutes, some portion occurs
during errands, which tend to be centralized within
urban  areas. This transformed time  value  is then
multiplied by the housing density at a location, so
that more housing units will result in a higher value,
whereas fewer houses will typically generate fewer
trips, regardless of the distance from urban areas.
(2)
The last  aspect included in the landscape sprawl
metric is land consumption, which represents the
efficiency with which land is used in situ (Eq. 3).
That is, higher density locations are more efficient
from  a  “per  person”  or  “per  housing  unit”
perspective. The inverse of housing density, 1/D, is
the area of land required per unit A. As a result,
higher density urban and suburban areas are more
efficient in area of land used per unit compared with
exurban residential development. Although there is
no  clear  and  consistent  break  point  at  which
agricultural  land  use  no  longer  becomes  viable,
there is a rapid threshold that occurs at densities that
are often termed hobby ranches or “nonfarm farms.”
This threshold varies regionally across the U.S., and
depends mostly on ecosystem parameters such as
soil productivity and precipitation, but also on the
structure  of  ranch/farm  operations.  Generally,
densities that are around 14 ha or more (40–50 acres)
are considered part of the productive agricultural
system, particularly in the western U.S. (Hart 1992).
The area A was square-root transformed to reduce
this  aspect  from  dominating  this  metric.  As A 
exceeds 10 ha, an increasing portion, u, of a parcel
or  lot  is  useable  for  agricultural  production  (or
alternatively has higher natural habitat values). For
urban, suburban, and exurban densities, u = 1.0; for
rural densities lower than 0.08 units per ha, u = 0.6;
for densities below 0.04, u = 0.1; for densities below
0.03, u = 0.001. These values are estimates, but u 
could be computed empirically for different regions
in the U.S. as the portion of a parcel or lot that does
not  contribute  to  agricultural  production.  For
wildlife  habitat, u  might  be  an  estimate  of  the
proportion of area beyond the “zone of disturbance”
associated  with  housing  units  (Theobald  et  al.
1997).
(3)
The final overall landscape sprawl index, LS (Eq.
4),  is  computed  using  an  equal  weighted
combination  of  the  three  components,  which
assumes that all components are equally important
in the overall metric LS (Fig. 3). Larger values of
LS indicate a more sprawling pattern, whereas
smaller  values  denote  a  more  efficient  land-use
pattern. Locations that have low housing density,
that are nearby agricultural lands, and/or that are
further  from  urban  core  areas  will  have  higher
values of LS. Locations that have higher density,
that do not contribute to discontinuous edges, and/
or that are closer to urban core areas will have lower
values of LS. Note that the units of LS are expressed
roughly in terms of hectares per unit, weighted by
accessibility  and  edge.  As  a  consequence,
differences in housing density—between locations,
or over time at the same location—have a dominant
effect on the landscape sprawl metric. A GIS script
(ESRI  AML;  ESRI,  Redlands,  California,  USA)
was used to compute LS (App. 1).
(4)
Because LS is measured at each location (cell), it is
typically averaged over an area of interest, such as
a state, county, or watershed. To illustrate how the
LS metric captures different development patterns,
I generated a simple hypothetical landscape. Figures
4 and 5 illustrate different development patterns and
the value of LS for each. To calculate trends, LS can
be computed on maps that represent different times
(Fig. 5).
Ecology and Society 10(1): 32
http://www.ecologyandsociety.org/vol10/iss1/art32/
Fig. 3. An illustration of how the Landscape Sprawl (LS) metric captures different development patterns.
Two additional development configurations that total the same number of housing units (center left, bottom
left). The LS is computed for each cell within the 100 x 100 landscape, with higher values, represented by
a darker hue, indicating more sprawl. With increasing distance from urban core (center), LS increases
strongly for suburban density, moderately for exurban density, and weakly for rural areas. Note that the
edge contrast weight occurs between the urban/rural and exurban/rural edge, but is clearly visible because
of the higher contrast at the urban/rural edge. A general indicator of the overall sprawl score is the mean
LS score for a given analytical unit. The mean LS scores increase from top to bottom: 267.8 (top), 338.9
(center), 369.8 (bottom).
Documents you may be interested
Documents you may be interested