Investigative Spatial Distribution and Modelling of Existing and Future Urban Land Changes and Its Impact on Urbanization and Economy
Notice bibliographique
Résumé
Land use and land cover (LULC) change analysis is a critical instrument for studying urban growth across the world. Our objectives were to produce historical LULC maps during the 1988–2016 period for spatial and temporal analysis, forecast future LULC until 2040 by using the Markov model, and identify the impact of LULC on urbanization. Two scenes of Landsat-5 TM for 1988 and 2001 and one scene of Landsat-8 OLI for 2016 were processed and used. The Normalized Difference Vegetation Index (NDVI) model with precise class value ranges was applied to produce land cover maps with six classes of water, built-up, barren land, shrub and grassland, sparse vegetation, and dense vegetation. LULC maps for the years of 1988 and 2001 were used to develop an LULC transformation matrix. It was used to drive an LULC transformation probability matrix using a Markov model for future forecasting of LULC in 2014, 2027, and 2040. The accuracy of 2016 LULC classes was estimated by comparing it against Markov modeled classes. It was found that the areas for: (i) water decreased from 1.43% to 0.51%; (ii) built-up increased from 9.58% to 20.80%; (iii) barren land decreased from 29.50% to 13.40%; (iv) shrub and grass land decreased from 30.57% to 21.10%; (v) sparse vegetation increased from 18% to 20.10%; and (vi) dense vegetation increased from 10.57% to 24.10%. The variations in LULC classes could be noticed by 2040 as compared to 1988. This LULC variation revealed that the water could decrease to 5.32 km2 from 25.37 km2; the built-up could increase to 625.16 km2 from 168.29 km2; the barren land could decrease to 137.53 km2 from 514.13 km2; the shrub and grassland could decrease to 297.68 km2 from 539.46 km2; the sparse vegetation could decrease to 297.68 km2 from 539.46 km2; and the dense vegetation could increase to 409.65 km2 from 191.51 km2. The LULC classification accuracy was 90.27% and 95.11% for 1988 and 2001, respectively. The co-efficient of determination (R2) was found to be 0.90 for 2016 LULC classes obtained from Landsat-8 and derived from a Markov model. For District Lahore, the LULC changes could be related to increasing population and intense migration trends, which had progressive impact on infrastructure development, industrial and economic growth, and detrimental effects on water resources.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».