Short-Term Forecasting of Land Use Change Using Recurrent Neural Network Models
Notice bibliographique
Résumé
Land use change (LUC) is a dynamic process that significantly affects the environment, and various approaches have been proposed to analyze and model LUC for sustainable land use management and decision making. Recurrent neural network (RNN) models are part of deep learning (DL) approaches, which have the capability to capture spatial and temporal features from time-series data and sequential data. The main objective of this study was to examine variants of the RNN models by applying and comparing them when forecasting LUC in short time periods. Historical land use data for the City of Surrey, British Columbia, Canada were used to implement the several variants of the RNN models. The land use (LU) data for years 1996, 2001, 2006, and 2011 were used to train the DL models to enable the short-term forecast for the year 2016. For the 2011 to 2016 period, only 4.5% of the land use in the study area had changed. The results indicate that an overall accuracy of 86.9% was achieved, while actual changes in each LU type were forecasted with a relatively lower accuracy. However, only 25% of changed raster cells correctly forecasted the land use change. This research study demonstrates that RNN models provide a suite of valuable tools for short-term LUC forecast that can inform and complement the traditional long-term planning process; however, further additional geospatial data layers and considerations of driving factors of LUC need to be incorporated for model improvements.
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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».