Assessing the Impact of Neighborhood Size on Temporal Convolutional Networks for Modeling Land Cover Change
Notice bibliographique
Résumé
Land cover change (LCC) studies are increasingly using deep learning (DL) modeling techniques. Past studies have leveraged temporal or spatiotemporal sequences of historical LC data to forecast changes with DL models. However, these studies do not adequately assess the association between neighborhood size and DL model capability to forecast LCCs, where neighborhood size refers to the spatial extent captured by each data sample. The objectives of this research study were to: (1) evaluate the effect of neighborhood size on the capacity of DL models to forecast LCCs, specifically Temporal Convolutional Networks (TCN) and Convolutional Neural Networks (CNN-TCN), and (2) assess the effect of auxiliary spatial variables on model capacity to forecast LCCs. First, each model type and neighborhood setting configuration was assessed using data derived from multitemporal MODIS LC for the Regional District of Bulkley-Nechako, Canada, comparing subareas exhibiting different amounts of LCCs with trends obtained for the full region. Next, outcomes were compared with three other study regions. The modeling results were evaluated with three-map comparison measures, where the real-world LC for the next timestep, the real-world LC for the previous timestep, and the forecasted LC for the next year were used to calculate correctly transitioned areas. Across all regions explored, it was observed that increasing neighborhood sizes improved the DL model’s capabilities to forecast short-term LCCs. CNN–TCN models forecasted the most correct LCCs for several regions while reducing error due to quantity when provided additional spatial variables. This study contributes to the systematic exploration of neighborhood sizes on selected spatiotemporal DL techniques for geographic applications.
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 | 0,002 | 0,008 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 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 ».