Dynamic Geo-Visualization of Urban Land Subsidence and Land Cover Data Using PS-InSAR and Google Earth Engine (GEE) for Spatial Planning Assessment
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
The North Java coastal area, known as the Pantura region, is experiencing significant land subsidence, with certain areas sinking up to 10 cm per year. Pekalongan is among the most affected, with subsidence rates between 10 and 19 cm annually, mainly due to groundwater extraction, sediment compaction, and coastal erosion. Other coastal cities, like Semarang and Demak, show rates averaging 4 to 10 cm per year. This rapid subsidence is due to favorable geological conditions and ongoing urban development. This study investigates land subsidence in Pekalongan using the PS-InSAR method and dynamic visualization of time-series land cover data. PS-InSAR was applied to 45 scenes from ALOS-2 PALSAR-2 to monitor subsidence from 2014 to 2022. The results were validated with in situ subsidence benchmarks. Urban development dynamics were analyzed through land cover and land use change (LULC) and population density over the same period, using the GLC_FCS30D dataset in the GEE to detect non-natural LULC. The PS-InSAR results indicated that over 60.9% of investigation points experienced subsidence, up to 100 cm between 2014 and 2022. Ground validation showed an 83% agreement with PS-InSAR results. A statistical analysis of LULC from 2014 to 2022 did not show significant built-up area development, but the extension of salt marshes and water bodies indicated subsidence expansion. The population density reached 6873 people per square km by 2022, causing extensive groundwater use for domestic and industrial purposes, further aggravating the subsidence.
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.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 découle