Harnessing complexity: integrating remote sensing and fuzzy expert system for evaluating land use land cover changes and identifying mangrove forest vulnerability in Bangladesh
Notice bibliographique
Résumé
Abstract Purpose: This study analyzes Landsat images to examine the alterations in land cover within the Sundarbans and its surrounding regions in Bangladesh, spanning twenty-one years from 2000 to 2021. Furthermore, we develop a mangrove vulnerability map considering the combined effect of eight socioeconomic, geophysical, and climatic factors. Methods: Land use land cover (LULC) changes in the study area over a 21-year period were assessed using a random forest model, and the vulnerability analysis employed a fuzzy expert-based multicriteria decision-making (MCDM) approach. Results: The results show that a significant portion of the mangrove forest has been transformed into aquaculture practices because of the expansion of high-value shrimp cultivation. A decrease in forest areas and the expansion of aquaculture zones suggest a livelihood shift among the local population over time. This transition has adversely affected human activities within the ecosystem and the biodiversity of mangrove forests. Consequently, it is imperative to implement suitable measures to enhance the state of mangrove forests and safeguard their biodiversity. The vulnerability analysis shows that the highly vulnerable, moderately vulnerable, and low vulnerable areas cover 35.66%, 26.86%, and 19.42%, respectively. Conclusion: The vulnerability maps generated in this research could serve as a valuable resource for coastal planners seeking to ensure the sustainable stewardship of these coastal mangrove forests. These results offer a detailed understanding of coastal mangrove LULC patterns and vulnerability status, which will be useful for policymakers and resource managers to urgently incorporate into coastal land use and environmental management practices.
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 | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,001 | 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 ».