Urban change detection: assessing biophysical drivers using machine learning and Google Earth Engine
Notice bibliographique
Résumé
Urban areas are experiencing rapid transformations, driven by population growth, economic development, and policy changes. Understanding and monitoring these dynamic changes is crucial for sustainable urban planning and management. This study leverages machine learning and Google Earth Engine to investigate urban dynamics and its interactions with biophysical conditions in the Kaduna River Basin (KRB), Nigeria. This study utilized a dataset of 192 points, initially extracted from Google Earth Engine, to analyze urban transitions between 1987 and 2020, incorporating biophysical and environmental variables such as population density, precipitation, and surface temperature. The dataset was processed in R using the CARET package, with missing data imputed via K-nearest neighbors (KNN), categorical variables transformed using One-Hot Encoding, and numerical variables rescaled for consistency. A tenfold cross-validation approach was used to train and validate machine learning models, including random forest, support vector machine, KNN, and multivariate adaptive regression splines, ensuring optimal model performance. Model evaluation metrics such as overall accuracy, kappa, F1 score, and area under the curve confirmed the reliability of the models in identifying the biophysical factors influencing urban changes. The findings revealed overall accuracy of 0.80, 0.73, 0.71, and 0.72 and kappa statistics of 0.60, 0.46, 0.42, and 0.45 for random forest (RF), multivariate adaptive regression splines, support vector machine, and KNN, respectively, with RF emerging as the most accurate model (80%) for predicting urban change patterns in KRB. Land cover changes reveal rapid urban expansion (154.81%), declining water bodies (- 95.79%), and vegetation growth (174%). Machine learning models identify population density and water stress index as key urban change drivers, with climate factors like temperature and precipitation playing crucial roles. The results of this study offer valuable insights into the processes driving urban transformation and present a robust methodology for monitoring and predicting future urban development. This study aids in the creation of strategies for sustainable urban growth and the mitigation of adverse environmental impacts.
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 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».