Modeling and predicting land use and land cover changes using remote sensing in tropical coastal ecosystems of southern Peru
Notice bibliographique
Résumé
Understanding the spatial impacts of human activities on coastal marine ecosystems is fundamental to manage the dynamic changes in land use that affect these natural spaces. In this study, we assessed land-use and land-cover (LULC) changes from 1990 to 2020 and their projection to 2030 in the Ica region (Peru). Through the integration of geographic information systems (GIS) and remote sensing techniques, LULC changes were analyzed. The kappa index reported an accuracy of the LULC maps above 87% in the analysis period. In addition, the quantitative analysis revealed that in 1990, 2000, 2010 and 2020, cultivated areas increased by 48.9, 53.2, 60.11 and 75.72% in influence zones A1, A2, A3 and A4, respectively, while urban development increased by 2.84, 4.81, 4.82 and 7.82% ha in the same zones. Likewise, the loss and gain analysis of land cover by period revealed that, in 1990, 2000, 2010 and 2020, cultivated areas increased by 48.9, 53.2, 60.11 and 75.72% in the zones of influence A1, A2, A3 and A4, respectively, while urban development increased by 2.84, 4.81, 4.82 and 7.82% ha in the same zones. In addition, during the period 2010–2020, the rate of transformation reached 53.1 ha/year towards urban uses in the coastal zone (A3) and 981.2 ha/year towards crops in zone A4. By 2030, urban expansion along the coast and major roads is expected to significantly reduce natural cover. Importantly, these results underscore the greater relevance of our integrated approach, which is applicable to others like it.
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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 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 ».