Deep learning applied to urban agriculture: spatial-temporal changes of agricultural land in a rapidly urbanizing Southeast Asian city
Notice bibliographique
Résumé
Rapid urbanization in Southeast Asia has been posing huge impacts on local food systems, altering spatial-temporal patterns of urban agriculture, ecosystems and social life. Understanding these changes is crucial for cities planning their land use and infrastructure development to achieve a balance between urban growth, agricultural sustainability, and food security. This study mapped the changes between 2013 and 2020 of five agricultural types within (peri)urban areas in Huế, a province’s capital in Vietnam. High-resolution SPOT satellite images (1.5m) and a deep learning model based on the U-net architecture were used to map land use and agriculture types. This approach addresses challenges in generating extensive labelled datasets in urban settings characterized by fragmented farmland and dense development. The optimized U-net model achieved high classification performance (for 2013: IoU = 0.86 and Kappa = 0.93, for 2020: IoU = 0.87 and Kappa = 0.92) even when operated on regular CPU computers, demonstrating its practical applicability for countries with limited technical infrastructure. This is also the first study in Southeast Asia to accurately map (overall accuracy 85% for 2013 and 87% for 2020) multiple types of urban agriculture at 1.5 m resolution, enabling detailed spatial-temporal changes analysis. These results can inform decision-makers in elaborating effective land use strategies and food security plans, and offer researchers a scalable deep learning framework for urban agriculture mapping in rapidly urbanizing regions.
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) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 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 | 0,000 | 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 ».