Mapping Land Use and Land Cover Change Detection Using Supervised Maximum Likelihood Classification of Multi-Temporal Landsat Imagery: A Case Study of Nakuru County
Notice bibliographique
Résumé
Monitoring land use and land cover (LULC) change is crucial for analyzing the socio-economic and environmental effects of land development and management. This research aims to explore the dynamics of urban growth and LULC changes in Nakuru County, Kenya, over a decade from 2014 to 2024. Supervised Maximum Likelihood Classification (MLC), a popular remote-sensing technique, was utilized for the multi-temporal analysis of Landsat 8 Operational Land Imager (OLI) data acquired from the United States Geological Survey (USGS) Earth Explorer website. Five dominant land-cover classes were distinguished, including built-up areas, bare land, sparse vegetation, dense vegetation, and water bodies. The findings reveal that rapid urbanization and agricultural expansion are the primary forces behind LULC changes, resulting in significant loss of green spaces, forest cover, and water resources. These alterations have led to ecosystem disruption and increased environmental stress throughout Nakuru County. The results underscore the urgent need for sustainable land-use planning and management practices that consider the implications of urban growth. Integrating remote-sensing data into decision-making processes is crucial for formulating policies that effectively mitigate land degradation and promote environmentally sustainable urban development in rapidly expanding regions. The findings provide spatially explicit evidence to guide sustainable land management policies under Kenya's Vision 2030 and United Nations Sustainable Development Goals (SDGs 11 and 15).
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 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 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 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 ».