Future Prediction of Land Use Land Cover Change in the Salalah Region of Oman Using Landsat Satellite Data
Notice bibliographique
Résumé
Analysing and predicting changes in land use and land cover (LULC) and urban growth are crucial for sustainable management and socio-economic development planning. This paper focuses on studying the urban land use expansion in Salalah City using high-resolution Landsat 8 satellite imagery from 2013 to 2021. Remote sensing techniques, such as maximum likelihood classification (MLC) and Geographic Information Systems (GIS), are employed to obtain Land Use Land Cover (LULC) change maps. Additionally, the future growth of urban land use from 2031 to 2041 is assessed using the Markov cellular automata (MCA) model in QGIS 2.26. The studies utilised four essential spatial variable maps—elevation, slope, aspect, and distance from the road in an ANN-Multi Layer Perception model to predict the impact on LULC changes between 2013 and 2017. The accuracy assessment of projected LULC maps for 2021 yielded promising results, with an overall Kappa value of 0.90 and a correctness percentage of 94.55 %. The results revealed a notable increase in built-up areas, rising from 79.82% in 2021 to a projected 96.96% in 2031 and 113.74% in 2041. Simultaneously, water bodies, bare ground, and range land experienced a decrease over time. These valuable findings have significant implications for urban planners and policymakers, offering insights for developing optimal land use plans and implementing better management techniques for the sustainable long-term development of natural resources.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 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 ».