Satellite Imagery and AI in Land Use Mapping and Monitoring in Nigeria
Notice bibliographique
Résumé
Satellite imagery and artificial intelligence (AI) are increasingly being utilised for land use mapping and monitoring in Nigeria to address challenges related to urban sprawl, deforestation, and agricultural productivity. A combination of high-resolution satellite images from the Landsat programme and machine learning models was employed. Specifically, a Convolutional Neural Network (CNN) model was trained on a dataset comprising satellite imagery spanning multiple years to classify different land cover types with an accuracy rate above 90%. The analysis revealed significant variations in land use patterns across the northeastern region of Nigeria, with urban expansion accounting for approximately 35% of total land change from to . This pattern is consistent with economic development trends and infrastructure investments. This study demonstrates the efficacy of satellite imagery and AI in monitoring rapid changes in land use, providing valuable insights for policymakers and resource managers aiming to manage natural resources sustainably. Further research should focus on integrating remote sensing data from other sources such as ground surveys and socioeconomic indicators to enhance the model's predictive accuracy. Implementation strategies should be developed to leverage these findings for effective land management policies. AI, Convolutional Neural Network (CNN), satellite imagery, land use monitoring, Nigeria Model estimation used $\hat{\theta}=argmin_{\theta}\sum_i\ell(y_i,f_\theta(x_i))+\lambda\lVert\theta\rVert_2^2$, with performance evaluated using out-of-sample error.
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 | 0,001 | 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 | 0,000 |
| 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 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 ».