基于深度学习的马纳西地区的时空变化和土地利用预测

科学领域:

• 环境科学 环境科学
• 地理信息科学 地理信息科学
• 数据科学数据科学数据科学

背景情况:

• 玛纳西地区由于其干旱和半干旱的气候,面临着生态脆弱和资源短缺.
• 有效地预测土地使用变化对于可持续的资源管理和在这些环境中生态优化至关重要.

研究的目的:

• 分析1990年至2020年马纳西地区土地利用的时间和空间变化.
• 开发和评估用于预测未来土地使用变化的先进模型.

主要方法:

• 利用桑基图,土地使用分析的动态程度和景观指数来探索土地使用动态.
• 综合长短期记忆 (LSTM) 和多层感知器 (MLP) 算法用于时空空间土地使用预测.
• 将MLP-LSTM模型的准确性与MLP-ANN,线性回归 (LR) 和细胞自动马尔科夫 (CA-Markov) 模型进行比较,使用卡帕系数和景观指数.

主要成果:

• 观察到1990年至2020年期间的土地利用变化显著,包括耕地,树木覆盖,水体和城市地区的增加,以及草原和赤裸的土地的减少.
• MLP-LSTM模型实现了最高的预测准确度 (95.58%的卡帕系数),超过了MLP-ANN (93.36%),LR (89.48%) 和CA-Markov (85.35%).
• 景观指数评估证实,MLP-LSTM模型准确地反映了土地利用变化的空间特征和发展趋势.

结论:

• MLP-LSTM模型在预测土地使用变化方面表现出卓越的表现,有效地捕获时空信息和特征.
• 准确的土地使用预测为马纳西地区的知情土地资源分配和可持续发展规划提供了科学基础.