相关实验视频
Updated: Jun 24, 2025

Watershed Planning within a Quantitative Scenario Analysis Framework
Published on: July 24, 2016
基于机器学习的替代模型,以高空间分辨率为基础,为澳大利亚提供强大的,符合可持续发展目标 (SDG) 的土地使用未来
Md Shakil Khan1, Enayat A Moallemi2, Dhananjay Thiruvady3
1School of Life & Environmental Sciences, Deakin University, Melbourne Burwood Campus, VIC, 3125, Australia.
一个新的机器学习模型,ML-LUTO Spatial,为澳大利亚确定了强大的未来土地利用,满足联合国可持续发展目标 (SDGs). 这种高效的模型使广泛的碳和环境种植能够支持到2050年的气候和生物多样性目标.
科学领域:
- 环境科学 环境科学
- 农业科学 农业科学
- 计算科学 计算科学
背景情况:
- 确定可持续的土地使用未来对于实现全球环境和发展目标至关重要.
- 澳大利亚之前的土地利用建模面临着计算限制,阻碍了全面的场景生成.
研究的目的:
- 开发一种基于机器学习的高分辨率替代模型,用于强大的澳大利亚土地使用未来识别.
- 确保土地使用的未来与多个联合国可持续发展目标 (SDGs) 保持一致.
- 为了克服先前的土地利用模型的计算限制.
主要方法:
- 将各种机器学习架构进行比较,以根据数据类型,准确性,不确定性处理和计算成本选择最佳模型.
- 训练了所选的替代模型,ML-LUTO空间,使用土地使用权交易 (1.0版本) 模型数据.
- 以95%的分类准确度生成高分辨率 (1.1公里) 的土地使用未来预测.
主要成果:
- ML-LUTO空间模型显著超过了原始模型的计算基准,在标准笔记本电脑上运行高效.
- 众多符合可持续发展目标的土地利用地图被生成,支持可持续发展目标2,6,7,13和15.
- 确定了一个单一的,强大的土地使用未来,显示占主导地位的农业用地与广泛的碳和环境种植相结合,特别是在昆士兰.
结论:
- 开发的代用模型提供了一个高效和准确的工具,用于预测与可持续性目标一致的土地使用未来.
- 研究结果强调了将碳和环境种植与农业相结合的重要性,以实现澳大利亚2050年气候和生物多样性目标.
- 该研究表明,在可访问的计算硬件上生成复杂的土地利用场景的可行性.
更多相关视频
12:26Integrating Remote Sensing with Species Distribution Models; Mapping Tamarisk Invasions Using the Software for Assisted Habitat Modeling SAHM
Published on: October 11, 2016
11:53Spatial Multiobjective Optimization of Agricultural Conservation Practices using a SWAT Model and an Evolutionary Algorithm
Published on: December 9, 2012
相关概念视频
Levels of Use of a GIS
Manipulation and Analysis
Selected Data About Geographic Locations
Methods of Obtaining Topography
Light Acquisition
Applications of GIS: Disaster Management and Emergency Response