文摘

这项研究提供了洞察实际和预测之间的区别的大小变化在地球资源观测卫星8卫星图像也门萨那的案例研究。LULC分类使用数据创建于2005年,2010年,2015年和2020年。MOLUSCE工具用于预测土地变化的预测为2010,2015,2020,2025,2030。本研究的目标是1)比较实际和预测土地变化在2010年,2015年和2020年。2)分析和验证工具的性能(MOLUSCE)。3)识别效果的大小事件土地变化在2015年变化在2020年,2025年和2030年。结果:1 /土地变化的影响在2010年显示的准确性和可靠性预测MOLUSCE土地变化由于低差异实际和预测2010年该地区的冲突。2 / 2015年的实际变化是消极的和不支持的逻辑发展的趋势是很自然的,人类的元素增加施工进展。3 /识别预测变化(2020、2025、2030)是影响事件冲突,显示2015年的结果图像。

1。介绍

为规划管理土地利用和土地覆盖的策略,有必要确定未来的土地变化的预测(1]。有很多好处,它通常是作为人类对土地的影响变化过程的各种指标适当措施(2]。多个理论可以预测系统的未来状态仅基于表单之前(3]。创建一个过渡LULC变化概率矩阵预测未来变化周期从1到两个允许(4]。研究者使用多光谱卫星图像和MOLUSCE模型来预测LULC不同区域的变化。它还计算和其他土地使用之间的转移率估计他们的条件5,6]。

MOLUSCE是土地利用变化评估的模块。它是一个计算机应用分析,建模和模拟的变化LULC [7,8]。插件有著名的算法对土地利用/覆盖变化分析,城市分析,和林业项目和应用程序(8]。关于地理的分析、建模和改变跃迁势,快速理解LULC机制拥有先进的技术(9]。有效的和可重复的仿真模型可以用来探索影响因素的过去,现在和未来的预测及其意义在不同情况下(10]。区域分布式模型分析和预测LULC包括Dinamica [11],Markov-FLUS [12],侦探细胞自动机[13),人工神经network-Markov链(14],CA-ANN [15],CLUE-S [16]。每个模型[LULC的关注点不同17]。因为他们成功地反映非线性空间概率土地利用变化,神经网络模型通常用来模拟LULC [18]。与其他方法相结合,可以是一个有价值的工具对于理解土地利用系统和他们的潜在动力19]。

MOLUSCE工作:为用户建模和仿真任务变得更加简单与MOLUSCE的用户友好的和直观的插件。七个主要元素构成了图形用户界面(GUI)解释MOLUSCE插件:输入,评价相关,区域变化,转变潜在建模、细胞自动机模拟、验证和消息的顺序列出(20.]。

这项研究是不同的和独特的相对于其他文学研究在同一领域的例子中,穆罕默德et al。4)进行了一项研究:针对演化的时空LULC趋势在此前四十年。未来预测LULC利用社会经济和环境因素。确定LULC变化的规模和潜在影响的区域模式。选择未来LULC强度情况而本研究着重于以下目标:1)比较实际和预测土地变化2010年,2015年和2020年。2)分析和验证工具的性能(MOLUSCE)。3)识别效果的大小事件土地变化在2015年变化在2020年,2025年和2030年。

比较有助于确定可能性的范围和精度预测土地使用的工具的变化,研究区域的局势稳定。对比实际和预测土地有一个实质性的变化测量土地的程度和影响力的作用在该地区发生的变化和陆地上的事件的影响程度的变化,该地区受到了突然和意外事件的冲突与导弹和攻击的破坏土地,如当前研究的区域发生了什么事。两种情况都是在当前研究相结合,使其值得注意和有价值的专业人士和那些好奇的话题。

目前的研究是确定的意义之间的区别实际变化和预测变化研究区域估计土地的变化,知道这些损失的大小程度来开发这些国家的一段时期,这形成了强烈的动机的研究人员。

结果已经通过建模和模拟土地利用空间格局。传统的土地使用规划假设基础设施不会改变。进一步改进设施可以被要求如果一个地区的人口或活动的增长。斜率,在这项研究中,(民主党方面,路上,距离和距离组合)是用作空间变量映射到学习过程对LULC评估他们的影响。

研究结果表明:1。实际大小的区别,并预测2015年土地变化受事件影响的冲突。2015年的实际变化是消极和不利的,不遵循逻辑的发展趋势。2 /预测(2010和2020)到逻辑上升趋势在进步和努力遵循合理,改善增量趋势预测2025 - 2030年的变化。4 /差异实际和预计2010年土地变更,战前,太小了,所以结果证明的准确性和可靠性MOLUSCE启动土地变化。

这项研究还阐明了表面的主要形式和人类影响的地区,如何利用各种未来的发展领域,研究区域和识别风险的地方。比较结果的研究显示,2015年的地图是一个分界线在萨那发生的变化,这表明,在2015年之前,资本的要好。萨那在城市发展密度,增加组合区域。2010年之后的组合面积减少。这项研究的结果将协助监测和预测未来土地利用和覆盖变化。政策制定者和决策者可以使用研究结果来解决在干旱地区自然资源的开发。

本研究的贡献是MOLUSCE插件评价的精度和可靠性。创建分析比较确定的区别实际和预测土地变化LULC也门萨那城(2010、2015和2020年)的Landsat8卫星。识别预测变化(2020、2025、2030)是影响事件冲突,显示2015年的结果图像。

2.1。审查现有的工作

多重挑战与过去、现在和未来的土地利用模式、天气模式、土动力学、碳,气候变化与土地转换交织在一起。利用特定的软件或技术来估计或计算这些差异是具有挑战性的。这项研究的大量动力和灵感来自回顾早期的研究。变化的速度可以澄清,LULC变化可以突出显示的关键要素,可以创建和替代LULC场景来预测未来土地利用需求21]。

本节将讨论最重要的和最近的研究在同一领域中使用的工具(MOLUSCE)预测确定土地的变化。先前的研究[22- - - - - -31日)表明,处理MOLUSCE插件是最近的。2010年之后的外观的开始。和预测未来土地变化需要考虑过去、现在和未来的场景(31日- - - - - -36]。预测的土地变化了,开始在1930年初(37]。这是初始的侦探模型,研究人员使用了很长一段时间在继续CA-Markov之前(1980年38]。它是用来预测土地变化后201039]。据调查,研究者只关注土地变化的分析预测,而不是比较实际和预测土地变化,表明差距导致的创建研究[40- - - - - -51]。

Kamaraj和其他作者的研究使用MOLUSCE插件(MLP-ANN) QGIS 2.18.24版本的预测模型。他们建立了潜在的2025年和2030年土地利用变化检测的过渡Bhavani流域2005年和2015年土地利用变化(20.]。

预测未来的变化LULC和LST,张先生和他的同事使用元胞自动机(CA)和人工神经网络(ANN)。他们的发现证明了武汉的建筑面积的增长52]。

Rahaman的工作和他的同事们提出了支持向量机的容量评估和CA算法跟踪(2005 - 2020)和(2025和2035)预测未来LULC改变在槟榔屿,马来西亚。LULC类估计利用陆地卫星照片和CA模型验证使用皮尔逊卡方值(53]。

探索Kafy和其他人之间的关系LULC指数(NDVI, NDBI NDBaI, NDWI)和LST,以及LST的分布在各种土地利用类别,是LULC变化如何影响地表温度(LST)。LULC和LST地图2029年和2039年的模拟使用多层Perceptron-Markov链(MLP-MC)和人工神经网络(ANN)方法,分别为(54]。

2.2。研究区

萨那是本文的案例研究34),因为它是也门最大的城市和首都中同名省份。萨那位于15°N 44°C,纬度15.369445或44.1191006,与GPS坐标15°22 10.0020镑,44 11°的27.6216说的(35]。萨那的总大小为126平方公里(49平方英里),人口2017(2545000年36]。这座城市海拔约2200米(38),如出现在图1。与一个完整的空间126平方公里(49平方英里),它有一个民众约3937500 (2012)39]。萨那200毫米/年的降水是有限的,而衰落高出几倍。平均每日sunlight-based辐照度范围从800年到1400年摩尔/ m2比如22 - 30°C之间,平均气温在低湿度(35 - 55%)。它的气候条件(温度,sun-based辐射)是基于光养(废水处理的理想40]。


图1
案例研究的位置。

数据2和3图像显示土地萨那最近的变化。2015年之后,在本研究分析,改变的作用。本研究显示地貌的差异在提到期间通过土地变化分类,这表明土地利用再保险 祗园是不合适的。数据库的LULC萨那成立于这项工作。


图2
建筑物和基础设施的萨那城前冲突(3]。

图3
图片&土地变化萨那城后冲突(37]。

这样的研究对于发展中国家是必要的,因为它将帮助管理自然资源,在LUCC中扮演着一个关键的角色在区域经济发展和自然资源管理。摧毁了该国的基础设施,防止萨那的至关重要的经济、社会、环境、卫生和农业发展。

2.3。收集数据的卫星

Landsat8卫星传感器(30米)和数学开源Landsat8 MSS / TM是LULC映射用于这项工作。这幅图片是由美国地质调查局(USGS)在首都萨那地区,美国政府的科学机构。基本地图(30.)是由调查的照片大小的SOI toposheet 1: 50000。数据收集时间间隔的2005年,2010年,2015年和2020年,和数据库表提供细节1。图4显示了一个数据集从Landsat8卫星传感器(30米)捕获和选择区域分析使用复合带432。

表1
图像采集和萨那城用于这项研究。

图4
数据集的Landsat8剪裁的卫星传感器研究区域(假彩色合成,乐队432)。

注意:操作陆地成像仪(奥利)和热红外传感器(行动),加上主题映射器(TM)增强型专题成像仪(ETM +)和多光谱扫描器(MSS)。

3所示。研究方法

MOLUSCE工作:为用户建模和仿真任务变得更加简单与MOLUSCE的用户友好的和直观的插件。本研究包括建模使用MOLUSCE的七个基本步骤。七个主要步骤组成的图形用户界面(GUI)解释MOLUSCE插件:输入,评价相关,区域变化,转变潜在建模、细胞自动机模拟、验证和消息的顺序列出(20.),但当前研究土地变化的预测步骤如下图5:


图5
方法本研究。
3.1。实际变化(LULC地图2005、2010、2015、2020)

这项研究显示了萨那分类分析城市土地从2005年到2020年。LULC分类做了2005年,2010年、2015年和2020年在软件中使用随机森林监督机器学习算法的传奇。能找到LULC萨那城市分类,类别可明显在萨那城市土地变化的差异,如图6。软件还生成转移矩阵,显示像素的比例从一种切换到下一个。作为模型的输入层处理,有六个样品六个参数创建模型类:高土地,山区,土地面积,组合,植被,裸露的土地。注意与这些模型分类参数在软件传奇是七,但在处理和结果合并以来的参数有六个地区的植被与农业土地。创建样本根据RGB颜色sentinel-2A图像的复合材料,例如,该类植被复合RGB(红像素颜色= 432),详细的变化在该地区。下面说明了关键的描述类输入表2。


图6
分类地图萨那五十年(2005 - 2020)。
表2
在研究区LULC类的描述。

这是暗示萨那城市的贫穷国家是战争造成的,随着人口密集的地方在城里导致减少土地面积和建筑面积减少城市日益增长的土地面积。政治问题开始研究结果显示,2010年之后,随着建筑面积减少2010年的地图上虽然土地面积增加了。增加建筑面积在城里导致减少土地面积和建筑面积减少城市日益增长的土地面积。总结了LULC变化从2005年到2020年3从2005年到2020年,展示空间变化。该地区的面积在2005年20427264公里22020年,892039公里2。2005年,建筑面积为12.17%,裸地为7.59%,植被是26.11%,高地为0.84%,土地面积为24.95%,山是28.34%。2020年,建筑面积为49.28%,裸地为2.36%,植被为27.12%,与3.30%的高地,土地面积为4.96%,山是12.99%。趋势变化被认为对所有LULC类别在2005年期间,2010年,2015年和2020年,除了水体和草原。

表3
多年来分析土地变化的2010、2015、2020。

验证实际变化是明显的表4说明了LULC类别的变化概率矩阵从2005年到2020年。值从0到1,用更大的值指示更重要的变化,除了国家值较高的细胞,这没有改变,因为他们仍然在同一类别的每年LULC分析,说明LULC的轨迹变化从2005年到2020年。生产者的精度,通常用于计算区域的大小分类,成功的可能性分类像素。

表4
精度评估的2010、2015、and2020分类图像。
3.2。预测土地利用变化
3.2.1之上。输入

模型的第一阶段包含LULC地图开始年(2005、20102015和2020年),2025年和2030年谓词。给出了空间变量组件到模型生成地图,土地覆盖变化的变化模式为研究区域2005年和2020年之间产生。这些因素包括民主党,斜率地图,地图,距离公路和河流和组合密度图7。


图7
预处理的卫星图像分类。

MLP-ANN学习过程的转移概率来描述用于研究LULC变化。下面的图表说明了本研究的基本步骤如图8。


图8
细节步骤过程预测土地利用变化的研究。

LULC的预测,数据不公开的分布,但其实现终止的组织负责管理卫星。图9将显示地球资源观测卫星8卫星图像的预处理修正。之前清除这些图像地图的差异图像分类。根据陆地卫星卫星的颜色,该地区的红色是植被,和白色的颜色是光秃秃的土地,浅灰色土地面积与网络道路和深灰色是一个人口密集的地方。最初,比较清楚土地萨那城发生了变化。数据集的Landsat8卫星传感器(30米)&选择区研究复合带432。公开街道地图数据对预处理模拟至关重要。


图9
公开街道地图数据的细节。

MLP-ANN学习过程的标准过程模拟土地未来的变化,如DEM、斜率,方面,范围从道路,从构造和范围,作为空间变量映射到估计的影响在2010年LULC, 2015年和2020年。影响被发现是重要的。该模型用于预测LULC更改2010年,2015年和2020年。输入模块包含LULC地图从几个时代和生物物理和社会经济驱动力数据如公路网络、河流、地形、人口、土地变化和变化等过渡矩阵创建地图。模拟过渡势的地图显示,一个确定性函数(实验)和仿真结果实现MOLUSCE模型预测预处理是图所示10。


图10
的标准过程模拟土地变化。

在这项研究中,作为输入的过程,仿真需要准备地图应用于标记从列表中选择呈现类型(单带伪彩色),导致这个过程的地图和预处理地图符号如图的预测11。


图11
预处理地图预测。
3.2.2。评估相关

使用皮尔逊相关性,谎言的系数,并联合信息不确定性,地理变量之间的相关性两个光栅图像用于研究地理变量之间的相关性因素评估。(52每个地区的范畴和LULC变化计算之间的初始年(2010)和最后一年(2030年)。

3.2.3。面积的变化

预测过程的实验申请2015年,2020年、2025年和2030年使用MOLUSCE预测土地变化分类地图。图12描述了从0到100%之间通过时间和年。在研究期间,2010朵玫瑰整体的变化。从2010年到2015年,大部分的土地退化,干旱的土地了。在城市中心,有几个变化。几项研究已经发现,人口快速增长和经济发展的变化研究区普遍存在以来全球正在发生变化。投影为2015年是增加结构和发展,但实际照片显示相反的,与建设用地下降由于地区恶化的条件。在城市,潮湿和干燥地形的变化也可以看到。


图12
预测2010年、2015年、2020年、2025年和2030年。

我们把研究期间分为两个短暂,2015年以前和2015年以后,估计该地区LCLU类别的两个时期理解观察LCLU更好的变化。草地最初出现在第一阶段期间失去的空间,其次是森林北部部分。湿地面积萎缩,排在第三。LCLU变化迅速,近年来,由于人口增长和经济的快速增长,这两个有负面影响对环境和自然资源。LCLU改变不同比在第一阶段。2010年至2015,预测模型的输出减少,但增加在2025年和2030年之间。预测2025年和2030年LULC地图使用相同的空间变量因素的组合LULC 2005年和2010年的地图。

3.2.4。建模过渡的潜力

插件使用人工神经网络(ANN),重量的证据(悲哀),逻辑回归(LR)和多标准评价等技术构建潜在过渡地图”(MCE)。每个方法使用地理信息和土地利用/覆盖变化数据校正和模型土地利用/覆盖变化。本研究采用人工神经网络(多层感知)技术模型LULC预报和预测2015年LULC地图。kappa系数确定当实际验证和预测LULC地图(52]。

3.2.5。ANN-CA

一个潜在的过渡地图可以以不同的方式,但这个模块还包括计算智能元素,如人工神经网络(ANN)。所有校准技术和建模LULC改变使用LULC数据作为输入。这种方法适合解决问题的算法必须处理大量的模糊或challenging-to-implement输入数据。结果,生成一个连续指数利率地形从0到1,描述它。由于模糊逻辑需要安,一个连续范围,比如0和1,选择基于可用性。安的关键组件是连接神经元之间的相互作用和它们之间重量的修改连接(巴塔查里亚et al ., 2020)。当预测LULC地图2015年,终于确定以下参数:邻里= 1,迭代= 1000,隐藏层= 10,动量= 0,学习速率= 0.001 (52]。

3.2.6。验证

kappa系数是常用来衡量LULC如何评估。对比实际和预测LULC地图是通过确定总体kappa值进行验证。下面的表达式是用来确定Kappa系数(52]。

阿宝代表实际协议的百分比,和pe的比例预期协议(52]。

在这个公式,j代表列联表的第i和j细胞,坑的总所有细胞i行,pTj j列中的所有细胞的总数,对光栅的总数和c类。列联表,一个矩阵描述变量的频率分布,采用在这项研究说明i和j细胞之间的关系(52]。矩阵中的每一个细胞之间的交互是制表和计算。结果揭示了每个单元的标准同意作为一个整体(13]。如表所示5,恒kappa系数是一个很好的标志主题分组之间的通用协议映射和参考数据(47]。卡帕的方法是不同的multiple-variable确定地图分类精度的方法。来自误差矩阵,用于分类数据的帮助下文献[48]。2015年LCLU地图的分辨率作为主要的图像准确的评估。

表5
验证了预测过程。

几个模拟运行使用的各种组合地理变量元素预测LULC改变2015年的地图。的总体精度和最大Kappa系数不同空间变量变化的民主党,从公路和组合,所有Kappa值为73.45,根据分析。许多研究认为79.27%的最大Kappa值合理的准确性。作为一个结果,它是确定这些变量显著影响预测LULC这个盆地的地图。LULC地图2025年和2030年被使用相同的空间变量组合预测2005年和2010年LULC地图(52]。

对于过渡潜在的建模和预测,我们应用CA-ANN技术。它预计2015年LULC使用LULC数据从2005 - 2010年和空间因素,和我们有一个验证kappa值为0.87。当我们真正的LULC 2020年相比与预测数据获取投影LULC之后,我们发现投影数据75.30%的整体精度和整体kappa值为0.38。2015年和2020年的地图和数据如表所示6- - - - - -8。

表6
验证预测的土地变化到2010。
表7
验证预测的土地变化到2015。
表8
验证预测的土地变化到2020。

的过程验证工具的准确性和可靠性(MOLUSCE)预测土地变化,已广泛应用在最近时期,并确定实际和预测土地变化的区别是独一无二的在这个领域杰出的想法。他们是重要的想法与其他研究相比。

3.2.7。结果

结果在表9显示的准确性和可靠性预测MOLUSCE土地变化由于实际的区别。他们预测2010年土地变更前在该地区的冲突是非常低的。土地变化的比例差异实际和预测(2010)建筑密集区,-1.33%,裸地-0.61%,植被为-0.15%,与0.26%的高地,土地面积的-0.77%,和1.06%,山中描述表吗9。

表9
土地变化的不同实际,对2010年的预测。

土地实际和预测变化的区别(2015)中所描述的表10建筑密集区,-17.18%是明确的,裸露的土地有1.47%,植被为-4.64%,与1.44%的高地,土地面积的-7.12%,山为26.03%。表明实际和预测之间的差异由于事件冲突的突然变化。

表10
土地变化的不同实际,对2015年的预测。

土地变化的差异表中描述的实际和预测(2020)11在2015年受到事件的影响。组合区域为-9.13%,光秃秃的土地有7.67%,植被为-4.27%,与-1.47%的高地,土地面积的0.57%,和6.62%,山。

表11
土地变化的不同实际,对2020年的预测。

不同土地变化的百分比表13中描述的实际和预测(2025年和2030年)在2015年受到事件的影响。见表12。

表12
分析土地变化的2025年和2030年。

比较结果的研究显示,2015年是一个分界线在萨那发生的变化,这表明,在2015年之前,资本的要好。萨那在城市发展密度,增加组合区域。2015年之后的组合面积减少。这意味着该地区也会受到负面影响。还表示结果的准确性和可靠性预测MOLUSCE土地变化。有组合的比例的增加和农业土地。期,在该地区没有变化的种植园和草原类。它一直强调,组合和农田的数量可能会增加。土地使用的变化也占总土地面积的比例计算。正值表示改善评级,而一个负值显示降低评级。 There was an increase in developed and agricultural land by 2030. A decline in volume is projected for other categories, excluding farms and grasslands. You can see from the analysis that when one classification’s space grows, so does the area of the other classes, and vice versa.

本研究的调查结果的总结是4分1。实际变化(2015)不支持逻辑增加城市空间的发展趋势,因为它是典型的人为因素推动每天增加建设、和土地变化的结果将是不利的。2 /预测变化(2010和2020)符合逻辑向上的城市空间发展的趋势。3 /试图遵循逻辑,支持增量改善城市空间的趋势预测2025 - 2030年的变化。4 /土地变化的结果实际和预测在2010年之前地图冲突最小,证明MOLUSCE结果准确性和可靠性预测土地变化非常高。

4所示。讨论

很多文章已收到使用MOLUSCE近年来土地利用分析工具,并各有不同的,必不可少的,深远的结果。澄清的区别,我们将集中对比研究,近年来一些研究得到:

Manikandan Kamaraj和他的同事们(51],MOLUSCE工具和MLP-ANN模型,可以预测和识别未来土地利用变化在Bhavani流域2025年和2030年两个时期,2005年和2015年。而穆罕默德et al。4)进行了一项研究,结果:物理和金融驱动因素对景观设计有相当大的影响。在最后三十年预测(2030 - 2050)的扩大漂移对乱糟糟的表面为代价的必要的大量的森林和绿地。通过建模,Rizwan默罕默德和他的同事们(4)使用该工具MOLUSCE分析的力量和演化时空LULC趋势在前40年。他们推测未来的LULC根据社会和环境变量和计算LULC转变的大小和任何潜在的对区域模式的影响。设置的情况下未来LULC强度(53]。

在当前的研究中,2010年的差异很小,非常,非常低,这意味着变化的预期。但在2015年,超过10%的差异,这意味着变化出乎意料的时候。此外,2020年,它非常小,不到10%,这意味着变化的预期。这样的分析结果证明了价值和优越性MOLUSCE模型用来预测结果准确,结果和分析细节部分。结果显示,2010年之后,2010地图上的建筑面积虽然土地面积的增加而减少。我指的是萨那的坏情况所引起的冲突,与建筑面积的增加,导致土地面积减少和减少建筑面积在日益增长的土地面积。目前的研究表明,冲突造成了LULC面积中提到2015的变化。MOLUSCE是系数预测的可靠性和准确性土地变化通过比较本研究的实际和预测土地变化的图像之间的冲突之前(2010)地图和后冲突(2015)地图,并于2020年对土地变化的影响,2025年和2030年。

一般而言,很难确定实际和预测土地变化之间的区别没有这个研究。本研究的动机是定位的差异,猜测他们是困难的,因为土地利用受到物理、经济和人为因素。

本研究将协助监测和预测未来土地利用和覆盖变化。政策制定者和决策者可以使用研究结果来解决在干旱地区自然资源的开发。

5。结论

这项研究得出的结论是,人为因素和过程极大地影响地球表面的形状。比较结果的研究显示,2015年是一个分界线在萨那发生的变化,这表明,在2015年之前,资本的要好。萨那在城市发展密度,增加组合区域。2015年,建筑面积减少,该地区也会受到负面影响。比较实际和预测土地变化至关重要,因为它有助于确定两种情况。本研究对这种比较有处理这两种情况:如果在该地区局势是稳定的研究(2010),这种比较有助于确定仪器的可行性和准确性用来预测地球的变化。在该地区受到突然和意外事件如与导弹和攻击的土地冲突破坏(2015),一个比较有影响力的作用测量土地变化的程度。

所有区域参数显示的实际变化:高原、山脉、土地面积、建筑物密集的地区,和植被。研究发现,建筑面积为12.17%,但2005年跃升至2010年的40.15%。这是典型的,将继续扩张由于人类活动的结构和城市发展上升,没有突发事件。但建筑面积减少到2015年的30.94%,那么2020年的49.28%。剩下的分析参数影响土地增减变化的结果在未来2025年和2030年。

建议从本研究建议关注和支持这样的研究集中在发展中国家,因为他们有一个好的影响他们的发展和改进的条件,因为它们是迫切需要的。这项研究还建议研究人员完成评估的工具用来预测地球的变化通过比较和测量之间的差异实际变化到土地和预期的变化,然后比较这些工具来提取最不同的一个。通过这种方式,我们可以确定哪些工具是最有效的预测地球的变化。这项研究还敦促进一步调查预测土地变化由于其众多的优点改善一个国家的条件,创造有效的战略计划的发展。

数据可用性

(1)数据的性质,图像卫星landsat8,已经从UGSG下载并使用射频输出图像分类后分类器软件SAGA-QGIS和遥感技术和GIS。(2)(Google Drive)中可以访问的数据存储库https://drive.google.com/drive/u/0/my-drive。(3)没有任何限制数据访问。

的利益冲突

作者(年代)(s)宣称他们没有利益冲突。

资金

这项研究没有得到具体拨款资助机构在公众,商业,或非营利部门。我没有任何金融资金支持我的手稿。