Urban sprawl (US), propelled by rapid population growth leads to the shrinkage of productive agricultural lands and pristine forests in the suburban areas and, in turn, adversely affects the provision of ecosystem services. The quantification of US is thus crucial for effective urban planning and environmental management. Like many megacities in fast growing developing countries, Chennai, the capital of Tamilnadu and one of the business hubs in India, has experienced extensive US triggered by the doubling of total population over the past three decades. However, the extent and level of US has not yet been quantified and a prediction for future extent of US is lacking. We employed the Random Forest (RF) classification on Landsat imageries from 1991, 2003, and 2016, and computed six landscape metrics to delineate the extent of urban areas within a 10 km suburban buffer of Chennai. The level of US was then quantified using Renyi's entropy. A land change model was subsequently used to project land cover for 2027. A 70.35% expansion in urban areas was observed mainly towards the suburban periphery of Chennai between 1991 and 2016. The Renyi's entropy value for year 2016 was 0.9, exhibiting a two-fold level of US when compared to 1991. The spatial metrics values indicate that the existing urban areas became denser and the suburban agricultural, forests and particularly barren lands were transformed into fragmented urban settlements. The forecasted land cover for 2027 indicates a conversion of 13,670.33 ha (16.57% of the total landscape) of existing forests and agricultural lands into urban areas with an associated increase in the entropy value to 1.7, indicating a tremendous level of US. Our study provides useful metrics for urban planning authorities to address the social-ecological consequences of US and to protect ecosystem services.
This paper considers an approach to the compression of hyperspectral remote sensing data by an original multistage algorithm to increase the compression ratio using auxiliary data processing with its byte representation as well as with its intra-bands correlation. A set of the experimental results for the proposed approach of effectiveness estimation and its comparison with the well-known universal and specialized compression algorithms is presented.
1 Национальный исследовательский Томский государственный университет, Томск, Россия АннотацияРассмотрены наиболее используемые на практике методы автоматизированной иденти-фикации изменений ландшафтного покрова по данным дистанционного зондирования Зем-ли. На их основе предложены подходы к формированию гибридных методов. Приведены результаты экспериментальных исследований методов в условиях шумов различного типа и интенсивности. По результатам экспериментов определены гибридные методы, позволяю-щие получать результаты лучшего качества по сравнению с известными методами при ав-томатизированном решении задачи идентификации изменений.Ключевые слова: идентификация изменений ландшафта, динамика ландшафта, гибрид-ные методы идентификации, обработка цифровых изображений, анализ изображений, ди-станционное зондирование Земли и сенсоры, обнаружение. ВведениеМетоды идентификации изменений ландшафта направлены на обнаружение и измерение произо-шедших изменений тех или иных характеристик в ис-следуемой области по разновременным данным аэро-космической съемки. Эти методы находят примене-ние в различных задачах аэрокосмического монито-ринга, требующих с высокой достоверностью зафик-сировать произошедшие изменения ландшафта (например, факт обезлесения, урбанизации, послед-ствий землетрясения или наводнения и т.п.) [1]. По-стоянно ведётся поиск новых средств и методов идентификации изменений, а также способов совер-шенствования существующих, которые позволяют получать результат максимально точно и оперативно [2][3][4][5][6]. Существующее разнообразие методов иденти-фикации изменений и одновременно с этим отсут-ствие общепринятых средств их выбора в каждом конкретном случае приводит к тому, что задача прак-тического применения подходящих в каждом кон-кретном случае методов часто решается эмпирически, без достаточных обоснований [2][3][4][5] 7]. Кроме этого, такое положение вещей значительно затрудняет ис-пользование методов идентификации изменений в ав-томатизированных системах мониторинга.Несмотря на большое внимание исследователей к задачам идентификации изменений [2, 8, 9], до сих пор существует потенциал совершенствования этих методов и увеличения их адекватности. Так, напри-мер, одним из подходов, увеличивающих адекват-ность таких методов и упрощающих поиск подходя-щего в каждом конкретном случае метода идентифи-кации, является комбинированное использование не-скольких методов. Такие комбинированные методы идентификации называют гибридными [3, 4]. При этом выделяют два основных вида комбинирования -на уровне результатов и на уровне процедуры. Ком-бинирование на уровне результатов предполагает слияние результатов выполнения различных методов, а на уровне процедуры -использование результатов одного метода как входных данных для другого [10].Несмотря на активные попытки проведения ис-следований в области поиска оптимальных гибрид-ных методов идентификации изменений, известные результаты до сих пор имеют потенциал совершен-ствования. Так, в работах [11-14] результаты приме-нения различных методов идентификации изменений ландша...
This data-driven computational psychiatry research proposes a novel machine learning approach to developing predictive models for the onset of firstepisode psychosis, based on artificial neural networks. The performance capabilities of the predictive models are enhanced and evaluated by a methodology consisting of novel model optimisation and testing, which integrates a phase of model tuning, a phase of model post-processing with ROC optimisation based on maximum accuracy, Youden and top-left methods, and a model evaluation with the k-fold cross-testing methodology. We further extended our framework by investigating the cannabis use attributes' predictive power, and demonstrating statistically that their presence in the dataset enhances the prediction performance of the neural network models. Finally, the model stability is explored via simulations with 1000 repetitions of the model building and evaluation experiments. The results show that our best Neural Network model's average accuracy of predicting first-episode psychosis, which is evaluated with Monte Carlo, is above 80%.
scite is a Brooklyn-based organization that helps researchers better discover and understand research articles through Smart Citations–citations that display the context of the citation and describe whether the article provides supporting or contrasting evidence. scite is used by students and researchers from around the world and is funded in part by the National Science Foundation and the National Institute on Drug Abuse of the National Institutes of Health.
hi@scite.ai
10624 S. Eastern Ave., Ste. A-614
Henderson, NV 89052, USA
Copyright © 2024 scite LLC. All rights reserved.
Made with 💙 for researchers
Part of the Research Solutions Family.