面向撒哈拉以南非洲大规模城市土地利用预测的高效机器学习方法
计算机视觉与模式识别
2019-08-02 v1
摘要
城市化是发展中国家的一种普遍现象，若管理不善会带来严峻挑战。缺乏合理规划与管理可能导致城市建成区侵占预留或特殊区域，进而引发人口不可持续的增长。低效的管理与规划通常导致生活水平下降，交通意外和病媒滋生等物理危害变得普遍。为支持城市规划者与决策者的有效规划和准确决策，我们研究了撒哈拉以南非洲的城市土地利用。土地利用动态是当前自然资源管理与监测策略和政策中的关键参数。以内罗毕为重点，我们采用一种高效的深度学习方法，基于图块预测按季度对2004年至2018年间的区域进行土地利用分类。我们估算了该时期内的土地利用变化，并使用自回归积分滑动平均（ARIMA）模型对未来给定日期的土地利用进行预测。此外，我们提供了标注的土地利用图，将有助于城市规划者。
引用
@article{arxiv.1908.00340,
title = {Efficient Machine Learning for Large-Scale Urban Land-Use Forecasting in Sub-Saharan Africa},
author = {Daniel Omeiza},
journal= {arXiv preprint arXiv:1908.00340},
year = {2019}
}