ST
Swapan Talukdar
Author with expertise in Impact of Urban Green Space on Public Health
Achievements
Cited Author
Key Stats
Upvotes received:
0
Publications:
7
(43% Open Access)
Cited by:
1,393
h-index:
37
/
i10-index:
87
Reputation
Biology
< 1%
Chemistry
< 1%
Economics
< 1%
Show more
How is this calculated?
Publications
0

Land-Use Land-Cover Classification by Machine Learning Classifiers for Satellite Observations—A Review

Swapan Talukdar et al.Apr 2, 2020
Rapid and uncontrolled population growth along with economic and industrial development, especially in developing countries during the late twentieth and early twenty-first centuries, have increased the rate of land-use/land-cover (LULC) change many times. Since quantitative assessment of changes in LULC is one of the most efficient means to understand and manage the land transformation, there is a need to examine the accuracy of different algorithms for LULC mapping in order to identify the best classifier for further applications of earth observations. In this article, six machine-learning algorithms, namely random forest (RF), support vector machine (SVM), artificial neural network (ANN), fuzzy adaptive resonance theory-supervised predictive mapping (Fuzzy ARTMAP), spectral angle mapper (SAM) and Mahalanobis distance (MD) were examined. Accuracy assessment was performed by using Kappa coefficient, receiver operational curve (RoC), index-based validation and root mean square error (RMSE). Results of Kappa coefficient show that all the classifiers have a similar accuracy level with minor variation, but the RF algorithm has the highest accuracy of 0.89 and the MD algorithm (parametric classifier) has the least accuracy of 0.82. In addition, the index-based LULC and visual cross-validation show that the RF algorithm (correlations between RF and normalised differentiation water index, normalised differentiation vegetation index and normalised differentiation built-up index are 0.96, 0.99 and 1, respectively, at 0.05 level of significance) has the highest accuracy level in comparison to the other classifiers adopted. Findings from the literature also proved that ANN and RF algorithms are the best LULC classifiers, although a non-parametric classifier like SAM (Kappa coefficient 0.84; area under curve (AUC) 0.85) has a better and consistent accuracy level than the other machine-learning algorithms. Finally, this review concludes that the RF algorithm is the best machine-learning LULC classifier, among the six examined algorithms although it is necessary to further test the RF algorithm in different morphoclimatic conditions in the future.
0
Paper
Citation721
0
Save
0

Flood susceptibility modelling using advanced ensemble machine learning models

Abu Islam et al.Oct 5, 2020
Floods are one of nature's most destructive disasters because of the immense damage to land, buildings, and human fatalities. It is difficult to forecast the areas that are vulnerable to flash flooding due to the dynamic and complex nature of the flash floods. Therefore, earlier identification of flash flood susceptible sites can be performed using advanced machine learning models for managing flood disasters. In this study, we applied and assessed two new hybrid ensemble models, namely Dagging and Random Subspace (RS) coupled with Artificial Neural Network (ANN), Random Forest (RF), and Support Vector Machine (SVM) which are the other three state-of-the-art machine learning models for modelling flood susceptibility maps at the Teesta River basin, the northern region of Bangladesh. The application of these models includes twelve flood influencing factors with 413 current and former flooding points, which were transferred in a GIS environment. The information gain ratio, the multicollinearity diagnostics tests were employed to determine the association between the occurrences and flood influential factors. For the validation and the comparison of these models, for the ability to predict the statistical appraisal measures such as Freidman, Wilcoxon signed-rank, and t-paired tests and Receiver Operating Characteristic Curve (ROC) were employed. The value of the Area Under the Curve (AUC) of ROC was above 0.80 for all models. For flood susceptibility modelling, the Dagging model performs superior, followed by RF, the ANN, the SVM, and the RS, then the several benchmark models. The approach and solution-oriented outcomes outlined in this paper will assist state and local authorities as well as policy makers in reducing flood-related threats and will also assist in the implementation of effective mitigation strategies to mitigate future damage.
0

Analyzing trend and forecasting of rainfall changes in India using non-parametrical and machine learning approaches

Bushra Praveen et al.Jun 25, 2020
Abstract This study analyzes and forecasts the long-term Spatio-temporal changes in rainfall using the data from 1901 to 2015 across India at meteorological divisional level. The Pettitt test was employed to detect the abrupt change point in time frame, while the Mann-Kendall (MK) test and Sen’s Innovative trend analysis were performed to analyze the rainfall trend. The Artificial Neural Network-Multilayer Perceptron (ANN-MLP) was employed to forecast the upcoming 15 years rainfall across India. We mapped the rainfall trend pattern for whole country by using the geo-statistical technique like Kriging in ArcGIS environment. Results show that the most of the meteorological divisions exhibited significant negative trend of rainfall in annual and seasonal scales, except seven divisions during. Out of 17 divisions, 11 divisions recorded noteworthy rainfall declining trend for the monsoon season at 0.05% significance level, while the insignificant negative trend of rainfall was detected for the winter and pre-monsoon seasons. Furthermore, the significant negative trend (−8.5) was recorded for overall annual rainfall. Based on the findings of change detection, the most probable year of change detection was occurred primarily after 1960 for most of the meteorological stations. The increasing rainfall trend had observed during the period 1901–1950, while a significant decline rainfall was detected after 1951. The rainfall forecast for upcoming 15 years for all the meteorological divisions’ also exhibit a significant decline in the rainfall. The results derived from ECMWF ERA5 reanalysis data exhibit that increasing/decreasing precipitation convective rate, elevated low cloud cover and inadequate vertically integrated moisture divergence might have influenced on change of rainfall in India. Findings of the study have some implications in water resources management considering the limited availability of water resources and increase in the future water demand.
0
Paper
Citation320
0
Save