Spatial scale in land use models: Application to the Teruti-Lucas survey

Abstract

First onlineWe consider the problem of land use prediction at different spatial scales using point level data such as the Teruti-Lucas (T-L hereafter1) survey and some explanatory variables. We analyze the components of the prediction error using a synthetic data set constructed from the Teruti-Lucas points in the Midi-Pyrénées region and a five categories land use classification. The study first shows that the number of points in the Teruti-Lucas survey is quite enough for estimating the probabilities of each land use category with a good quality. Furthermore it reveals that, contrary to usual practice, when the objective is to predict land use at aggregated levels, land use probabilities should be estimated at more locations where explanatory variables are available rather than restricting to the initial Teruti-Lucas locations. Indeed this strategy borrows strength from the knowledge of the explanatory variables which may be heterogeneous. Finally, guidelines for constructing the grid of locations for estimation are given from the analysis of the heterogeneity of each explanatory variable.Dans cet article, les auteurs considèrent le problème de prédiction des usages des sols au niveau des points tels que ceux observés dans l’enquête Teruti-Lucas (T-L). Ils analysent les composantes de l'erreur de prédiction en utilisant un ensemble de données synthétique construit à partir des points T-L dans la région Midi-Pyrénées. L'étude montre d'abord que le nombre de points dans l'enquête T-L est tout à fait suffisant pour bien estimer les probabilités de chaque catégorie d’usages des sols. En outre, les résultats montrent que, lorsque l'objectif est de prédire l'utilisation des terres à des niveaux agrégés, il est nécessaire, contrairement aux pratiques usuelles, d’estimer les probabilités d’usage des sols en un nombre de localisations supérieur à celui des localisations observées. En effet, cette stratégie permet de bénéficier de la connaissance et de la variabilité des variables explicatives à des niveaux plus fins lorsqu’elles sont disponibles. Enfin, les auteurs donnent des indications permettant de construire la grille de ces localisations en fonction de l’hétérogénéité des variables explicatives

Using compositional and Dirichlet models for market share regression

“…In geology, Solana-Acosta and Dutta [21] are interested in the lithologic composition of sandstone according to whether it is quartz, feldspar or rock fragments. For environmental planning purposes, land use models focus on what are the proportions of different types of uses (forest, agriculture, urban, etc...) on a given piece of land, see for example Chakir et al [4].…”