RUFORUM Working Document Series (ISSN 1607-9345), 2021, No. 19 (2):697-706.

Available from http://repository.ruforum.org

Research Application Summary

Analyse des changements spatio-temporels des occupations des sols dans les territoires
de Kabare et Walungu au Sud-Kivu entre 2000 et 2018 : Utilisation des outils de la
télédétection et du modèle Random Forest

Mugumaarhahama, Y.1*, Cirezi, N.C.,1 Chuma, G. B.,1 Bagula, E. M.,1 Safina, F. B.,1
Basubi, M.M.1 & Karume, K.1

Observatoire des forêts et paysages montagneux du Sud-Kivu, Faculté des Sciences Agronomiques et
Environnement, Université Evangélique en Afrique. B.P. : 3323 Bukavu, République Démocratique
du Congo
*Auteur correspondant: [email protected]

Résumé

L’évolution des occupations des sols est l’une des transformations les plus immenses et les plus
perceptibles de la surface de la terre. L’évaluation de ces changements des occupations des sols est
impérative dans un large éventail de perspectives telles que la conservation de l’environnement
et la gestion des ressources naturelles dans une perspective de durabilité. Ce travail examine
les changements des occupations des sols dans les territoires de Kabare et Walungu entre
2000 et 2018 en utilisant des images satellite Landsat et le modèle Random Forest qui s’est
montré performant en donnant une bonne précision. Il s’observe qu’il y a eu des changements
substantiels dans les occupations des sols durant la période considérée. Les changements les plus
remarquables s’observent au sein des mosaïques champs-jachères, les savanes herbeuses, les
plantations sylvicoles les forêts denses et les forêts secondaires. Les changements qu’il y a eu
sont essentiellement des dégradations. Des fortes augmentations des superficies des mosaïques
champs-jachères (320 km²) et savanes herbeuses (202 km²) se sont observées. Par contre, il y
a eu des fortes diminutions des superficies des forêts denses (178 km²), les forêts secondaires
(141 km²) et les plantations sylvicoles (195 km²). Les forêts denses ont été dégradées en forêts
secondaires ; Les forêts secondaires telles qu’elles étaient en 2000, bien qu’une partie ait évolué
en forêts denses, la majeure partie a essentiellement été dégradée en mosaïques champs-jachères
ou plantations sylvicoles. Les mosaïques champs-jachères qu’on retrouve en 2018 sont issues
de celles des années 2000, des anciennes plantations sylvicoles, savanes herbeuses ou de la
dégradation des forêts secondaires.

Mots clés : RD Congo, Paysages montagneux, Détection des changements, Landsat, Random
Forest

Abstract

L’évolution des occupations des sols est l’une des transformations les plus immenses et les plus
perceptibles de la surface de la terre. L’évaluation de ces changements des occupations des sols est
impérative dans un large éventail de perspectives telles que la conservation de l’environnement
et la gestion des ressources naturelles dans une perspective de durabilité. Ce travail examine
les changements des occupations des sols dans les territoires de Kabare et Walungu entre
2000 et 2018 en utilisant des images satellite Landsat et le modèle Random Forest qui s’est
698 Mugumaarhahama et al., 2021

montré performant en donnant une bonne précision. Il s’observe qu’il y a eu des changements
substantiels dans les occupations des sols durant la période considérée. Les changements les plus
remarquables s’observent au sein des mosaïques champs-jachères, les savanes herbeuses, les
plantations sylvicoles les forêts denses et les forêts secondaires. Les changements qu’il y a eu
sont essentiellement des dégradations. Des fortes augmentations des superficies des mosaïques
champs-jachères (320 km²) et savanes herbeuses (202 km²) se sont observées. Par contre, il y
a eu des fortes diminutions des superficies des forêts denses (178 km²), les forêts secondaires
(141 km²) et les plantations sylvicoles (195 km²). Les forêts denses ont été dégradées en forêts
secondaires ; Les forêts secondaires telles qu’elles étaient en 2000, bien qu’une partie ait évolué
en forêts denses, la majeure partie a essentiellement été dégradée en mosaïques champs-jachères
ou plantations sylvicoles. Les mosaïques champs-jachères qu’on retrouve en 2018 sont issues
de celles des années 2000, des anciennes plantations sylvicoles, savanes herbeuses ou de la
dégradation des forêts secondaires.

Mots clés : RD Congo, Paysages montagneux, Détection des changements, Landsat, Random
Forest

Introduction

Des informations de grande précision sur les occupations des sols (LULC) à l’échelle mondiale
et régionale sont essentielles notamment pour la gestion conservation des ressources naturelles,
le développement durable et le changement climatique. Pour obtenir ces informations, les
scientifiques font notamment appel à la télédétection et à différents modèles mathématiques. La
cartographie des LULC et la surveillance des changements en leur sein sont essentielles pour
une gestion durable des ressources naturelles (Adam et al., 2014) et la détermination les zones
prioritaires pour la conservation de la biodiversité (Turner et al., 2007). L’identification les
moteurs de changement des LULC et la compréhension de leur dynamique sont essentielles pour
assurer durablement une bonne gestion des ressources naturelles et de la biodiversité (Mucova et
al., 2018).

La surveillance des LULC à l’aide des outils de télédétection nécessite des méthodes de classification
robustes (Rodriguez-Galiano et al., 2012). Pour cela, la sélection de données de télédétection
appropriées et le choix de l’algorithme de classification adéquat sont les deux facteurs les plus
importants. Les images sont couramment utilisées dans la cartographie des LULC (par exemple,
Alam et al., 2019). Le modèle Random Forest (RF) est aussi un modèle mathématique robuste pour
faire la classifications des LULC (Rodriguez-Galiano et al., 2012). Un certain nombre d’articles
scientifiques ont obtenu des classifications de grande précision en utilisant les images Landsat et
le modèle RF (par exemple, Alam et al., 2019). RF affiche des propriétés intéressantes telles que
sa grande précision et sa robustesse pour cartographier les LULC. Il a récemment été proposée et
utilisée pour améliorer la cartographie des LULC à partir d’images de télédétection (par exemple,
Rodriguez-Galiano et al., 2012). Dans cet article, nous considérons l’application de l’algorithme
RF pour la classification en raison de ses propriétés intéressantes et les images Landsat à raison
de la facilité d’y accéder.
The Seventh Africa Higher Education Week and RUFORUM Triennial Conference 6-10 December 2021 699

Dans les territoires de Kabare et Walungu au Sud-Kivu, très peu de travaux ont été effectués pour
évaluer la dynamique des LULC. De ce fait, il est difficile d’établir, par exemple, ce que serait
la portée des actions anthropiques sur les LULC. Pour orienter les politiques nationales et/ou
provinciales de gestion des ressources naturelles, il est important de cartographier les LULC et
leur dynamique spatio-temporelle. Pour cela, cette étude a pour objectif d’évaluer la dynamique
des LULC dans les territoires de Kabare et Walungu de 2000 à 2018 en utilisation le modèle RF
et les images Landsat.

Méthodes

Milieu d’etude. Cette étude s’intéresse aux territoires de Kabare et Walungu sont situés dans la
province du Sud-Kivu. Ils se situent entre 2,13° et 3,00° de latitude Sud et 28,21° et 29,03° de
longitude Est et s’étendent sur 3760,8 km² (Walungu = 1869,9 km² ; Kabare = 1890,9 km).

Acquisition des images

Identification et Echantillonnage des

Landsat 7 ETM+ Landsat 8 OLI/TIRS principales occupations des sols

Extraction des valeurs

Prétraitement Prétraitement
spectrales des sites
échantillonnés

Prédiction spatiale Prédiction spatiale Partition des échantillons

Cartographie des Echantillons Echantillons

Cartographie des
occupations des sols de calibration de test
occupations des sols
de 2000 de 2018
Calibration du
Prédiction
Modèle

Matrice de
confusion

Figure 1. Schéma de la démarche méthodologique

Acquisition et prétraitement des images. Les images Landsat Landsat 7 ETM+ (2000) et Landsat
8 OLI/TIRS (2018) sans couvertures nuageuses ont été utilisées. Elles ont été téléchargées à partir
de la base de données Global Forest Change 2000–2019 Data Download disponible sur le site
https://glad.earthengine.app/view/global-forest-change (Hansen et al., 2013).
700 Mugumaarhahama et al., 2021

Ces images sont constituées d’observations médianes provenant d’un ensemble de quatre bandes
spectrales : les bandes 2, 3, 4 et 7 de Landsat 7 ETM+ et les bandes 3, 4, 5 et 7 de Landsat 8 OLI/
TIRS. Le prétraitement de ces images a consisté en une mise en échelle des valeurs de réflectance
(ρ) normalisées au sommet de l’atmosphère (TOA) sur une plage de données de 8 bits à l’aide
d’un facteur d’échelle (g) : DN = ρ - g + 1. Le facteur g a été choisi indépendamment pour chaque
bande afin de préserver la gamme dynamique spécifique à la bande (Hansen et al., 2013).

Identification et Echantillonnage des principales occupations des sols. Les missions

d’observation sur terrain ont précédé les analyses. Elles ont été organisées du 10 Mars 2019 au 31
Avril 2019 dans les deux territoires, afin de collecter les points de contrôle dans les des différents
écotypes de forêts et d’autres LULC. En utilisant le logiciel ArcGis 10.7, un fishnet constitué
des mailles de 300m x 300m couvrant l’ensemble du milieu d’étude a été généré pour servir à
l’échantillonnage. Cela a été fait de telle façon que chaque maille couvre 100 pixels de l’image
Landsat. 500 mailles ont été choisies aléatoirement et dans chacune des mailles sélectionnées, 5
points correspondant à des centroïdes des pixels ont été sélectionnés pour observation, faisant un
total de 2500 points. Un quadrat de référence de 30m x 30m a été placé autour de chaque point
pour identifier l’occupation du sol la plus dominante.

Calibration du modèle Random forest. Ayant les coordonnées des quadrats (points) et les
LULC qui les caractérisent, l’étape suivante a consisté à mettre en relation des données de
bandes spectrales avec les LULC observées sur terrain. Cette étape a permis de constituer la
base de données qui a servi à la calibration et à tester la performance du modèle. Pour évaluer
la performance du modèle RF dans la classification, la base de données a été subdivisée en deux
parties : 80% des observations (2000 points) ont été utilisés pour la calibration du modèle et les
20% restants (500 points) ont été utilisées pour tester la performance prédictive du modèle. Cela
s’est fait dans le logiciel R dans algorithme tournant en boucle 50 fois en faisant varier chaque fois
les jeux de données de calibration et de test du modèle.

Validation et test du pouvoir prédictif du modèle. Le modèle a été évalué en utilisant la

matrice de confusion réalisée sur les prédictions des LULC du modèle en utilisant les données de
réflectance/radiance et les vraies LULC sur terrain aussi contenues dans les données de test.

Analyse des changements d’occupation du sol. En utilisant ArcGIS 10.7 et le logiciel R, les
changements ont été mis en évidence par une matrice de transition qui a été créée pour identifier
les fréquences de transition entre les classes au cours de la période d’étude.

Résultats

Le modèle Random Forest a permis d’obtenir une précision acceptable dans la classification des
occupations des sols. La précision obtenue a été de 0.861 (intervalle de confiance : ]0.705, 0.953[)
et un indice kappa de 0.826. Les résultats présentés sur la figure 2 montrent que dans l’ensemble il
y a eu de changements substantiels des LULC dans les territoires de Kabare et Walungu entre 2000
et 2018. Les forêts sont l’une des occupations de sol à avoir subit des perturbations importantes
au profit de la classe des mosaïques champs-jachères qui a subi une augmentation importante
en termes d’étendue occupée. On note une forte concentration des plantations sylvicoles autour
du Parc National de Kahuzi Biega en 2018 par rapport à ce qu’il en était en 2000. En 2018, il
The Seventh Africa Higher Education Week and RUFORUM Triennial Conference 6-10 December 2021 701

se remarque aussi une forte extension des zones bâties par rapport à ce qu’elles étaient en 2000.
La figure 3 montre les variations en termes de superficie totale et des proportions occupées par
chaque classe de LULC.

Figure 2. Occupations des sols du territoire de Kabare et Walungu en 2000 (gauche) et 2018
(droite)

Les changements les plus remarquables s’observent dans la classe des mosaïques champs-jachères,
les savanes herbeuses, les plantations sylvicoles les forêts denses et les forêts secondaires. Par
rapport à l’année 2000, il y a eu augmentation des mosaïques champs-jachères et savanes herbeuses
avec respectivement une augmentation de près de 320 km² pour les mosaïques champs-jachères
et 202 km² pour les savanes herbeuses. Par contre, les forêts denses, les forêts secondaires et les
plantations sylvicoles ont perdu des superficies importantes : près de 178 km² de perte pour les
forêts denses, 141 km² de perte pour les forêts secondaires et 195 km² de perte pour les plantations
sylvicoles. Bien cela peut paraitre négligeable, les zones bâties ont aussi connu une augmentation
considérable (plus que doubler), allant de 18 km² à 46 km². La figure 4 montre les différents
changements d’occupation de sol au sein de chaque classe de sol entre 2000 et 2018.

Les résultats de la figure 4 démontrent que les changements qui ont eu lieu dans les forêts denses
ont consisté en une dégradation en forêt secondaire. La classe des forêts secondaires telle qu’elle
était en 2000, a subi des modifications importantes. Bien qu’une partie ait évolué en forêt dense, la
majeure partie a essentiellement été transformée en mosaïques champs-jachères ou en plantations
sylvicoles. Les mosaïques champs-jachères retrouvés en 2018 sont issues de celles des années
2000, des anciennes plantations sylvicoles, savanes herbeuses ou de la dégradation des forêts
702 Mugumaarhahama et al., 2021

secondaires. Enfin, l’extension des zones bâties telles qu’on les retrouve en 2018 est
principalement le résultat de la conversion des mosaïques champs-jachères des années
2000 en parcelles d’habitation.

1289.2
1400

1200

970.7
906.8

1000
Superficie (km²)

728.9

707.6
800

659.3
581.0

505.7
600
463.6
440.4

400
108.0

200
47.0

46.2
33.0

18.4
9.7

4.1
0.4
0
Forêt claire Forêt Forêt Mosaïque Plantation Savane Savane Sol nu Zone batie
dense secondaire C-J sylvicole arborée herbeuse

2000 2018
40%
34.3%

35%

30%
25.8%
24.1%

25%
Proportion (%)

19.4%

18.8%
17.5%

20%
15.5%

13.5%
12.3%
11.7%

15%

10%
2.9%

5%
1.2%

1.2%
0.9%

0.5%
0.3%

0.1%
0.0%

0%
Forêt claire Forêt Forêt Mosaïque Plantation Savane Savane Sol nu Zone batie
dense secondaire C-J sylvicole arborée herbeuse

2000 2018

Figure 3. Estimations des superficies (en haut) et proportions (en bas) occupées par les différentes
utilisations de terre dans les territoires de Kabare et Walungu
The Seventh Africa Higher Education Week and RUFORUM Triennial Conference 6-10 December 2021 703

LULC
Foret dense
Foret secondaire
Mosaique C-J
Plantation syslvicole
Savane arborée
Savane herbeuse
Zone batie

Figure 4. Dynamique des occupations des sols dans les territoires de Kabare et Walungu entre 2000
et 2018
704 Mugumaarhahama et al., 2021

Discussion

Performance du modèle Random forest dans la classification

Dans cette étude, nous avons utilisé la précision et l’indice kappa pour évaluer la performance
du modèle Random forest dans la classification des occupations des sols dans les territoires de
Kabare et Walungu. Le Kappa nous permet de vérifier et de tester si une carte donnée d’utilisation
et d’occupation des sols générée à partir de données et en utilisant des techniques de télédétection
et des analyses est très significative ou non (Mucova et al., 2018). Dans cette étude, la précision
obtenue a été de 0.861 et un indice kappa de 0.826 sont des indicateurs suffisants pour considérer
que le modèle Random forest s’est montré suffisamment performant dans la classification des
occupations des sols à Kabare et Walungu. En effet, un indice kappa supérieur ou égal à 0.80 est
considéré comme un indicateur d’une excellente classification (Mucova et al., 2018). Néanmoins,
Il est possible que les superficies des classes de LULC aient été mal estimées en raison de la
résolution des images. Fisher et al. (2018) montrent que la qualité et la résolution des images ont un
impact sur la précision de la classification qui en résulte. Ainsi pour une classification plus précise,
il est nécessaire d’utiliser des images satellitaires de résolution plus fine. Malheureusement, les
images d’une telle qualité ne sont pas à accès gratuit.

Dynamique des occupations des sols. Comme on peut le voir, entre 2000 et 2018, il y a eu des
changements considérables dans les occupations des sols à Kabare et Walungu. Malheureusement,
ces changements sont essentiellement la dégradation des occupations des sols. C’est comme
par exemple des forêts denses qui deviennent des forêts secondaires, des forêts secondaires qui
sont transformées en mosaïques champs-jachères, des plantations sylvicoles et des savanes qui
deviennent des mosaïques champs-jachères, etc. Tous ces changements témoignent du niveau de
perturbation des écosystèmes locaux et l’éventuel déséquilibre y lié. De tels changements dans
les paysages induisent aussi forcement des changements dans les services écosystémiques de ces
paysages (Tiando et al., 2021). En effet, les LULC ont un impact sur les services écosystémiques,
notamment sur la biodiversité (Andrew et al., 2014) et sur la régulation des émissions de gaz
à effet de serre (Li et al., 2017). Tous ces changements ne pourraient pas se produire sans
qu’il n’y ait des actions anthropiques qui y concourent. Mucova et al. (2018) montrent que la
croissance démographique et des besoins locaux sont parmi les principaux facteurs étroitement
liés à l’exploitation des terres et des ressources naturelles et de surcroit aux changements dans les
occupations des sols. Beaucoup d’études similaires conduites en Afrique comme celles de Padonou
et al. (2017) montrent que l’exploitation des ressources naturelles par l’homme, l’agriculture, la
croissance démographique, le bâti, sont considérés comme les principaux moteurs des changements
des LULC. Cependant, nous associons aux promoteurs identifiés la fragilité gouvernementale
dans l’application des lois de conservation de la biodiversité et de des lois sur la conservation de
la biodiversité et l’exploitation des ressources naturelles, le contrôle, le suivi et la non mise en
œuvre de programmes de planification territoriale et d’établissements humains. Néanmoins, il est
difficile d’établir à partir des résultats de cette étude ce que seraient effets des actions anthropiques
sur les changements identifiés et les perturbations des services écosystémiques.

Stratégies de mitigation et gestion durable des ressources naturelles. Les paysages des
territoires de Kabare et Walungu sont sous une importante pression des moteurs de changements
qui perturbent ses écosystèmes. Pour faire face à cette situation, les propositions suivantes peuvent
être données :
- Les populations rurales ne semblent pas bien comprendre l’importance de la conservation
The Seventh Africa Higher Education Week and RUFORUM Triennial Conference 6-10 December 2021 705

de l’environnement et la nécessité d’une gestion durable des ressources naturelles. Il

est important d’initier des formations sur l’éducation à l’environnement et la gestion des
ressources naturelles à l’intention des populations locales.
- A ce jour, il semble qu’il n’existe pas encore, ni au niveau national, ni au niveau provincial et
encore moins au niveau local, des politiques sur l’environnement et la gestion des ressources
naturelles. Il est actuellement urgent de mettre en place une politique nationale sur la gestion
de l’environnement et la gestion durable des ressources naturelles et y assigner des objectifs
mesurables dans l’espace et dans le temps. Pour cela, il faut doter le pays à tous les niveaux
de la vie nationale des ressources pour le suivi de cette politique.

Conclusion

Les occupations des sols constituent une couche supérieure de la terre qui change sous l’effet
des moteurs d’origine naturelle et/ou anthropique. Les images satellitaires permettent d’évaluer
les changements des occupations des sols dans une zone donnée à des intervalles de temps
souhaités. Cette étude classifie les occupations des sols et les changements d’occupation des sols
entre 2000 et 2018, dans les territoires de Kabare et Walungu en utilisant les images Landsat et
le modèle Random Forest. Le modèle Random Forest s’est montré performant en donnant une
bonne précision. Les occupations des sols identifiées ont révélé des changements substantiels
entre 2000 et 2018 ; par exemple, les mosaïques champs-jachères, les savanes herbeuses ont
connu des augmentations entre des superficies occupées : respectivement près de 320 km² et
202 km². Par contre, il y a eu diminution dans les superficies occupées par les forêts denses (178
km²), les forêts secondaires (141 km²) et les plantations sylvicoles (195 km²). Les changements
qu’il y a eu ont essentiellement consisté en des dégradations. Nous pensons que la plupart des
changements identifiées résulteraient principalement des activités anthropiques, avec une série
d’impacts négatifs sur l’environnement. Nous pensons que les résultats de cette étude aideront
les décideurs à formuler des politiques efficaces de gestion de l’environnement et des ressources
naturelles.

Remerciements

Les auteurs remercient le RUFORUM à travers Canergie Corporation New-York, l’Université

Evangélique en Afrique à travers le Pain pour le Monde / Allemagne et la FAO à travers le projet
RGEM pour les ressources matérielles et financières pour la réalisation de cette étude. This paper
is a contribution to the 2021 Africa Higher ducation Week and RUFORUM Triennial Conference
held 6-10 December in Cotonou, Benin

Références bibliographiques

Adam, E., Mutanga, O., Odindi, J. and Abdel-Rahman, E. M. 2014. Land-use/cover classification
in a heterogeneous coastal landscape using RapidEye imagery: evaluating the performance
of random forest and support vector machines classifiers. International Journal of Remote
Sensing 35 (10): 3440–3458. https://doi.org/10.1080/01431161.2014.903435
Alam, A., Bhat, M. S. and Maheen, M. 2019. Using Landsat satellite data for assessing the land
use and land cover change in Kashmir valley. GeoJournal 85 (6): 1529–1543. https://doi.
org/10.1007/S10708-019-10037-X
Andrew, M. E., Wulder, M. A. and Nelson, T. A. 2014. Potential contributions of remote sensing
706 Mugumaarhahama et al., 2021

to ecosystem service assessments. Progress in Physical Geography 38 (3): 328–353. https://

doi.org/10.1177/0309133314528942
Fisher, J. R. B., Acosta, E. A., Dennedy-Frank, P. J., Kroeger, T. and Boucher, T. M. 2018. Impact
of satellite imagery spatial resolution on land use classification accuracy and modeled water
quality. Remote Sensing in Ecology and Conservation 4 (2): 137–149. https://doi.org/10.1002/
RSE2.61
Hansen, M. C., Potapov, P. V., Moore, R., Hancher, M., Turubanova, S. A., Tyukavina, A., Thau, D.,
Stehman, S. V., Goetz, S. J., Loveland, T. R., Kommareddy, A., Egorov, A., Chini, L., Justice,
C. O. and Townshend, J. R. G. 2013. High-Resolution Global Maps of 21st-Century Forest
Cover Change. Science 342 (6160): 850–853. https://doi.org/10.1126/SCIENCE.1244693
Li, W., Ciais, P., Peng, S., Yue, C., Wang, Y., Thurner, M., Saatchi, S. S., Arneth, A., Avitabile,
V., Carvalhais, N., Harper, A. B., Kato, E., Koven, C., Liu, Y. Y., Nabel, J. E. M. S., Pan, Y.,
Pongratz, J., Poulter, B., Pugh, T. A. M. and Zaehle, S. 2017. Land-use and land-cover change
carbon emissions between 1901 and 2012 constrained by biomass observations. Biogeosciences
14 (22): 5053–5067. https://doi.org/10.5194/BG-14-5053-2017
Mucova, S. A. R., Filho, W. L., Azeiteiro, U. M. and Pereira, M. J. 2018. Assessment of land use
and land cover changes from 1979 to 2017 and biodiversity and land management approach
in Quirimbas National Park, Northern Mozambique, Africa. Global Ecology and Conservation
16: e00447. https://doi.org/10.1016/J.GECCO.2018.E00447
Padonou, E. A., Lykke, A. M., Bachmann, Y., Idohou, R. and Sinsin, B. 2017. Mapping changes
in land use/land cover and prediction of future extension of bowé in Benin, West Africa. Land
Use Policy 69: 85–92. https://doi.org/10.1016/J.LANDUSEPOL.2017.09.015
Rodriguez-Galiano, V. F., Ghimire, B., Rogan, J., Chica-Olmo, M. and Rigol-Sanchez, J.
P. 2012. An assessment of the effectiveness of a random forest classifier for land-cover
classification. ISPRS Journal of Photogrammetry and Remote Sensing 67(1): 93–104. https://
doi.org/10.1016/J.ISPRSJPRS.2011.11.002
Tiando, D. S., Hu, S., Fan, X. and Ali, M. R. 2021. Tropical coastal land-use and land cover
changes impact on ecosystem service value during rapid urbanization of benin, west africa.
International Journal of Environmental Research and Public Health 18 (14): 7416. https://
doi.org/10.3390/ijerph18147416
Turner, B. L., Lambin, E. F. and Reenberg, A. 2007. The emergence of land change science for
global environmental change and sustainability. Proceedings of the National Academy of
Sciences 104 (52): 20666–20671. https://doi.org/10.1073/PNAS.0704119104