Land use changes (LUCs), which are defined as the modification in the use of land due to anthropogenic activities, are important sources of GHG emissions. In this context, understanding future trends of LUCs, such as deforestation, in a spatial manner is relevant. The main objective of this study is to generate a deforestation prediction model for a given period of time (i.e., 2002–2017 and 2010–2017) to estimate the potential carbon emissions associated with different anthropogenic variables in the Peruvian Amazon using machine learning (ML) algorithms. This study was motivated in the analysis of a road project previously studied using life cycle assessment (LCA). Models using neural networks and random forest algorithms were trained and evaluated in a fully cloud-based environment using Google Earth Engine. ML-related results demonstrated that random forest is a quicker and straightforward response to model the system under study, especially considering that data do not require additional processing during the modeling and prediction stages. Predicted results suggest that expected road expansion may be related to considerable carbon emissions in the future. Calculated values are relevant especially if the mitigation efforts that Peru has complied with in the Paris Agreement are considered. The increased complexity of the framework is justified since it allows identifying the location of hotspots and may potentially complement the utility of LCA in policy support in the areas of territorial planning and tropical road expansion.

中文翻译：

---

探索机器学习技术来预测森林砍伐以加强道路建设项目的决策

土地利用变化 (LUC) 被定义为由于人为活动导致的土地利用变化，是温室气体排放的重要来源。在这种情况下，以空间方式了解 LUC 的未来趋势（例如森林砍伐）是相关的。本研究的主要目的是生成一个给定时间段（即 2002-2017 年和 2010-2017 年）的森林砍伐预测模型，以使用机器学习（ML ) 算法。这项研究的动机是分析以前使用生命周期评估 (LCA) 研究的道路项目。使用神经网络和随机森林算法的模型在完全基于云的环境中使用 Google 地球引擎进行了训练和评估。与 ML 相关的结果表明，随机森林是对正在研究的系统建模的一种更快、更直接的响应，特别是考虑到数据在建模和预测阶段不需要额外处理。预测结果表明，预期的道路扩建可能与未来大量的碳排放有关。计算值是相关的，特别是如果考虑到秘鲁在《巴黎协定》中遵守的缓解努力。该框架增加的复杂性是合理的，因为它可以识别热点的位置，并可能补充 LCA 在领土规划和热带道路扩张领域的政策支持中的效用。特别是考虑到数据在建模和预测阶段不需要额外的处理。预测结果表明，预期的道路扩建可能与未来大量的碳排放有关。计算值是相关的，特别是如果考虑到秘鲁在《巴黎协定》中遵守的缓解努力。该框架增加的复杂性是合理的，因为它可以识别热点的位置，并可能补充 LCA 在领土规划和热带道路扩张领域的政策支持中的效用。特别是考虑到数据在建模和预测阶段不需要额外的处理。预测结果表明，预期的道路扩建可能与未来大量的碳排放有关。计算值是相关的，特别是如果考虑到秘鲁在《巴黎协定》中遵守的缓解努力。该框架增加的复杂性是合理的，因为它可以识别热点的位置，并可能补充 LCA 在领土规划和热带道路扩张领域的政策支持中的效用。计算值是相关的，特别是如果考虑到秘鲁在《巴黎协定》中遵守的缓解努力。该框架增加的复杂性是合理的，因为它可以识别热点的位置，并可能补充 LCA 在领土规划和热带道路扩张领域的政策支持中的效用。计算值是相关的，特别是如果考虑到秘鲁在《巴黎协定》中遵守的缓解努力。该框架增加的复杂性是合理的，因为它可以识别热点的位置，并可能补充 LCA 在领土规划和热带道路扩张领域的政策支持中的效用。