Donau‑Ries郡で、17×17ピクセルの画像隣接領域を用いた半構造的ディープ分布回帰（SDDR）モデルが、従来の線形・加算モデルよりもはるかに優れた定住予測精度を示した。

GLM（一般化線形モデル）は、農業地帯・森林・河川までの距離を線形予測子とし、オッズ比を推定した。

GAM（一般化加算モデル）は、各距離に滑らかな関数を導入し、さらに2次元空間座標にも滑らかな項を加えた。

SDDRはGAMの枠内にニューラルネットワーク層を埋め込み、表形式の距離予測子に加えて画像ベースの隣接情報を入力した。

評価には、研究エリアを4つの空間ブロックに分割し、隣接ブロックを除外したブロック交差検証を実施。これにより空間自動相関の偏りを抑えた。

クロスバリデーションで得られた指標は以下の通り：GLM Accuracy 0.7556、Precision 0.3784、Recall 0.9774、F1 0.5200；GAM Accuracy 0.6979、Precision 0.3543、Recall 0.6240、F1 0.3327；SDDR‑モデル3 Accuracy 0.9490、Precision 0.7940、Recall 0.7125、F1 0.7501。

ただし、モデルは農業・森林・河川の距離のみを説明変数とし、人口増加や政策変更などの社会経済的要因は考慮していない。したがって、報告された連関は条件付きであり因果関係ではない。

GAMはサンプル内での適合度が高い（R² 0.93）にもかかわらず、クロスバリデーションではリコールが低下し、過適合の兆候が見られた。

SDDRのモデル1・2は画像コンテキストを省いた浅いニューラル構成であり、クロスバリデーション精度が0.44〜0.48と低く、予測力が限定的である。