Моделирование земельных изменений - Land change modeling

Вырубка леса (см. здесь, в Амазонке) является основной движущей силой земельных изменений во всем мире и часто является предметом моделей земельных изменений.

Модели земельных изменений (LCM) описывают, прогнозируют и объясняют изменения и динамику землепользование и растительного покрова. LCM - это средство понимания того, как люди изменяли поверхность Земли в прошлом, настоящем и будущем.

Модели землепользования имеют важное значение в политике развития, помогая принимать более правильные решения для Управление ресурсами и окружающая среда в самых разных масштабах - от небольшого участка земли до всего пространства.[1][2] Более того, события в растительного покрова, окружающей среды и социально-экономический данные (а также в рамках технологической инфраструктуры) увеличили возможности моделирования изменений земель, чтобы помочь поддерживать и влиять на решения, которые влияют на системы человек-окружающая среда,[1] поскольку национальное и международное внимание все больше фокусируется на вопросах глобального изменение климата и устойчивость.

Ключевые понятия и другая терминология

Это ключевые концепции и различные другие термины, необходимые для понимания темы моделирования изменений земель.

Рисунок 1.1: Ключевые концепции и терминология моделирования земельных изменений
КонцепцииОпределения
Калибровкапроцедура, в которой данные используются для определения параметров модели[3]
Диагностикасм. ссылку
Драйверыпеременные, влияющие на результаты землепользования[3]
Равноправиесм. ссылку
Прогнозированиесм. ссылку
Изменение землиизменения характеристик земной поверхности, обычно под влиянием деятельности человека, изменяющего условия окружающей среды.[3]
Растительного покровасм. ссылку
Земельная системасм. ссылку
Землепользованиесм. ссылку
Многофинальностькогда один процесс создает множество различных шаблонов
Нормативныйхарактеристика способности отвечать на вопросы о том, что должно быть
Шаблонописание изменения
Положительныйхарактеристика способности быть рационально оцененной количественно, и способность отвечать на вопросы о том, что есть и что будет
Прогнозсм. ссылку
Процессконкретные механизмы, которые вызывают изменение
Проекцияпредставление будущего при определенном наборе предположений
Шкаласм. ссылку
Пространственно явная модельмодель, в которой набор географических местоположений используется для спецификации данных и вывода[3]
Стационарныйявление, при котором паттерн или процесс изменения стабильны во времени и пространстве. Хотя изменения могут происходить, это будет равномерная и стабильная величина изменений в пространстве и времени.

Важность

Бульдозеры часто используются для расчистки земель под застройку или сельское хозяйство.

Изменения в земельные системы имеют последствия для климата и окружающей среды во всех масштабах. Следовательно, решения и политика в отношении земельных систем очень важны для реагирования на эти изменения и работы в направлении более устойчивого общества и планеты.[4]

Модели изменения земель имеют важное значение в их способности помогать земельным системам добиваться положительных социальных и экологических результатов в то время, когда внимание к изменениям в земельных системах возрастает.[4][5]

Множество научных и практических сообществ смогли улучшить объем и качество данных в моделировании изменений земельных ресурсов за последние несколько десятилетий. Это повлияло на разработку методов и технологий моделирования земельных изменений. Множество разработанных моделей изменения земель имеют важное значение с точки зрения их способности учитывать изменения земельной системы и полезны для различных научных и практических сообществ.[4]

Для научного сообщества модели изменения земель важны с точки зрения их способности проверять теории и концепции изменения земель и их связи с отношениями между человеком и окружающей средой, а также исследовать, как эта динамика изменит будущие земельные системы без наблюдения в реальном мире.[4]

Моделирование изменений земель полезно для исследования пространственных систем земель, их использования и покровов. Моделирование изменений земель может учитывать сложность динамики землепользования и земного покрова, увязывая его с климатическими, экологическими, биогеохимическими, биогеофизическими и социально-экономическими моделями. Кроме того, LCM могут давать пространственно явные результаты в соответствии с типом и сложностью динамики наземной системы в пределах пространственной протяженности. Многие биофизические и социально-экономические переменные влияют и приводят к различным результатам при моделировании изменений земель.[4]

Неопределенность модели

На этом снимке из Японии видна перемена земли. Модели не могут быть такими надежными, как спутниковые снимки.

Примечательным свойством всех моделей землепользования является то, что они имеют некоторый неснижаемый уровень неопределенности в структуре модели, значениях параметров и / или входных данных. Например, одна неопределенность в моделях изменения земель является результатом временный нестационарность, которая существует в процессах изменения земель, поэтому чем дальше в будущем будет применяться модель, тем более неопределенной она будет.[6][7] Еще одна неопределенность в моделях изменения земель - это данные и параметр неопределенности в рамках физических принципов (т. е. типологии поверхности), что приводит к неопределенности в способности понимать и прогнозировать физические процессы.[6]

Кроме того, проектирование модели землепользования является продуктом как принятия решений, так и физических процессов. Антропогенное воздействие на социально-экономическую и экологическую среду важно учитывать, так как оно постоянно меняет земной покров и иногда вызывает неопределенность модели. Чтобы избежать неопределенности модели и более точно интерпретировать выходные данные модели, используется диагностика модели, чтобы лучше понять связи между моделями изменения земель и реальной земельной системой пространственной протяженности. Общая важность диагностики модели с проблемами неопределенности модели заключается в ее способности оценить, как представлены взаимодействующие процессы и ландшафт, а также неопределенность внутри ландшафта и его процессов.[6]

Подходы

Машинное обучение и статистические модели

А подход к машинному обучению использует данные о земном покрове из прошлого, чтобы попытаться оценить, как земля изменится в будущем, и лучше всего работает с большими наборами данных. Существует несколько типов машинного обучения и статистических моделей - исследование, проведенное в Западной Мексике в 2011 году, показало, что результаты двух внешне похожих моделей значительно различаются, поскольку в одной из них использовалась нейронная сеть а другой использовал простую модель веса доказательств.[8]

Сотовые модели

А сотовый Модель изменения земель использует карты пригодности для различных типов землепользования и сравнивает территории, которые непосредственно примыкают друг к другу, чтобы спрогнозировать изменения в будущем. Вариации в масштабе ячеек в сотовой модели могут существенно повлиять на результаты модели.[9]

Отраслевые и пространственно дезагрегированные экономические модели

Экономические модели построены на принципах спрос и предложение. Они используют математические параметры, чтобы предсказать, какие типы земель будут желательными, а какие - отброшенными. Они часто строятся для городских районов, например, исследование 2003 г. Дельта Жемчужной реки на юге Китай.[10]

Агентные модели

Агентно-ориентированные модели пытаются имитировать поведение многих людей, делающих независимый выбор, а затем увидеть, как этот выбор влияет на ландшафт в целом. Агентное моделирование может быть сложным - например, исследование 2005 года объединило агентную модель с компьютерной. генетическое программирование изучить земельные изменения в Полуостров Юкатан Мексики.[11]

Гибридные подходы

Многие модели не ограничиваются одним из вышеперечисленных подходов - они могут сочетать несколько, чтобы разработать полностью всеобъемлющую и точную модель.

Оценка

Цель

Модели изменения земель оцениваются для оценки и количественной оценки прогностической способности модели с точки зрения пространственного распределения и количества изменений. Оценка модели позволяет разработчику модели оценить производительность модели для редактирования «выходных данных модели, измерения данных, а также отображения и моделирования данных» для будущих приложений. Целью оценки модели является не разработка единственной метрики или метода для максимизации «правильного» результата, а разработка инструментов для оценки и извлечения уроков из результатов модели для создания более совершенных моделей для их конкретных приложений. [12]

Методы

Существует два типа проверки в моделировании изменений земель: проверка процесса и проверка закономерностей. Проверка процесса сравнивает соответствие между «процессом в модели и процессом, действующим в реальном мире». Валидация процесса чаще всего используется в агентном моделировании, при котором разработчик модели использует поведение и решения для информирования процесса, определяющего изменение земель в модели. Проверка модели сравнивает выходные данные модели (т. Е. Прогнозируемое изменение) и наблюдаемые результаты (т. Е. Эталонное изменение).[2] Анализ трех карт - это обычно используемый метод проверки паттернов, при котором сравниваются три карты: справочная карта во время 1, справочная карта во время 2 и смоделированная карта во времени 2. Это генерирует перекрестное сравнение трех карт, на которых пиксели классифицируются как одна из этих пяти категорий:

Пример сравнения трех карт, используемых для проверки модели изменения земель.
  • Обращения: изменение эталона правильно моделируется как изменение
  • Промахи: изменение ссылки неправильно моделируется как постоянство
  • Ложные срабатывания: постоянство справочных данных неправильно моделируется как изменение
  • Правильные отклонения: изменение эталона правильно смоделировано как постоянство
  • Неправильные совпадения: изменение эталона моделируется так же правильно, как и изменение, но не в той категории получения[13]

Поскольку три сравнения карт включают как ошибки, так и правильно смоделированные пиксели, это приводит к визуальному выражению ошибок распределения и количества.

Единые сводные показатели также используются для оценки LCM. Существует множество единых сводных показателей, которые разработчики моделей использовали для оценки своих моделей и часто используются для сравнения моделей друг с другом. Одним из таких показателей является показатель качества (FoM), который использует значения срабатывания, пропуска и ложной тревоги, сгенерированные в результате сравнения трех карт, для генерации процентного значения, которое выражает пересечение между эталонным и смоделированным изменением.[12] Единые сводные метрики могут скрывать важную информацию, но FoM может быть полезен, особенно когда также сообщаются значения срабатывания, пропуска и ложной тревоги.

Улучшения

Отделение калибровки от валидации было определено как проблема, которую следует решать как проблема моделирования. Обычно это вызвано тем, что разработчики моделей используют информацию, полученную после первого периода времени. Это может привести к тому, что карта будет иметь уровень точности, намного превышающий фактическую предсказательную силу модели.[14] Дополнительные усовершенствования, которые обсуждались в данной области, включают определение разницы между ошибками распределения и ошибками количества, что может быть выполнено с помощью трех сравнений карт, а также включение как наблюдаемых, так и прогнозируемых изменений в анализ моделей изменения земель.[14] В прошлом на единые сводные метрики чрезмерно полагались, и они имеют разную степень полезности при оценке LCM. Даже самые лучшие единые сводные метрики часто не учитывают важную информацию, а такие отчетные метрики, как FoM, вместе с картами и значениями, которые используются для их генерации, могут передавать необходимую информацию, которая в противном случае была бы запутанной.[15]

Возможности реализации

Ученые используют LCM для построения и проверки теорий моделирования изменений земельных ресурсов для разнообразной динамики человека и окружающей среды.[16] Моделирование земельных изменений имеет множество возможностей реализации во многих научных и практических дисциплинах, таких как принятие решений, политика и реальное применение в общественных и частных областях. В научных дисциплинах LCM используются для формализации и проверки теории изменения земель, а также для изучения и экспериментирования с различными сценариями моделирования изменений земель. Практические дисциплины используют LCM для анализа текущих тенденций изменения земель и изучения будущих результатов политики или действий, чтобы установить соответствующие руководящие принципы, ограничения и принципы для политики и действий. Сообщества исследователей и практиков могут изучать изменение земель для решения тем, связанных с взаимодействием земли и климата, количеством и качеством воды, производством продуктов питания и волокна, а также урбанизацией, инфраструктурой и антропогенной средой.[16]

Улучшение и продвижение

Улучшенные стратегии наблюдения за землей

Аэрофотосъемка может использоваться в сочетании со спутниковыми изображениями и наземными данными для улучшения моделей изменения земель.

Одно улучшение моделирования земельных изменений может быть достигнуто за счет улучшения данных и интеграции с доступными данными и моделями. Улучшенные данные наблюдений могут повлиять на качество моделирования. Более точные данные пространственного и временного разрешения, которые можно интегрировать с социально-экономический а биогеофизические данные могут помочь при моделировании изменений земель объединить типы социально-экономического и биогеологического моделирования. Разработчики моделей землеустройства должны оценивать данные в более точных масштабах. Точные данные могут дать лучшее концептуальное понимание основных конструкций модели и охватить дополнительные аспекты землепользования. Важно поддерживать временную и пространственную непрерывность данных, полученных с помощью бортовых и обзорных наблюдений, с помощью группировки спутников с меньшим охватом, алгоритмов обработки изображений и других новых данных для связи спутниковый информация о землепользовании и информация об управлении земельными ресурсами. Также важно иметь лучшую информацию об участниках земельных изменений и их убеждениях, предпочтениях и поведении, чтобы улучшить предсказательную способность моделей и оценить последствия альтернативной политики.[2]

Согласование выбора модели с целями модели

Одно важное улучшение моделирования земельных изменений может быть сделано за счет лучшего согласования выбора модели с целями модели. Важно выбрать соответствующий подход к моделированию, основанный на научном и прикладном контексте конкретного интересующего исследования. Например, когда кому-то необходимо разработать модель с учетом политики и субъектов политики, он может выбрать модель на основе агентов. Здесь полезны структурные экономические или агентные подходы, но конкретные модели и тенденции в изменении земель, как и во многих экологических системах, могут быть не столь полезны. Когда нужно понять ранние стадии выявления проблемы и, следовательно, понять научные закономерности и тенденции изменения земель, полезны машинное обучение и клеточные подходы.[2]

Интеграция позитивного и нормативного подходов

Моделирование земельных изменений также должно лучше интегрировать позитивные и нормативные подходы к объяснению и прогнозированию, основанным на доказательных отчетах о земельных системах. Он также должен интегрировать подходы к оптимизации для изучения наиболее выгодных результатов и процессов, которые могут привести к этим результатам.[2]

Интеграция в разных масштабах

Важно лучше интегрировать данные в разных масштабах. Дизайн моделей основан на доминирующих процессах и данных из определенного масштаба приложения и пространственной протяженности. Межмасштабная динамика и обратная связь между временными и пространственными масштабами влияют на паттерны и процессы модели. Такие процессы, как телесвязь, косвенное изменение землепользования и адаптация к изменению климата в различных масштабах, требуют лучшего представления с помощью кросс-масштабной динамики. Реализация этих процессов потребует лучшего понимания механизмов обратной связи в разных масштабах.[17]

Возможности в исследовательской инфраструктуре и поддержке киберинфраструктуры

Поскольку происходит постоянное переосмысление сред, структур и платформ моделирования, моделирование изменений земель можно улучшить за счет более эффективной поддержки исследовательской инфраструктуры. Например, модель и разработка программной инфраструктуры может помочь избежать дублирования инициатив членов сообщества, занимающегося моделированием земельных изменений, совместно узнать о моделировании земельных изменений и интегрировать модели для оценки воздействия земельных изменений. Более совершенная инфраструктура данных может предоставить больше ресурсов данных для поддержки компиляции, настройки и сравнения разнородных источников данных. Лучшее моделирование и управление сообществом могут улучшить возможности принятия решений и моделирования в сообществе с конкретными и достижимыми целями. Общественное моделирование и управление станет шагом к достижению согласия сообщества по конкретным целям для дальнейшего развития возможностей моделирования и обработки данных.[18]

Ряд современных проблем в моделировании земельных изменений потенциально может быть решен с помощью современных достижений в киберинфраструктуре, таких как краудсорс, «добыча» для распределенных данных и улучшение высокопроизводительные вычисления. Поскольку разработчикам моделей важно найти больше данных для лучшего построения, калибровки и проверки структурных моделей, возможность анализировать большой объем данных об индивидуальном поведении оказывается полезной. Например, разработчики моделей могут найти данные точек продаж по отдельным покупкам потребителей и действиям в Интернете, которые раскрывают социальные сети. Однако некоторые вопросы, связанные с конфиденциальностью и правомерностью улучшений краудсорсинга, еще не решены.

Сообщество моделирования земельных изменений также может извлечь выгоду из глобальной системы позиционирования и распространения данных с мобильных устройств через Интернет. Комбинирование различных структурных методов сбора данных может улучшить доступность микроданных и расширить круг людей, которые видят выводы и результаты проектов моделирования земельных изменений. Например, данные, предоставленные гражданами поддержал реализацию Ushahidi в Гаити после Землетрясение 2010 г., помогая не менее 4000 бедствий. Университеты, некоммерческие агентства и волонтеры необходимы для сбора информации о подобных событиях, чтобы добиться положительных результатов и улучшить моделирование изменений земель и приложения для моделирования изменений земель. Доступны такие инструменты, как мобильные устройства, чтобы облегчить участникам участие в сборе микроданных об агентах. Карты Гугл использует облачные картографические технологии с наборами данных, которые совместно производятся общественностью и учеными. Примеры в сельском хозяйстве, такие как фермеры, выращивающие кофе в Аваай-Отало, показали использование мобильных телефонов для сбора информации и в качестве интерактивного голоса.

Развитие киберинфраструктуры может также повысить способность моделирования земельных изменений соответствовать вычислительным требованиям различных подходов к моделированию, учитывая растущие объемы данных и определенные ожидаемые взаимодействия моделей. Например, улучшение разработки процессоров, хранилищ данных, пропускной способности сети и сопряжение моделей процессов изменения земли и окружающей среды с высоким разрешением.[19]

Оценка модели

Дополнительный способ улучшить моделирование изменений земель - это улучшение оценка модели подходы. Улучшение Анализ чувствительности необходимы для лучшего понимания вариации выходных данных модели в ответ на такие элементы модели, как входные данные, параметры модели, начальные условия, граничные условия и структуру модели. Улучшение проверка шаблона может помочь разработчикам моделей земельных изменений провести сравнение выходных данных модели, параметризованных для некоторого исторического случая, например карт, и наблюдений для этого случая. Улучшение источников неопределенности необходимо для улучшения прогнозирования будущих состояний, которые являются нестационарными по процессам, входным переменным и граничным условиям. Можно явно распознать допущения о стационарности и изучить данные на предмет доказательства нестационарности, чтобы лучше признать и понять неопределенность модели, чтобы улучшить источники неопределенности. Улучшение структурной проверки может помочь улучшить признание и понимание процессов в модели и процессов, действующих в реальном мире, за счет комбинации качественных и количественных показателей.[2]

Смотрите также

Рекомендации

  1. ^ а б Браун, Дэниел Дж .; и другие. (2014). Развитие моделирования земельных изменений: возможности и требования к исследованиям. Вашингтон, округ Колумбия: Национальная академическая пресса. С. 11–12. ISBN  978-0-309-28833-0.
  2. ^ а б c d е ж Браун Д.Г., Вербург PH, Понтиус-младший Р.Г., Ланге Мэриленд (октябрь 2013 г.). «Возможности для улучшения воздействия, интеграции и оценки моделей изменения земель». Текущее мнение об экологической устойчивости. 5 (5): 452–457. Дои:10.1016 / j.cosust.2013.07.012.
  3. ^ а б c d Браун, Дэниел Дж .; и другие. (2014). Развитие моделирования земельных изменений: возможности и требования к исследованиям. Вашингтон, округ Колумбия: Национальная академическая пресса. С. 16–17. ISBN  978-0-309-28833-0.
  4. ^ а б c d е Браун, Дэниел Дж .; и другие. (2014). Развитие моделирования земельных изменений: возможности и требования к исследованиям. Вашингтон, округ Колумбия: Национальная академическая пресса. С. 13–14. ISBN  978-0-309-28833-0.
  5. ^ Бриасулис, Хелен (2000). «Анализ изменений в землепользовании: теоретический и модельный подходы». EconPapers. Архивировано из оригинала на 2017-05-15. Получено 2017-05-06.
  6. ^ а б c Браун, Дэниел Дж .; и другие. (2014). Развитие моделирования земельных изменений: возможности и требования к исследованиям. Вашингтон, округ Колумбия: Национальная академическая пресса. С. 21–22. ISBN  978-0-309-28833-0.
  7. ^ Лю, Сяохан; Андерссон, Клас (2004-01-01). «Оценка воздействия временной динамики на моделирование изменений в землепользовании». Компьютеры, окружающая среда и городские системы. Геосимуляция. 28 (1–2): 107–124. Дои:10.1016 / S0198-9715 (02) 00045-5.
  8. ^ Перес-Вега, Азусена; Мас, Жан-Франсуа; Лигманн-Зелинска, Арика (01.03.2012). «Сравнение двух подходов к моделированию изменения землепользования / растительного покрова и их последствий для оценки утраты биоразнообразия в лиственных тропических лесах». Экологическое моделирование и программное обеспечение. 29 (1): 11–23. Дои:10.1016 / j.envsoft.2011.09.011.
  9. ^ Пан, Инь; Рот, Андреас; Ю, Чжэньжун; Долушиц, Райнер (01.08.2010). «Влияние изменения масштаба на поведение клеточных автоматов, используемых для моделирования изменений в землепользовании». Компьютеры, окружающая среда и городские системы. 34 (5): 400–408. Дои:10.1016 / j.compenvurbsys.2010.03.003.
  10. ^ Сето, Карен С .; Кауфманн, Роберт К. (01.02.2003). «Моделирование факторов изменения городского землепользования в дельте Жемчужной реки, Китай: интеграция дистанционного зондирования с социально-экономическими данными». Экономика земли. 79 (1): 106–121. Дои:10.2307/3147108. ISSN  0023-7639. JSTOR  3147108. S2CID  154022155.
  11. ^ Мэнсон, Стивен М. (01.12.2005). «Агентное моделирование и генетическое программирование для моделирования земельных изменений в Южном регионе полуострова Юкатан в Мексике». Сельское хозяйство, экосистемы и окружающая среда. 111 (1–4): 47–62. CiteSeerX  10.1.1.335.6727. Дои:10.1016 / j.agee.2005.04.024.
  12. ^ а б Понтиус-младший Р., Кастелла Дж., Де Нийс Т., Дуан З., Фотсинг Е., Голдштейн Н., Каспер К., Кумен Е., Д. Липпет С., МакКоннелл В., Мохд Суд А. (2018). «Уроки и проблемы в моделировании изменения земель, извлеченные из синтеза перекрестных сравнений». В Behnisch M, Meinel G (ред.). Тенденции пространственного анализа и моделирования. Геотехнологии и окружающая среда. 19. Издательство Springer International. С. 143–164. Дои:10.1007/978-3-319-52522-8_8. ISBN  978-3-319-52520-4.
  13. ^ Варга О.Г., Понтиус-младший Р.Г., Сингх С.К., Сабо С. (июнь 2019 г.). «Анализ интенсивности и компоненты рисунка качества для оценки клеточных автоматов - имитационная модель Маркова». Экологические показатели. 101: 933–942. Дои:10.1016 / j.ecolind.2019.01.057. ISSN  1470–160X.
  14. ^ а б Понтиус-младший Р.Г., Боерсма В., Кастелла Дж., Кларк К., де Нийс Т., Дитцель К., Дуан З., Фотсинг Е., Голдштейн Н., Кок К., Кумен Е. (16 августа 2007 г.). «Сравнение входных, выходных и проверочных карт для нескольких моделей земельных изменений». Летопись региональной науки. 42 (1): 11–37. Дои:10.1007 / s00168-007-0138-2. ISSN  0570-1864. S2CID  30440357.
  15. ^ Понтиус-младший, Роберт Гилмор; Си, Канпин (2014-01-06). «Общая рабочая характеристика для измерения диагностической способности для нескольких пороговых значений». Международный журнал географической информатики. 28 (3): 570–583. Дои:10.1080/13658816.2013.862623. ISSN  1365-8816. S2CID  29204880.
  16. ^ а б Браун, Дэниел; и другие. (2014). Развитие моделирования земельных изменений: возможности и требования к исследованиям. 500 Fifth Street, N.W. Вашингтон, округ Колумбия, 20001: Национальная академия наук. п. 13. ISBN  978-0-309-28833-0.CS1 maint: location (связь)
  17. ^ Браун, Дэниел Дж .; и другие. (2014). Развитие моделирования земельных изменений: возможности и требования к исследованиям. Вашингтон, округ Колумбия: Национальная академическая пресса. п. 1. ISBN  978-0-309-28833-0.
  18. ^ Браун, Дэниел Джи; и другие. (2014). Развитие моделирования земельных изменений: возможности и требования к исследованиям. Вашингтон, округ Колумбия: Национальная академическая пресса. С. 7–8. ISBN  978-0-309-28833-0.
  19. ^ Браун, Дэниел Дж .; и другие. (2014). Развитие моделирования земельных изменений: возможности и требования к исследованиям. Вашингтон, округ Колумбия: Национальная академическая пресса. С. 90–98. ISBN  978-0-309-28833-0.