Модели изменения земель (LCM) описывают, прогнозируют и объясняют изменения и динамику землепользования и растительного покрова. LCM — это средство понимания того, как люди изменяли поверхность Земли в прошлом, настоящем и будущем.
Модели изменения земель имеют ценное значение в политике развития, помогая принимать более правильные решения по управлению ресурсами и природной средой в различных масштабах: от небольшого участка земли до всего пространственного масштаба. [1] [2] Более того, развитие данных о растительном покрове , окружающей среде и социально-экономических данных (а также в рамках технологической инфраструктуры) расширило возможности моделирования изменений земель, чтобы помочь поддержать и повлиять на решения, которые влияют на системы человек-окружающая среда , [1] ] поскольку внимание на национальном и международном уровне все больше сосредотачивается на вопросах глобального изменения климата и устойчивого развития .
Изменения в земельных системах имеют последствия для изменения климата и окружающей среды во всех масштабах. Поэтому решения и политика в отношении земельных систем очень важны для реагирования на эти изменения и работы в направлении более устойчивого общества и планеты. [3]
Модели изменения земель имеют важное значение в своей способности помочь земельным системам добиться положительных социальных и экологических результатов в то время, когда внимание к изменениям в земельных системах растет. [3] [4]
За последние несколько десятилетий множество ученых и практиков смогли увеличить объем и качество данных при моделировании изменений земель. Это повлияло на разработку методов и технологий моделирования изменения земель. Множество разработанных моделей изменения земель важны с точки зрения их способности учитывать изменения в земельных системах и полезны в различных научных кругах и сообществах практиков. [3]
Для научного сообщества модели изменения земель важны, поскольку они позволяют 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. [3]
Моделирование изменения земель полезно для изучения пространственных земельных систем, видов использования и покровов. Моделирование изменения земель может учитывать сложность динамики землепользования и земного покрова путем связи с климатическими, экологическими, биогеохимическими, биогеофизическими и социально-экономическими моделями. Кроме того, LCM способны давать пространственно точные результаты в зависимости от типа и сложности динамики земельной системы в пределах пространственного масштаба. Многие биофизические и социально-экономические переменные влияют на моделирование изменений земель и приводят к различным результатам. [3]
Примечательным свойством всех моделей изменения земель является то, что они имеют некоторый неуменьшаемый уровень неопределенности в структуре модели, значениях параметров и/или входных данных. Например, одна из неопределенностей в моделях изменения земель является результатом временной нестационарности, которая существует в процессах изменения земель, поэтому чем дальше в будущем применяется модель, тем более неопределенной она становится. [5] [6] Еще одной неопределенностью в моделях изменения земель являются неопределенности данных и параметров в рамках физических принципов (т. е. типологии поверхности), что приводит к неопределенностям в понимании и прогнозировании физических процессов. [5]
Более того, разработка модели изменения земель является результатом как принятия решений, так и физических процессов. Важно учитывать антропогенное воздействие на социально-экономическую и экологическую среду, поскольку оно постоянно меняет растительный покров и иногда моделирует неопределенность. Чтобы избежать неопределенности модели и более точно интерпретировать результаты модели, используется диагностика модели, чтобы лучше понять связи между моделями изменения земель и реальной земельной системой пространственного масштаба. 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. [5]
Подход машинного обучения 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 используется нейронная сеть , а в другой — простая модель весов доказательств. [7]
Ячеистая модель изменения земель использует карты пригодности для различных типов землепользования и сравнивает территории, которые непосредственно соседствуют друг с другом, для прогнозирования изменений в будущем . Изменения в масштабе ячеек клеточной модели могут оказать существенное влияние на выходные данные модели. [8]
Экономические модели построены на принципах спроса и предложения . Они используют математические параметры, чтобы предсказать, какие типы земель будут желательны, а какие будут отброшены. Их часто строят для городских территорий, как, например, в исследовании 2003 года, посвященном густонаселенной дельте Жемчужной реки на юге Китая . [9]
Агентные модели пытаются смоделировать поведение множества людей, делающих независимый выбор, а затем посмотреть, как этот выбор повлияет на ситуацию в целом. Агентное моделирование может быть сложным – например, исследование 2005 года объединило агентную модель с компьютерным генетическим программированием для изучения изменений земель на полуострове Юкатан в Мексике. [10]
Многие модели не ограничиваются одним из вышеперечисленных подходов — они могут комбинировать несколько для разработки полностью всеобъемлющей и точной модели. [ нужна цитата ]
Модели изменения земель оцениваются для оценки и количественной оценки прогнозирующей 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 единой метрики или метода для максимизации «правильного» результата, а разработка инструментов для оценки и изучения результатов модели для создания лучших моделей для их конкретных приложений [11].
Существует два типа проверки при моделировании изменений земель: проверка процесса и проверка шаблона. Валидация процесса сравнивает соответствие между «процессом в модели и процессом, действующим в реальном мире». Проверка процесса чаще всего используется в агентном моделировании, при котором разработчик модели использует поведение и решения для информирования процесса, определяющего изменение земель в модели. При проверке шаблона сравниваются выходные данные модели (т. е. прогнозируемые изменения) и наблюдаемые результаты (т. е. эталонные изменения). [2] Анализ трех карт — это обычно используемый метод проверки шаблона, в котором сравниваются три карты: эталонная карта в момент времени 1, эталонная карта в момент времени 2 и смоделированная карта во время 2. [ нужна цитация ] Это генерирует перекрестное сравнение трех карт, где пиксели классифицируются как одна из этих пяти категорий:
Поскольку три сравнения карт включают как ошибки, так и правильно смоделированные пиксели, это приводит к визуальному выражению как ошибок распределения, так и ошибок количества.
Для оценки LCM также используются одиночные суммарные метрики. Существует множество отдельных 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 попаданий, промахов и ложных тревог, полученные в результате сравнения трех карт, для получения процентного значения, которое выражает пересечение между эталонными и смоделированными изменениями. [11] Отдельные сводные показатели могут скрыть важную информацию, но FoM может быть полезен, особенно когда также сообщаются значения попаданий, промахов и ложных тревог.
Отделение калибровки от валидации было определено как проблема, которую следует решать как задачу моделирования. Обычно это происходит из-за того, что разработчики моделей используют информацию, полученную после первого периода времени. Это может привести к тому, что уровень точности карты будет намного выше фактической предсказательной силы модели. [13] Дополнительные улучшения, которые обсуждались в этой области, включают определение разницы между ошибками распределения и количественными ошибками, что можно сделать посредством трех сравнений карт, а также включение как наблюдаемых, так и прогнозируемых изменений в анализ моделей изменения земель. [13] В прошлом на отдельные сводные показатели слишком полагались, и они имели разную степень полезности при оценке LCM. Даже лучшие отдельные сводные показатели часто упускают из виду важную информацию, а такие показатели отчетности, как FoM, вместе с картами и значениями, которые используются для их создания, могут передавать необходимую информацию, которая в противном случае была бы запутана. [14]
Ученые используют LCM для построения и проверки теорий моделирования изменения земель с учетом различных динамики человека и окружающей среды. [15] Моделирование изменения земель имеет множество возможностей для реализации во многих научных и практических дисциплинах, таких как принятие решений, политика и реальное применение в государственных и частных сферах. Моделирование изменения земель является ключевым компонентом науки об изменении земель , которая использует LCM для оценки долгосрочных последствий для земного покрова и климата. Научные дисциплины используют LCM для формализации и проверки теории изменения земель, а также для изучения и экспериментирования с различными сценариями моделирования изменений земель. В практических дисциплинах LCM используются 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 волокон, а также урбанизацией, инфраструктурой и искусственной средой. [15]
Одно из улучшений в моделировании изменений земель может быть достигнуто за счет более качественных данных и интеграции с имеющимися данными и моделями. Улучшенные данные наблюдений могут повлиять на качество моделирования. Данные с более точным пространственным и временным разрешением, которые можно интегрировать с социально-экономическими и биогеофизическими данными, могут помочь моделированию изменения земель объединить типы социально-экономического и биогеологического моделирования. Разработчикам моделей изменения земель следует оценивать данные в более мелком масштабе. Точные данные могут дать лучшее концептуальное понимание основных конструкций модели и отразить дополнительные аспекты землепользования. Важно поддерживать временную и пространственную непрерывность данных наблюдений с воздуха и обследований с помощью группировок небольших спутников, алгоритмов обработки изображений и других новых данных для увязки спутниковой информации о землепользовании и информации об управлении земельными ресурсами. Также важно иметь более подробную информацию об участниках процесса изменения земель, их убеждениях, предпочтениях и поведении, чтобы улучшить прогнозирующую способность моделей и оценить последствия альтернативной политики. [2]
Одно важное улучшение в моделировании изменений земель можно сделать за счет лучшего согласования выбора модели с целями модели. Важно выбрать подходящий подход к моделированию, исходя из научного и прикладного контекста конкретного интересующего исследования. Например, когда кому-то необходимо разработать модель с учетом политики и политических субъектов, он может выбрать агентную модель. Здесь полезны структурные экономические или агентные подходы, но конкретные закономерности и тенденции в изменении земель, как и во многих экологических системах, могут оказаться не столь полезными. Когда нужно понять ранние этапы выявления проблем и, следовательно, понять научные закономерности и тенденции изменения земель, полезны машинное обучение и клеточные подходы. [2]
Моделирование изменений земель также должно лучше интегрировать позитивные и нормативные подходы к объяснению и прогнозированию, основанные на фактических данных о земельных системах. Он также должен интегрировать подходы к оптимизации для изучения наиболее выгодных результатов и процессов, которые могут привести к этим результатам. [2]
Важно интегрировать данные в разных масштабах. Разработка моделей основана на доминирующих процессах и данных определенного масштаба применения и пространственного распространения. Межмасштабная динамика и обратные связи между временными и пространственными масштабами влияют на закономерности и процессы модели. Такие процессы, как телесвязь , косвенное изменение землепользования и адаптация к изменению климата в различных масштабах, требуют лучшего представления с помощью межмасштабной динамики. Реализация этих процессов потребует лучшего понимания механизмов обратной связи в разных масштабах. [16]
Поскольку происходит постоянное переосмысление сред, структур и платформ моделирования, моделирование изменений земель может улучшиться за счет лучшей поддержки исследовательской инфраструктуры. Например, разработка моделей и инфраструктуры программного обеспечения может помочь избежать дублирования инициатив членов сообщества, занимающихся моделированием изменений земель, совместно изучить моделирование изменений земель и интегрировать модели для оценки последствий изменения земель. Улучшенная инфраструктура данных может предоставить больше ресурсов данных для поддержки компиляции, обработки и сравнения разнородных источников данных. Лучшее моделирование и управление сообществом может расширить возможности принятия решений и моделирования внутри сообщества с конкретными и достижимыми целями. Моделирование и управление сообществом станут шагом к достижению согласия сообщества по конкретным целям для продвижения возможностей моделирования и данных. [17]
Ряд современных проблем в моделировании изменений земель потенциально можно решить с помощью современных достижений в киберинфраструктуре, таких как краудсорсинг, «майнинг» распределенных данных и совершенствование высокопроизводительных вычислений . Поскольку разработчикам моделей важно находить больше данных для лучшего построения, калибровки и проверки структурных моделей, полезна возможность анализировать большие объемы данных об индивидуальном поведении. Например, разработчики моделей могут найти данные точек продаж об отдельных покупках потребителей и действиях в Интернете, которые раскрывают социальные сети. Однако некоторые вопросы конфиденциальности и правомерности улучшений краудсорсинга еще не решены. [ нужна цитата ]
Сообщество, занимающееся моделированием изменений земель, также может извлечь выгоду из системы глобального позиционирования и распространения данных с мобильных устройств через Интернет. Сочетание различных структурных методов сбора данных может улучшить доступность микроданных и разнообразие людей, которые видят выводы и результаты проектов моделирования изменения земель. Например, данные, предоставленные гражданами, поддержали реализацию Ушахиди на Гаити после землетрясения 2010 года , что помогло предотвратить как минимум 4000 стихийных бедствий. Университетам, некоммерческим организациям и волонтерам необходимо собирать информацию о подобных мероприятиях, чтобы добиться положительных результатов и усовершенствований в моделировании изменений земель и приложениях моделирования изменений земель. Доступны такие инструменты, как мобильные устройства, которые облегчают участие участников в сборе микроданных об агентах. Карты Google используют облачные картографические технологии с наборами данных, которые создаются совместно общественностью и учеными. Примеры в сельском хозяйстве, такие как фермеры, выращивающие кофе в Аваай-Отало, демонстрируют использование мобильных телефонов для сбора информации и в качестве интерактивного голоса. [ нужна цитата ]
Развитие киберинфраструктуры может также повысить способность моделирования изменений земель удовлетворять вычислительные потребности различных подходов к моделированию, учитывая увеличение объемов данных и определенные ожидаемые взаимодействия моделей. Например, улучшение разработки процессоров, хранения данных, пропускной способности сети и объединение моделей изменения земель и экологических процессов в высоком разрешении. [18]
Дополнительным способом улучшения моделирования изменений земель является совершенствование подходов к оценке моделей . Улучшение анализа чувствительности необходимо для лучшего понимания изменений выходных данных модели в ответ на такие элементы модели, как входные данные, параметры модели, начальные условия, граничные условия и структура модели. Улучшение проверки закономерностей может помочь разработчикам моделей изменения земель проводить сравнения между результатами модели, параметризованными для какого-либо исторического случая, например карт, и наблюдений для этого случая. Улучшение источников неопределенности необходимо для улучшения прогнозирования будущих состояний, которые являются нестационарными в процессах, входных переменных и граничных условиях. Можно явно распознать предположения о стационарности и изучить данные для выявления доказательств нестационарности, чтобы лучше признать и понять неопределенность модели и улучшить источники неопределенности. Улучшение структурной проверки может помочь улучшить признание и понимание процессов в модели и процессов, действующих в реальном мире, посредством сочетания качественных и количественных показателей. [2]
{{cite book}}: CS1 maint: местоположение ( ссылка )