Modelování změn půdy - Land change modeling

Odlesňování (viděný zde na Amazonu) je hlavní hnací silou změn půdy po celém světě a je často předmětem modelů změny půdy.

Modely změn půdy (LCM) popisují, projektují a vysvětlují změny a dynamiku využívání půdy a krajinná pokrývka. LCM jsou prostředkem porozumění způsobům, jakými lidé mění povrch Země v minulosti, současnosti i budoucnosti.

Modely změny půdy jsou cenné v rozvojové politice a pomáhají vést vhodnější rozhodnutí řízení zdrojů a přírodní prostředí v různých měřítcích, od malého kousku země až po celý prostorový rozsah.^[1][2] Navíc vývoj uvnitř krajinná pokrývka, životní prostředí a sociálně-ekonomické data (stejně jako v rámci technologických infrastruktur) mají větší příležitosti pro modelování změn půdy, aby pomohla podpořit a ovlivnit rozhodnutí, která mají vliv systémy člověk-prostředí,^[1] protože národní a mezinárodní pozornost se stále více zaměřuje na otázky globální klimatická změna a udržitelnost.

Klíčové pojmy a další terminologie

Jedná se o klíčové pojmy a různé další terminologie nezbytné k pochopení tématu modelování změn půdy.

Důležitost

Buldozery se často používají k čištění půdy pro rozvoj nebo zemědělství.

Změny v pozemní systémy mít důsledky pro změnu klimatu a životního prostředí v každém měřítku. Proto jsou rozhodnutí a politiky ve vztahu k pozemním systémům velmi důležité pro reakci na tyto změny a pro práci na udržitelnější společnosti a planetě.^[4]

Modely změn půdy jsou významné v jejich schopnosti pomáhat vést pozemní systémy k pozitivním společenským a environmentálním výsledkům v době, kdy se pozornost věnuje změnám napříč pozemními systémy.^[4][5]

Nepřeberné množství vědeckých a praktických komunit dokázalo v posledních několika desetiletích posunout množství a kvalitu dat do modelování změn půdy. To ovlivnilo vývoj metod a technologií při modelových změnách pozemků. Množství modelů změn půdy, které byly vyvinuty, jsou významné v jejich schopnosti řešit změny pozemního systému a užitečné v různých komunitách vědy a odborníků.^[4]

Pro vědeckou komunitu jsou modely změn půdy důležité v jejich schopnosti testovat teorie a koncepty změn půdy a jejich vazeb na vztahy mezi člověkem a prostředím a zkoumat, jak tato dynamika změní budoucí pozemní systémy bez pozorování v reálném světě.^[4]

Modelování změn půdy je užitečné k prozkoumání prostorových pozemních systémů, využití a krytů. Modelování změn půdy může vysvětlit složitost dynamiky využívání půdy a pokrytí půdy propojením s klimaticko-ekologickými, biogeochemickými, biogeofyzikálními a socioekonomickými modely. LCM jsou navíc schopny produkovat prostorově explicitní výsledky podle typu a složitosti dynamiky pozemního systému v prostorovém rozsahu. Mnoho biofyzikálních a socioekonomických proměnných ovlivňuje a vytváří řadu výsledků v modelování změn půdy.^[4]

Nejistota modelu

Na tomto obrázku z Japonska je vidět změna půdy. Modely nemohou být tak jisté jako satelitní snímky.

Pozoruhodnou vlastností všech modelů změny půdy je, že mají určitou neredukovatelnou úroveň nejistoty ve struktuře modelu, hodnotách parametrů a / nebo vstupních datech. Například jedna nejistota v modelech změn půdy je výsledkem temporální nestacionarita, která existuje v procesech změny půdy, takže čím dále do budoucna se model použije, tím je nejistější.^[6][7] Další nejistotou v rámci modelů změny půdy jsou data a parametr nejistoty v rámci fyzikálních principů (tj. povrchová typologie), což vede k nejistotám v schopnosti porozumět a předvídat fyzikální procesy.^[6]

Návrh modelu změny země je dále produktem rozhodovacích i fyzických procesů. Je třeba vzít v úvahu dopad vyvolaný člověkem na sociálně-ekonomické a ekologické prostředí, protože neustále mění krajinnou pokrývku a někdy modeluje nejistotu. Abychom se vyhnuli nejistotě modelu a přesněji interpretovali výstupy modelu, používá se diagnostika modelu k pochopení dalších souvislostí mezi modely změny půdy a skutečným pozemkovým systémem prostorového rozsahu. Celkový význam diagnostiky modelu s problémy s nejistotou modelu je jeho schopnost posoudit, jak jsou reprezentovány interakční procesy a krajina, stejně jako nejistota v krajině a jejích procesech.^[6]

Přístupy

Strojové učení a statistické modely

A přístup strojového učení využívá data o krajinném pokryvu z minulosti, aby se pokusila posoudit, jak se půda v budoucnu změní, a funguje nejlépe s velkými datovými soubory. Existuje několik typů strojového učení a statistických modelů - studie v západním Mexiku z roku 2011 zjistila, že výsledky dvou navenek podobných modelů se značně lišily, protože jeden používal nervová síť a druhý používal jednoduchý model důkazních vah.^[8]

Mobilní modely

A buněčný model změny půdy využívá mapy vhodnosti pro různé typy využití půdy a porovnává oblasti, které k sobě bezprostředně sousedí, aby promítl změny do budoucnosti. Variace v měřítku buněk v buněčném modelu mohou mít významný dopad na výstupy modelu.^[9]

Odvětvové a prostorově rozčleněné ekonomické modely

Ekonomické modely jsou postaveny na principech nabídka a poptávka. Používají matematické parametry k předpovědi, jaké typy pozemků budou žádoucí a které budou zlikvidovány. Ty jsou často stavěny pro městské oblasti, jako je studie z roku 2003 o velmi hustém prostředí Delta Perlové řeky na jihu Čína.^[10]

Modely založené na agentech

Agentově založené modely se snaží simulovat chování mnoha jednotlivců, kteří se rozhodují nezávisle, a poté vidí, jak tyto volby ovlivňují krajinu jako celek. Agentové modelování může být složité - například studie z roku 2005 kombinovala model založený na agentech s počítačem genetické programování prozkoumat změny půdy v Yucatánský poloostrov Mexika.^[11]

Hybridní přístupy

Mnoho modelů se neomezuje na jeden z výše uvedených přístupů - mohou kombinovat několik, aby vytvořily plně komplexní a přesný model.

Hodnocení

Účel

Modely změny půdy se hodnotí za účelem posouzení a kvantifikace výkonu prediktivní síly modelu z hlediska prostorové alokace a množství změn. Vyhodnocení modelu umožňuje modeláři vyhodnotit výkon modelu a upravit pro budoucí aplikace „výstup modelu, měření dat a mapování a modelování dat“. Účelem vyhodnocení modelu není vyvinout jednotnou metriku nebo metodu k maximalizaci „správného“ výsledku, ale vyvinout nástroje k vyhodnocení a poučení se z výstupů modelu, aby se vytvořily lepší modely pro jejich konkrétní aplikace. ^[12]

Metody

V modelování změn půdy existují dva typy validace: validace procesu a validace vzoru. Ověření procesu porovnává shodu mezi „procesem v modelu a procesem fungujícím ve skutečném světě“. Validace procesu se nejčastěji používá v modelování založeném na agentech, přičemž modelář pomocí chování a rozhodnutí informuje proces určující změnu půdy v modelu. Ověření vzoru porovnává výstupy modelu (tj. Predikovaná změna) a pozorované výstupy (tj. Referenční změna).^[2] Tři mapové analýzy jsou běžně používanou metodou pro validaci vzoru, ve které jsou porovnávány tři mapy, referenční mapa v čase 1, referenční mapa v čase 2 a simulovaná mapa času 2. Tím se vytvoří křížové srovnání tří map, kde jsou pixely klasifikovány jako jedna z těchto pěti kategorií:

Příklad srovnání 3 map použitého k ověření modelu změny země.

• Hity: změna reference je správně simulována jako změna
• Chybí: změna reference je simulována nesprávně jako vytrvalost
• Falešné poplachy: perzistence v referenčních datech je při změně nesprávně simulována
• Správná odmítnutí: změna reference správně simulovaná jako vytrvalost
• Chybné zásahy: změna reference byla simulována stejně správně jako změna, ale do nesprávné kategorie získávání^[13]

Protože tři srovnání map zahrnují jak chyby, tak správně simulované pixely, vede k vizuálnímu vyjádření jak chyb přidělení, tak množství.

K vyhodnocení LCM se také používají metriky jednoho souhrnu. Existuje mnoho jednotlivých souhrnných metrik, které modeláři použili k vyhodnocení svých modelů a často se používají k vzájemnému porovnání modelů. Jednou takovou metrikou je Obrázek zásluh (FoM), který používá hodnoty zásahu, zmeškání a falešného poplachu generované porovnáním tří map k vygenerování procentní hodnoty, která vyjadřuje průnik mezi referencí a simulovanou změnou.^[12] Jednotlivá souhrnná metrika může zmást důležité informace, ale FoM může být užitečná, zejména když jsou hlášeny také hodnoty zásahu, zmeškání a falešného poplachu.

Vylepšení

Oddělení kalibrace od validace bylo identifikováno jako výzva, která by měla být řešena jako výzva modelování. To je obvykle způsobeno tím, že modeláři využívají informace od prvního časového období. To může způsobit, že mapa vypadá, že má úroveň přesnosti, která je mnohem vyšší než skutečná prediktivní síla modelu.^[14] Mezi další vylepšení, která byla v této oblasti diskutována, patří charakterizace rozdílu mezi alokačními a kvantitativními chybami, které lze provést pomocí tří mapových srovnání, a také zahrnutí jak pozorované, tak předvídané změny do analýzy modelů změny půdy.^[14] V minulosti se na jednotlivé souhrnné metriky příliš spoléhalo a mají různé úrovně užitečnosti při hodnocení LCM. Dokonce i ty nejlepší jednotlivé souhrnné metriky často vynechávají důležité informace a metriky vytváření sestav, jako je FoM, spolu s mapami a hodnotami, které se používají k jejich generování, mohou sdělit potřebné informace, které by jinak byly zmateny.^[15]

Příležitosti implementace

Vědci používají LCM k vytváření a testování teorií modelování změn půdy pro různé lidské a environmentální dynamiky.^[16] Modelování změn půdy má řadu implementačních příležitostí v mnoha vědních a praktických oborech, jako je rozhodování, politika a aplikace v reálném světě ve veřejných i soukromých doménách. Vědecké disciplíny používají LCM k formalizaci a testování teorie změn půdy a zkoumání a experimentování s různými scénáři modelování změn půdy. Praktické disciplíny používají LCM k analýze současných trendů v oblasti změn půdy a k prozkoumání budoucích výsledků politik nebo akcí za účelem stanovení vhodných pokynů, limitů a zásad pro politiku a akci. Komunita výzkumníků a odborníků může studovat změny půdy za účelem řešení témat souvisejících s interakcemi země-podnebí, kvantitou a kvalitou vody, výrobou potravin a vláken a urbanizací, infrastrukturou a zastavěným prostředím.^[16]

Zlepšení a pokrok

Vylepšené strategie pozorování půdy

Letecké fotografie lze použít ve spojení se satelitními snímky a pozemními daty pro vylepšení modelů změn půdy.

Jedno vylepšení pro modelování změn půdy lze provést pomocí lepších dat a integrace s dostupnými daty a modely. Vylepšená pozorovací data mohou ovlivnit kvalitu modelování. Jemnější data prostorového a časového rozlišení, která lze integrovat s socioekonomické a biogeofyzikální data mohou pomoci modelování změn půdy spojit typy socioekonomického a biogeologického modelování. Modeláři změn půdy by měli oceňovat data v jemnějším měřítku. Jemná data mohou poskytnout lepší koncepční pochopení základních konstrukcí modelu a zachytit další dimenze využití půdy. Je důležité zachovat časovou a prostorovou kontinuitu dat ze vzdušného a průzkumného pozorování prostřednictvím konstelací menšího satelitního pokrytí, algoritmů zpracování obrazu a dalších nových dat k propojení satelitní informace o využívání půdy a hospodaření s půdou. Je také důležité mít lepší informace o aktérech změny půdy a jejich vírách, preferencích a chování, aby se zlepšila prediktivní schopnost modelů a vyhodnotily důsledky alternativních politik.^[2]

Sladění možností modelu s cíli modelu

Lze provést jedno důležité vylepšení pro modelování změn půdy, ale lépe sladit volby modelu s cíli modelu. Je důležité zvolit vhodný přístup k modelování na základě vědeckých a aplikačních kontextů konkrétní studované oblasti. Například když někdo potřebuje navrhnout model s ohledem na zásady a aktéry politiky, může si vybrat model založený na agentech. Zde jsou užitečné strukturální ekonomické přístupy nebo přístupy založené na agentech, ale konkrétní vzorce a trendy ve změně půdy, jako u mnoha ekologických systémů, nemusí být tak užitečné. Když člověk potřebuje pochopit raná stadia identifikace problému, a tedy potřebuje porozumět vědeckým vzorům a trendu změn půdy, je užitečné strojové učení a buněčné přístupy.^[2]

Integrace pozitivních a normativních přístupů

Modelování změn půdy by mělo také lépe integrovat pozitivní a normativní přístupy k vysvětlení a predikci založené na účtech založených na důkazech pozemkových systémů. Rovněž by měl integrovat optimalizační přístupy k prozkoumání výsledků, které jsou nejpřínosnější, a procesů, které by tyto výsledky mohly přinést.^[2]

Integrace napříč měřítky

Je důležité lépe integrovat data napříč škálami. Návrh modelu je založen na dominantních procesech a datech ze specifické škály aplikace a prostorového rozsahu. Dynamika napříč měřítkem a zpětné vazby mezi časovými a prostorovými měřítky ovlivňují vzorce a procesy modelu. Proces jako spojování pomocí dálkového ovládání, nepřímá změna využívání půdy a přizpůsobení se změně klimatu v několika měřítcích vyžaduje lepší reprezentaci dynamikou mezi měřítky. Implementace těchto procesů bude vyžadovat lepší pochopení mechanismů zpětné vazby napříč měřítky.^[17]

Příležitosti v oblasti výzkumné infrastruktury a podpory kyberinfrastruktury

Jelikož neustále dochází k novému objevování modelových prostředí, rámců a platforem, může se modelování změn půdy zlepšit z lepší podpory výzkumné infrastruktury. Například model a vývoj softwarové infrastruktury může pomoci vyhnout se zdvojování iniciativ členy komunity modelování změn půdy, společně se učit o modelování změn půdy a integrovat modely pro vyhodnocení dopadů změn půdy. Lepší datová infrastruktura může poskytnout více datových zdrojů na podporu kompilace, úpravy a srovnání heterogenních zdrojů dat. Lepší modelování a správa v komunitě mohou zlepšit možnosti rozhodování a modelování v komunitě se specifickými a dosažitelnými cíli. Komunitní modelování a řízení by poskytlo krok k dosažení dohody komunity o konkrétních cílech, aby bylo možné posunout modelování a možnosti dat vpřed.^[18]

Řadu moderních výzev v modelování změn půdy lze potenciálně řešit současným pokrokem v kybernetické infrastruktuře, jako je davový zdroj, „těžba“ distribuovaných dat a zlepšování vysoce výkonné výpočty. Protože je důležité, aby modeláři našli více dat pro lepší konstrukci, kalibraci a ověření strukturálních modelů, je užitečná schopnost analyzovat velké množství dat o individuálním chování. Například modeláři mohou najít údaje o prodejních místech jednotlivých nákupů spotřebiteli a internetových aktivit, které odhalují sociální sítě. Některé otázky ochrany soukromí a vhodnosti pro vylepšení crowdsourcingu však dosud nebyly vyřešeny.

Komunita modelování změn půdy může také těžit z globálního pozičního systému a internetové distribuce dat mobilních zařízení. Kombinace různých strukturálních metod sběru dat může zlepšit dostupnost mikrodat a rozmanitost lidí, kteří vidí výsledky a výsledky projektů modelování změn půdy. Například, údaje od občanů podpořila provádění Ushahidi v Haiti po 2010 zemětřesení, který pomáhá nejméně 4 000 katastrofickým událostem. Univerzity, neziskové agentury a dobrovolníci jsou povinni shromažďovat informace o událostech, jako je tento, aby dosáhli pozitivních výsledků a zlepšení v modelování změn půdy a modelování změn půdy. K dispozici jsou nástroje jako mobilní zařízení, která účastníkům usnadňují účast na sběru mikroúdajů o agentech. Google mapy využívá cloudové mapovací technologie s datovými sadami, které jsou společně produkovány veřejností a vědci. Příklady v zemědělství, jako jsou pěstitelé kávy v Avaaj Otalo, ukázaly použití mobilních telefonů pro sběr informací a jako interaktivní hlas.

Vývoj kyberinfrastruktury může také zvýšit schopnost modelování změn půdy splnit výpočetní požadavky různých přístupů modelování vzhledem k rostoucímu objemu dat a určitým očekávaným interakcím modelu. Například zlepšení vývoje procesorů, ukládání dat, šířky pásma sítě a propojení změn pozemků a environmentálních procesních modelů s vysokým rozlišením.^[19]

Hodnocení modelu

Dalším způsobem, jak zlepšit modelování změn půdy, je zlepšení hodnocení modelu přístupy. Zlepšení v Analýza citlivosti jsou potřebné k lepšímu pochopení variací výstupu modelu v reakci na prvky modelu, jako jsou vstupní data, parametry modelu, počáteční podmínky, okrajové podmínky a struktura modelu. Zlepšení v ověření vzoru může pomoci modelářům změny půdy provést srovnání výstupů modelu parametrizovaných pro některé historické případy, jako jsou mapy, a pozorování pro tento případ. Je třeba zlepšit zdroje nejistoty, aby se zlepšila prognóza budoucích stavů, které jsou nestacionární v procesech, vstupních proměnných a okrajových podmínkách. Jeden může výslovně rozpoznat předpoklady stacionarity a prozkoumat data pro důkazy v nestacionárnosti, aby lépe uznal a porozuměl nejistotě modelu a zlepšil zdroje nejistoty. Zlepšení strukturální validace může pomoci zlepšit uznání a pochopení procesů v modelu a procesů fungujících v reálném světě kombinací kvalitativních a kvantitativních opatření.^[2]

Viz také

• GeoMod
• Využívání půdy a územní plánování
• Předpovídání využití půdy
• Evoluce využívání půdy a model hodnocení dopadů (PÍNA)
• TerrSet

Reference