Modellering av markförändringar
Landförändringsmodeller (LCM) beskriver, projicerar och förklarar förändringar i och dynamiken i markanvändning och markbeläggning. LCM är ett sätt att förstå hur människor förändrar jordens yta i det förflutna, nuet och framtiden.
Markförändringsmodeller är värdefulla i utvecklingspolitiken och hjälper till att vägleda lämpligare beslut för resursförvaltning och naturmiljö i en mängd olika skalor, från en liten bit mark till hela den rumsliga omfattningen. Dessutom har utvecklingen inom marktäckande , miljömässiga och socioekonomiska data (liksom inom teknisk infrastruktur) ökade möjligheter till modellering av markförändringar för att hjälpa till att stödja och påverka beslut som påverkar mänskliga miljösystem , eftersom nationell och internationell uppmärksamhet alltmer fokuserar på frågor om globala klimatförändringar och hållbarhet .
Betydelse
Förändringar i marksystem har konsekvenser för klimat- och miljöförändringar i alla skala. Därför är beslut och policyer i relation till landsystem mycket viktiga för att reagera på dessa förändringar och arbeta mot ett mer hållbart samhälle och planet.
Modeller för markförändringar är betydande i sin förmåga att hjälpa landsystemen till positiva samhälleliga och miljömässiga resultat i en tid då uppmärksamheten på förändringar över landsystem ökar.
En uppsjö av vetenskaps- och praktikersamhällen har kunnat föra fram mängden och kvaliteten på data i modellering av landförändringar under de senaste decennierna. Det har påverkat utvecklingen av metoder och teknologier i modelllandförändringar. De mängder av landförändringsmodeller som har utvecklats är betydande i sin förmåga att hantera förändringar av landsystem och användbara i olika vetenskaps- och praktikersamhällen.
För vetenskapssamfundet är modeller för markförändring viktiga för deras förmåga att testa teorier och koncept om markförändring och dess kopplingar till relationer mellan människa och miljö, samt utforska hur denna dynamik kommer att förändra framtida landsystem utan observation i verkligheten.
Landförändringsmodellering är användbar för att utforska rumsliga landsystem, användningar och täckningar. Modellering av markförändringar kan redogöra för komplexitet inom dynamiken i markanvändning och marktäckning genom att koppla till klimatiska, ekologiska, biogeokemiska, biogeofysiska och socioekonomiska modeller. Dessutom kan LCM producera rumsligt explicita resultat enligt typen och komplexiteten inom landsystemdynamiken inom den rumsliga utsträckningen. Många biofysiska och socioekonomiska variabler påverkar och producerar en mängd olika resultat i modellering av landförändringar.
Modellosäkerhet
En anmärkningsvärd egenskap hos alla landändringsmodeller är att de har en viss oreducerbar nivå av osäkerhet i modellstrukturen, parametervärdena och/eller indata. Till exempel är en osäkerhet inom landförändringsmodeller ett resultat av tidsmässig icke-stationaritet som finns i markförändringsprocesser, så ju längre in i framtiden modellen tillämpas, desto mer osäker är den. En annan osäkerhet inom markförändringsmodeller är data- och parameterosäkerheter inom fysikaliska principer (dvs yttypologi), vilket leder till osäkerheter i att kunna förstå och förutsäga fysiska processer.
Dessutom är design av markförändringsmodeller en produkt av både beslutsfattande och fysiska processer. Människoinducerad påverkan på den socioekonomiska och ekologiska miljön är viktig att ta hänsyn till, eftersom den ständigt förändrar marktäcket och ibland modellosäkerhet. För att undvika modellosäkerhet och tolka modellutdata mer exakt, används en modelldiagnos för att förstå mer om sambanden mellan landförändringsmodeller och det faktiska marksystemet i den rumsliga utsträckningen. Den övergripande betydelsen av modelldiagnostik med modellosäkerhetsfrågor är dess förmåga att bedöma hur samverkande processer och landskapet representeras, samt osäkerheten inom landskapet och dess processer.
Närmar sig
Maskininlärning och statistiska modeller
En maskininlärningsmetod använder landtäckande data från det förflutna för att försöka bedöma hur mark kommer att förändras i framtiden, och fungerar bäst med stora datamängder. Det finns flera typer av maskininlärning och statistiska modeller - en studie i västra Mexiko från 2011 fann att resultaten från två utåt sett likartade modeller var avsevärt olika, eftersom den ena använde ett neuralt nätverk och den andra använde en enkel modell för bevisvikt .
Mobilmodeller
En cellulär markförändringsmodell använder kartor över lämplighet för olika typer av markanvändning och jämför områden som ligger omedelbart intill varandra för att projektera förändringar in i framtiden. Variationer i skalan av celler i en cellulär modell kan ha betydande effekter på modellens utdata.
Sektorbaserade och rumsligt uppdelade ekonomiska modeller
Ekonomiska modeller bygger på principer om utbud och efterfrågan . De använder matematiska parametrar för att förutsäga vilka marktyper som kommer att önskas och vilka som kommer att kasseras. Dessa byggs ofta för stadsområden, till exempel en studie från 2003 av det mycket täta Pearl River Delta i södra Kina .
Agentbaserade modeller
Agentbaserade modeller försöker simulera beteendet hos många individer som gör självständiga val, och ser sedan hur dessa val påverkar landskapet som helhet. Agentbaserad modellering kan vara komplex - till exempel kombinerade en studie från 2005 en agentbaserad modell med datorbaserad genetisk programmering för att utforska landförändringar på Yucatan-halvön i Mexiko.
Hybrid närmar sig
Många modeller begränsar sig inte till något av tillvägagångssätten ovan – de kan kombinera flera för att utveckla en heltäckande och korrekt modell.
Utvärdering
Syfte
Landförändringsmodeller utvärderas för att bedöma och kvantifiera prestandan hos en modells prediktiva kraft i termer av rumslig allokering och förändringskvantitet. Genom att utvärdera en modell kan modelleraren utvärdera en modells prestanda för att redigera en "modells utdata, datamätning och kartläggning och modellering av data" för framtida tillämpningar. Syftet med modellutvärdering är inte att utveckla ett unikt mått eller metod för att maximera ett "korrekt" resultat, utan att utveckla verktyg för att utvärdera och lära av modellutdata för att producera bättre modeller för deras specifika tillämpningar
Metoder
Det finns två typer av validering i landförändringsmodellering: processvalidering och mönstervalidering. Processvalidering jämför matchningen mellan "processen i modellen och processen som fungerar i den verkliga världen". Processvalidering används oftast i agentbaserad modellering där modelleraren använder beteenden och beslut för att informera processen som bestämmer landförändring i modellen. Mönstervalidering jämför modellutdata (dvs. förutspådd förändring) och observerade utdata (dvs. referensförändring). Tre kartanalyser är en vanlig metod för mönstervalidering där tre kartor, en referenskarta vid tidpunkt 1, en referenskarta vid tidpunkt 2 och en simulerad karta över tid 2, jämförs. Detta genererar en korsjämförelse av de tre kartorna där pixlarna klassificeras som en av dessa fem kategorier:
- Träffar: referensändring simuleras korrekt som ändring
- Missar: referensändring simuleras felaktigt som persistens
- Falskt larm: beständighet i referensdata simuleras felaktigt som förändring
- Korrekt avslag: referensändring simuleras korrekt som persistens
- Fel träffar: referensändring simulerad lika korrekt som ändring, men till fel vinstkategori
Eftersom tre kartjämförelser inkluderar både fel och korrekt simulerade pixlar, resulterar det i ett visuellt uttryck av både allokerings- och kvantitetsfel.
Enkelsammanfattningsmått används också för att utvärdera LCM. Det finns många enstaka sammanfattningsmått som modellbyggare har använt för att utvärdera sina modeller och används ofta för att jämföra modeller med varandra. Ett sådant mått är Figure of Merit (FoM) som använder träff-, miss- och falsklarmvärden som genereras från en jämförelse med tre kartor för att generera ett procentvärde som uttrycker skärningspunkten mellan referens och simulerad förändring. Enskild sammanfattningsstatistik kan fördunkla viktig information, men FoM kan vara användbar, särskilt när träff-, miss- och falsklarmvärdena också rapporteras.
Förbättringar
Separationen av kalibrering från validering har identifierats som en utmaning som bör hanteras som en modelleringsutmaning. Detta orsakas vanligtvis av att modellerare använder information från efter den första tidsperioden. Detta kan göra att en karta verkar ha en noggrannhetsnivå som är mycket högre än en modells faktiska prediktiva kraft. Ytterligare förbättringar som diskuterats inom området är att karakterisera skillnaden mellan allokeringsfel och kvantitetsfel, vilket kan göras genom tre kartjämförelser, samt att inkludera både observerad och förutspådd förändring i analysen av markförändringsmodeller. Enstaka sammanfattningsmått har varit alltför beroende av tidigare och har varierande nivåer av användbarhet vid utvärdering av LCM. Även de bästa enskilda sammanfattningsmåtten utelämnar ofta viktig information, och rapporteringsmått som FoM tillsammans med kartorna och värdena som används för att generera dem kan kommunicera nödvändig information som annars skulle fördunklas.
Implementeringsmöjligheter
Forskare använder LCM för att bygga och testa teorier i modellering av landförändringar för en mängd olika mänskliga och miljömässiga dynamik. Modellering av markförändringar har en mängd olika implementeringsmöjligheter inom många vetenskaps- och praktikdiscipliner, såsom beslutsfattande, policy och i verklig tillämpning i offentliga och privata domäner. Modellering av markförändringar är en nyckelkomponent i markförändringsvetenskapen , som använder LCM för att bedöma långsiktiga resultat för marktäckning och klimat. De vetenskapliga disciplinerna använder LCM för att formalisera och testa teorin om markförändring, och utforska och experimentera med olika scenarier för modellering av landförändringar. De praktiska disciplinerna använder LCM:er för att analysera aktuella landförändringstrender och utforska framtida resultat från policyer eller åtgärder för att sätta lämpliga riktlinjer, gränser och principer för policy och åtgärder. Forsknings- och praktikersamhällen kan studera markförändringar för att ta upp ämnen relaterade till interaktioner mellan land och klimat, vattenkvantitet och kvalitet, mat- och fiberproduktion samt urbanisering, infrastruktur och byggd miljö.
Förbättring och avancemang
Förbättrade landobservationsstrategier
En förbättring för modellering av markförändringar kan göras genom bättre data och integration med tillgängliga data och modeller. Förbättrade observationsdata kan påverka modelleringskvaliteten. Finare rumslig och tidsmässig upplösningsdata som kan integreras med socioekonomiska och biogeofysiska data kan hjälpa landförändringsmodellering att koppla de socioekonomiska och biogeologiska modelleringstyperna. Markförändringsmodellerare bör värdera data i finare skalor. Fina data kan ge en bättre konceptuell förståelse av underliggande konstruktioner av modellen och fånga ytterligare dimensioner av markanvändning. Det är viktigt att upprätthålla den tidsmässiga och rumsliga kontinuiteten för data från luftburen och undersökningsbaserad observation genom konstellationer av mindre satellittäckning, bildbehandlingsalgoritmer och andra nya data för att länka samman satellitbaserad markanvändningsinformation och markförvaltningsinformation . Det är också viktigt att ha bättre information om markförändringsaktörer och deras övertygelser, preferenser och beteenden för att förbättra modellernas förutsägelseförmåga och utvärdera konsekvenserna av alternativ politik.
Anpassa modellval med modellmål
En viktig förbättring för modellering av landförändringar kan göras genom att bättre anpassa modellvalen till modellmålen. Det är viktigt att välja lämplig modelleringsmetod baserat på de vetenskapliga och tillämpningsmässiga sammanhangen för den specifika studien av intresse. Till exempel, när någon behöver utforma en modell med policy- och policyaktörer i åtanke, kan de välja en agentbaserad modell. Här är strukturella ekonomiska eller agentbaserade tillvägagångssätt användbara, men specifika mönster och trender i markförändringar som med många ekologiska system kanske inte är lika användbara. När man behöver förstå de tidiga stadierna av problemidentifiering, och därmed behöver förstå de vetenskapliga mönstren och trenden för landförändringar, är maskininlärning och cellulära tillvägagångssätt användbara.
Integrera positiva och normativa förhållningssätt
Modellering av markförändringar bör också bättre integrera positiva och normativa tillvägagångssätt för förklaring och förutsägelse baserade på evidensbaserade redovisningar av landsystem. Den bör också integrera optimeringsmetoder för att utforska de resultat som är mest fördelaktiga och de processer som kan ge dessa resultat.
Integrering över skalor
Det är viktigt att bättre integrera data över skalor. En modelldesign baseras på de dominerande processerna och data från en specifik tillämpningsskala och rumslig utsträckning. Korsskalig dynamik och återkopplingar mellan temporala och rumsliga skalor påverkar modellens mönster och processer. Processer som telekoppling, indirekt markanvändningsförändring och anpassning till klimatförändringar i flera skalor kräver bättre representation av korsskaledynamik. Att implementera dessa processer kommer att kräva en bättre förståelse av återkopplingsmekanismer över skalor.
Möjligheter inom forskningsinfrastruktur och cyberinfrastrukturstöd
Eftersom modelleringsmiljöer, ramverk och plattformar kontinuerligt återuppfinns, kan modellering av landförändringar förbättras genom bättre stöd för forskningsinfrastruktur. Till exempel kan utveckling av modell- och mjukvaruinfrastruktur hjälpa till att undvika dubbelarbete av initiativ genom att modellera gemenskapsmedlemmar i landförändringsmodeller, lära sig om modellering av landförändringar och integrera modeller för att utvärdera effekterna av markförändringar. Bättre datainfrastruktur kan ge fler dataresurser för att stödja sammanställning, sammanställning och jämförelse av heterogena datakällor. Bättre gemenskapsmodellering och styrning kan främja beslutsfattande och modelleringsförmåga inom en gemenskap med specifika och uppnåeliga mål. Gemenskapsmodellering och styrning skulle vara ett steg mot att nå gemenskapsöverenskommelser om specifika mål för att flytta modellerings- och datakapaciteten framåt.
Ett antal moderna utmaningar inom modellering av landförändringar kan potentiellt lösas genom samtida framsteg inom cyberinfrastruktur, såsom crowd-source, "mining" för distribuerad data och förbättrad högpresterande datoranvändning . Eftersom det är viktigt för modellerare att hitta mer data för att bättre konstruera, kalibrera och validera strukturella modeller, är förmågan att analysera stora mängder data om individuella beteenden till hjälp. Till exempel kan modellbyggare hitta information från försäljningsställen om enskilda köp av konsumenter och internetaktiviteter som avslöjar sociala nätverk. Vissa frågor om integritet och anständighet för förbättringar av crowdsourcing har dock ännu inte lösts.
Modellgemenskapen för landförändringar kan också dra nytta av Global Positioning System och Internet-aktiverad datadistribution för mobila enheter. Att kombinera olika strukturbaserade datainsamlingsmetoder kan förbättra tillgången på mikrodata och mångfalden av människor som ser resultaten och resultaten av landförändringsmodelleringsprojekt. Till exempel medborgarbidrag med införandet av Ushahidi i Haiti efter jordbävningen 2010 och hjälpte åtminstone 4 000 katastrofhändelser. Universitet, ideella organisationer och volontärer behövs för att samla in information om sådana här händelser för att få positiva resultat och förbättringar av modellering av landförändringar och modeller för landförändringar. Verktyg som mobila enheter är tillgängliga för att göra det lättare för deltagare att delta i insamlingen av mikrodata om agenter. Google Maps använder molnbaserad kartläggningsteknik med datauppsättningar som är samproducerade av allmänheten och forskare. Exempel inom jordbruket som kaffebönder i Avaaj Otalo visade användning av mobiltelefoner för att samla in information och som en interaktiv röst.
Utveckling av cyberinfrastruktur kan också öka möjligheten för modellering av landförändringar att möta beräkningskrav från olika modelleringsmetoder givet ökande datavolymer och vissa förväntade modellinteraktioner. Till exempel förbättra utvecklingen av processorer, datalagring, nätverksbandbredd och koppling av landförändrings- och miljöprocessmodeller med hög upplösning.
Modellutvärdering
Ett ytterligare sätt att förbättra modellering av landförändringar är genom att förbättra metoder för modellutvärdering . Förbättring av känslighetsanalys behövs för att få en bättre förståelse av variationen i modellutdata som svar på modellelement som indata, modellparametrar, initiala villkor, randvillkor och modellstruktur. Förbättring av mönstervalidering kan hjälpa landförändringsmodeller att göra jämförelser mellan modellutdata parametrerade för vissa historiska fall, som kartor, och observationer för det fallet. Förbättring av osäkerhetskällor behövs för att förbättra prognoser av framtida tillstånd som är icke-stationära i processer, indatavariabler och randvillkor. Man kan uttryckligen känna igen stationaritetsantaganden och utforska data för bevis i icke-stationaritet för att bättre erkänna och förstå modellosäkerhet för att förbättra osäkerhetskällor. Förbättring av strukturell validering kan bidra till att förbättra erkännandet och förståelsen av processerna i modellen och de processer som verkar i den verkliga världen genom en kombination av kvalitativa och kvantitativa mått.