Разработка метода прогнозирования изменения землепользования с учетом природных и демографических факторов
Разработка метода прогнозирования изменения землепользования с учетом природных и демографических факторов
Аннотация
Моделирование изменений в землепользовании является мощным инструментом для оценки факторов изменений и прогнозирования землепользования. Целью статьи является прогнозирование изменений в землепользовании в 2029 году в округе Зяотхюи, Нам Динь, на основе применения модели изменения земель — LCM (Land Change Modeler). Модель изменения земель — LCM использует комбинацию искусственной нейронной сети и модели CA-Markov. Данные, используемые в модели, включают: данные о землепользовании за 2005, 2013, 2021 годы, геоморфологические данные, почву, расстояние до береговой линии, изменение плотности населения, изменение количества домохозяйств, расстояние до дорог. Искусственные нейронные сети используются для определения вероятностей пространственного перехода типов землепользования. Далее результаты модели искусственной сети будут введены в модель CA-Marrkov для количественного прогнозирования землепользования. Точность прогноза модели изменения земель — LCM на 2021 год с коэффициентом каппа 0,8570 доказывает, что модель имеет высокую надежность. Результаты прогнозирования изменения землепользования с 2021 по 2029 год имеют следующие характеристики: жилая застройка увеличивается с 5556,95 га до 5777,48 га, в основном в районах с высокими колебаниями плотности населения и количества домохозяйств и концентрируясь вблизи основных дорог района; площадь аквакультуры увеличится с 3480,23 га до 3945,4 га, а площади рисовых полей значительно сократятся.
1. Введение
Изменение землепользования играет важную роль в изменении окружающей среды и способствует глобальным изменениям. В настоящее время, вместе с развитием страны, земля все больше и больше меняется в соответствии с потребностями общества. Округ Зяотхюи, Намдинь — это территория с относительно сильными колебаниями землепользования. Общая тенденция изменения землепользования в округе за последние годы заключается в том, что земли, отведенные под рис и сельскохозяйственные культуры, сокращаются и переводятся в жилые земли и земли аквакультуры. Причин такого изменений много, включая как природные, так и социально-экономические факторы. Для выявления причин изменений в землепользовании необходимо понимать как то, как люди принимают решения в области землепользования, так и взаимодействие природных и социальных факторов, влияющих на эти решения. Поэтому изучение и прогнозирование изменений в землепользовании считается одним из важных исследований, помогающих менеджерам и планировщикам принимать решения по устойчивому землепользованию.
В последние годы ученые разработали теорию ГИС-моделей для исследований изменений в землепользовании. ГИС-моделирование является эффективным инструментом для изучения изменений в землепользовании благодаря своей способности интегрировать идентификацию изменений в землепользовании с факторами, влияющими на эти изменения . Моделирование землепользования помогает ученым выдвигать гипотезы и отвечать на следующие вопросы:
1) какие географические и социально-экономические факторы влияют на изменение землепользования;
2) какие виды землепользования изменение затрагивает;
3) насколько быстро меняется землепользование?
Разработанные модели изменения землепользования играют важную роль в объяснении и прогнозировании изменений в землепользовании.
Изменения в землепользовании (LUC) были широко оценены во многих регионах мира. В Африке расширение сельскохозяйственных угодий из-за быстрого роста населения признано основным фактором изменения характера землепользования . Во многих развитых странах, включая Европу и США, вплоть до начала XIX века наблюдалась массовая вырубка лесов из-за расширения сельского хозяйства и индустриализации . Динамика урбанизации и роста городов часто связана с демографическими факторами, в основном в развивающихся странах . Движущая сила изменения землепользования тесно связана с чрезмерной эксплуатацией природных ресурсов. Проблемы естественной изменчивости, такие как изменение климата, состояния почвы и топографических особенностей, также стали причиной изменений в землепользовании . Таким образом, интеграция природных и человеческих факторов в динамику LULC стала важной проблемой для эффективного землепользования во всем мире. Оценка изменений в сфере землепользования и природных ресурсов и их факторов, имеющих прямые последствия для природной среды и человеческого общества, находится в центре внимания современных научных исследований ученых.
Существует множество моделей, используемых для моделирования и прогнозирования изменений в землепользовании, например, CA (клеточные автоматы), Geomod, Clue, LCM (модель изменения земель). В данном исследовании используется модель изменения земель (LCM) для прогнозирования будущего использования земель в округе Зяотхюи. LCM в основном использует метод MLP-ANN-CA-Markov. Эта модель эффективна благодаря соответствующей калибровке и способности моделировать широкий спектр типов земного покрова. LCM оценивает изменения в землепользовании за два разных периода, выявляет изменения, визуализирует их и представляет результаты с использованием различных карт и графиков .
2. Методы и принципы исследования
2.1. Исходные данные
Исходные данные, использованные в исследовании, включают карты состояния землепользования за 2005, 2013 и 2021 годы; природные факторы включают рельеф, почву, расстояние до береговой линии, расстояние до дорог; демографические факторы включают изменения плотности населения и изменения количествa домохозяйств за два периода 2005–2013 и 2013–2021 годов. Все данные используемые в модели должны быть стандартизированы в соответствии с форматом данных программного обеспечения Terrset и обобщены в таблице 1.
Данные о землепользовании в разное время, как показано в Таблице 1 выше, получены при поддешифрированы спутниковых снимков Sentinel 2 и Landsat с системой аннотаций, включающей 7 объектов (жилая застройка, земли аквакультуры, рисовые поля, солончаки, пустующие земли, мангровые леса и водные поверхности).
Таблица 1 - Данные, использованные в исследовании
№ | Входные данные | Формат | Количество строк, столбцов | Количество столбцов |
1 | Состояние землепользования 2005 г. | Целое число | 522 | 877 |
2 | Состояние землепользования 2013 г. | Целое число | 522 | 877 |
3 | Состояние землепользования 2021 г. | Целое число | 522 | 877 |
4 | Геоморфология | Целое число | 522 | 877 |
5 | Почва | Целое число | 522 | 877 |
6 | Расстояние до дорог | Целое число | 522 | 877 |
7 | Расстояние до береговой линии | Целое число | 522 | 877 |
8 | Изменения плотности населения | Целое число | 522 | 877 |
9 | Изменения количествa домохозяйств | Целое число | 522 | 877 |
2.2. Метод исследования
Модель изменения земель (LCM) представляет собой интегрированную модель, включающую искусственную нейронную сеть и модель CA (Марковскую модель). Модели изменения землепользования помогают прогнозировать и предоставлять сценарии будущих изменений землепользования. Весь процесс моделирования прогноза землепользования в 2029 году для района Зяотхюи, Нам Динь, показан на рисунке 1.
Рисунок 1 - Общая схема методики проведения исследования прогноз изменений землепользования
Конечным результатом является модель изменений в землепользовании, предназначенная для понимания и определения изменений земного покрова, а также для составления требований к охране окружающей среды, необходимость которой вызвана этими изменениями. Существует несколько методов моделирования потенциала перехода, но исследования показывают, что ANN является самым эффективным . В данном исследовании используется искусственная сеть MLP-ANN. Нейронные сети можно понимать как сложную математическую формулу для преобразования входных данных (прошлый статус землепользования, природные факторы) в желаемые выходные данные (например, будущее землепользование) . MLP использует алгоритм обратного распространения ошибки, который широко применяется в моделях нейронных сетей , . Модель сети многослойного персептрона показана на рисунке 2.
Рисунок 2 - Диаграмма искусственной нейронной сети
при определении вероятности изменения землепользования
Цепной анализ Маркова применяется в пространственном моделировании благодаря способности обеспечить матрицу вероятностей переходов (transition probability matrix) входных данных. При исследовании моделирования землепользования анализ цепи Маркова приведет к матрице, представляющей вероятность изменения одного типа землепользования на другой землепользования .
Прогноз изменение типов землепользования с течением времени в соответствии со следующим математическим уравнением:
Vt2 = M * Vt1
где:
M: Соотношение изменения типов землепользования за период сбора данных.
Vt1: Площадь типа землепользования в первый момент
Vt2: Площадь типа землепользования во второй момент
Cellular automata (CA) — это дискретная модель, изучаемая в теории вычислительных способностей, математике, физике, комплексной науке, теоретической биологии, моделях микроструктуры . CA состоит из сетки равномерно расположенных ячеек (сетка может иметь много измерений), каждая ячейка имеет определенное количество состояний, таких как «включено» или «выключено». Для каждой ячейки набор соседних ячеек, относительно определенных этой ячейкой. Состояние ячеек определяется в каждом цикле на основе состояния соседних ячеек и таблицы правил. Чтобы лучше понять, мы можем рассмотреть простейшую форму СА, elemantary cellular automata (ECA). ECA имеет одномерную сетку (форму линии) ячеек, каждая ячейка имеет значение 0 или 1, и правила полагаются только на значения соседей (левая ячейка, правая ячейка и сама ячейка) для определения найдите эту ячейку в следующем цикле.
3. Основные результаты
Процесс моделирования, показанный на рисунке 1, выполняется с двумя целями:
1. Проверить точность модели изменения земель (LCM) путем прогнозирования землепользования в 2021 году и последующего сравнения его с землепользованием в 2021 году, полученным из проверенных спутниковых снимков.
2. Прогноз будущего землепользования до 2029 года.
В процессе моделирования используются растровые данные, основанные на матрице преобразования Маркова, поэтому значение (состояние) каждого растра определяется его соседними растровыми ячейками через временные интервалы. Поэтому роль соседнего растра очень важна. Чтобы минимизировать искажения и длительную интерполяцию значений, алгоритм CA в сочетании с иерархическими картами соответствия типов землепользования позволяет ограничить процесс интерполяции определенными рамками, что повышает достоверность моделирования.
Иерархическая карта соответствия отражает градацию уровней пригодности от высокого к низкому для каждого типа землепользования в исследуемой местности. Оценка этих уровней осуществляется на основе ряда компонентных показателей и вероятности изменения землепользования, рассчитанных с использованием модели искусственной нейронной сети MLP-ANN. Например, для оценки пригодности жилой застройки учитываются такие факторы, как изменения плотности населения, изменения количествa домохозяйств, расстояние до дорог.
Для проверки точности модели необходимо восстановить состояние землепользования на 2021 год по расчетным данным модели и сравнить его с фактическим состоянием, определенным на основе спутниковых снимков. Состояние землепользования в 2021 году прогнозируется с помощью модели LCM, показанной на рисунке 3. Достигнутая точность прогнозирования на 2021 год составила 86% (см. рис. 4), что подтверждает высокую надежность предложенной модели для дальнейшего прогнозирования.
Рисунок 3 - Результат прогноза состояния землепользования 2021 г
Рисунок 4 - Результат проверки точности модели прогнозирования землепользования LCM
Рисунок 5 - Результат прогноза состояния землепользования 2029 г
Рисунок 6 - Изменения типов землепользования на период 2021-2029 гг
Таблица 2 - Матрица изменений между видами землепользования в период 2021–2029 гг
| Жилая застройка | Рисовые поля | Cолончаки | Aквакультура | Водная поверхность | Мангровые леса | Пустующие земли | Сумма 2021 |
Жилая застройка | 5556,95 | 0 | 0 | 0 | 0 | 0 | 0 | 5556,95 |
Рисовые поля | 182,25 | 7574,83 | 0 | 264,6 | 0,45 | 0 | 0,18 | 8022,31 |
Cолончаки | 26,55 | 0 | 350,1 | 61,4 | 0 | 0 | 0 | 438,05 |
Aквакультура | 6,96 | 0 | 0 | 3473,3 | 0 | 0 | 0 | 3480,23 |
Водная поверхность | 0 | 0 | 0 | 47,7 | 11266,59 | 162,32 | 0 | 11476,61 |
Мангровые леса | 0 | 0 | 0 | 79,82 | 60,57 | 2090,7 | 0 | 2231,04 |
Пустующие земли | 4.77 | 0 | 0 | 18,6 | 29,7 | 22,05 | 69,03 | 144,15 |
Сумма 2021 | 5777,48 | 7574,83 | 350,1 | 3945,4 | 11357,31 | 2275,1 | 69,21 | |
Из приведенной выше статистической таблицы следует, что: прогнозы показывают, что площадь жилых застройки, земель аквакультуры и мангровых лесов увеличится. Между тем площади рисовых полей сократятся.
- Жилая застройка: результаты модели представляют собой прогнозы увеличения жилых застройки через площадь и пространство. Основываясь на результатах, показанных в таблице 2 и рисунке 4, мы видим, что площадь жилых застройки в Зяотхюи увеличивается с 5556.95 га в 2021 году до 5777.48 га в 2029 году, что соответствует уменьшению площади рисовых земель и солёных земель. Поскольку результаты модели в значительной степени зависят от входных переменных, таких как изменение плотности населения, изменение количества домохозяйств и расстояние до дорог, то жилая застройка сосредоточена в области недалеко от основного районного дороги. Кроме того, площадь застройки увеличивается и в коммунах с сильными колебаниями плотности населения и количества домохозяйств.
- Аквакультура: на основании результатов прогноза мы видим, что площадь земель аквакультуры в Зяотхюи увеличится с 3480.23 га в 2021 году до 3945.4 га в 2029 годах соответственно. В основном уменьшаются площади рисовых земель, мангровых лесов, водной поверхности и cолончаки. Прогнозирование земель для аквакультуры в значительной степени зависит от почвенных условий, от переменного расстояния до дамбы, поэтому площадь преобразования от другого типа землепользования в аквакультуры также сосредоточена в районах, граничащих с внутренней и внешней частью дамбы Зяотхюи и и происходит в области с высокой соленостью, на поверхности накапливается смесь рек, морей и болот. Преобразование области во внутренней части дамбы происходит в значительной степени в рисовые поля и солончаки, по той причине, что входом модели являются фактические события с 2013 по 2021 год в Зяотхюи — сильный переход рисовых полей, прилегающих к дамбе загрязнен засолением, поэтому это создает трудности для выращивания риса, а аквакультура приносит больше прибыли, чем производство соли и выращивания риса. Преобразование типа землепользование к аквакультуре вне дамб в основном происходит в области мангровых лесов, смешанных с аквакультурой.
4. Заключение
Результаты прогноза землепользования на 2029 год являются объективной прогнозной информацией, поскольку они основаны на фактической информации об использовании земель в прошлые периоды, а также на информации о демографических и природных факторах. Для модели изменения земель (LCM) индекс общей точности Каппа равен 0.86, что свидетельствует о высокой надежности модели. Результаты прогнозирования землепользования в районе Зяотхюи показывают, что площадь земли под застройку увеличивается за счет перехода из рисовых полей. Исходя из этого, ориентация планирования землепользования должна уделять внимание развитию жилой застройки, включающая в себя общественные работы, индустриальные парки, систему транспортной инфраструктуры. Однако это необходимо использовать экономно и эффективно.
Результаты прогноза землепользования на 2029 год показывают как количественное, так и детальное пространственное распределение. Эта информация полезна для корректировки планов планирования и землепользования на следующем этапе развития района Зяотхюи. Однако для разработки и корректировки разумного плана землепользования требуется много другой информации, особенно информации о политике в исследуемой области.