Loading article…
土地変化モデル(LCM) は、土地利用と土地被覆の変化と動態を記述、予測、および説明します。LCMは、過去、現在、そして将来において人類が地球の表面をどのように変化させているかを理解するための手段です。
土地変化モデルは開発政策において価値があり、小さな土地から空間全体にわたるさまざまな規模で、資源管理と自然環境に関するより適切な決定を導くのに役立ちます。 [1] [2]さらに、土地被覆、環境、社会経済データ（および技術インフラストラクチャ内）の発展により、土地変化モデリングが人間環境システムに影響を与える決定をサポートし、影響を与える機会が増えています。[1]地球規模の気候変動と持続可能性の問題に対する国内および国際的な注目が高まっています。
重要性
土地システムの変化は、あらゆる規模で気候や環境の変化に影響を及ぼします。したがって、土地システムに関する決定と政策は、これらの変化に対応し、より持続可能な社会と地球に向けて取り組むために非常に重要です。[3]
土地変化モデルは、土地システム全体の変化への関心が高まる中で、土地システムを社会と環境にとって良い結果に導く上で重要な役割を果たします。[3] [4]
過去数十年間、数多くの科学者や実務家コミュニティが土地変化モデリングにおけるデータの量と質の向上に取り組んできました。これは土地変化のモデル化における方法と技術の開発に影響を与えました。開発された多数の土地変化モデルは、土地システムの変化に対処する能力において重要であり、さまざまな科学者や実務家コミュニティで役立っています。[3]
科学界にとって、土地変化モデルは、土地変化の理論や概念、そして人間と環境の関係性を検証する能力、また現実世界の観察なしにこれらのダイナミクスが将来の土地システムをどのように変化させるかを探る能力において重要である。[3]
土地変化モデリングは、空間的な土地システム、利用、被覆を調査するのに役立ちます。土地変化モデリングは、気候、生態、生物地球化学、生物地球物理学、社会経済モデルとリンクすることで、土地利用と土地被覆のダイナミクスの複雑さを考慮することができます。さらに、LCM は、空間範囲内の土地システム ダイナミクスの種類と複雑さに応じて、空間的に明示的な結果を生み出すことができます。多くの生物物理学的および社会経済的変数が、土地変化モデリングに影響を与え、さまざまな結果を生み出します。[3]
モデルの不確実性
すべての土地変化モデルに共通する注目すべき特性は、モデル構造、パラメータ値、入力データに、ある程度の不確実性が存在することです。たとえば、土地変化モデル内の不確実性の 1 つは、土地変化プロセスに存在する時間的非定常性の結果であるため、モデルが将来に適用されるほど、不確実性が増します。[5] [6]土地変化モデル内のもう 1 つの不確実性は、物理原理 (つまり、表面類型) 内のデータとパラメータの不確実性であり、これは物理プロセスを理解して予測する能力の不確実性につながります。[5]
さらに、土地変化モデルの設計は、意思決定と物理的プロセスの両方の産物です。社会経済的および生態学的環境に対する人為的影響は、土地被覆と時にはモデルの不確実性の変化に常に影響するため、考慮に入れることが重要です。モデルの不確実性を回避し、モデル出力をより正確に解釈するために、モデル診断を使用して、土地変化モデルと空間範囲の実際の土地システムとの関係をより深く理解します。モデルの不確実性の問題を伴うモデル診断の全体的な重要性は、相互作用するプロセスと景観がどのように表現されるか、および景観とそのプロセス内の不確実性を評価できることです。[5]
アプローチ
機械学習と統計モデル
機械学習アプローチは、過去の土地被覆データを使用して、土地が将来どのように変化するかを評価しようとするもので、大規模なデータセットで最も効果的です。機械学習と統計モデルには複数の種類があります。2011年にメキシコ西部で行われた研究では、一見似ている2つのモデルの結果がかなり異なることがわかりました。1つはニューラルネットワークを使用し、もう1つは単純な証拠の重み付けモデルを使用したためです。[7]
細胞モデル
セルラー土地変化モデルは、様々なタイプの土地利用の適合性マップを使用し、隣接する地域を比較して将来の変化を予測します。セルラーモデル内のセルのスケールの変化は、モデルの出力に大きな影響を与える可能性があります。[8]
セクターベースおよび空間的に細分化された経済モデル
経済モデルは需要と供給の原理に基づいて構築されています。どのような土地タイプが求められ、どの土地タイプが廃棄されるかを予測するために、数学的なパラメータを使用します。中国南部の人口密度の高い珠江デルタに関する2003年の研究のように、これらのモデルは都市部を対象に構築されることが多いです。[9]
エージェントベースモデル
エージェントベースのモデルは、多数の個体が独立して選択する行動をシミュレートし、それらの選択が景観全体にどのような影響を与えるかを調べます。エージェントベースのモデリングは複雑になることがあります。たとえば、2005 年の研究では、エージェントベースのモデルとコンピューターベースの遺伝的プログラミングを組み合わせて、メキシコのユカタン半島の土地の変化を調査しました。[10]
ハイブリッドアプローチ
多くのモデルは、上記のアプローチの 1 つに限定されず、完全に包括的で正確なモデルを開発するために、複数のアプローチを組み合わせることもあります。[要出典]
評価
目的
土地変化モデルは、空間配分と変化量の観点からモデルの予測力の性能を評価し、定量化するために評価されます。モデルを評価することで、モデラーはモデルのパフォーマンスを評価し、「モデルの出力、データ測定、データのマッピングとモデリング」を将来のアプリケーションのために編集することができます。モデル評価の目的は、「正しい」結果を最大化するための単一の測定基準や方法を開発することではなく、モデルの出力を評価し、そこから学習して、特定のアプリケーションに適したより良いモデルを作成するためのツールを開発することです[11]
方法
土地変化モデリングには、プロセス検証とパターン検証の 2 種類の検証があります。プロセス検証では、「モデル内のプロセスと現実世界で動作しているプロセス」の一致を比較します。プロセス検証は、エージェントベースのモデリングで最も一般的に使用され、モデラーは行動と決定を使用して、モデル内の土地変化を決定するプロセスに情報を提供します。パターン検証では、モデル出力 (予測される変化) と観測された出力 (参照変化) を比較します。[2] 3 マップ分析は、パターン検証でよく使用される方法で、時間 1 の参照マップ、時間 2 の参照マップ、時間 2 のシミュレートされたマップの 3 つのマップを比較します。[要出典]これにより、ピクセルが次の 5 つのカテゴリのいずれかに分類される 3 つのマップの相互比較が生成されます。
- ヒット: 参照の変更は変更として正しくシミュレートされます
- ミス: 参照の変更が永続性として誤ってシミュレートされる
- 誤報: 参照データの持続性が変化として誤ってシミュレートされる
- 正しい拒否: 参照の変更が永続性として正しくシミュレートされる
- 間違ったヒット：参照の変化は変化と同様に正しくシミュレートされているが、間違った獲得カテゴリにシミュレートされている[12]
3 つのマップの比較にはエラーと正しくシミュレートされたピクセルの両方が含まれるため、割り当てエラーと数量エラーの両方が視覚的に表現されます。
単一要約メトリックもLCMの評価に使用されます。モデラーがモデルを評価するために使用し、モデル同士の比較によく使用される単一要約メトリックは多数あります。そのようなメトリックの1つに、3つのマップの比較から生成されたヒット、ミス、および誤警報値を使用して、参照とシミュレートされた変化の交差を表すパーセンテージ値を生成するFigure of Merit (FoM)があります。[11]単一要約メトリックは重要な情報をわかりにくくする可能性がありますが、ヒット、ミス、および誤警報値も報告されている場合は特にFoMが役立ちます。
改善点
較正と検証の分離は、モデリングの課題として取り組むべき課題として認識されています。これは通常、モデル作成者が最初の期間以降の情報を使用することで発生します。これにより、マップの精度がモデルの実際の予測力よりもはるかに高いように見えることがあります。[13]この分野で議論されているその他の改善には、3 つのマップの比較によって実行できる割り当てエラーと数量エラーの違いを特徴付ける、および土地変化モデルの分析に観測された変化と予測された変化の両方を含めることが含まれます。[13]単一の要約メトリックは、過去に過度に依存されており、LCM を評価する際の有用性のレベルはさまざまです。最良の単一の要約メトリックでさえ、重要な情報が省略されることが多く、FoM などのメトリックを、それらを生成するために使用されるマップと値とともに報告することで、そうでなければ不明瞭になる必要な情報を伝えることができます。[14]
実装の機会
科学者は、LCM を使用して、さまざまな人間と環境のダイナミクスの土地変化モデリングの理論を構築およびテストします。[15]土地変化モデリングは、意思決定、政策、公共および民間の領域での実際のアプリケーションなど、多くの科学および実践分野でさまざまな実装の機会があります。土地変化モデリングは、土地被覆と気候の長期的な結果を評価する LCM を使用する土地変化科学の重要なコンポーネントです。科学分野では、LCM を使用して土地変化理論を形式化およびテストし、土地変化モデリングのさまざまなシナリオを探索および実験します。実践分野では、LCM を使用して現在の土地変化の傾向を分析し、政策や行動の将来の結果を探り、適切なガイドライン、制限、および政策と行動の原則を設定します。研究者と実践者のコミュニティは、土地と気候の相互作用、水の量と質、食料と繊維の生産、都市化、インフラストラクチャ、構築された環境に関連するトピックに対処するために土地変化を研究する場合があります。[15]
改善と進歩
陸上観測戦略の改善
土地変化モデリングの改善の 1 つは、より優れたデータと、利用可能なデータおよびモデルとの統合です。観測データの改善は、モデリングの品質に影響を与える可能性があります。社会経済データおよび生物地理物理学データと統合できる、より細かい空間および時間解像度のデータは、土地変化モデリングが社会経済モデリングと生物地質学的モデリングのタイプを結合するのに役立ちます。土地変化モデラーは、より細かいスケールのデータに価値を置く必要があります。細かいデータは、モデルの根底にある構成要素の概念的理解を向上させ、土地利用の新たな側面を捉えることができます。より小規模な衛星カバレッジ、画像処理アルゴリズム、およびその他の新しいデータの集合体を通じて、航空機ベースおよび調査ベースの観測からのデータの時間的および空間的連続性を維持し、衛星ベースの土地利用情報と土地管理情報をリンクすることが重要です。また、モデルの予測能力を向上させ、代替政策の結果を評価するには、土地変化アクターとその信念、好み、行動に関するより優れた情報を得ることが重要です。[2]
モデルの選択とモデルの目標の整合
土地変化モデリングの重要な改善の 1 つは、モデルの選択をモデルの目標とよりよく一致させることです。関心のある特定の研究の科学的および応用的なコンテキストに基づいて、適切なモデリング アプローチを選択することが重要です。たとえば、政策と政策関係者を念頭に置いてモデルを設計する必要がある場合は、エージェント ベースのモデルを選択することができます。ここでは、構造経済またはエージェント ベースのアプローチが役立ちますが、多くの生態系と同様に、土地変化の特定のパターンと傾向はそれほど役に立たない可能性があります。問題の特定の初期段階を把握する必要があり、したがって土地変化の科学的パターンと傾向を理解する必要がある場合は、機械学習とセルラー アプローチが役立ちます。[2]
肯定的アプローチと規範的アプローチの統合
土地変化モデリングでは、土地システムに関する証拠に基づく説明と予測に対する積極的アプローチと規範的アプローチをより適切に統合する必要があります。また、最も有益な結果と、その結果を生み出す可能性のあるプロセスを調査するために、最適化アプローチも統合する必要があります。[2]
スケールを越えた統合
スケールをまたいでデータを統合することが重要です。モデル設計は、特定のスケールのアプリケーションと空間範囲からの主要なプロセスとデータに基づいています。スケールをまたいだダイナミクスと時間スケールと空間スケール間のフィードバックは、モデルのパターンとプロセスに影響を与えます。テレカップリング、間接的な土地利用の変化、複数のスケールでの気候変動への適応などのプロセスは、スケールをまたいだダイナミクスによるより適切な表現を必要とします。これらのプロセスを実装するには、スケールをまたいだフィードバックメカニズムをより適切に理解する必要があります。[16]
研究インフラとサイバーインフラ支援の機会
モデリング環境、フレームワーク、プラットフォームは継続的に改革されているため、土地変化モデリングは、より優れた研究インフラストラクチャのサポートによって改善できます。たとえば、モデルとソフトウェア インフラストラクチャの開発により、土地変化モデリング コミュニティ メンバーによる取り組みの重複を回避し、土地変化モデリングについて共同学習し、モデルを統合して土地変化の影響を評価することができます。より優れたデータ インフラストラクチャは、異種データ ソースのコンパイル、キュレーション、比較をサポートするためのデータ リソースをさらに提供できます。より優れたコミュニティ モデリングとガバナンスは、具体的で達成可能な目標を持つコミュニティ内での意思決定とモデリング機能を向上させることができます。コミュニティ モデリングとガバナンスは、モデリングとデータ機能を前進させるための具体的な目標についてコミュニティの合意に達するための一歩となります。[17]
土地変化モデリングにおける最近の課題の多くは、クラウドソーシング、分散データの「マイニング」、高性能コンピューティングの改善など、サイバーインフラストラクチャの最新の進歩によって解決できる可能性があります。構造モデルをより適切に構築、調整、検証するには、モデル作成者がより多くのデータを見つけることが重要であるため、個人の行動に関する大量のデータを分析する機能が役立ちます。たとえば、モデル作成者は、消費者による個々の購入に関する販売時点データや、ソーシャルネットワークを明らかにするインターネット活動を見つけることができます。ただし、クラウドソーシングの改善に関するプライバシーと妥当性の問題の一部はまだ解決されていません。[要出典]
土地変化モデリングコミュニティは、GPS とインターネット対応のモバイルデバイスによるデータ配信からも恩恵を受けることができます。さまざまな構造ベースのデータ収集方法を組み合わせることで、マイクロデータの可用性と、土地変化モデリングプロジェクトの調査結果や成果を確認する人々の多様性を向上させることができます。たとえば、市民が提供したデータは、 2010 年の地震後のハイチでのUshahidiの実施をサポートし、少なくとも 4,000 件の災害イベントの解決に役立ちました。土地変化モデリングと土地変化モデリングアプリケーションで前向きな成果と改善を実現するには、大学、非営利団体、ボランティアがこのようなイベントに関する情報を収集する必要があります。モバイルデバイスなどのツールは、参加者がエージェントに関するマイクロデータの収集に参加しやすくするために利用できます。Googleマップは、一般の人々と科学者が共同で作成したデータセットを使用して、クラウドベースのマッピング技術を使用します。アヴァージ オタロのコーヒー農家などの農業の例では、情報収集と対話型音声として携帯電話が使用されていました。[引用が必要]
サイバーインフラストラクチャの開発により、データ量の増加や特定のモデル相互作用が予想されることを考慮すると、土地変化モデリングがさまざまなモデリング手法の計算要求を満たす能力も向上する可能性があります。たとえば、プロセッサ、データストレージ、ネットワーク帯域幅の開発を改善し、土地変化モデルと環境プロセスモデルを高解像度で結合します。[18]
モデル評価
土地変化モデリングを改善するもう 1 つの方法は、モデル評価アプローチの改善です。入力データ、モデル パラメーター、初期条件、境界条件、モデル構造などのモデル要素に応じたモデル出力の変動をよりよく理解するには、感度分析の改善が必要です。パターン検証の改善は、土地変化モデラーが、地図などの過去の事例に対してパラメーター化されたモデル出力とその事例の観測結果を比較するのに役立ちます。不確実性ソースの改善は、プロセス、入力変数、境界条件が非定常である将来の状態の予測を改善するために必要です。定常性の仮定を明示的に認識し、非定常性の証拠となるデータを調査することで、モデルの不確実性をよりよく認識して理解し、不確実性ソースを改善できます。構造検証の改善は、定性的および定量的尺度の組み合わせを通じて、モデル内のプロセスと現実世界で動作しているプロセスの認識と理解を向上させるのに役立ちます。[2]
参照
参考文献
- ^ ab Brown, Daniel G.; et al. (2014).土地変化モデリングの推進：機会と研究要件。ワシントン DC: The National Academic Press。pp. 11–12。ISBN 978-0-309-28833-0。
- ^ abcdef Brown DG、Verburg PH、Pontius Jr RG 、 Lange MD（2013年10月）。「土地変化モデルの影響、統合、評価を改善する機会」。Current Opinion in Environmental Sustainability。5（5）：452–457。doi ： 10.1016 /j.cosust.2013.07.012。
- ^ abcde Brown, Daniel G.; et al. (2014).土地変化モデリングの推進：機会と研究要件。ワシントン DC: The National Academic Press。pp. 13–14。ISBN 978-0-309-28833-0。
- ^ Briassoulis, Helen (2000). 「土地利用変化の分析: 理論的アプローチとモデリングアプローチ」EconPapers . 2017-05-15時点のオリジナルよりアーカイブ。 2017-05-06に閲覧。
- ^ abc Brown, Daniel G.; et al. (2014).土地変化モデリングの推進：機会と研究要件。ワシントン DC: The National Academic Press。pp. 21–22。ISBN 978-0-309-28833-0。
- ^ Liu, XiaoHang; Andersson, Claes (2004-01-01). 「土地利用変化モデリングにおける時間的ダイナミクスの影響の評価」.コンピュータ、環境、都市システム. ジオシミュレーション. 28 (1–2): 107–124. doi :10.1016/S0198-9715(02)00045-5.
- ^ Pérez-Vega, Azucena; Mas, Jean-François; Ligmann-Zielinska, Arika (2012-03-01). 「土地利用/被覆変化モデリングの2つのアプローチの比較と、落葉樹熱帯林における生物多様性損失の評価に対するその影響」.環境モデリングとソフトウェア. 29 (1): 11–23. doi :10.1016/j.envsoft.2011.09.011.
- ^ Pan, Ying; Roth, Andreas; Yu, Zhenrong; Doluschitz, Reiner (2010-08-01). 「土地利用変化モデリングに使用されるセルオートマトンの動作に対するスケールの変化の影響」.コンピューター、環境、都市システム. 34 (5): 400–408. doi :10.1016/j.compenvurbsys.2010.03.003.
- ^ Seto, Karen C.; Kaufmann, Robert K. (2003-02-01). 「中国珠江デルタにおける都市土地利用変化の要因のモデル化: リモートセンシングと社会経済データの統合」. Land Economics . 79 (1): 106–121. doi :10.2307/3147108. ISSN 0023-7639. JSTOR 3147108. S2CID 154022155.
- ^ Manson, Steven M. (2005-12-01). 「メキシコ南部ユカタン半島地域の土地変化をモデル化するエージェントベースモデリングと遺伝的プログラミング」. Agriculture, Ecosystems & Environment . 111 (1–4): 47–62. CiteSeerX 10.1.1.335.6727 . doi :10.1016/j.agee.2005.04.024.
- ^ ab Pontius Jr R、Castella JC、de Nijs T、Duan Z、Fotsing E、Goldstein N、Kasper K、Koomen E、D Lippett C、McConnell W、Mohd Sood A (2018)。「ケース間の比較の統合から得られた土地変化モデリングの教訓と課題」。Behnisch M、Meinel G (編)。空間分析とモデリングのトレンド。地質工学と環境。第19巻。Springer International Publishing。pp. 143–164。doi : 10.1007 / 978-3-319-52522-8_8。ISBN 978-3-319-52520-4。
- ^ Varga OG、Pontius Jr RG、Singh SK 、 Szabó S（2019年6月）。「セルオートマトン-マルコフシミュレーションモデルの評価のため の強度分析と性能指数の要素」。生態学的指標。101 ：933-942。doi ：10.1016/ j.ecolind.2019.01.057。ISSN 1470-160X。
- ^ ab Pontius Jr RG、Boersma W、Castella JC、Clarke K、de Nijs T、Dietzel C、Duan Z、Fotsing E、Goldstein N、Kok K、Koomen E (2007-08-16)。「土地変化に関するいくつかのモデルの入力、出力、検証マップの比較」。地域科学年報。42 (1): 11–37。doi : 10.1007 /s00168-007-0138-2。ISSN 0570-1864。S2CID 30440357 。
- ^ Pontius Jr, Robert Gilmore; Si, Kangping (2014-01-06). 「複数の閾値の診断能力を測定するための総合動作特性」. International Journal of Geographical Information Science . 28 (3): 570–583. doi :10.1080/13658816.2013.862623. ISSN 1365-8816. S2CID 29204880.
- ^ ab ブラウン、ダニエル; et al. (2014).土地変化モデリングの推進: 機会と研究要件. 500 Fifth Street, NW Washington, DC 20001: 米国科学アカデミー. p. 13. ISBN 978-0-309-28833-0。
{{cite book}}: CS1 メンテナンス: 場所 (リンク) - ^ ブラウン、ダニエル G.; 他 (2014)。土地変化モデリングの推進: 機会と研究要件。ワシントン DC: 全米学術出版局。p. 1。ISBN 978-0-309-28833-0。
- ^ ブラウン、ダニエル G; 他 (2014)。土地変化モデリングの推進: 機会と研究要件。ワシントン DC: 全米学術出版局。pp. 7–8。ISBN 978-0-309-28833-0。
- ^ ブラウン、ダニエル G.; 他 (2014)。土地変化モデリングの推進: 機会と研究要件。ワシントン DC: 全米学術出版局。pp. 90–98。ISBN 978-0-309-28833-0。