MOLUSCE - анализ изменений ландшафтного покрова

Материал из GIS-Lab
Перейти к навигации Перейти к поиску
Создано в Nextgis.png Веб ГИС для вашей организации по доступной цене

Разработано NextGIS по заказу и в сотрудничестве с Asia Air Survey, Япония.

Модуль анализа изменения ландшафтного покрова (MOLUSCE)

MOLUSCE, акроним от Modules for Land Use Change Simulations, представляет собой расширение (plug-in) для геоинформационной системы QGIS, предназначенное для анализа динамики состояния территорий.

Расширение доступно для установки из менеджера плагинов QGIS или со страницы расширения на plugins.qgis.org.

Общая характеристика расширения

Предположим, что имеется серия карт/дешифрированных снимков/... за различные периоды времени, на которых отображено текущее состояние территории. Исследователь, анализирующий динамику состояния территории, сталкивается со следующими вопросами:

  • Какие изменения произошли и где они произошли?
  • Какие факторы связаны с изменениями и как сильно они связаны?
  • Какие изменения ожидаются в будущем и где именно?

Если ответ на первый вопрос можно получить путем визуальной оценки карт, но для ответа на последующие вопросы исследователь должен выдвигать те или иные гипотезы, проверять их адекватность, выводить следствия из гипотез и смотреть, насколько они согласуются с действительностью.

MOLUSCE представляет собой собой расширение, предназначенное для частичной автоматизации данного процесса.

Упрощенная схема работы расширения

На рисунке представлена упрощенная схема работы расширения.

В качестве входных данных расширению требутся:

  • Карты начальных и конечных состояний территории. Это растровые изображения, в пикселях которых закодированы номера состояний территории (например, 1=лес, 2=поле, 3=городская застройка и т.п.). Расширению требуется как минимум две такие карты -- одна для исходного состояния (Начальная_дата), вторая для конечного состояния (Начальная_дата+N). Однако, для оценки качества построенной модели прогноза рекомендуется использование еще третьей карты (Начальная_дата + 2N), с которой будет сравниваться прогнозное значение. Здесь число N -- глубина прогноза, которая измеряется в зависимости от задачи в днях, неделях, месяцах, годах и т.д.
  • Карты факторов, влияющих на изменение территории. Исследователь строит гипотезы о том, какие факторы могли повлиять на наблюдаемые изменения, и предоставляет расширению карты интенсивностей данных факторов. Например, если исследователь работает над проблемой изчезновения лесов, такими факторами могут быть: карта почв (каждый тип почвы закодирован своим числом), карта расстояний от дорог (пиксели карты содержат число -- кратчайшее расстояние от точки, связанной с данным пикселем, до дороги), карта плотности населения и т.п.

Процесс анализа происходит в несколько этапов:

  1. Поиск изменений.
  2. Построение модели для оценки вклада отдельных факторов на вероятность появления изменений.
  3. Построение карты значимости вклада фактора.
  4. Построение интегральной карты вклада всех факторов.
  5. Прогноз.
  6. Оценка качества модели/прогноза.

Данная схема является обобщенной. Например, некоторые методы моделирования (нейронные сети, логистическая регрессия) объединяют пункты 2-4 в один этап, другие же методы (метод Саати, метод значимости признака), наоборот, требуют выделения их в отдельные этапы.

Ниже приводится описание каждого из этапов.

Поиск изменений

На данном этапе используются карты начальных и конечных состояний, на основе которых производится поиск мест, в которых произошли изменения и количественная оценка размера территорий, подвегнувшихся изменениям.

Выходными значениями данного этапа будут:

  • Карта изменений.
  • Матрица переходов: матрица вероятностей того, что взятый наугдад пиксель будет подвергнут тому или иному изменению (отдельно по каждому типу изменений, например, лес->поле, поле->городская застройка, поле->лес и т.п.).

Построение модели для оценки вклада отдельных факторов на вероятность появления изменений

На данном этапе пользователь указывает использует ту или иную модель для оценки значимости факторов. Входными данными для этого шага являются карта изменений и список факторов, предположительно влияющих на вероятность возникновения изменений. Выходными значениями являются веса факторов.

В расширении заложена возможность использования следующих моделей:

  • Нейронные сети (многослойный перцептрон).
  • Логистическая регрессия.
  • Метод весомости признака (wight of evidence).
  • Метод иерархий Саати.

В результате настройки модели каждый фактор получает тот или иной вес в зависимости от его вклада вероятность появления изменений. Вес может быть как положительным (тесная связь между фактором и возможностью появления изменений), так и отрицательным (обратная связь -- если фактор присутствует, то изменения маловероятны).

Построение карты влияния фактора

Входными данными для этого шага являются веса и карты интенсивности факторов. Выходным значением будет карта влияния факторов.

Суть данного этапа заключается в том, что исходная карта интенсивности фактора умножается на его вес, в итоге получается карта вклада фактора. Например, если на некотором участке интенсивность фактора близка к нулю, то и влияние фактора будет невелико независимо от его веса. И наоборот, если интенсивность фактора была высокая, то в его влияние будет значительным (положительным или отрицательным в зависимости от знака веса фактора).

Построение интегральной карты вкладов

Взвешенные карты вкладов, построенные на предыдущем этапе, суммируются между собой, в итоге получается интегральная карта, учитывающая все факторы. Чем больше интегральная величина на каком-либо участке карты, тем более вероятно, что на этом участке произойдут изменения.

Прогноз

Входными данными являются интегральная карта и вероятности переходов, а выходным параметром является карта-прогноз изменений.

На данном этапе анализируется карта вкладов, полученная на предыдущем шаге: на карте ищутся места наиболее вероятных изменений и с учетом вероятности перехода одного класса в другой производится трансформация типа пикселя.

Оценка качества модели/прогноза

Последний этап состоит в сравнении карты-прогноза с известной картой состояния территории. Пользователь может рассчитать различные каппа-статистики, расчитать карту ошибок а также визуализировать график, основанный на методе Error Budget.

Интерфейс пользователя

Интерфейс расширения представляет собой окно с несколькими вкладками. Пользователь последовательно заполняет необходимые поля и перемещается от вкладки к вкладке. При необходимости изменить что-либо пользователь может вернуться на предыдущие вкладки и ввести новые данные.

Ввод начальных данных

При загрузке расширения открывается окно, в котором пользователь должен ввести информацию о том, какой растровый слой в каком качестве должен использоватся. Пользователь указывает карты начальных и конечных состояний, карты факторов.

При работе расширения предполагается, что анализируемые растры сохранены в одной системе координат и их охваты совпадают. Для проверки этого условия пользователь может нажать кнопку проверки геометрических характеристик, в результате чего на экран будет выведено сообщение о том, совпадают ли границы растров и их система координат.

Оценка корреляционной зависимости

Некоторые методы (например, логистическая регрессия и метод значимости признака) очень чувствительны к взаимной зависимости входных данных. Для того, чтобы оценить зависимость входных переменных пользователю предоставляется возможность рассчитать силу связей между ними. Для непрерывных величин пользователь может рассчитать коэффициент корреляции, а для номинальных -- коэффициент Крамера или коэффициент JIU (joint information uncertainty).

Построение карты изменений

Для построения карты изменений отведена отдельная вкладка. При нажатии на кнопку создания карты изменений, она будет рассчитана и загружена в текущий проект. Каждый тип изменения на карте будет помечен определенным цветом.

На данной вкладке пользователь также может расчитать статистику по количеству изменений -- определить какое количество пикселей того или иного класса было транформировано в пиксели других классов. Если исходные данные спроецированны в метрическую систему координат, то пользователь может отобразить статистику в квадратных метрах, гектарах или квадратных километрах.

Настройка модели

На данной влкладке пользователь может выбрать тип модели для настройки. Некоторые модели (нейронные сети, логистическая регрессия) для ускорения работы используют не все данные, а случайную выборку из них. В случае, если пользователь работает с данными моделями ему предоставляется возможность указать стратегию формирования выборки данных.

Прогнозирование

После обучения модели пользователь может применить для построения прогноза.

Основным выходным значением является карта-результат прогноза, но помимо нее на этапе прогнозирования расширение формирует несколько вспомогательных карт, которые также могут быть сохранены на диске:

  • Карты потенциалов. Для каждого возможного типа трансформации (например лес->застройка) строится карта потенциалов: чем больше потенциал для данного участка, тем более значимо воздействуют факторы на возможность появления данного типа транформации.
  • Карта уверенности в прогнозе, которая измеряется в процентах: 100 = полная уверенность, другие альтернативы прогноза незначимы, 0 = полная неуверенность, есть по крайней мере еще одна альтернатива с такой же вероятностью реализации.
  • Суммарная карта потенциальных переходов. Строится на основе карт потенциалов следующим образом: просматривается каждый пиксель и маркируется тем состоянием, переход в которое наиболее вероятен. Отличается от карты-прогноза тем, что для карты-прогноза производится трансформация не всех, а только определенного числа пикселей, определяемого статистики изменений (см. вкладку построения карты изменений).

Валидация