Пространственное распределение пахотных и заброшенных земель по странам бывшего Советского Союза

1. Легенда и определения карты
2. Входные карты
3. Geo-Wiki справочные данные по заброшенной земле
4. Байесовская сеть

В этом исследовании мы стремились собрать и объединить существующие источники информации, включая показатели заброшенности земли, полученные на основе данных дистанционного зондирования. К ним относятся карты заброшенных пахотных земель, которые были получены путем классификации изображений Landsat 17 ; классификация на основе MODIS временных рядов нормализованного разностного индекса растительности (NDVI) 18 , 21 ; или уменьшение статистических данных о заброшенных землях на основе расчета «так называемого» индекса пригодности пахотных земель 1 , Среди различных существующих подходов к слиянию данных, например, регрессии, деревьев решений или нейронных сетей, мы выбрали наивный байесовский классификатор 22 , Наивный байесовский метод является основной формой байесовской сети и, как таковой, является прямой реализацией теоремы Байеса. Он прост в реализации, может динамически обновляться и легко обрабатывает недостающие данные. Кроме того, было показано, что он хорошо справляется с большинством задач классификации и часто значительно лучше, чем другие методы классификации. 23 , 24 ,

Рисунок 1 представляет блок-схему методологии, использованной для создания гибридной карты пахотных и заброшенных земель. Сначала мы собрали карты земного покрова разных эпох, а также региональные карты заброшенных земель. Более того, с помощью региональных экспертов, использующих Geo-Wiki 19 , 20 инструмент растительного покрова, мы разработали эталонный (обучающий) набор данных по пахотным и заброшенным землям, используя визуальную интерпретацию исторических изображений VHR от Google и Bing. Затем мы интегрировали различные карты растительного покрова и заброшенных земель с набором справочных данных Geo-Wiki, используя алгоритм объединения данных, чтобы создать гибридную карту пахотных и заброшенных земель. Целевое разрешение конечного продукта составляет 10 угловых секунд (около 300 м на экваторе), чтобы соответствовать геометрии и пространственному разрешению двух входных продуктов: гибридной глобальной карты земного покрова 25 и 13 продуктов ESA CCI.

Рисунок 1: Блок-схема методологии, использованной для создания гибридной карты пахотных и заброшенных земель.

Легенда и определения карты

В качестве одного из входных данных мы использовали карты земного покрова, которые включают пахотные земли в качестве класса земного покрова. Однако пахотные земли или пахотные земли относятся к классу землепользования в соответствии с определением, предоставленным Продовольственной и сельскохозяйственной организацией Объединенных Наций (ФАО). Поэтому в данной статье мы называем пахотные и заброшенные классы землепользования.

Национальная статистика по земле включает следующие классы землепользования на основе определений ФАО 26 с конкретными региональными различиями:

• Пахотная земля - это земля под временными посевами, временные луга для скашивания или выпаса скота, земля под рынком или огородами и земля под временно отведенным паром (менее пяти лет). Временно залеженная земля - ​​это земля, отведенная на один или несколько лет до повторного возделывания.

• Посевная площадь относится к площади, на которой был проведен посев или посадка рассматриваемой культуры на почве, подготовленной для этой цели. (Http://faostat.fao.org/site/375/default.aspx).

• Пастбище (временное) - это обрабатываемая земля, которая не сеется в течение одного или нескольких вегетационных периодов. Максимальный период простоя обычно составляет менее пяти лет. Земля, оставшаяся за паром слишком долго, может приобрести характеристики, требующие реклассификации, такие как «постоянные луга и пастбища» (если используется для выпаса скота), «лес или лесистая местность» (если заросли деревьями) или «другая земля» (если она становится пустошью ).

• Сельскохозяйственная земля относится к площади пахотных земель, под постоянными сельскохозяйственными культурами или под постоянными пастбищами и сенокосами.

Разработанная здесь гибридная карта состоит из трех классов землепользования: используемая пахотная земля, заброшенная пахотная земля и другие виды землепользования (например, городские, лесные и т. Д.).

1. Пахотная земля включает в себя посевные площади и залежи (обработанные, но не посеянные)

2. Заброшенные пахотные земли - это земли, которые ранее обрабатывались (то есть относятся к классу сельскохозяйственных земель), но не использовались более 5 лет. 1 , 27 , 28 , «Заброшенные пахотные земли» почти никогда не указываются и рассчитываются как разница между общей пахотной землей и используемой пахотной землей.

3. Другое землепользование - это земля, которая в настоящее время не используется и никогда не использовалась в сельскохозяйственных целях или когда-то была пахотной землей, которая в настоящее время занята инфраструктурой, поэтому она больше не может рассматриваться как потенциально доступная для сельскохозяйственных целей.

Входные карты

Для использования в качестве входных данных мы собрали карты, которые предоставляют нам следующую информацию:

1. Оставление пахотных земель, полученных на основе данных дистанционного зондирования, таких как заброшенные земли из алькантары 21 , заброшенная земля от Прищепова 15 , так далее.

2. Серия годовых карт растительного покрова, таких как MODIS растительный покров 29 и ТПП земного покрова 13 , Эти карты предоставляют дополнительную информацию о переходе растительного покрова от одного типа к другому, например, с пахотных земель на пастбища, кустарники или леса.

3. Карты растительного покрова и карты пахотных земель на 2010 год. На 2010 год доступно гораздо больше карт растительного покрова, чем в предыдущие годы. Некоторые карты на 2010 год более точны, чем карты на 2000 год и старше, поскольку можно получить более качественные данные о тренировках за последние годы, например, GlobeLand30 30 за 2010 год по сравнению с 2000 годом. Мы считаем, что эти карты полезны для разграничения активных пахотных земель на 2010 год и других классов земного покрова с высокой точностью, например воды, леса и голой земли.

Таблица 1 перечисляет карты земельного покрова и землепользования, которые мы использовали в качестве входных данных для создания гибридной карты, и соответствие классам землепользования пахотных земель, пахотных заброшенных земель и других видов землепользования. Затем мы передискретизировали наборы входных данных до целевого разрешения 10 угловых секунд. На первом этапе мы упростили легенды, объединив некоторые классы земного покрова, которые похожи, но не имеют отношения к сельскому хозяйству, например, различные типы лесов ( Дополнительная таблица S1 ). Затем мы агрегировали эти карты с более низким разрешением, чем 10 угловых секунд, с разрешением 10 угловых секунд: для категориальных данных мы применяли правило большинства, а для непрерывных данных вычисляли среднее. Затем мы пересэмплировали все карты в одну и ту же сетку, применяя метод ближайшего соседа. Наконец, мы преобразовали непрерывные переменные (например, процент пахотных земель) в категориальные, используя порог 50%. Таблица 1 также показывает пространственное и временное покрытие каждого набора входных данных.

Таблица 1: Классы землепользования и охват наборов входных данных.

Geo-Wiki справочные данные по заброшенной земле

Мы собрали справочные данные об заброшенных землях с помощью платформы Geo-Wiki (http://geo-wiki.org), которая позволяет пользователям классифицировать изображения Google Earth и Bing VHR. Пример интерфейса приведен в фигура 2 , Синяя рамка соответствует 10-секундному пикселю; в верхнем левом углу находится ползунок времени для просмотра доступных исторических изображений в этом месте, в то время как пользователь выбирает классы на правой панели.

Рисунок 2: Снимок экрана интерфейса Geo-Wiki для сбора данных об обучении экспертов.

Двадцать экспертов из сети IIASA Geo-Wiki вместе с партнерами из проекта AGRICISTRADE приняли участие в кампании по классификации изображений; вместе они собрали информацию примерно в 15 тысяч баллов. Эти экспертные данные были затем использованы для обучения байесовской сети для объединения входных данных в гибридный продукт.

В рамках процесса сбора данных мы попросили экспертов определить, имеет ли каждый пиксель более 50% пахотных земель, 50% заброшенных пахотных земель или 50% других земель. Когда было невозможно определить уникальный класс, эксперты имели возможность выбрать «Не уверен» (см. фигура 2 ). Мы исключили места «Не уверен» при обучении байесовской сети. Эксперты изучили как исторические изображения в каждом месте, так и исторические профили NDVI. Рисунок 3 предоставляет пример того, как исторические изображения VHR в Geo-Wiki использовались для идентификации заброшенной земли в двух разных случаях. В частности, увеличилось количество кустов с течением времени, что отчетливо видно в Рисунок 3 является визуальным признаком заброшенности. Заброшенные земли могут включать в себя не только заброшенные пахотные земли, но и заброшенные пастбища.

(a1) Координаты 55.18 N 83.04 E. На снимке 2004 г. показаны пахотные земли. (a2) Координаты 55.18 N 83.04 E. Изображение 2013 г. - заброшенная земля. (b1) Координаты 56,02 N 37,88 E. На снимке 2007 года показаны пахотные земли. (b2) Координаты 56,02 N 37,88 E. Изображение с 2016 года и фотография наземной правды с 2015 года подтверждают, что теперь это заброшенная земля.

Байесовская сеть

Мы объединили входные наборы данных с набором справочных данных Geo-Wiki, используя байесовскую сеть, чтобы создать гибридную карту пахотных и заброшенных земель. Было показано, что наивный байесовский классификатор хорошо работает в задачах классификации, например 38 , 39 , Одним из преимуществ этого метода является легкость, с которой он включает источники входных данных, которые имеют различные классификации. Это означает, что нет необходимости переводить классы растительного покрова в одну и ту же легенду, например, карта прироста леса Хансена может указывать районы, где прирост леса имел место на ранее возделанных сельскохозяйственных землях. 39 , Кроме того, некоторые из наборов входных данных предоставляют информацию только для части региона БСС, например 1 , 15 , 21 но наивный байесовский классификатор может обрабатывать недостающие данные. Наконец, этот подход позволяет нам использовать входные данные с различными временными размерами. Мы рассматривали набор справочных данных Geo-Wiki как правду.

Мы применили наивный байесовский классификатор следующим образом. Пусть G i - это правда в местоположении i , а {S} = {S 1 i, S 2 i,…, S k i} - показания k спутников в этом местоположении. В общем, набор спутниковых наблюдений (входных карт) можно разбить на условно независимые подмножества: {S} = {{S (1)}, {S (2)},…, {S (J)}}, где J ≤ K - количество таких подмножеств. Используемая формула Байеса: (1) Pr (G | {S}) = Pr ({S} | G) Pr ({S}) = ∏ j Pr ({S (j)} | G) Pr (G ) ∑ g ∏ j Pr ({S (j)} | G = g) Pr (G = g)

Мы оценили условные вероятности Pr ({S (j)} | G) из таблиц сопряженности для классификаций, полученных с помощью Geo-Wiki, и k-й классификации входных карт. Предполагаемые априорные вероятности для региона Pr (G) принимались равными.

Если данные доступны только для подмножества {S *} из {S} и отсутствуют для остальных, обозначаемых здесь как {S ¯}, то вероятность становится равной: (2) Pr (G | {S *}) = ∑ S ¯ ∏ S Pr (S | G) Pr (G) ∑ g ∑ S ¯ ∏ S Pr (S | G = g) Pr (G = g) = ∏ S * Pr (S | G) Pr (G) ∑ g ∏ S * Pr (S | G = g) Pr (G = g)

потому что ∑ Pr (S | G) = 1. Таким образом, если информация не доступна из данного источника входных данных, соответствующие термины просто исключаются из модели.

Обычно после заброшенности сельскохозяйственные угодья превращаются в другой класс растительного покрова - пастбища, кустарники или леса. Эта трансформация зависит от воздействия человека, биоклиматической зоны, высоты и других факторов. Поэтому наивный байесовский классификатор был запущен на уровне экозоны 40 чтобы очертить различные процессы трансформации, которые следуют после того, как земля оставлена. Например, заброшенные пахотные земли в лесных регионах Украины и Беларуси будут накапливаться годами, а заброшенные пахотные земли в степных районах Сибири и в Казахстане будут превращаться в луга. Обратите внимание, что изначально мы провели серию тестов с разными слоями, такими как весь регион исследования или с национальными границами. Однако это привело к массовой переоценке заброшенных земель и поэтому было оставлено в пользу стратификации экозоны.

В результате применения байесовского подхода мы получили карту вероятности пахотных земель, заброшенных пахотных земель и других земель (сумма 1 в каждом пикселе). Затем мы выбрали класс с наибольшей вероятностью в каждом пикселе, чтобы получить конечный продукт гибридной карты.

Ниже приведен пример того, как наивный байесовский классификатор работает на уровне пикселей, используя простую ситуацию, когда доступны наблюдения только двух спутников SA и SB. Спутник SA классифицирует наблюдения на 3 класса, A1, A2 и A3, тогда как спутник SB классифицирует наблюдения на 2 класса, B1 и B2. Условные вероятности наблюдения каждого из классов в пахотной земле, или заброшенной пахотной земле, или другой земле даны в Таблица 2 а также Таблица 3 соответственно G1, G2, G3. Таким образом, например, спутник SA назначит заброшенную землю классам A1, A2 и A3 с вероятностями 0,8, 0,2 и 0,0 соответственно, и эти вероятности будут суммироваться в единицу. Эти вероятности рассчитываются из справочных данных Geo-Wiki по заброшенной земле.

Предположим теперь, что мы хотим оценить вероятность того, что ячейка, назначенная классам А1 и В2 спутниками SA и SB соответственно, является пахотной. Если предположить, что априорные вероятности каждого класса (G1, G2, G3) равны 1/3 (мы округлили его до 0,3), то: Pr (G 1 | A 1, B 2) = = Pr (G 1 | C 1) Pr (B 2 | G 1) Pr (G 1) Pr (A 1 | G 1) Pr (B 2 | G 1) Pr (G 1) + Pr (A 1 | G 2) Pr (B 2 | G 2) Pr (C 2) + Pr (A 1 | G 3) Pr (B 2 | G 3) Pr (G 3) = 0,8 * 0,4 * 0,3 0,8 * 0,4 * 0,3 + 0,1 * 0,8 * 0,3 + 0,1 * 0,5 * 0,3 = 0. 86,

Обратите внимание, что классы для двух спутников не должны быть каким-либо образом совместимыми, и при этом они не должны сильно коррелировать с интересующей переменной G с точки зрения производительности оценщика. Наилучшие результаты достигаются, когда для любого источника и класса C Pr (C | G1) существенно отличается от Pr (C | G2) или Pr (C | G3). С другой стороны, можно видеть, что когда Pr (C | G1) = Pr (S | G2) = Pr (C | G3) для любого класса, апостериорное распределение Pr (G1 | {S *}) всегда будет равно предварительное распределение Pr (G1). Таким образом, наблюдения будут совершенно неинформативными.

Представленная здесь методология может быть использована для картирования заброшенных земель в других регионах мира. Необходимы два компонента: (i) входные карты земельного покрова, пахотных земель и заброшенных пахотных земель (если имеются), соответствующие интересующим регионам; и (ii) набор справочных данных по заброшенным пахотным землям. Последний набор данных может быть собран из полевых данных или из спутниковых данных очень высокого разрешения с использованием приложения, такого как Geo-Wiki или Collect Earth ( http://www.openforis.org/tools/collect-earth.html ). Пространственное разрешение карты, составленной с использованием описанной здесь методологии, должно зависеть от размера оставленных полей.

Похожие