ISSN 0137-0944
eISSN 2949-6144
En Ru
ISSN 0137-0944
eISSN 2949-6144
Прогнозирование изменения категорий наземного покрова с использованием статистических и нейросетевых моделей

Прогнозирование изменения категорий наземного покрова с использованием статистических и нейросетевых моделей

Аннотация

В работе представлены результаты комплексного анализа и прогнозирования процессов смены категорий наземного покрова и их интерпретации в контексте проблематики деградации земель в Нукусском районе Каракалпакстана. Исследование основано на интеграции данных дистанционного зондирования Земли, климатической и социально-экономической информации и методов статистического и нейросетевого моделирования. На первом этапе на основе данных модуля Trends.Earth проведен анализ динамики площадей пастбищ, пахотных земель, застроенных и пустынных земель в период 2001–2022 гг. Установлено, что ключевой особенностью трансформации анализируемой территории за указанный период является сокращение сельскохозяйственных земель при одновременном расширении застроенных земель.Для краткосрочного прогнозирования (до 2028 г.) применена модель ARIMA, позволяющая учитывать автокорреляцию временных рядов и структурные сдвиги в динамике показателей. Полученные результаты указывают на дальнейшее усиление урбанизационного давления на сельскохозяйственные угодья; фиксируется дальнейшее сокращение пахотных земель и пастбищ при сохранении высоких темпов роста застроенных земель. Долгосрочное прогнозирование изменений наземного покрова выполнено с использованием пространственного моделирования на основе алгоритма клеточных автоматов и искусственных нейронных сетей (CA-ANN), реализованного в модуле MOLUSCE. Модель учитывала влияние комплекса природных и антропогенных факторов, точность моделей оказалась высока (коэффициент каппа до 0,95). Сравнительный анализ результатов статистического и пространственного моделирования показал согласованность прогнозируемых тенденций: сокращение площади пахотных земель и пастбищ, рост застроенных земель и относительную стабильность пустынных ландшафтов.

Литература

1. Жолдасов А.С. Пастбищное животноводство Республики Каракалпакстан и особенности его развития// Экономика и социум. 2023. № 3–2. C. 484–489.https://doi.org/10.5281/zenodo.7884344 2. Хамзина Т., Конюшкова М.В., Нечаева Н. Адаптация землепользования для предотвращения негативного воздействия изменения климата на продуктивность орошаемых пахотных земель в Нукусском районе (Узбекистан) // Продовольственная безопасность в Евразийском регионе 2019: тематические исследования. М, 2020.C. 23–39. 3. Agency of statistics under the President of the Republic of Uzbekistan.Agriculture[Электронный ресурс]. URL: https://stat.uz/ru/ofitsialnaya-statistika/agriculture (дата обращения к ресурсу: 17.03.2026). 4. Arteaga J., Fort H. Effective short-term forecasting strategies to improve LULC projections in threatened ecosystems // Journal of Geophysical Research: Biogeosciences. 2025. Vol. 130, № 12. P. 1–10. https://doi.org/10.1029/2025JG009485 5. BhatnagarA.Desertification and land degradation: concept to combating. Boca Raton: CRC Press, 2022. 400 p. https://doi.org/10.1201/9781351115629 6. BolT.T., RandhirT.O. Predicting land use and land cover changes in the Chindwin river watershed of Myanmar using multilayer perceptron-artificial neural networks// Land. 2024. Vol. 13,№ 8. P. 1160. https://doi.org/10.3390/land13081160 7. ChenZ., YuB., YangC. et al. An extended time series (2000–2018) of global NPP-VIIRS-like nighttime light data from a cross-sensor calibration// Earth Syst. Sci. Data. 2021. Vol. 13,№ 3. P. 889–906. https://doi.org/10.5194/essd-13-889-2021 8. Conservation international. Trends.Earth: tracking land change[Электронныйресурс].URL: https://docs.trends.earth/en/latest/index.html (дата обращенияк ресурсу: 20.02.2026). 9. Copernicus Climate Change Service. ERA5-Land monthly averaged data from 2001 to present. ECMWF, 2019. 10. DidanK. MODIS/Terra Vegetation Indices 16-Day L3 Global 250m SIN Grid V061. NASA Land Processes Distributed Active Archive Center, 2021. 11. Giuliani G., Mazzetti P., Santoro M. et al.Knowledge generation using satellite earth observations to support sustainable development goals (SDG): A use case on Land degradation // International Journal of Applied Earth Observation and Geoinformation. 2020. Vol. 88. Art. 102068. https://doi.org/10.1016/j.jag.2020.102068 12. Gonzalez-Roglich M., Zvoleff A., Noon M. et al. Synergizing global tools to monitor progress towards land degradation neutrality: Trends.Earth and the World Overview of Conservation Approaches and Technologiessustainable land management database // Environmental Science & Policy. 2019. Vol. 93. P. 34–42. https://doi.org/10.1016/j.envsci.2018.12.019 13. Lukas P., Melesse A.M., Kenea T.T. Prediction of future land use/land cover changes using a coupled CA–ANN model in the Upper Omo–Gibe river basin, Ethiopia // Remote Sensing. 2023. Vol. 15, № 4. Art. 1148. https://doi.org/10.3390/rs15041148 14. Nadoushan M.A., Soffianian A., Alebrahim A. Modeling land use/cover changes by the combination of Markov Chain and Cellular Automata Markov (CA-Markov) models // International Journal of Earth, Environment and Health. 2015. Vol. 1, № 1. P. 16–21. https://doi.org/10.4103/WKMP-0092.159922 15. NASA JPL. NASA Shuttle Radar Topography Mission Global 1 arc second. NASA Land Processes Distributed Active Archive Center, 2013. 16. NEXTGIS. MOLUSCE 5.0: NextGIS documentation. Supplementary software: Pluginsfor QGIS [Электронныйресурс]. URL: https://docs.nextgis.ru/docs_ngqgis/source/molusce.html?ysclid=mdx5iz9p74958854706 (дата обращения к ресурсу: 04.02.2026). 17. Open Spatial Demographic Data and Research [Электронныйресурс]. URL: https://www.worldpop.org/ (дата обращенияк ресурсу: 23.03.2026). 18. OpenStreetMap[Электронный ресурс]. URL: https://www.openstreetmap.org (дата обращенияк ресурсу: 02.02.2026). 19. Ouma Y.O., Nkwae B., Odirile P. et al.Land-use change prediction in dam catchment using logistic regression-CA, ANN-CA and random forest regression and implications for sustainable land–water nexus // Sustainability. 2024. Vol. 16, № 4. Art. 1699. https://doi.org/10.3390/su16041699 20. Pesaresi M. GHS-BUILT-S R2023A - GHS built-up surface grid, derived from Sentinel2 composite and Landsat, multitemporal (1975-2030). European Commission, Joint Research Centre (JRC), 2023. 21. PontiusR.G., MillonesM. Death to Kappa: birth of quantity disagreement and allocation disagreement for accuracy assessment// Int. J. Remote Sens. 2011. Vol. 32,№ 15. P. 4407–4429. https://doi.org/10.1080/01431161.2011.552923 22. SoilGrids 2.0. [Электронный ресурс].URL: https://soilgrids.org/ (дата обращения к ресурсу: 11.03.2026). 23. Uddin M.S., Mahalder B., Mahalder D. Assessment of land use land cover changes and future predictions using CA-ANN simulation for Gazipur City Corporation, Bangladesh // Sustainability. 2023. Vol. 15, № 16. Art. 12329. https://doi.org/10.3390/su151612329 24. United Nations Convention to Combat Desertification. Good Practice Guidance. SDG Indicator 15.3.1: Proportion of Land That Is Degraded Over Total Land Area. Version 2.0. Bonn: UNCCD, 2021. 148 p. 25. Zimba H.M., Banda K.E., Mbewe S. et al. Integrated use of the CA–Markov model and the Trends.Earth module to enhance the assessment of land cover degradation // Environmental Systems Research. 2024. Vol. 13. Art. 25. https://doi.org/10.1186/s40068-024-00355-6 Поступила в редакцию 05.06.2026 После доработки 04.07.2026 Принятакпубликации20.07.2026

Поступила: 05.06.2026

Принята к публикации: 20.07.2026

Дата публикации в журнале: 20.11.2026

Ключевые слова: ARIMA; CA-ANN; MOLUSCE; устойчивое землепользование; Каракалпакстан; дистанционное зондирование; нейтральный баланс деградации земель

DOI Number: 10.55959/MSU0137-0944-17-2026-81-4-121-131

Доступно в on-line версии с: 18.11.2026

  • Для цитирования статьи:
Номер 4, 2026