토지 변경 모델링

Land change modeling
삼림 벌채(여기 볼리비아에서 볼 수 있음)는 전 세계적으로 토지 변화의 주요 원동력이며, 종종 토지 변화 모델의 주제이기도 합니다.

LCM(Land Change Model)은 토지 이용 및 토지 커버의 변화를 기술, 투영 및 설명한다.LCM은 인간이 과거, 현재, 그리고 미래에 지구 표면을 바꾸는 방법을 이해하는 수단이다.

토지 변경 모델은 개발 정책에 있어서 가치가 있으며, 작은 땅 조각에서 전체 공간 [1][2]범위에 이르는 다양한 규모의 자원 관리와 자연 환경을 위한 보다 적절한 결정을 이끌어 내는 데 도움이 됩니다.게다가 land-cover, 환경 및 사회 경제적 데이터(뿐만 아니라 이내에 기술적 인프라)내에 발전 지원과 영향 국내외로부터 주목을 받아 점점 더 글로벌개의 문제에 초점을 맞추고 있는human-environment systems,[1]에 영향을 미치는 결정을 도와 줄 땅 변화 모델링의 기회 증가했다.나는변화와 지속가능성을 먹었다.

중요성

불도저는 종종 개발이나 농업을 위해 땅을 개간하는 데 사용됩니다.

토지 시스템의 변화는 모든 규모의 기후 및 환경 변화에 영향을 미친다.따라서 토지시스템에 관한 결정과 정책은 이러한 변화에 대응하고 보다 지속 가능한 사회와 [3]지구를 위해 일하는 데 매우 중요하다.

토지 변경 모델은 토지 시스템 전체의 변화에 대한 관심이 높아지고 [3][4]있는 상황에서 토지 시스템을 긍정적인 사회 및 환경적 결과로 이끄는 데 도움이 되는 능력에 있어 중요하다.

지난 수십 년 동안 수많은 과학계와 실무자 커뮤니티가 토지 변경 모델링에서 데이터의 양과 품질을 향상시킬 수 있었습니다.그것은 토지 변경 모델에서의 방법과 기술의 개발에 영향을 미쳤다.개발된 다수의 토지 변경 모델은 토지 시스템 변화를 다루는 능력에 있어 중요하며 다양한 과학 [3]및 실무 커뮤니티에서 유용하다.

과학계에 있어서 토지변화 모델은 토지변화의 이론과 개념, 그리고 인간-환경 관계와의 연관성을 시험하는 능력, 그리고 이러한 역학이 실제 세계의 [3]관찰 없이 미래의 토지 시스템을 어떻게 변화시키는지 탐구하는 능력에서 중요하다.

토지 변경 모델링은 공간적 토지 시스템, 용도 및 커버 탐색에 유용합니다.토지 변화 모델링은 기후, 생태, 생물 지구 화학적, 생물 지구물리학적, 사회경제적 모델과 연계함으로써 토지 이용과 토지 커버의 역학 내에서 복잡성을 설명할 수 있다.또한, LCM은 공간 범위 내의 토지 시스템 역학 유형 및 복잡성에 따라 공간적으로 명확한 결과를 도출할 수 있다.많은 생물물리학적 및 사회경제적 변수는 토지 [3]변화 모델링에 영향을 미치고 다양한 결과를 낳는다.

모델의 불확도

일본에서 온 이 이미지에는 육지 변화가 보인다.모델은 위성 사진만큼 확실할 수 없다.

모든 토지 변경 모델의 주목할 만한 특성은 모델 구조, 매개변수 값 및/또는 입력 데이터에 일정 수준의 불확실성이 있다는 것이다.예를 들어, 토지 변경 모델 내의 한 가지 불확실성은 토지 변경 과정에 존재하는 시간적 비정상성의 결과이므로, 모델이 미래에 적용될수록 더 불확실해진다.[5][6]토지 변경 모델의 또 다른 불확실성은 물리적 원리(즉, 표면 유형학) 내의 데이터와 매개변수 불확실성으로, 물리적 [5]프로세스를 이해하고 예측할 수 있는 불확실성으로 이어진다.

또한 토지 변경 모델 설계는 의사결정과 물리적 과정의 산물이다.인간에 의한 사회경제적 및 생태적 환경에 대한 영향은 토지 커버가 지속적으로 변화하고 때로는 모델 불확실성을 고려하기 때문에 고려해야 한다.모델 불확실성을 피하고 모델 출력을 보다 정확하게 해석하기 위해, 모델 진단을 사용하여 토지 변경 모델과 공간 범위의 실제 토지 시스템 간의 연관성에 대해 더 잘 이해한다.모델 불확실성 문제가 있는 모델 진단의 전반적인 중요성은 상호작용하는 프로세스와 경관이 어떻게 표현되는지를 평가할 수 있는 능력뿐만 아니라 경관과 [5]그 프로세스 내의 불확실성도 평가해야 한다.

접근

기계학습 및 통계모델

머신러닝 어프로치에서는, 과거의 토지 커버 데이터를 사용해 장래의 토지 변경 상황을 평가해, 대규모 데이터 세트에 최적입니다.기계 학습 및 통계 모델에는 여러 가지 유형이 있다. 2011년부터 멕시코 서부에서 실시된 연구에 따르면, 한 모델은 뉴럴 네트워크를 사용하고 다른 한 모델은 단순한 증거 [7]가중치 모델을 사용했기 때문에 외견상 유사한 두 모델의 결과가 상당히 달랐다.

셀룰러 모델

셀 토지 변경 모델은 다양한 유형의 토지 사용에 대한 적합도 지도를 사용하고, 서로 바로 인접한 지역을 비교하여 미래의 변화를 예측한다.셀룰러 모델의 셀 스케일 변화는 모델 출력에 [8]큰 영향을 미칠 수 있습니다.

섹터 기반 및 공간적으로 세분화된 경제 모델

경제 모델은 수요와 공급의 원칙에 기초한다.그들은 어떤 토지가 바람직한지, 어떤 토지가 폐기될지를 예측하기 위해 수학적 매개변수를 사용한다.이들은 2003년 [9]중국 남부의 고밀도 진주강 삼각주에 대한 연구와 같은 도시 지역을 위해 자주 건설된다.

에이전트 기반 모델

에이전트 기반 모델은 독립적인 선택을 하는 많은 개인의 행동을 시뮬레이션하고 이러한 선택이 전체 환경에 어떤 영향을 미치는지 확인하려고 합니다.에이전트 기반 모델링은 복잡할 수 있습니다. 예를 들어 2005년 연구에서는 에이전트 기반 모델과 컴퓨터 기반 유전자 프로그래밍을 결합하여 멕시코 [10]유카탄 반도의 토지 변화를 조사했습니다.

하이브리드 어프로치

많은 모델은 위의 접근 방식 중 하나에 국한되지 않습니다. 즉, 완전히 포괄적이고 정확한 모델을 개발하기 위해 여러 모델을 결합할 수 있습니다.

평가하기

목적

토지 변경 모델은 공간 할당 및 변화량 측면에서 모델의 예측력 성능을 평가하고 정량화하기 위해 평가된다.모델을 평가하면 모델 제작자가 모델의 성능을 평가하여 "모델의 출력, 데이터 측정 및 데이터 매핑 및 모델링"을 편집할 수 있습니다.모델 평가의 목적은 "올바른" 결과를 최대화하기 위한 단일 메트릭 또는 방법을 개발하는 것이 아니라 모델 출력을 평가하고 학습하여 특정 애플리케이션에 더 나은 모델을 생성하는 도구를 개발하는 것입니다.

방법들

토지 변경 모델링에는 프로세스 검증과 패턴 검증의 두 가지 유형이 있습니다.프로세스 검증에서는 "모델 내의 프로세스와 실제 환경에서 작동하는 프로세스" 간의 일치를 비교합니다.프로세스 검증은 에이전트 기반 모델링에서 가장 일반적으로 사용되며, 모델러는 모델의 랜드 변경을 결정하는 프로세스를 알리기 위해 행동과 결정을 사용합니다.패턴 검증은 모델 출력(예측된 변화)과 관찰된 출력(예측된 변화)[2]을 비교합니다.3가지 지도 분석은 패턴 검증에 일반적으로 사용되는 방법으로 시각 1의 기준 지도, 시각 2의 기준 지도, 시뮬레이션 시각 2의 지도 등 3가지 지도를 비교한다.그러면 픽셀이 다음 5가지 카테고리 중 하나로 분류되는 3가지 맵이 교차 비교됩니다.

토지 변경 모델을 검증하기 위해 사용되는 3가지 지도 비교의 예.
  • 조회 수: 참조 변경이 변경으로 올바르게 시뮬레이션됩니다.
  • 누락: 참조 변경이 지속성으로 잘못 시뮬레이션됨
  • 거짓 경보: 기준 데이터의 지속성이 변경으로 잘못 시뮬레이션됩니다.
  • 올바른 거부: 지속성으로 올바르게 시뮬레이션된 참조 변경
  • 잘못된 조회 수: 참조 변경은 변경과 동일하게 시뮬레이션되지만[12] 잘못된 획득 범주에 대해 시뮬레이션됨

세 가지 맵 비교에는 오류와 올바르게 시뮬레이션된 픽셀이 모두 포함되므로 할당 오류와 수량 오류가 모두 시각적으로 표현됩니다.

싱글 요약 메트릭은 LCM 평가에도 사용됩니다.모델 작성자가 모델을 평가하는 데 사용한 단일 요약 메트릭이 많이 있으며, 모델을 서로 비교하는 데 종종 사용됩니다.이러한 메트릭 중 하나는 Figure of Merit(FoM)로, 3 맵 비교에서 생성된 히트, 미스 및 폴스 알람 값을 사용하여 기준과 시뮬레이션된 [11]변화 간의 교차를 나타내는 퍼센티지 값을 생성합니다.단일 요약 메트릭으로 중요한 정보를 난독화할 수 있지만 FoM은 특히 히트, 미스 및 폴스 알람 값이 보고될 때 유용합니다.

개선점

교정과 검증의 분리는 모델링 과제로서 다루어져야 할 과제로 확인되었습니다.이는 일반적으로 모델러들이 첫 번째 기간 이후의 정보를 사용하기 때문에 발생합니다.이로 인해 지도의 정확도가 모형의 실제 [13]예측력보다 훨씬 높은 것으로 나타날 수 있습니다.현장 내에서 논의된 추가 개선사항에는 3가지 지도 비교를 통해 수행할 수 있는 할당 오류와 수량 오류 간의 차이를 특성화하는 것뿐만 아니라 토지 변경 모델의 [13]분석에서 관측된 변화와 예측된 변화를 모두 포함한다.단일 요약 지표는 과거에 지나치게 의존하여 LCM을 평가할 때 유용한 수준이 다양합니다.최적의 단일 요약 지표에서도 중요한 정보가 누락되는 경우가 많습니다.또한 FoM 등의 메트릭을 생성하기 위해 사용되는 맵이나 값과 함께 보고함으로써 필요한 정보를 전달할 수 있기 때문에 다른 정보를 얻을 수 있습니다.난독화되다[14]

도입 기회

과학자들은 LCM을 사용하여 다양한 인간 및 환경 [15]역학을 위한 토지 변경 모델링 이론을 구축하고 테스트합니다.토지 변경 모델링은 의사결정, 정책, 공공 및 개인 도메인의 실제 적용 등 많은 과학 및 실무 분야에서 다양한 구현 기회를 제공합니다.토지변화 모델링은 토지변화 과학의 핵심 요소이며, LCM을 사용하여 토지 커버 및 기후에 대한 장기적인 결과를 평가한다.과학 분야에서는 LCM을 사용하여 토지 변경 이론을 공식화 및 테스트하고 토지 변경 모델링의 다양한 시나리오를 탐색 및 실험합니다.실무 분야에서는 정책과 행동에 대한 적절한 지침, 한계 및 원칙을 설정하기 위해 LCM을 사용하여 현재의 토지 변화 추세를 분석하고 정책 또는 조치의 미래 결과를 탐색한다.연구 및 실무자 커뮤니티는 토지-기후 상호작용, 물의 양과 품질, 식품과 섬유 생산, 도시화, 인프라 및 건설 [15]환경과 관련된 주제를 다루기 위해 토지 변화를 연구할 수 있다.

개선과 진보

토지 관측 전략 개선

항공 촬영은 위성 이미지 및 지상 데이터와 함께 토지 변경 모델을 개선하기 위해 사용될 수 있습니다.

더 나은 데이터와 사용 가능한 데이터 및 모델과의 통합을 통해 토지 변경 모델링을 개선할 수 있습니다.개선된 관측 데이터는 모형 품질에 영향을 미칠 수 있습니다.사회경제적 및 생물지질학적 데이터와 통합할 수 있는 보다 미세한 공간 및 시간적 해상도 데이터는 토지 변화 모델링이 사회경제적 및 생물지질학적 모델링 유형을 결합하는 데 도움이 될 수 있다.토지 변경 모델러는 데이터를 보다 세부적으로 평가해야 합니다.미세 데이터는 모델의 기본 구조에 대한 더 나은 개념적 이해를 제공하고 토지 이용의 추가 차원을 포착할 수 있다.위성 기반 토지 이용 정보와 토지 관리 정보를 연결하기 위해 소형 위성 커버리지, 화상 처리 알고리즘 및 기타 새로운 데이터를 통해 공중 기반 및 측량 기반 관측 데이터의 시간적 및 공간적 연속성을 유지하는 것이 중요하다.모델의 예측 능력을 개선하고 대체 [2]정책의 결과를 평가하기 위해 토지 변화 행위자와 그들의 신념, 선호도 및 행동에 대한 더 나은 정보를 얻는 것도 중요하다.

모델 선택과 모델 목표의 일치

모델 선택을 모델 목표에 맞게 조정하더라도 토지 변경 모델링의 한 가지 중요한 개선이 이루어질 수 있습니다.관심 있는 특정 연구의 과학적 및 적용 상황에 따라 적절한 모델링 방식을 선택하는 것이 중요합니다.예를 들어 정책 및 정책 행위자를 염두에 두고 모델을 설계해야 할 경우 에이전트 기반 모델을 선택할 수 있습니다.여기서, 구조적 경제 또는 대리인 기반 접근법은 유용하지만, 많은 생태 시스템과 마찬가지로 토지 변화의 특정 패턴과 경향은 유용하지 않을 수 있다.문제 식별의 초기 단계를 파악해야 하고, 따라서 토지 변화의 과학적 패턴과 추세를 이해해야 할 때, 기계 학습과 세포 접근법이 유용하다.[2]

긍정적이고 규범적인 접근법 통합

토지 변경 모델링은 또한 토지 시스템의 증거 기반 계정에 기초한 설명과 예측에 대한 긍정적이고 규범적인 접근방식을 더 잘 통합해야 한다.또한 최적화 접근방식을 통합하여 가장 유익한 결과와 그러한 결과를 [2]도출할 수 있는 프로세스를 탐색해야 한다.

규모에 관계없이 통합

규모에 관계없이 데이터를 더 잘 통합하는 것이 중요합니다.모델 설계는 지배적인 프로세스와 특정 규모의 응용 프로그램 및 공간 범위에서 얻은 데이터를 기반으로 합니다.시간적 및 공간적 척도 간의 교차 스케일 역학 및 피드백은 모델의 패턴과 프로세스에 영향을 미칩니다.텔레커플링, 간접 토지 이용 변화, 다단계 기후 변화에 대한 적응과 같은 프로세스는 교차 스케일 역학에 의한 더 나은 표현이 필요합니다.이러한 프로세스를 구현하려면 [16]전체 규모의 피드백 메커니즘을 더 잘 이해해야 합니다.

연구 인프라 및 사이버 인프라 지원 기회

모델링 환경, 프레임워크 및 플랫폼이 지속적으로 재창조됨에 따라 토지 변경 모델링은 더 나은 연구 인프라 지원을 통해 개선될 수 있습니다.예를 들어, 모델 및 소프트웨어 인프라 개발은 토지 변경 모델링 커뮤니티 구성원에 의한 이니셔티브의 중복을 방지하고, 토지 변경 모델링에 대해 공동 학습하며, 토지 변경의 영향을 평가하기 위한 모델을 통합하는 데 도움이 될 수 있다.데이터 인프라가 개선되면 이기종 데이터 소스의 컴파일, 큐레이션 및 비교를 지원하기 위해 더 많은 데이터 리소스를 제공할 수 있습니다.커뮤니티 모델링과 거버넌스를 개선하면 구체적이고 달성 가능한 목표를 가진 커뮤니티 내에서 의사결정 및 모델링 기능을 향상시킬 수 있습니다.커뮤니티 모델링과 거버넌스는 모델링과 데이터 기능을 [17]발전시키기 위한 구체적인 목표에 대한 커뮤니티 합의를 이끌어내기 위한 첫걸음을 내딛습니다.

클라우드 소스, 분산 데이터 "마이닝" 및 고성능 컴퓨팅 개선과 같은 사이버 인프라의 현대적 발전을 통해 토지 변경 모델링의 많은 현대적 과제를 해결할 수 있습니다.모델러는 구조 모델을 보다 효율적으로 구성, 보정 및 검증하기 위해 더 많은 데이터를 찾는 것이 중요하기 때문에 개별 동작에 대한 대량의 데이터를 분석할 수 있는 능력이 유용합니다.예를 들어, 모델러는 소비자의 개별 구매 및 소셜 네트워크를 드러내는 인터넷 활동에 대한 POS 데이터를 찾을 수 있습니다.그러나, 크라우드 소싱 개선을 위한 프라이버시와 적절성의 일부 문제는 아직 해결되지 않았다.

Land Change Modeling 커뮤니티는 또한 Global Positioning System과 인터넷 지원 모바일 장치 데이터 배포의 혜택을 누릴 수 있습니다.다양한 구조 기반 데이터 수집 방법을 결합하면 마이크로 데이터의 가용성과 토지 변경 모델링 프로젝트의 결과와 결과를 보는 사람들의 다양성을 개선할 수 있다.예를 들어, 시민이 기부한 데이터는 2010년 지진 이후 아이티에서 우샤히디의 구현을 지원하여 최소 4,000건의 재난 사건에 도움을 주었다.대학, 비영리 기관 및 자원봉사자는 토지 변경 모델링 및 토지 변경 모델링 응용 프로그램에서 긍정적인 결과와 개선을 만들기 위해 이와 같은 이벤트에 대한 정보를 수집해야 합니다.참가자가 에이전트의 마이크로 데이터 수집에 보다 쉽게 참여할 수 있도록 모바일 장치 등의 도구를 사용할 수 있습니다.Google Maps는 일반인과 과학자가 공동으로 제작한 데이터 세트에 클라우드 기반 매핑 기술을 사용합니다.Avaj Otalo의 커피 농부와 같은 농업 분야 예에서는 정보 수집과 대화식 음성으로 휴대폰을 사용했다.

또한 사이버 인프라 개발은 증가하는 데이터 볼륨과 특정 예상 모델 상호작용을 고려할 때 다양한 모델링 접근 방식의 계산 요구를 충족하는 토지 변경 모델링의 능력을 증가시킬 수 있습니다.예를 들어 프로세서, 데이터 스토리지, 네트워크 대역폭의 개발 개선, 고해상도의 [18]토지 변화와 환경 프로세스 모델의 결합 등이 있습니다.

모델 평가

토지 변경 모델링을 개선하는 또 다른 방법은 모델 평가 접근 방식을 개선하는 것입니다.입력 데이터, 모델 매개변수, 초기 조건, 경계 조건 및 모델 구조와 같은 모델 요소에 대한 응답 모델 출력의 변동을 더 잘 이해하기 위해서는 민감도 분석의 개선이 필요합니다.패턴 검증의 개선을 통해 토지 변경 모델러는 지도와 같은 과거 사례에 대해 매개변수로 분류된 모델 출력과 해당 사례에 대한 관측치를 비교할 수 있다.프로세스, 입력 변수 및 경계 조건에서 비정상인 미래 상태의 예측을 개선하기 위해 불확실성 선원의 개선이 필요하다.불확실성 선원을 개선하기 위해 모델 불확실성을 더 잘 인정하고 이해하기 위해 비정상성 가정을 명시적으로 인식하고 비정상성 근거에 대한 데이터를 탐색할 수 있다.구조적 검증의 개선은 질적 [2]및 정량적 측정의 조합을 통해 모델의 프로세스와 실제 세계에서 작동하는 프로세스에 대한 인식과 이해를 개선하는 데 도움이 될 수 있습니다.

「 」를 참조해 주세요.

레퍼런스

  1. ^ a b Brown, Daniel G.; et al. (2014). Advancing Land Change Modeling: Opportunities and Research Requirements. Washington, DC: The National Academic Press. pp. 11–12. ISBN 978-0-309-28833-0.
  2. ^ a b c d e f Brown DG, Verburg PH, Pontius Jr RG, Lange MD (October 2013). "Opportunities to improve impact, integration, and evaluation of land change models". Current Opinion in Environmental Sustainability. 5 (5): 452–457. doi:10.1016/j.cosust.2013.07.012.
  3. ^ a b c d e Brown, Daniel G.; et al. (2014). Advancing Land Change Modeling: Opportunities and Research Requirements. Washington, DC: The National Academic Press. pp. 13–14. ISBN 978-0-309-28833-0.
  4. ^ Briassoulis, Helen (2000). "Analysis of Land Use Change: Theoretical and Modeling Approaches". EconPapers. Archived from the original on 2017-05-15. Retrieved 2017-05-06.
  5. ^ a b c Brown, Daniel G.; et al. (2014). Advancing Land Change Modeling: Opportunities and Research Requirements. Washington, DC: The National Academic Press. pp. 21–22. ISBN 978-0-309-28833-0.
  6. ^ Liu, XiaoHang; Andersson, Claes (2004-01-01). "Assessing the impact of temporal dynamics on land-use change modeling". Computers, Environment and Urban Systems. Geosimulation. 28 (1–2): 107–124. doi:10.1016/S0198-9715(02)00045-5.
  7. ^ Pérez-Vega, Azucena; Mas, Jean-François; Ligmann-Zielinska, Arika (2012-03-01). "Comparing two approaches to land use/cover change modeling and their implications for the assessment of biodiversity loss in a deciduous tropical forest". Environmental Modelling & Software. 29 (1): 11–23. doi:10.1016/j.envsoft.2011.09.011.
  8. ^ Pan, Ying; Roth, Andreas; Yu, Zhenrong; Doluschitz, Reiner (2010-08-01). "The impact of variation in scale on the behavior of a cellular automata used for land use change modeling". Computers, Environment and Urban Systems. 34 (5): 400–408. doi:10.1016/j.compenvurbsys.2010.03.003.
  9. ^ Seto, Karen C.; Kaufmann, Robert K. (2003-02-01). "Modeling the Drivers of Urban Land Use Change in the Pearl River Delta, China: Integrating Remote Sensing with Socioeconomic Data". Land Economics. 79 (1): 106–121. doi:10.2307/3147108. ISSN 0023-7639. JSTOR 3147108. S2CID 154022155.
  10. ^ Manson, Steven M. (2005-12-01). "Agent-based modeling and genetic programming for modeling land change in the Southern Yucatán Peninsular Region of Mexico". Agriculture, Ecosystems & Environment. 111 (1–4): 47–62. CiteSeerX 10.1.1.335.6727. doi:10.1016/j.agee.2005.04.024.
  11. ^ a b Pontius Jr R, Castella J, de Nijs T, Duan Z, Fotsing E, Goldstein N, Kasper K, Koomen E, D Lippett C, McConnell W, Mohd Sood A (2018). "Lessons and Challenges in Land Change Modeling Derived from Synthesis of Cross-Case Comparisons". In Behnisch M, Meinel G (eds.). Trends in Spatial Analysis and Modelling. Geotechnologies and the Environment. Vol. 19. Springer International Publishing. pp. 143–164. doi:10.1007/978-3-319-52522-8_8. ISBN 978-3-319-52520-4.
  12. ^ Varga OG, Pontius Jr RG, Singh SK, Szabó S (June 2019). "Intensity Analysis and the Figure of Merit's components for assessment of a Cellular Automata – Markov simulation model". Ecological Indicators. 101: 933–942. doi:10.1016/j.ecolind.2019.01.057. ISSN 1470-160X.
  13. ^ a b Pontius Jr RG, Boersma W, Castella J, Clarke K, de Nijs T, Dietzel C, Duan Z, Fotsing E, Goldstein N, Kok K, Koomen E (2007-08-16). "Comparing the input, output, and validation maps for several models of land change". The Annals of Regional Science. 42 (1): 11–37. doi:10.1007/s00168-007-0138-2. ISSN 0570-1864. S2CID 30440357.
  14. ^ Pontius Jr, Robert Gilmore; Si, Kangping (2014-01-06). "The total operating characteristic to measure diagnostic ability for multiple thresholds". International Journal of Geographical Information Science. 28 (3): 570–583. doi:10.1080/13658816.2013.862623. ISSN 1365-8816. S2CID 29204880.
  15. ^ a b Brown, Daniel; et al. (2014). Advancing Land Change Modeling: Opportunities and Research Requirements. 500 Fifth Street, N.W. Washington, DC 20001: The National Academy of Sciences. p. 13. ISBN 978-0-309-28833-0.{{cite book}}: CS1 유지보수: 위치(링크)
  16. ^ Brown, Daniel G.; et al. (2014). Advancing Land Change Modeling: Opportunities and Research Requirements. Washington, DC: The National Academic Press. p. 1. ISBN 978-0-309-28833-0.
  17. ^ Brown, Daniel G; et al. (2014). Advancing Land Change Modeling: Opportunities and Research Requirements. Washington, DC: The National Academic Press. pp. 7–8. ISBN 978-0-309-28833-0.
  18. ^ Brown, Daniel G.; et al. (2014). Advancing Land Change Modeling: Opportunities and Research Requirements. Washington, DC: The National Academic Press. pp. 90–98. ISBN 978-0-309-28833-0.