Методы робастного разукрупнения данных и проекций при неопределенностях: исследования изменений земельного покрова и землепользования

Abstract

Рассмотрены взаимозависимости между системами землепользования на локальном, национальном и глобальном уровнях, которые обусловливают необходимость разработки новых методов системного анализа для интеграции моделей землепользования разных масштабов. Разработаны новые общие подходы получения разукрупненных оценок на основании принципа кросс-энтропии, которые робастны относительно множества возможных праеров. Методы робастного разукрупнения учитывают так называемые небайесовские неопределенности, т.е. неполноту, отсутствие, ошибки в данных. В многочисленных практических исследованиях, проведенных в Китае, странах Африки, Бразилии, Украине, предложенные подходы позволили получить локальные прогнозы развития и изменения землепользования, соответствующие реальным тенденциям и ожиданиям.

Розглянуто взаємозалежності між системами землекористування на локальному, національному та глобальному рівнях, які обумовлюють необхідність розроблення нових методів системного аналізу для інтеграції моделей землекористування різних масштабів. Розроблено нові загальні підходи одержання розукрупнених оцінок на підставі принципу крос-ентропії, які є робастними відносно чисельності можливих праерів. Методи робастного розукрупнення враховують так звані небаєсівські невизначеності, тобто неповноту або відсутність даних, помилки у них. У чисельних практичних дослідженнях, проведених у Китаї, країнах Африки, Бразилії та Україні, запропоновані підходи дозволили отримати локальні прогнози розвитку і зміни землекористування відповідно до реальних тенденцій і очікувань.

The interdependencies among land use systems at national and global levels motivate the development of advanced systems analysis approaches for integration of land use models operating at different scales. The paper develops novel general approaches based on cross-entropy principle for downscaling aggregate data and projections, which are robust with respect to feasible priors. Robust downscaling methods account for the so-called non-Bayesian uncertainties, i.e., not complete, unobservable, or erroneous information or data. In numerous case studies in China, Ukraine, Brazil, the approaches allowed to derive local development projections of land use and land use change consistently with existing trends and expectations.