MOLUSCE в мировой науке

Статья подготовлена на основе литературного обзора студентки МГУ Анны Гомбалевской, созданного в рамках стажировки в NextGIS.

MOLUSCE (Modules for Land Use Change Simulations) – модуль для QGIS, разработанный NextGIS совместно с Asia Air Survey. Он позволяет анализировать динамику земного покрова за прошедшие периоды и строить прогнозные модели: куда будет расти застройка, что произойдёт с лесами, как изменится площадь сельхозземель.

За больше чем десять лет с момента презентации на FOSS4G 2013 в Ноттингеме MOLUSCE стал инструментом, который используют исследователи по всему миру. При этом в русскоязычном ГИС-сообществе и академической науке модуль известен заметно меньше, чем за рубежом: подавляющее большинство научных публикаций с его использованием выходит на английском языке и написано зарубежными авторами.

Этот обзор – попытка восполнить пробел и показать, для каких задач исследователи по всему миру применяют MOLUSCE и какие результаты получают, а также обратить внимание русскоязычных исследователей на данный модуль.

Мы изучили некоторые статьи, находящиеся в открытом доступе, и сгруппировали их по тематике: общая динамика землепользования, урбанизация, лесной покров и объекты гидрологии.

Как работает MOLUSCE

Модуль строится вокруг логики: если у вас есть карты земного покрова за два и более периода, можно:

картографически смоделировать фактические изменения между двумя временными срезами;
вычислить вероятности перехода одного класса покрова в другой (например, «лес → пашня» или «пашня → застройка»), построить модель этих переходов с учётом дополнительных факторов – рельефа, расстояния до дорог, плотности населения – и спрогнозировать состояние территории на будущее.

MOLUSCE поддерживает несколько методов моделирования: искусственные нейронные сети (ANN), логистическую регрессию (Logistic regression), метод весов доказательств (WoE) и метод многокритериальной оценки (MCE). Точность моделей проверяется с помощью каппа-статистики.

Именно эта гибкость позволяет подобрать метод и набор факторов под конкретную задачу.

Общая динамика землепользования

Большинство работ с MOLUSCE посвящены анализу общей динамики LULC (land use / land cover – землепользование и земной покров) на территориях разного масштаба.

Китайские исследователи применили MOLUSCE (CA-ANN) для территории Большого залива площадью около 56 000 км² – использовали данные RESDC за 1980–2020 годы и семь факторов: рельеф, уклон, население, расстояния до дорог, городов и водотоков. Отличительная черта работы – трёхуровневый интенсивный анализ, который позволяет оценить не только направление трендов, но и скорость их развития. Модель получилась точной: каппа 0.94, общая точность 96.25%. За 40 лет застройка выросла с 4.75 до 14.75% площади региона, а по прогнозу к 2050 году достигнет 21.17% (Abbas и др., 2021).

MOLUSCE: Переход к LULC с 1980-2020 гг. — Переход к LULC с 1980-2020 гг. (a) переход к застроенным землям, (b) переход в лес, (c) переход к пахотным землям, (d) переход к пастбищам, и (e) переход к воде

MOLUSCE: Динамика площадей классов LULC — *Динамика площадей классов LULC: прирост и убыль (1980–2020)*

MOLUSCE: Фактический LULC 2020 и прогнозируемый LULC 2020 — Фактический LULC 2020 *(a)* *и прогнозируемый LULC 2020 (b)*

Другое исследование охватило не отдельный регион, а целую страну – Бенин в Западной Африке. На основе данных CCI-LC за 2001, 2008 и 2013 годы с помощью MOLUSCE (MLP-ANN) выполнен прогноз LULC до 2037 года. Модель показала высокую надёжность – каппа 0.90. За двенадцать лет сельхозземли выросли с 33.4 до 35.2%, леса – с 30.9 до 31.9%, площадь саванн сократилась. Прогноз предполагает, что сельское хозяйство и застройка продолжат вытеснять естественные ландшафты (Guidigan и др., 2018).

MOLUSCE: Динамика распределения основных категорий земель — *Динамика распределения основных категорий земель*

MOLUSCE: Прирост и убыль площадей классов LULC (в %) и их вклад в чистое изменение застроенных территорий — *Прирост и убыль площадей классов LULC (в %) и их вклад в чистое изменение застроенных территорий*

MOLUSCE: Прогнозируемая карты LULC с использованием MLP-ANN — *Прогнозируемая карты LULC с использованием MLP-ANN*

Ещё один пример – район озера Пакхал в Индии, где для прогноза до 2028 года использованы данные Sentinel-2 за 2016–2022 годы и четыре фактора: ЦМР, уклон, экспозиция и расстояние до дорог. Модель показала хорошую точность – каппа 0,78, общая точность 82%. За период наблюдений сельхозземли увеличились на 5,5%, застройка – на 0,8%, а растительность сократилась на 7,5% (Amgoth и др., 2023).

MOLUSCE: Прогноз LULC на годы (a) 2025 и (b) 2028 — *Прогноз LULC на годы (a) 2025 и (b) 2028*

Городская среда и урбанизация

Помимо общей динамики землепользования, MOLUSCE активно применяется для более узких задач – моделирования урбанизации и разрастания городов.

В работе по бассейну реки Бхавани в Индии с помощью MOLUSCE (CA-ANN) спрогнозированы изменения восьми классов LULC до 2030 года. Авторы системно перебрали несколько комбинаций факторов и установили, что оптимальный набор – ЦМР, расстояние до дорог и плотность застройки – даёт каппа 0.69 при точности 76%. По прогнозу, к 2030 году застроенные территории и пашня увеличатся на 15–28 км² (Kamaraj и Rangarajan, 2022).

Исследование Исламабада в Пакистане пошло дальше: спутниковые снимки Landsat за 1991–2021 годы сначала классифицировали методом Random Forest (каппа 0,93–0,97), а затем на основе полученных карт построили модель урбанизации в MOLUSCE (ANN-CA) с прогнозом до 2041 года. Отличительная черта работы – не только численный прогноз, но и визуальная оценка типов городского разрастания. За 30 лет застройка выросла на 142.4 км² (с 5 до 19,1%), леса сократились на 38.4 км², водные объекты – на 2.9 км². Прогноз предвещает рост застройки ещё на 58.2 км² (Khan и Sudheer, 2022).

MOLUSCE: Оценка разрастания городов на основе спутниковых и прогнозируемых карт землепользования, лесов и сельского хозяйства — Оценка разрастания городов на основе спутниковых и прогнозируемых карт землепользования, лесов и сельского хозяйства

Исследование Лахора в Пакистане связало динамику земного покрова с качеством воздуха. С помощью MOLUSCE (CA-ANN) выполнен прогноз LULC до 2040 года, а на основе данных NASA GIOVANNI оценено влияние изменений земного покрова на концентрацию шести атмосферных загрязнителей. Рост застроенных территорий на 23.15% количественно увязан с увеличением концентрации NO₂ и CO – до 28% – и сокращением растительности (Ahmad и др., 2022).

MOLUSCE: Изменение площади и прогноз на будущее (2000–2040 гг.) на км² — *Изменение площади и прогноз на будущее (2000–2040 гг.) на км²*

MOLUSCE: Историческое изменение землепользования, землеустройства и лесного хозяйства и прогноз на 2030 и 2040 годы с использованием CA-AN — Историческое изменение землепользования, землеустройства и лесного хозяйства и прогноз на 2030 и 2040 годы с использованием CA-AN

Междисциплинарный пример – прогноз водопотребления в бразильском городе Кампина-Гранди. На основе данных Mapbiomas за 2000–2020 годы в MOLUSCE (CA-ANN) выполнен прогноз LULC до 2050 года, который затем интегрировали с социально-экономическими данными: доходом, числом жителей на домохозяйство, демографией. В результате получен конкретный прогноз – рост бытового водопотребления на 14.21% к 2050 году (Brito и др., 2023).

Лесной покров

Значительная часть исследований с MOLUSCE посвящена динамике лесов.

В работе по Среднему Поволжью (Россия) с помощью MOLUSCE (CA-ANN) на основе данных Landsat за 2001–2021 годы выполнен прогноз до 2041 года. Отличительная черта – детальный анализ матриц переходов между семью классами покрова и расчёт интенсивности изменений. Согласно результатам, общая площадь лесов вырастет на 23.8% при сокращении хвойных и росте лиственных и смешанных насаждений (Воробьёв и др., 2023).

MOLUSCE: Блок-схема разработки прогнозной карты по модели CA-ANN — *Блок-схема разработки прогнозной карты по модели CA-ANN*

MOLUSCE: Пространственная динамика LUCC за 2021–2041 гг. — *Пространственная динамика LUCC за 2021–2041 гг.*

MOLUSCE также используется для выявления связей между динамикой земного покрова и состоянием биоразнообразия. В исследовании водосборного бассейна Оваби в Гане прогноз LULC до 2031 года впервые сопоставили с данными по численности девяти видов млекопитающих за 2013–2020 годы. Потеря 97% высокоплотных лесов за 30 лет привела к сокращению популяций до единичных особей. Прогноз до 2031 года указывает на рост застройки до 74% территории и сокращение лесов до 1.3% (Baidoo и др., 2023).

MOLUSCE: Классифицированные карты водосборного бассейна Оваби в 1991, 2001, 2011 и 2021 годах — *Классифицированные карты водосборного бассейна Оваби в 1991 (а), 2001 (b), 2011 (c) и 2021 (d) годах*

Сценарный подход применён в работе по лесу Верхнего Алибори в Бенине. С помощью MOLUSCE (CA) выполнен прогноз до 2069 года по двум сценариям – сохранение текущих трендов и внедрение зонирования. Классификация выполнена методом Random Forest с полевой валидацией 97%. Если тренды сохранятся, поля и залежи займут 88% территории; при внедрении зонирования возможно восстановление редколесий (+13%) и галерейных лесов (+2%) (Issiako и др., 2021).

MOLUSCE: Землепользование в 2069 году по сценариям «отсутствие многокритериального зонирования (AZM)» и «внедрение многокритериального зонирования (MZE)» — Землепользование в 2069 году по сценариям «отсутствие многокритериального зонирования (AZM)» и «внедрение многокритериального зонирования (MZE)»

Ещё один пример – оценка эффективности охраняемых территорий. На примере шести ООПТ полуострова Юкатан в Мексике с помощью MOLUSCE (CA-Марков) спрогнозирована динамика мангровых лесов до 2025 года с учётом положения относительно ООПТ, возраста ООПТ и расстояния до дорог. Точность моделей составила от 0.78 до 0.97 по каппа. Большинство ООПТ демонстрируют переход от потерь мангров в 2005–2015 годах к восстановлению в 2015–2025 годах – прирост до 2,36% в год. Исключение – ООПТ Терминос, где прогнозируется переход мангров в антропогенное освоение на площади 1442 га (Osorio-Olvera и др., 2024).

MOLUSCE: Терминос, Лагартос и Юм-Балам за 2005, 2015 и 2025 гг — Карты изменений землепользования и земного покрова для ООПТ: Терминос, Лагартос и Юм-Балам за 2005, 2015 и 2025 гг. Карта 2025 года – смоделированная. Гистограммы внизу показывают процентное соотношение классов земного покрова для каждой ООПТ за анализируемые годы

Объекты гидрологии

Отдельное направление применения MOLUSCE – моделирование водных объектов и гидрологических систем.

В исследовании нижнего течения Ганга в Индии с помощью MOLUSCE (CA-ANN) выполнен прогноз девяти классов LULC до 2038 года. Модуль использован не только для прогноза земного покрова, но и для оценки русловой эрозии-аккумуляции и социальных последствий – миграции населения и смены рода занятий. Прогнозируется сокращение сельхозземель на 4.86% и рост площади садов на 3.78% (Alam и др., 2021).

MOLUSCE: Землепользование и земной покров в 2018 г. — Землепользование и земной покров в 2018 г. (1a – берег реки, 1b – открытые земли, 2a и 2b – прибрежные поселения, 3a – сельхозземли, 3b – залежные сельхозземли, 4a – аккумулированные песчаные отложения, 4b – внутренние водные объекты). (A) Сравнение смоделированных и фактических классов LULC за 2018 г.

Более сложная интеграция представлена в работе по бассейну реки Музизи в Уганде. Прогноз LULC до 2060 года, выполненный в MOLUSCE (CA-ANN), интегрировали с гидрологической моделью SWAT для оценки совместного влияния изменений землепользования и климата – по сценариям RCP4.5 и RCP8.5 – на надёжность работы проектируемой ГЭС. Сокращение лесов с 31 до 20% увязано с ростом стока почти вдвое и увеличением выработки энергии на 125% (Bahati и др., 2021).

MOLUSCE: Карты землепользования и земного покрова водосборного бассейна реки Музизи за 1984, 2000, 2014 годы и прогноз на середину века – 2060 — Карты землепользования и земного покрова водосборного бассейна реки Музизи за 1984 (a), 2000 (b), 2014 (c) годы и прогноз на середину века – 2060 (d)

Ещё один пример – исследование озера Баринго в Кении, где MOLUSCE (CA-ANN) на основе данных Landsat за 1990–2020 годы использован для прогноза LULC до 2030 года, а затем по соотношению площади водной поверхности (индекс AWEI) и альтиметрическим данным DAHITI экстраполирован уровень воды в озере. Прогнозируется рост уровня на 43.74% к 2030 году, что потребует пересмотра прибрежных буферных зон (Kimtai и др., 2024).

MOLUSCE: Карты землепользования и земного покрова за 1990, 2000, 2010 и 2020 гг. — *Карты землепользования и земного покрова за 1990, 2000, 2010 и 2020 гг.*

MOLUSCE: График корреляции между LULC и уровнем воды — *График корреляции между LULC и уровнем воды*

Что объединяет эти исследования

При всём разнообразии задач – от прогноза застройки мегаполиса до оценки популяций млекопитающих – исследования объединяет общая логика: MOLUSCE даёт исследователю инструмент, чтобы перейти от констатации фактов («лес сократился») к количественному прогнозу («лес сократится на X% к такому-то году при таких-то условиях»). Это то, что превращает наблюдение в инструмент принятия решений – для планирования зонирования, оценки инфраструктурных проектов или охраны природных территорий.

Модуль остаётся открытым и бесплатным – установить его можно через стандартный менеджер модулей QGIS.