Vielleicht sollten wir den Status quo neu überdenken? Ein neuer Artikel zeigt, wie wir die Effizienz und Transparenz der Kalibrierung von Landnutzungsmodellen verbessern können.
In den letzten zehn Jahren sind die Methoden zur Modellierung von Landnutzungs- und Landbedeckungsänderungen immer komplexer geworden, insbesondere durch die Verbreitung von Techniken des maschinellen Lernens zur Erfassung von Beziehungen aus Daten. Einerseits kann diese erhöhte Komplexität realistischere Ergebnisse ermöglichen, andererseits kann sie den Prozess der Bestätigung der Genauigkeit dieser Modelle zeitaufwändiger und weniger transparent machen.
Insbesondere bei zellulären Automatenmodellen wird die Genauigkeit in der Regel nur durch den Vergleich der simulierten Karten der LULC-Veränderung mit realen Karten geprüft, anstatt die vom Modell erzeugten probabilistischen Vorhersagen der Veränderung direkt zu bewerten. In unserem neuen Papier zeigen wir die Grenzen dieses Status-quo-Ansatzes zur Bewertung von Modellen auf und demonstrieren, dass die Konzentration auf probabilistische Vorhersagen es den Modellierern ermöglicht, verschiedene Spezifikationen effizienter zu testen und Einblicke in das Modellverhalten zu gewinnen, die durch den Kartenvergleich allein nicht möglich sind.
Das vollständige Papier ist Open Access in Environmental Modelling and Software veröffentlicht:
Black B., van Strien M., Adde A., Grêt-Regamey, A. (2023) Re-considering the status quo: Improving calibration of land use change models through validation of transition potential predictions. Environmental Modelling & Software, 159. externe Seitehttps://doi.org/10.1016/j.envsoft.2022.105574.
Auch die Forschungsdaten und Skripte werden zur Verfügung gestellt:
externe Seitehttps://doi.org/10.5281/zenodo.6912914