modelování = přibližná reprodukce charakteristických vlastností originálu, přičemž tímto originálem může být libovolný předmět, proces nebo jev v reálném světě (Haggett, 2001)
hodnocení hrozeb pomocí matematického modelování procesů podle principů:
Koncepční analýza problému – rozhodnutí o vstupu relevantních veličin
Sestavení modelu z vybraných veličin – podoba matematické rovnice
Verifikace modelu – ověření modelu aplikací na vybraném území a porovnání s laboratorními měřeními
Stanovení míry a oboru platnosti – (míra přesnosti – procentní úspěšnost předpovědi; obor platnosti – podmínky, kdy je možno model použít)
Typy modelů
Černá skříňka – není známý mechanismus procesu
Šedá skříňka – částečná znalost mechanismu procesu
Bílá skříňka – popisují mechanismus procesu fyzikálními zákony, přesnější a flexibilnější ale složitější
Predikční modelování
prediktivní modelování = odvození nových jevů a stavů pro budoucí etapu (Kubošová, 2010)
používá se iterační modelování, what – if modelování, celulární automata a další techniky
Iterační modelování
modelování v iteracích (opakováních)
model, který pomocí nějaké funkce převedeme model z jednoho stavu do následujícího
následující stav je potom vstupním stavem pro další iteraci, na jejíž základě se vytvoří výstup, jenž slouží jako vstup do iterace číslo dvě atd.
Např. použijeme-li iterační model pro modelování změny využití krajiny, nastavíme počet iterací na hodnotu 10, přičemž každá jedna iterace = změna využití krajiny za jeden rok. Potom pro nás mohou být zajímavé jak průběžné výsledky v každém roce, tak i pouze změna, která se stala mezi vstupem a desátou iterací
What-if modelování
zjišťujeme, jak se změní výstupy modelu, pakliže dojde ke změně buď vstupních dat, nebo modelovacích algoritmů
pokládáme otázku, pakliže se změní toto, jak se změní výstupy a výsledky?
Např. modelování různých protipovodňových opatření při určitém typu povodně, eventuálně vyměníme v modelu algoritmy, kterými se počítá odtok z plochy (místo jednoduchého, použijeme vícenásobný atd.).
Abstraktní modely krajiny
zdůrazňují především souvislosti mezi složkami krajiny, prvky, procesy a jevy v krajině či segmenty krajiny
elementy modelu jsou představovány geometrickými či jinými obrazci často zcela bez lokalizace v konkrétním prostoru)
mono nebo polysystémový model
1. Manuální integrace analytických vrstev s posteriorní digitalizací integrované vrstvy
provádí odborník znalý alespoň rámcově ta témata, která jsou předmětem integrace
analytické vrstvy sjednoceny do shodného měřítka, projekce, lokalizace
existuje představa o možných reálných (věcně a regionálně správných) kombinacích relevantních integrovaných proměnných
je definována rozlišovací schopnost budoucí integrované informační vrstvy (tzv. minimální areál),
je stanoven postup integrace (co je referenční vrstva, které se přizpůsobují ostatní a jak po sobě následují)
existuje představa (seznam) o „správných“ vektorech integrovaných polygonů v daném regionu (jádra polygonových skupin),
existuje představa o očekávané rozlišovací úrovni integrované vrstvy (rozměr „minimum-areálu“, netvoří jádra polygonů a jejich skupin).
Časoprostorové modely pro predikce vývoje krajiny
statické (LUT-models) a dynamické (CA) (Brown a kol., 2004)
prostorové a neprostorové (bez prostorové distribuce – pouze rychlost a rozsah změněného krajinného pokryvu) - model SALU (Stephenne a Lambin, 2001)
podle hlavních metod:
CA modely
Statistické modely
Conversion of Land Use and Its Effects (CLUE)
dynamický, více-měřítkový model změn využití krajiny (Wageningen, 1996)
pracuje pouze s textovými soubory !
kombinuje logistickou regresi a informace od sousedních buněk, podobně jako CA
výsledky predikce použity k tvorbě vhodnostních map, na jejichž základě jsou alokovány jednotlivé změny krajinného pokryvu
rozloha změn, resp. rozloha každé kategorie krajinného pokryvu v predikovaném čase je dána uživatelem
každá buňka je charakterizována údajem, ukazujícím pro každou kategorii krajinného pokryvu, jak moc by bylo vhodné změnit stávající kategorii (míra vhodnosti)
nové využití je rozmístěna do míst s největší mírou vhodnosti pro daný typ LU
Modely pracující s neuronovou sítí
Modely s agentem
Kombinace modelů
markovy modely
kombinace metod CA a Markovových řetězců
algoritmus svým pojetím obohacuje prováděnou analýzu o prvek prostorové spojitosti a znalostní bázi pravděpodobné prostorové distribuce krajinných změn
pravděpodobnost, že se stav jedné buňky změní, určena jednak z původního stavu buňky, ale také okolními buňkami a maticí přechodu, která obsahuje jednotlivé pravděpodobnosti změny jednoho stavu na druhý (Koomen a kol., 2007).
anallýza změn
sada nástrojů pro hodnocení změn v krajině za pomoci grafických a mapových ukazatelů
založena na trendové analýze umožňující výpočty až do devátého řádu
obsahuje nástroje pro vyfiltrování podstatných změn pro analýzy
modelování změn
dovoluje seskupovat identifikované změny do submodelů a analyzovat jejich potenciál
statické komponenty - proměnné, které jsou v čase neměnné
vyjadřují základní aspekty přiměřenosti změn
dynamické komponenty - proměnné, které jsou časově závislé
vyjadřují stav vývoje (rozvoje) nebo infrastruktury
přepočítávány na základě směrů predikce (vzdálenost od stávající infrastruktury)
C. Predikce změn
modelování ve smyslu předpovídání změn (k určitému datu)
umožňuje zasahovat do predikce procesů (zadání konečného data, způsob predikce)
zahrnutí plánovaných zásahů, rozvoj a zábran, infrastruktury
možno specifikovat počet dynamických změn a jejich intenzitu a systém kontroluje plánované zásahy, omezení a vývoj infrastruktury
hard prediction – Markovovy řetězce - výsledkem je 1 mapa, nejlepší odhad z mnoha pravděpodobných řešení
soft prediction - pravděpodobnostní matice na základě externího modelu – kontinuální mapování náchylnosti ke změně – sada map
Dopady na populace a biodiverzitu (Implications
druhově specifické stanovení lokalit (primární a sekundární stanoviště, primární a sekundární potenciální koridory a nevhodná stanoviště)