Разработка комплексной методики оценки и прогноза изменений видов землепользования с учетом природных и демографических факторов по материалам космической съемки тема диссертации и автореферата по ВАК РФ 00.00.00, кандидат наук Чинь Куок Хюи

• Чинь Куок Хюи
• кандидат наук
• 2026

Оглавление диссертации кандидат наук Чинь Куок Хюи

ВВЕДЕНИЕ

ГЛАВА 1. ОБЗОР СОВРЕМЕННЫХ ИССЛЕДОВАНИИ ИЗМЕНЕНИЙ ЗЕМЛЕПОЛЬЗОВАНИЯ С УЧЕТОМ ПРИРОДНЫХ И ДЕМОГРАФИЧЕСКИХ

ФАКТОРОВ В МИРЕ И ВЬЕТНАМЕ

1.1Определение земельного покрова / землепользования и их изменений

1.2Опыт исследования изменений в землепользовании

1.2.1 Опыт применения методов классификации изображений для получения информации о землепользовании

1.2.2 Опыт применения ДЗ и ГИС при анализе изменений в землепользовании по спутниковым изображениям

1.2.3 Тенденции исследований изменений в землепользовании и связанные с ними факторы

1.3 Анализ современных научных подходов к исследованию влияния природных факторов на динамику землепользования

1.3.1 Современные исследования по оценке зависимости изменения землепользования от природных условий

1.3.2 Современные методологические подходы к изучению влияния природных условий на изменение землепользования

1.4 Основные вопросы демографических исследований

1.4.1 Демография и её роль в изменении целей землепользования

1.4.2 Современные исследования взаимосвязи между изменениями в землепользовании и демографическими факторами во Вьетнаме и мире

1.5 Выводы по первой главе

ГЛАВА 2. РАЗРАБОТКА КОМПЛЕКСНОЙ МЕТОДИКИ ОЦЕНКИ И ПРОГНОЗИРОВАНИЯ ИЗМЕНЕНИЙ ВИДОВ ЗЕМЛЕПОЛЬЗОВАНИЯ С УЧЕТОМ ПРИРОДНЫХ И ДЕМОГРАФИЧЕСКИХ ФАКТОРОВ ПО МАТЕРИАЛАМ

КОСМИЧЕСКОЙ СЪЕМКИ

2.1 Общее описание методики определения видов землепользования по материалам космических с^мок

2.1.1 Выбор подходящих данных ДЗЗ в рамках исследовательской работы

2.1.2 Методика определения видов землепользования по материалам космических съемок

2.2 Методологический подход к оценке взаимосвязи природных условий изменений землепользования

2.3 Метод статистического анализа при определении связи между изменениями в землепользовании и демографическими факторами

2.4 Метод моделирования прогнозирования землепользования (сочетание искусственной нейронной сети с моделью CA-MARKOV)

2.4.1 Искусственные нейронные сети в расчете потенциала преобразования землепользования

2.4.2 Модель CA-MARKOV для прогнозирования землепользования

ГЛАВА 3. АНАЛИЗ СВЯЗИ ИЗМЕНЕНИЙ ЗЕМЛЕПОЛЬЗОВАНИЯ С ПРИРОДНЫМИ УСЛОВИЯМИ И ДЕМОГРАФИЧЕСКИМИ ФАКТОРАМИ. ОБЪЕДИНЕНИЕ МОДЕЛЕЙ ДЛЯ ПРОГНОЗИРОВАНИЯ ИЗМЕНЕНИЙ В ЗЕМЛЕПОЛЬЗОВАНИИ

3.1 Физико-географические и социально-экономические характеристики изучаемого региона

3.2 Определение и оценка процесса изменения землепользования в Зяотхюи по данным спутниковых изображений

3.3 Оценивание влияния природных характеристик на изменения в землепользования

3.3.1 Исходные данные, используемые для изучения влияния природных факторов на преобразование землепользования

3.3.2 Исследование взаимосвязи между природными условиями и изменений в землепользования в 1989-2023 годах

3.3.3 Моделирование вероятности изменения землепользования под воздействием природных факторов

3.4 Оценка влияния демографических факторов на изменения в землепользовании

3.4.1 Исследование увеличения площади жилой застройки и демографических факторов

3.4.2 Моделирование вероятности изменения землепользования под воздействием демографических факторов

3.5 Объединение искусственной сетевой модели и CA-MARKOV для прогнозирования землепользования под влиянием природных условий и изменений демографических факторов

3.6 Ориентировочное планирование землепользования на основе оценки и прогноза

изменений землепользования

ЗАКЛЮЧЕНИЕ

СПИСОК СОКРАЩЕНИЙ

СПИСОК ЛИТЕРАТУРЫ

ПРИЛОЖЕНИЕ

Введение диссертации (часть автореферата) на тему «Разработка комплексной методики оценки и прогноза изменений видов землепользования с учетом природных и демографических факторов по материалам космической съемки»

ВВЕДЕНИЕ

Актуальность темы исследования. Изменения в землепользовании во Вьетнаме в целом и в прибрежной зоне дельты Красной реки в частности имеют тенденцию сильно и постоянно увеличиваться. Изменение землепользования существенно влияет на окружающую среду и способствует глобальным экологическим изменениям. Для достижения целей устойчивого развития важно рационально использовать земельные ресурсы, сочетая экономическое развитие с охраной природы. Это требует глубокого понимания того, как природные и социальные факторы взаимодействуют и формируют решения в сфере землепользования [1].

Изменение землепользования обусловлено комплексом факторов, включая географические и социально-экономические условия, а также их взаимное влияние [2]. Сильное социально-экономическое развитие наряду с быстрым ростом населения сделало отношения между людьми и землей все более напряженными. В процессе использования, земли люди совершали действия, которые привели к разрушению земельной среды, ослаблению некоторых функций земли, вызывая изменения в землепользовании от местного до локального масштаба [3]. Поэтому проведение исследований для ответа на вопросы, связанные с процессом изменения землепользования и его взаимосвязью с людьми, имеет важное значение. Помимо исследований изменений землепользования при сочетании экономических и социальных условий, существует множество исследований связи изменений землепользования с природными условиями. Эти исследования показывают, что: изменения в почвенно-растительном покрове коррелируют с физическими характеристиками ландшафта [4-6]. Причины изменения землепользования отличаются большим разнообразием и сложностью, однако их можно условно разделить на две основные группы: изменения, обусловленные природными факторами, и (и) изменения, вызванные человеческой деятельностью, направленной на социально-экономическое развитие. В частности, демография была названа

исследователями одной из основных причин изменений в землепользовании во всем мире [7].

Прибрежная зона дельты Красной реки характеризуется значительными изменениями в землепользовании, особенно под влиянием инновационной политики и экономических реформ после 1986 года. Основная тенденция последних лет -сокращение сельскохозяйственных земель и их перевод в несельскохозяйственные для гражданского строительства. Реформы «ДОЙ МОЙ » и инициативы по восстановлению мангровых экосистем стали важным фактором, сыгравшим заметную роль в изменении моделей землепользования в переходный период. В то же время преобразование землепользования в рамках социально-экономических стратегий, должна соответствовать естественным законам, чтобы быть направленной на устойчивое развитие исследуемой территории, а также на решение глобальных проблем. Поэтому изучение связи изменений землепользования с природными условиями и демографическими факторами необходимо.

Округ Зяотхюи выбран для исследования - типичный округ прибрежной зоны дельты Красной реки с типичными природными условиями, включая: происхождение долей дельты, морфоструктуры и отложения. Округ Зяотхюи представляет собой образование доли дельты Балат, демонстрирующее развитие и отложение. Кроме того, по своей гидрологии Зяотхюи, характеризуется как система Красной реки, где имеется большое количество наносов, а основным направлением транспорта является северо-восточное направление.

На сегодняшний день, применение дистанционного зондирования (ДЗ) для прямого или косвенного исследования социальных проблем является новой тенденцией в области прикладного ДЗ. Применение ДЗ для изучения связи изменений в землепользовании с общедемографическими факторами и природными факторами соответствует требованиям современной действительности.

Предметом исследования являются пространственные изменения видов землепользования и факторы, влияющие на их изменение.

Объект исследования - методика оценки и прогноза изменений видов землепользования с учетом природных и демографических факторов по материалам космической съёмки.

Целью исследования является разработка комплексной методики оценки и прогноза изменений видов землепользования с учетом природных и демографических факторов по материалам космической съемки.

Достижение цели потребовало поэтапного решения следующих научных задач:

- Выполнить аналитический обзор современных научных исследований, посвящённых взаимосвязи изменений землепользования с демографическими и природными факторами;

- Разработать методику обнаружения видов землепользования и изменения землепользования по материалам космических съемок;

- Разработать статистическую методику оценки взаимосвязи между природными, демографическими факторами и изменениями в землепользовании;

- Выявить ключевые природные и демографические факторы, влияющие на изменение структуры землепользования;

- Разработать алгоритм моделирования вероятности перехода землепользования с помощью искусственных нейронных сетей и методику прогнозирования будущих изменений землепользования;

- Провести экспериментальные исследования по апробированию разработанных методик и разработать рекомендации по их использованию.

Метод исследования: В ходе исследования были применены различные методы, включая статистический анализ, математическое моделирование, технологии автоматической обработки цифровых изображений, методы машинного обучения, а также другие подходы.

Теоретическая значимость диссертации заключается в совершенствовании теоретических и методических основ автоматизированного тематического дешифрирования материалов космических съемок. Результаты исследования

способствуют развитию теории пространственного анализа изменений в землепользовании, расширяя представление о взаимосвязях между демографическими и природными детерминантами в ландшафтной трансформации. Разработанные модели могут быть использованы как основа для дальнейших фундаментальных исследований в области мониторинга окружающей среды и природных ресурсов. Результаты могут способствовать развитию направлений, связанных с геопространственным моделированием, автоматизацией анализа космических снимков и созданием интеллектуальных систем мониторинга природных ресурсов.

Практическая значимость. Предложенная методика может быть востребована органами регионального управления при разработке стратегий устойчивого территориального развития; при проведении экологического и градостроительного зонирования; в сельскохозяйственном планировании и прогнозировании; в рамках мониторинга земельных ресурсов и предотвращения деградации почв; при создании геоинформационных систем и цифровых карт актуального и прогнозного землепользования.

Научная новизна работы заключается в том, что:

- Впервые разработана методика оценки и моделирования изменений землепользования, учитывающая природные и демографические факторы на основе нейронных сетей MLP-ANN и модели регрессии для количественной оценки взаимосвязи между изменением землепользования и связанными с ним факторами;

- Впервые разработана методика прогнозирования изменений в землепользовании с участием демографических и природных факторов путем объединения многокритериальной оценки и модели CA-MARKOV;

- Разработана усовершенствованная методика автоматической идентификации видов землепользования и выявления их изменений на основе данных космической съёмки, отличающаяся от имеющихся более высокой точностью классификаций.

Основные положения и результаты, выносимые на защиту:

- Предложенная усовершенствованная методика обработки разновременных космических изображений, за счет объединения алгоритма К ближайший сосед (KNN) и маркировки каждого класса объектов (Assign class) позволяет определять виды землепользования и выявления их изменений с высокой точностью, которые используются в качестве обучающего набора для нейронных сетей и регрессионных моделей;

- Разработанная методика оценки изменений землепользования с учётом природных и демографических факторов позволяет определять взаимосвязь между изменениями в землепользовании и связанными с ним факторами, а также моделировать вероятность перехода землепользования под воздействием этих факторов;

- Разработанная методика прогнозирования землепользования путем объединения многокритериальной оценки и модели CA-MARKOV позволяет выполнять количественную оценку будущих изменений землепользования как по площади, так и по пространству, тем самым повышая эффективность планов землепользования.

Степень разработанности исследуемой темы проведена на основе анализа научных публикаций, освещающих вопросы автоматизированной обработки аэрокосмической информации, а также актуальные аспекты картографии, географии и геоэкологии. В ходе научного исследования автор опирался на фундаментальные труды признанных специалистов в области дистанционного зондирования Земли, цифровой картографии и геоинформационных технологий (ГИС), в частности: Зверева А.Т., Журкина И.Г., Малинникова В.А., Браткова В.В., Беленко В.В., Чабан Л.Н., Учаев Д.В., Лимонова А.Н., Гаврилова Л.А., Лариса Г.Е., Lambin E.F., Kabrda J., Geist H.J., Turner B.L., Hietel E., Fu Bo Jie, Satoshi Hoshino., Temple P.H., Muller D и многих других.

Степень достоверности. В данной диссертационной работе использованы проверенные открытые источники данных, а также современные и инновационные

методы обработки и анализа информации применяет. Надёжность полученных результатов обеспечена как теоретической базой, так и практическими экспериментальными проверками.

Апробация результатов. Результаты проведенного диссертационного исследования были представлены автором в виде докладов на научно-технических конференциях:

- «Использование космических снимков для целей мониторинга землепользования и изменения биомассы сельскохозяйственных культур», научно-практической конференции студентов, аспирантов, молодых ученых и специалистов «Научные исследования и разработки молодых ученых для развития АПК», 2023г;

- «Геоинформационное обеспечение мониторинга землепользования с использованием данных дистанционного зондирования земли», Международной научно-практической конференции «Актуальные проблемы применения цифровых технологий при работе с пространственными данными», 2023г;

- «Определение взаимосвязи между природными факторами и изменениями землепользовании по материалам космической съёмки», Международной конференции «Пространственные данные: наука и технологии», традиционно организуемой МИИГАиК, 2024г;

- «Исследование увеличения площадей жилой застройки с учетом демографических факторов с использованием материалов космической съемки», 80-я международная научно-техническая конференция студентов, аспирантов и молодых ученых МИИГАиК, 2025;

- «Разработка метода прогнозирования изменения землепользования с учетом природных и демографических факторов», Международной конференции «Пространственные данные: наука и технологии», МИИГАиК, 2025г;

Соответствие паспорту специальности. Диссертация соответствует паспорту специальности 1.6.19 - «Аэрокосмическое исследование Земли, фотограмметрия» в части:

- Направление 1. Теория, методы, аппаратура и системы ДЗЗ для проведения исследований различных процессов и явлений в океане, атмосфере, на поверхности

суши, в геологической среде и околоземном космическом пространстве, выявления загрязнений различных объектов в интересах охраны окружающей среды, исследования и рационального использования природных ресурсов предупреждения и снижения рисков природных катастроф и техногенных аварий»;

- Направление 10. Развитие и применение методов обработки и анализа больших данных, формируемых средствами ДЗЗ, в том числе с применением машинного обучения и искусственного интеллекта, для решения задач геофизики, геодинамики, климатологии, океанологии и др. наук о Земле.

Публикации:

1. Чинь К. Х., Малинников В. А. Исследование зависимости изменений в землепользовании от природных факторов // Геодезия и картография. - 2024. - № 10.

- С. 45-52. DOI: 10.22389/0016-7126-2024-1012-10-45-52.

2. Чинь К. Х., Малинников В.А. Разработка полиномиальной логистической регрессионной модели изменений видов землепользования с учетом природных факторов // Пространственные данные: наука и технологии. 2024. Т. 15. № 1. С.62-74.

3. Чинь К. Х., Малинников В.А. Исследование увеличения площадей жилой застройки с учетом демографических факторов с использованием материалов космической съемки // Мониторинг. Наука и технологии - 2025. - № 1(63). - С. 83-88.

4. Чинь К. Х., Малинников В.А. Моделирование возможности изменения землепользования под воздействием природных факторов на основе искусственной модели многослойных персептронов // Известия вузов. Геодезия и аэрофотосъемка. -2025. - № 1. С.23-35

5. Чинь К. Х. Разработка метода прогнозирования изменения землепользования с учетом природных и демографических // Cifra. Науки о Земле и окружающей среде.

- 2025. - № 3 (4). С.1-9. DOI: 10.60797/GE0.2025.4.

Структура и объём работы. Диссертация включает введение, три главы, заключение, список литературы. Общий объём составляет 140 страниц, из которых 119 отведены основному тексту, а также содержит 37 рисунков и 21 таблиц. Список использованной литературы включает 1 22 наименований.

ГЛАВА 1. ОБЗОР СОВРЕМЕННЫХ ИССЛЕДОВАНИИ ИЗМЕНЕНИЙ ЗЕМЛЕПОЛЬЗОВАНИЯ С УЧЕТОМ ПРИРОДНЫХ И ДЕМОГРАФИЧЕСКИХ ФАКТОРОВ В МИРЕ И ВЬЕТНАМЕ

1.1 Определение земельного покрова / землепользования и их изменений

Земельный покров и землепользование являются двумя ключевыми концепциями в экологических исследованиях, географии и управлении природными ресурсами. Хотя эти две концепции часто используются взаимозаменяемо, они принципиально различны [8]. Эти концепции определяются по-разному многими научными организациями.

Согласно определению Продовольственной и сельскохозяйственной организации Объединенных Наций (ФАО) [9], под земным покровом понимается «физическое, биологическое и искусственное представление поверхности Земли, включая естественную растительность, искусственные поверхности и другие формы рельефа». Другими словами, земной покров представляет собой то, что можно непосредственно наблюдать на земле - например, леса, рисовые поля, реки или человеческие поселения. Это то, что можно непосредственно наблюдать и измерять с помощью таких инструментов, как изображения дистанционного зондирования или полевые исследования.

Между тем, землепользование отражает то, как люди эксплуатируют, управляют и распределяют земельные участки для таких целей, как сельское хозяйство, промышленность, проживание или сохранение окружающей среды. Основное различие между земельным покровом и землепользованием заключается в том, что земельный покров это фактическое состояние поверхности, тогда как землепользование отражает функцию или цель, которую люди приписывают этой территории.

Изменение землепользования и земельного покрова (ШЪСС) - это переход между типами земельного покрова и землепользования, который может возникнуть из-за естественных или антропогенных воздействий (таких как расширение

сельскохозяйственных угодий, урбанизация, преобразование лесов в промышленные земли). LULCC является одним из основных факторов, вызывающих деградацию окружающей среды, потерю биоразнообразия и выбросы парниковых газов в глобальном масштабе. Согласно Ламбину и др. [10], изменения в землепользовании и растительном покрове часто вызваны взаимодействием природных, экономических, политических, демографических и технологических факторов.

1.2 Опыт исследования изменений в землепользовании

1.2.1 Опыт применения методов классификации изображений для получения информации о землепользовании

Одним из способов извлечения информации о землепользовании из данных

дистанционного зондирования является визуальная интерпретация изображений, в которой используются оптические устройства (лупы, стереоскопы, синтезаторы цвета) для усиления возможностей анализа. Однако визуальная интерпретация изображений ограничена количеством спектральных каналов. Следовательно, метод не использует полностью спектральные характеристики объектов и зависит от субъективности оператора, будучи трудоёмкой и монотонной. Цифровая классификация изображений позволяет использовать мультиспектральные данные и спектральное разделение, обеспечивая более точные результаты. Существуют различные методы классификации, и поэтому очень важным шагом является выбор наиболее подходящего.

Извлечение информации о землепользовании из данных дистанционного зондирования осуществляется в двух направлениях: 1) пиксельный подход (pixel-based) или субпиксельный подход (Sub-pixel). 2) объектно-ориентированный. В целом методы классификации изображений можно сгруппировать в такие группы, как: с проверкой и без; или статистические и нестатистические; или твердый и мягкий (нечеткий); или пиксельная, субпиксельная, сегментация по образцу и объектно-ориентированная классификация. Подробная информация о методах представлена в таблице 1.1.

Группа Методы Характеристики методов Алгоритмы

Методы классификации, основанных на выборке Контролируемая классификация Использует обучающие выборки - однородные по спектральным признакам области изображения. Качество классификации зависит от правильного выбора этих областей и их разделимости - Максимальное правдоподобие - Минимальное расстояние - Параллелепипедов

Неконтролируемая классификация Метод основан на классификации без использования обучающей выборки и предполагает группировку изображения на основе спектральной однородности. Полученные после классификации объекты приобретают смысловую значимость только в случае присвоения им атрибутивной информации пользователем. - Ктеап - ISOdata

Методы классификации на основе гипотетических параметров Параметрическая классификация Метод использует статистические модели (обычно нормальные распределения) для классификации объектов на основе таких параметров, как среднее значение и ковариационная матрица. Метод требует адекватных обучающих данных и распределения данных, которое соответствует статистическим предположениям. - Максимальное правдоподобие - Ллинейный дискриминантный анализ

Непараметрическая классификация Непараметрические методы классификации не опираются на предположения о статистическом распределении данных. Эти методы часто очень гибкие, подходят для сложных данных и не требуют нормального распределения. - Искусственная нейронная сеть - Классификатор дерева решений - Экспертная система

Классификационные методы, основанные на анализе характеристик отдельных пикселей Попиксельная классификация (Per-pixel classifiers) Использует спектральные характеристики отдельных пикселей и их преобразования (например, NDVI, РСА) - Максимальное правдоподобие - Минимальное расстояние - Ктеап - ISOdata

Субпиксельная классификация (Subpixel classifiers) Спектральное значение каждого пикселя рассматривается как линейная или нелинейная смесь вкладов различных компонентов, что позволяет оценить степень принадлежности пикселя к - Спектральный анализ смеси - Субпиксельный классификатор

каждому из них. Этот подход эффективно решает проблему смешанных пикселей и особенно хорошо подходит для изображений с умеренным или низким пространственным разрешением. - Нечеткие классификаторы

Рег-йеЫ классификация Этот метод основан на однородных областях признаков вместо пикселей. Неоднородные признаки редактируются для маркировки земельного покрова. Классификационные подходы на основе ГИС.

Объектно- ориентированная классификация Метод фокусируется на анализе групп пикселей как целостных объектов с учётом спектральных характеристик, формы и пространственного контекста. Вместо обработки отдельных пикселей метод использует объекты, имеющие реальное смысловое значение, что позволяет повысить точность классификации и уменьшить шум в данных дистанционного зондирования. - К ближайший сосед (КШ) - Маркировка каждого класса объектов

Методы классификации по выходным данным каждого пространственного элемента Жёсткая классификация Это метод, при котором каждый пиксель изображения однозначно относится только к одному классу землепользования или покрова поверхности. Такой подход не отражает степень смешения классов пикселя. - Максимальное правдоподобие - Дерево решений - Опорный вектор

Мягкая классификация Метод позволяет пикселю принадлежать к различным классам с соответствующими вероятностями или процентами. Этот метод лучше отражает смешивание слоев в каждом пикселе, особенно эффективен для изображений с низким разрешением. - Искусственные нейронные сети - Нечеткую логику, деревья решений - Генетические алгоритмы.

Для выбора наиболее подходящего метода классификации в конкретном исследовании необходимо провести тщательную оценку и сравнение подходов по таким критериям, как точность, практическая применимость и доступность сопроводительной документации - с учётом специфики предметной области. Параметрические классификаторы, такие как метод максимального правдоподобия, и непараметрические, включая нейронные сети и деревья решений, обладают своими преимуществами и ограничениями. Например, метод максимального правдоподобия чувствителен к отклонениям от нормального распределения в выборке, в то время как нейросетевые и древовидные методы демонстрируют более устойчивые и точные результаты в таких условиях. Исследования [11-13] также показали, что комбинирование нескольких методов классификации может значительно повысить точность интерпретации изображений по сравнению с использованием одного метода.

Выбор наиболее подходящего метода классификации зависит от совокупности факторов, включая пространственное разрешение изображений и характеристики применяемых источников данных и специфические характеристики изучаемой территории, структуру предметной аннотации и доступность программных инструментов. Поскольку разные методы дают различающиеся по точности результаты, именно выбранный подход во многом определяет итоговую эффективность и достоверность классификации изображений.

1.2.2 Опыт применения ДЗ и ГИС при анализе изменений в землепользовании по спутниковым изображениям

Методы анализа изменений в землепользовании по материалам космической съемки делятся на две группы: (1) предварительная классификация (методы улучшения изображений, прямой анализ многовременных изображений); (2) постклассификация (сравнение классификаций в разные времена).

Методы предварительной классификации анализируют неклассифицированные многозональные космические изображения для выявления изменений на основе спектральных значений или индексов. Он включают численное сравнение

изображений, анализ разновременных изображений, расчет NDVI, анализ векторной динамики (CVA). Эти методы быстрые и эффективные для крупных изменений, но сложны для точного определения типа изменений и чувствительны к шуму. Метод CVA использует два спектра: величину и направление изменения между двумя изображениями. Каждый пиксель - это вектор в многомерном спектральном пространстве (например, 6-мерный в Landsat TM). Изменения измеряются по длине разности векторов (интенсивность) и углу между ними (тип изменения). Порог применяется к изображению изменений для выявления изменённых пикселей, а направление определяет характер этих изменений (рис. 1.1).

Рисунок 1.1 - Анализ вектор динамики Между тем, группа методов постклассификации фокусируется на классификации изображений дистанционного зондирования в каждый момент времени по конкретным классам землепользования, а затем на сравнении карт классификации для выявления динамических переменных. Типичным методом этой группы является сравнение классификационных карт и построение матрицы перехода, позволяющей четко определить тип изменения, например, от лесных угодий к городским землям. Однако группа постклассификации требует высокой точности на начальном этапе классификации и зачастую ее сложнее реализовать. Метод постклассификации обычно применяется, поскольку он использует результаты классификации изображений в каждый конкретный момент времени для сравнения и оценки изменений.

В рамках исследования, направленного на анализ изменений землепользования в районе Мендеферы, Братков В.В [14] применил алгоритм опорных векторов (SVM) для классификации типов землепользования, используя спутниковые снимки Landsat и данные полевых наблюдений, что позволило выявить пространственные трансформации на основе результатов классификации. В исследовании Алексеева А.С. и соавторов [15] для анализа динамики типов землепользования Ленинградской области в период с 2001 по 2018 годы была предложена матричная модель, основанная на методе постклассификационного анализа. Выполнена автоматизированная классификация космических снимков Landsat 2001 и 2018 гг. на изучаемую территорию методом максимального правдоподобия.

B работе [16] проанализированы изменения сельскохозяйственных угодий на территории Кунгурской лесостепи за период 1986-2018 гг., Белоусова А. П применила метод постклассификационного анализа с использованием изображений Landsat. Все операции выполнены для снимков за 1986 и 2016-2018 гг. с применением методов попиксельной классификации. Подобно исследованию Бури М.С, для изучения пространственно-временной динамики роста города и изменений землепользования в районе Самары использовались спутниковые снимки Landsat за пять временных периодов с 1975 по 2015 годы. Анализ изменений площадей различных типов землепользования в разные временные отрезки выполнялся с использованием программного обеспечения ArcGIS с учётом демографических данных [17]. Пользователи полученной информации является менеджерами и им нужны не только простые статистические данные о типах колебаний, но и ответы на четыре вопроса: 1) Каков тип колебаний и ее географическое распределение? 2) Как оценивается скорость изменений? 3) Как меняется скорость изменений на региональном, местном уровне или в разное время? 4) Факторы, вызывающие колебания и последствия? Чтобы удовлетворить этому требованию, автор Тонг Си Сон (2020) использовал метод векторного анализа (CVA ) с двумя компонентами: индексом NDVI и BI. Данный метод позволяет изучать развитие конкретного вида растения или

Список литературы диссертационного исследования кандидат наук Чинь Куок Хюи, 2026 год

СПИСОК ЛИТЕРАТУРЫ

1. Lambin, E.F. The causes of land-use and land-cover change: moving beyond the myths / E.F. Lambin, H.J. Geist, B. L Turner // Global Environmental Change. -2001, -Vol. 11, Iss. 2. - P. 261-269.

2. Campbell, D.J. Multiple methods in the study of driving forces of land use and land cover change: a case study of SE Kajiado District, Kenya / D.J. Campbell, D.P. Lusch, T.A. Smucker, E.E. Wangui // Human Ecology. - 2005, - Vol. 33. - P. 763-794.

3. Роль и значение землепользования и концепция планирования землепользования // [В Интернете]. Available: https://voer.edu.vn/rn/vai-tro-vay-nghia-cua-su-dung-dat-dai-va-khai-niem-quy-hoach-su-dung-datdai/57f22a1b#

4. Hietel, E. Analysing land-cover changes in relation to environmental variables in Hesse, Germany / E. Hietel, R. Waldhardt, A. Otte // Landscape Ecology. - 2004, - Vol. 19, Iss. 5. - P. 473-489.

5. Chen, L. Land-use change in a small catchment of northern Loess Plateau, China / L. Chen, J. Wang, B. Fu, Y. Qiu // Agriculture, Ecosystems & Environment. - 2001, - Vol. 86, Iss. 2. - P. 163-172.

6. Pan, D. Temporal (1958-1993) and spatial patterns of land use changes in Haut-Saint-Laurent (Quebec, Canada) and their relation to landscape physical attributes / D. Pan, G. Domon, S. De Blois, A. Bouchard // Landscape Ecology. - 1999, - Vol. 14. - P. 35-52.

7. Ramankutty, N. People on the land: Changes in global population and croplands during the 20th century / N. Ramankutty, J.A. Foley, N.J. Olejniczak // AMBIO: A Journal of the Human Environment. - 2002, - Vol. 31, № 3. - P. 251-257.

8. Nedd, R. A synthesis of land use/land cover studies: Definitions, classification systems, meta-studies, challenges and knowledge gaps on a global landscape / R. Nedd, K. Light, M. Owens, N. James, E. Johnson// Land. - 2021, - Vol. 10, Iss. 9. - P. 994.

9. Land Cover and Land Use // [В Интернете]. Available: https://www.fao.org/geospatial/our-work/what-we-do/land-cover-and-land-use/en/

10. Di Gregorio, A. Land Cover Classification System (LCCS): classification concepts and user manual / A. Di Gregorio, L.J. Jansen // FAO, Rome. - 1998. -157c

11. Huang, Z. Combining non-parametric models for multisource predictive forest mapping / Z. Huang, B.G. Lees // Photogrammetric Engineering & Remote Sensing. -2004, - Vol. 70, № 4. - P. 415-425.

12. Benediktsson, J.A. Classification of multisource and hyperspectral data based on decision fusion / J.A. Benediktsson, I. Kanellopoulos // IEEE Transactions on Geoscience and Remote Sensing. - 1999, - Vol. 37, Iss. 3. - P. 1367-1377.

13. Ortiz, M.J. Classification of croplands through integration of remote sensing, GIS, and historical database / M.J. Ortiz, A.R. Formaggio, J.C.N. Epiphanio // International Journal of Remote Sensing. - 1997, - Vol. 18, Iss. 1. - P. 95-105.

14. Братков, В.В. Анализ землепользования и температуры поверхности земли по спутниковым изображениям города Мендефера / В.В. Братков, С.Т. Эйяссу, Т. Тесфай // Вестник СГУГиТ (Сибирского государственного университета геосистем и технологий). - 2024, - T. 29, №. 5. - C. 69-79.

15. Алексеев, А.С. Анализ динамики землепользования на урбанизированной территории с использованием материалов дистанционного зондирования земли, ГИС-технологий и математического моделирования / А.С. Алексеев , Ч.Т. Нгуен, Т.К. Фан, Д.М. Черниховский, А.В. Любимов, В.Л. Сергеева // Труды Санкт-Петербургского научно-исследовательского института лесного хозяйства. - 2021, -No. 2. - P. 39-53.

16. Белоусова, А.П. Анализ использования пахотных земель по спутниковым снимкам Landsat на примере Кунгурской лесостепи / А.П. Белоусова // Географический вестник. - 2018, - No. 4 (47). - P. 133-143.

17. Сингх, Б.М. Методы анализа спутниковых изображений для исследования урбанизации и землепользования в период с 1975 по 2015 г. в г. Самаре / Б.М. Сингх, А.В. Кузнецов, Ч.К. Кумари, А.В. Куприянов // Компьютерная оптика. - 2015, - Vol. 39, Iss. 5. - P. 818-822.

18. Tong, S.S. The study of land cover change using change vector approach integrated with unsupervised classification method: a case in Duy Tien (Vietnam) / S.S. Tong, T.L. Pham, Q.L. Nguyen, T.T.H. Le, L.H. Trinh, X.C. Cao, T.H.A. Tong et al. // Geography, Environment, Sustainability. - 2020, - Vol. 13, Iss. 2. - P. 175-184.

19. Zdenek, O. Land-use changes and their relationships to selected landscape parameters in three cadastral areas in Moravia (Czech Republic) / O. Zdenek, S. Borivoj, K. Petr // Moravian Geographical Reports. - 2013, - Vol. 21, Iss. 1. - P. 41-50.

20. Khatoon Abadi, A. Factors affecting land use change and the impacts on non-sustainability of the land: a system dynamics case study of Kalardasht - IRAN / A. Khatoon Abadi, H. Abdali, N. Shetab Bushehri, K. Barar Pour // Interdisciplinary Themes. - 2011, - Vol. 3, Iss. 1. - P. 21-35.

21. Geist, H.J. Proximate causes and underlying driving forces of tropical deforestation: Tropical forests are disappearing as the result of many pressures, both local and regional, acting in various combinations in different geographical locations / H.J. Geist, E.F. Lambin // BioScience. - 2002, - Vol. 52, Iss. 2. - P. 143-150.

22. Koch, J. Modeling the impacts of land-use change on ecosystems at the regional and continental scale / J. Koch // Kassel University Press GmbH. - 2010.

23. Ren, G. Recent progress in studies of climate change in China / G. Ren, Y. Ding, Z. Zhao, J. Zheng, T. Wu, G. Tang, Y Xu // Advances in Atmospheric Sciences. - 2012, -Vol. 29. - P. 958-977.

24. Kim, I. Driving forces in archetypical land-use changes in a mountainous watershed in East Asia / I. Kim, Q.B. Le, S.J. Park, J. Tenhunen, T. Koellner // Land. -2014, - Vol. 3, Iss. 3. - P. 957-980.

25. Douangsavanh, L. Policy implications of land use changes in the uplands of northern Lao PDR / L. Douangsavanh, P. Laddavong, B. Bouahom, J.C. Castella // The Lao Journal of Agriculture and Forestry. - 2011, - Vol. 23. - P. 1-17.

26. Tukahirwa, J. Policies, people and land use change in Uganda: A case study in Ntungamo, Lake Mburo and Sango Bay sites / J. Tukahirwa // Land Use Change, Impacts

and Dynamics (LUCID) Project Working Paper 17. - Nairobi: International Livestock Research Institute, 2002. - 34 p.

27. Panayatou, T. An econometric study of the causes of tropical deforestation: The case of Northeast Thailand / T. Panayatou, S. Sungsuwan // In: K. Brown, D.W. Pearce (eds.). The Causes of Tropical Deforestation: The Economic and Statistical Analysis of Factors Giving Rise to the Loss of the Tropical Forests. - London: UCL Press, 2023. - P. 192-210.

28. Rudel, T. Population, development and tropical deforestation: a cross-national study / T. Rudel // In: K. Brown, D.W. Pearce (eds.). The Causes of Tropical Deforestation: The Economic and Statistical Analysis of Factors Giving Rise to the Loss of the Tropical Forests. - London: Routledge, 2023. - P. 96-105.

29. Bilsborrow, R.E. Land use, migration, and natural resource deterioration: The experience of Guatemala and the Sudan / R.E. Bilsborrow, P.F. DeLargy // Population and Development Review. - 1990, - Vol. 16. - P. 125-147.

30. Bongaarts, J. Population pressure and the food supply system in the developing world / J. Bongaarts // Population and Development Review. - 1996, - Vol. 22, No. 3. - P. 483-503.

31. Axinn, W.G. Social organization, population, and land use / W.G. Axinn, D.J. Ghimire // American Journal of Sociology. - 2011, - Vol. 117, Iss. 1. - P. 209-258.

32. Schneider, L.C. Modeling land-use change in the Ipswich watershed, Massachusetts, USA / L.C. Schneider, R.G. Pontius Jr // Agriculture, Ecosystems & Environment. - 2001, - Vol. 85, Iss. 1-3. - P. 83-94.

33. Xiangzheng, D. Modeling the relationship of land use change and some geophysical indicators for the interlock area of farming and pasturing in China / D. Xiangzheng, L. Jiyuan, Z. Dafang, Z. Jinyan, Z. Tao // Journal of Geographical Sciences. -2002, - Vol. 12, Iss. 4. - P. 397-404.

34. Chen, L. Land-use change in a small catchment of northern Loess Plateau, China / L. Chen, J. Wang, B. Fu, Y Qiu // Agriculture, Ecosystems & Environment. - 2001, -Vol. 86, Iss. 2. - P. 163-172.

35. Kabrda, J. Influence of natural conditions on land use in the Vysocina region and its changes since the mid-19th century / J. Kabrda // Acta Universitatis Carolinae. - 2004, -No. 2. - P. 15-38.

36. Мерецкий, В.А. Влияние природно-экономических условий на территориальное землеустройство сельскохозяйственных землепользований / В.А. Мерецкий, Т.Н. Жигулина // Вестник Алтайского государственного аграрного университета. - 2016, - № 5 (139). - С. 49-55.

37. Temple, P.H. Physical factors influencing land use in coastal Sukumaland / P.H. Temple // East African Geographical Review. - 1965, - Vol. 86, № 3. - P. 17-26.

38. Kelarestaghi, A. Land use/cover change and driving force analyses in parts of northern Iran using RS and GIS techniques / A. Kelarestaghi, Z. Jafarian Jeloudar // Arabian Journal of Geosciences. - 2011, - Vol. 4. - P. 401-411.

39.Hirose, T. Changes in rural land-use patterns in relation to some physical factors in the Kakioka Basin, Japan / T. Hirose // Agro-Ecosystems. - 1980, - Vol. 6, Iss. 1. - P. 67-84.

40. Dale, V.H. The relationship between land-use change and climate change / V.H. Dale // Ecological Applications. - 1997, - Vol. 7, № 3. - P. 753-769.

41. Oprsal, Z. The role of selected biophysical factors in long-term land-use change of cultural landscape / Z. Oprsal, P. Kladivo, I. Machar // Applied Ecology and Environmental Research. - 2016, - Vol. 14, Iss. 2. - P. 23-40.

42. Wijitkosum, S. Impacts of land use changes on soil erosion in Pa Deng subdistrict, adjacent area of Kaeng Krachan National Park, Thailand / S. Wijitkosum // Soil & Water Research. - 2012, - Vol. 7, Iss. 1. - P. 10-17.

43. Visalatchi, A. Land use and land cover mapping and shore line changes studies in Tuticorin coastal area using remote sensing / A. Visalatchi, R. Padmanaban // International Journal of Advanced Earth Science and Engineering. - 2012, - Vol. 1, Iss. 1. - P. 1-12.

44. Briassoulis, H. Analysis of Land Use Change: Theoretical and Modeling Approaches / H. Briassoulis; ed. by S. Loveridge, R. Jackson // WVU Research Repository. - 2020. - 2nd ed. - C. 247.

45. Lesschen, J.P. Statistical methods for analysing the spatial dimension of changes in land use and farming systems / J.P. Lesschen, P.H. Verburg, S.J. Staal // International Livestock Research Institute. - 2005. - No. 7. - C. 80.

46. Mansouri Daneshvar, M.R. Assessment of urban sprawl effects on regional climate change using a hybrid model of factor analysis and analytical network process in the Mashhad city, Iran / M.R. Mansouri Daneshvar, G. Rabbani, S. Shirvani // Environmental Systems Research. - 2019, - Vol. 8, No. 7. - P. 1-12.

47. Ушаков, Р.Н. Использование метода главных компонент и кластерного анализа для диагностики плодородия агросерой почвы / Р. Н. Ушаков, Т. Ю. Ушакова, А. В. Ручкина, Н. А. Головина, К. В. Кузнецова, Ф. Ю. Бобраков // Плодородие. -2021. - № 6 (123). - С. 26-29.

48. Нгуен С. Т. Применение метода направленного главного компонентного анализа при извлечении железосодержащих рудных площадей на оптических спутниковых снимках Landsat 8 / Нгуен Сач Тхань, Тринь Ле Хунг, До Ван Дуонг // Журнал горного дела и геологии, науки и технологий. - 2019. - Vol. 60, Iss.5. - P. 109118.

49. Хунг, Б.М. Методы многомерного статистического анализа данных лесных исследований с использованием SAS / Б. М. Хунг // Журнал лесной науки и технологий. - 2018. - № 1. - P. 43-52.

50. Ekanade, O. Application of canonical correlation for soil-vegetation interrelationship in the cocoa belt of South Western Nigeria / O. Ekanade, O. O. Orimoogunje // Resources and Environment. - 2012. - Vol. 2, Iss. 3. - P. 87-92.

51. Hoshino, S. Statistical analysis of land-use change and driving forces in the Kansai District, Japan / S. Hoshino // IIASA Working Paper. - 1996. - WP-96-120.

52. Estacio, I. A statistical model of land use/cover change integrating logistic and linear models: An application to agricultural abandonment / I. Estacio, C. P. Sianipar, K. Onitsuka, M. Basu, S. Hoshino // International Journal of Applied Earth Observation and Geoinformation. - 2023. - Vol. 120. - Article 103339.

53. Weiss, E. Application of NOAA-AVHRR NDVI time-series data to assess changes in Saudi Arabia's rangelands / E. Weiss, S. E. Marsh, E. S. Pfirman // International Journal of Remote Sensing. - 2001. - Vol. 22, Iss. 6. - P. 1005-1027.

54. Армин, М. Изучение и прогнозирование путей землепользования и изменения земного покрова в пригороде Ясуджа / М. Армин, М. Мохаммад, В. Г. Хейбари // Аридные экосистемы. - 2020. - Т. 26, № 3 (84). - С. 40-49.

55. Vu, K. C. (2007). Land use change in the Suoi Muoi catchment, Vietnam: disentangling the role of natural and cultural factors [Master's thesis]. University of Bonn.

56. Nguyen, T. T. Giao trinh Dan so hoc / Nguyen Thi Thieng, Luu Bich Ngoc // Tong cuc Dan so va Ke hoach hoa Gia dinh. - 2011. - 200 p.

57. Качагина, О.В. Основы демографии: основы теории и практические задания / О.В. Качагина // Учебное пособие. - Ульяновск: УлГУ, 2016. - 129 с.

58. Weeks, J.R. Population: An Introduction to Concepts and Issues / J.R. Weeks // Belmont, CA: Cengage Learning. - 2016. - 720 p.

59. Morozova, E.A. Demograficheskaya situatsiya i ee vliyanie na sotsialno-ekonomicheskoye razvitiye regiona / E.A. Morozova, A.N. Chelombitko // Bulletin of the Kemerovo State University. - 2012. - No. 2. - P. 213-219.

60. Земскова О.В. Социально-экономические причины и экологические последствия перенаселения (на примере Москвы и МО) / О.В. Земскова // Дис. канд. экон. наук. - М.: МГУ им. М.В. Ломоносова, 2015. - 157 с.

61. Le T.L. Factors Influencing Land use Change in Hung Yen Province / T.L. Le // Vietnam J. Agri. Sci. - 2024. - Т. 22, № 2. - С. 226-235.

62. Meyfroidt P. The causes of the reforestation in Vietnam / P. Meyfroidt, E.F. Lambin // Land Use Policy. - 2008. - Vol. 25, Iss. 2. - P. 182-197.

63. Muller D. Land use dynamics in the central highlands of Vietnam: a spatial model combining village survey data with satellite imagery interpretation / D. Muller, M. Zeller // Agricultural Economics. - 2002. - Vol. 27, Iss. 3. - P. 333-354.

64. Caspersen O.H. Population and land use changes in the central highland province of Dak Lak Vietnam / O.H. Caspersen // Geografisk Tidsskrift. - 1999. - P. 47-54.

65. Nong D.H. Built-up area change analysis in Hanoi using support vector machine classification of Landsat multi-temporal image stacks and population data / D.H. Nong, J. Fox, T. Miura, S. Saksena // Land. - 2015. - Vol. 4, Iss. 4. - P. 1213-1231.

66. Vu Q.M. Socio-economic and biophysical determinants of land degradation in Vietnam: An integrated causal analysis at the national level / Q.M. Vu, Q.B. Le, E. Frossard, P.L. Vlek // Land Use Policy. - 2014. - Vol. 36. - P. 605-617.

67. Kontgis, C. Monitoring peri-urbanization in the greater Ho Chi Minh City metropolitan area / C. Kontgis, A. Schneider, J. Fox, S. Saksena, J.H. Spencer, M. Castrence // Applied Geography. - 2014. - Vol. 53. - P. 377-388.

68. Gyawali, B.R. Land cover and socio-economic characteristics in the eight counties of Alabama: a spatial analysis / B.R. Gyawali, R. Fraser, Y. Wang, J.O. Bukenya // American Agricultural Economics Association. - 2004. - P. 1-18.

69. Hoffmann, J. Demographic change and land use / J. Hoffmann // Sustainable land management in a European context. - 2021. - P. 63-74.

70. Shi, Y. Analysis on land-use change and its demographic factors in the original-stream watershed of Tarim River based on GIS and statistic / Y Shi, R. Wang, L. Fan, J. Li // Procedia Environmental Sciences. - 2010. - Vol. 2. - P. 175-184.

71. Codjoe, S. N. A. Population growth and agricultural land use in two agro-ecological zones of Ghana, 1960-2010 / S. N. A. Codjoe // International Journal of Environmental Studies. - 2006. - Vol. 63, Iss. 5. - P. 645-661.

72. Беленко, В.В. Концепция и технология мониторинга земель застраиваемых территорий по материалам космической съёмки / В.В Беленко // [доктор наук]. МИИГАиК, -2019. -209c.

73. Зверев А.Т., Аджян А.А. Теоретические основы использования космических снимков для характеристики инженерно-геологических условий территории // Известия вузов. Геодезия и аэрофотосъемка, 2009. - № 4. - С. 60-62

74. Agrawal, R. K-nearest neighbor for uncertain data / R. Agrawal // International Journal of Computer Applications. - 2014. - Vol. 105, No. 11. - P. 13-16.

75. Pacheco, A.D.P. Assessment of k-nearest neighbor and random forest classifiers for mapping forest fire areas in Central Portugal using Landsat-8, Sentinel-2, and Terra imagery / A.D.P. Pacheco, J.A.D.S. Junior, A.M. Ruiz-Armenteros, R.F.F. Henriques // Remote Sensing. - 2021. - Vol. 13, No. 7. - P. 1345.

76. Cariou, C. Improving K-nearest neighbor approaches for density-based pixel clustering in hyperspectral remote sensing images / C. Cariou, S. Le Moan, K. Chehdi // Remote Sensing. - 2020. - Vol. 12, No. 22. - P. 3745.

77. Bardossy, A. Fuzzy rule-based classification of remotely sensed imagery / A. Bardossy, L. Samaniego // IEEE Transactions on Geoscience and Remote Sensing. - 2002. - Vol. 40, No. 2. - P. 362-374.

78. Hung, C.C. A new weighted fuzzy c-means clustering algorithm for remotely sensed image classification / C.C. Hung, S. Kulkarni, B.C. Kuo // IEEE Journal of Selected Topics in Signal Processing. - 2010. - Vol. 5, No. 3. - P. 543-553.

79. Чабан, Л.Н. Методы и алгоритмы распознавания образов в автоматизированном дешифрировании данных дистанционного зондирования / Л.Н. Чабан. - М.: МИИГАиК, 2016. - 94 с.

80. Шаповалов, Д.А., Гаврилова, Л.А., Лимонов, А.Н., Евстратова, Л.Г и др. Монография «Методы дистанционного зондирования и космическая навигация в технологиях точного земледелия» // ГУЗ, 2022. - 423 с.

81. Манович, В.Н., Евстратова, Л.Г. Возможность применения автоматизированных методов дешифрирования для решения задач инвентаризации лесов / В.Н. Манович, Л.Г. Евстратова // Интерэкспо ГЕО-СИБИРЬ. - 2012. - P. 31-36

82. Thuy, D.T. Evaluating the potential of digital soil mapping to map soil types in Bac Ninh province, Vietnam / D.T. Thuy // Vietnam J. Agri. Sci. - 2016. - Vol. 14, No. 4. -P. 629-634.

83. Журкин И.Г., Чабан Л.Н. Выбор и расчет показателей при геоинформационном моделировании природно-ресурсного потенциала интенсивно развивающихся территорий/ И.Г Журкин., Л.Н Чабан // Известия высших учебных заведений. Геодезия и аэрофотосъемка, 2011. - № 3. - С. 102-107.

84. Нгуен, В.Д.З. Использование цепи Маркова и логистической модели регрессии для прогнозирования засухи по материалам многозональной космической съемки // Известия вузов «Геодезия и аэрофотосъемка». - 2023. - Т. 67, №2 3. - С. 101-111.

85. Foster, A.D. Population, income, and forest growth: management of village common land in India / A.D. Foster, M.R. Rosenzweig, J.R. Behrman // Journal of Political Economy. - 2001. - Vol. 109, Iss. 4. - P. 758-787.

86. Fathizad, H. Modeling land use change process by integrating the MLP neural network model in the central desert regions of Iran / H. Fathizad, H. Ardakani, R.A. Taghizadeh Mehrjardi, H. Sodaiezadeh // Desert. - 2019. - Vol. 24, Iss. 2. - P. 241-254.

87. Gharaibeh, A. Improving land-use change modeling by integrating ANN with Cellular Automata-Markov Chain model / A. Gharaibeh, A. Shaamala, R. Obeidat, et al. // Heliyon. - 2020. - Vol. 6, Iss. 9. - P. 1-18.

88. Чинь, К.Х. Исследование зависимости изменений в землепользовании от природных факторов // Геодезия и картография. - 2024. - № 10. - С. 45-52.

89. Girma, R. Land Use Land Cover Change Modeling by Integrating Artificial-Neural-Network with Cellular Automata-Markov Chain Model in Gidabo River Basin, Main Ethiopian Rift / R. Girma, Ch. Fürst, A. Moges // Environmental Challenges. - 2021. - Vol. 6, Iss. 10. - P. 100419.

90. Shafizadeh-Moghadam, H. Transition index maps for urban growth simulation: application of artificial neural networks, weight of evidence and fuzzy multi-criteria evaluation / H. Shafizadeh-Moghadam, A. Tayyebi, M. Helbich // Environmental Monitoring and Assessment. - 2017. - Vol. 189, Iss. 6. - P. 189 - 300.

91. Ahmadi, H. Integrating Cellular Automata, Artificial Neural Network and Fuzzy Set Theory to Simulate Threatened Orchards: Application to Maragheh, Iran / H. Ahmadi, Shaban// GIScience & Remote Sensing. - 2016. - Vol. 53, Iss. 2. - P. 183-205.

92. Bashir, O. Simulating spatiotemporal changes in land use and land cover of the north-western Himalayan region using Markov chain analysis / O. Bashir, S.A. Bangroo, W. Guo, et al. // Land. - 2022. - Vol. 11, Iss. 12. - P. 2276.

93. Bacani, V.M. Markov chains-cellular automata modeling and multicriteria analysis of land cover change in the Lower Nhecolandia subregion of the Brazilian Pantanal wetland / V.M. Bacani, A.Y Sakamoto, H. Quenol, C. Vannier, S. Corgne // Journal of Applied Remote Sensing. - 2016. - Vol. 10, No. 1. - P. 016004.

94.Weisstein, E.W. Elementary Cellular Automaton // Wolfram MathWorld. - 2002. - Available at: https://mathworld.wolfram.com/ElementaryCellularAutomaton.html.

95. Hoai, V.T.T. Bac diem thanh phan tram tich bai boi hien dai vung cua song ven biln tu Cua Ba Lat d6n Cua Bay / V.T.T. Hoai, N.X. Huyen // Vietnam Journal of Marine Science and Technology. - 2012. - Vol. 10, No. 3. - P. 53-67.

96. Nghi, T. Bac dilm tuong da - c6 dia ly Pleistocen muon - Holocen khu vuc cua song Ba Lat / T. Nghi, N. T. Tuy6n, B. X. Thanh, N. B. Nguyen, T. T. T. Nhan, N. B. Thai // Tap chi Khoa hoc va Cong nghe Bien. - 2017. - Vol 17, No.1. - P. 23-34.

97. Hai, D. N. Su hinh thanh va phat triln chau th6 song H6ng giai doan Holocene / D. N. Hai, N. T. Thanh, V. Le Phuang, M. B. Bong, P. Q. S. Le Buc Anh, B. H. S. Cuang// Nha xuat ban Khoa hoc Tu nhien va Cong nghe. - 2019. - 196c.

98. Trang, N.T.T. Soil Properties of Balat Estuary, Giao Thuy District, Nam Dinh Province / N. T. T. Trang, N. H. Thanh // J. Sci. Dev. - 2012. - Vol. 10. - P. 173-181.

99. Trang, N.T.T. Nghien cuu su dung dit ben vttng vtog cua Ba Lat, huyen Giao Thuy, tinh Nam Dinh / N. T. T. Trang // Luan an tien sy. - Ha Noi : Truang Dai hoc Nong nghiep I Ha Noi. - 2013. - 157 с.

100. Dac diem tho nhuong tinh Nam Dinh // [В Интернете]. Available: https://baonamdinh.vn/channel/5093/201111/dac-diem-tho-nhuong-tinh-Nam-dinh-2134472/

101.Congalton, R.G. Assessing the Accuracy of Remotely Sensed Data: Principles and Practices / R. G. Congalton, K. Green // 2nd ed. - CRC Press, 2008. - 200 p.

102. Current status of administrative units at all levels in Giaothuy Prefecture in 2021 // [В Интернете]. Available: https://storage-vnportal.vnpt.vn/ndh-ubnd/sitefolders/huyengiaothuy/phuong-an- sap-xep- sap-nhap-thon-xom-trang-1 - 19.pdf

103. Population and Housing Census of Nam Dinh Province // [В Интернете]. Available: https://storage-vnportal.vnpt.vn/ndh-ubnd/sitefolders/huyengiaothuy/4454/cong-khai/tuyen-vien-chuc/noi-vu/phu-luc- 1.pdf

104. Population and Housing Census 2009// [В Интернете]. Available: http://portal.thongke.gov.vn/khodulieudanso2009/Tailie/AnPham/KetquaToanbo/Bieu2.pdf

105. Чинь, К.Х. Исследование увеличения площадей жилой застройки с учетом демографических факторов с использованием материалов космической съемки / К.Х. Чинь, В.А. Малинников // Мониторинг: наука и технологии. - 2025. - № 1(63). - С. 83-88.

106. Добронец, Б.С. Новые подходы в регрессионном анализе данных ДЗЗ / Б.С. Добронец, А.Р. Кемельбаева // Мониторинг: наука и технологии. - 2022. - № 2. -

C. 97-100.

107. Duong, D.V. Cac phuong phap phan loai mem trong phan loai anh vien tham /

D.V. Duong // Tap chi Khoa hoc Do dac va Ban d6. - 2011. - № 9. - C. 13-19.

108. Benz, U.C. Multi-resolution, object-oriented fuzzy analysis of remote sensing data for GIS-ready information / U.C. Benz, P. Hofmann, G. Willhauck// ISPRS Journal of Photogrammetry and Remote Sensing. - 2004. - Vol. 58, No. 3-4. - P. 239-258.

109. Воронов, И.В. Обзор типов искусственных нейронных сетей и методов их обучения / И.В. Воронов, Е.А. Политов, В.М. Ефременко // Вестник Кузбасского государственного технического университета. - 2007. - № 3. - С. 38-42.

110. Учаев, Д.В. Разработка технологии объектно-ориентированной классификации цветных аэрокосмических изображений, основанной на онтологическом представлении знаний / Д.В. Учаев, Дм.В. Учаев // Изв. вузов «Геодезия и аэрофотосъемка». - 2021. - Т. 65, № 1. - С. 38-51.

111. Гарафутдинова, Л.В. Объектно ориентированная классификация изображений дистанционного зондирования Земли с использованием машинного обучения / Л.В. Гарафутдинова // Вестник НГАУ - 2024. - № 2. - С. 37-47.

112. Пензина, Е.К. Сравнительный анализ многослойного и нечеткого многослойного персептронов при решении задачи классификации / Е.К. Пензина // Молодежный научный форум. - 2019. - Т. 17 (47). - С. 38-43.

113. Sereke, T.E. Dynamics of land use, land cover changes and their impacts on land surface temperature using satellite imagery / T.E. Sereke, T. Tesfay, V.V. Bratkov// RUDN Journal of Engineering Research. - 2024. - Vol. 25, No. 3. - P. 308-318.

114. Гринфельдт, Ю. С. Оценка изменения биоразнообразия на фоне трансформации структуры землепользования мира (Бразилии) / Ю. С. Гринфельдт // Биоразнообразие: глобальные и региональные процессы. - 2016. - С. 166.

115. Eker, R. Assessment of forest road conditions in terms of landslide susceptibility: a case study in Yigilca Forest Directorate / R. Eker, A. Aydin // Turkish Journal of Agriculture and Forestry. - 2014. - Vol. 38, Iss. 2. - P. 281-290.

116. Fagerland, M. W. Multinomial goodness-of-fit tests for logistic regression models / M. W. Fagerland, D. W. Hosmer, A. M. Bofin // Statistics in Medicine. - 2008. -Vol. 27, No. 21. - P. 4238-4253.

117.Lu, D. A survey of image classification methods and techniques for improving classification performance / D. Lu, Q. Weng // International Journal of Remote Sensing. -2007. - Vol. 28, Iss. 5. - P. 823-870

118. Ha, L.T.T . Ung dung tu lieu vien tham xac dinh xu huong gia tang be mat khong tham a nong thon / L. T. T. Ha, P. T. Lan, N. V. Trung, V. C. My, P. V. Cu // Tap chi Khoa hoc Do dac va Ban d6. - 2015. - № 26. - P. 28-35.

119. Чинь, К.Х. Разработка полиномиальной логистической регрессионной модели изменений видов землепользования с учетом природных факторов / К.Х. Чинь, В.А. Малинников // Пространственные данные: наука и технологии. - 2024. - Т. 15, № 1. -С. 62-74.

120.Чинь, К. Х. Моделирование возможности изменения землепользования под воздействием природных факторов на основе искусственной модели многослойных персептронов / К.Х. Чинь, В.А. Малинников // Известия вузов. Геодезия и аэрофотосъемка. - 2025. - № 1. С.23-35

121. Smith, G.M. An integrated vector/raster system for land cover mapping / G.M. Smith, R.M. Fuller, C. Costa, B.J. Devereux // IEE Colloquium on Integrated Systems for Commercial Remote Sensing Applications. - 2002. - P. 2-1

122. Aplin, P. Fine spatial resolution simulated satellite sensor imagery for land cover mapping in the United Kingdom / P. Aplin, P.M. Atkinson, P.J. Curran // Remote Sensing of Environment. - 1999. - Vol. 68, Iss. 3. - P. 206-216.

ПРИЛОЖЕНИЕ 1.Независимые данные, использованные в исследовании - Демографические факторы

Коммуны Плотность населения 2005 Плотность населения 2013 Плотность населения 2021 Количество домохозяйств 2005 Количество домохозяйств 2013 Количество домохозяйств 2021

Нго Донг 2297 2132 2839 1685 1852 2080

Хоанг Сон 1591 1445 1794 2535 2680 3111

Зяо Нян 1318 1351 1560 2098 2211 2633

Зяо Тяу 1108 1092 1273 2242 2561 2756

Зяо Хай 1239 1343 1407 1903 2211 2378

Зяо Лонг 1100 1137 1198 2500 2675 2781

Бинь Хоа 1355 1232 1639 2363 2495 3117

Зяо Ха 1477 1509 1752 2646 2684 3245

Зяо Тан 1561 1385 1547 2365 2455 2559

Зяо Тиен 2110 1979 2159 4845 5109 5683

Зяо Иен 1314 1329 1608 2125 2400 2825

Зяо Тхинь 1195 1158 1251 3136 3352 3686

Куат Лам 1159 1279 1450 2300 3013 3070

Зяо Фонг 1143 1216 1215 2123 2513 2586

Бах Лонг 816 914 852 2161 2495 2528

Зяо Тхиен 1039 1010 1593 2317 2812 3440

Зяо Ан 1216 1244 1766 2657 3198 3242

Зяо Тхань 1082 1009 1254 1707 1833 2310

Зяо Хыонг 865 866 945 1910 2233 2635

Хонг Тхуан 1046 1013 1126 4033 4576 5576

Зяо Лак 1433 1438 1831 2485 2758 3425

Зяо Суан 1277 1278 1403 2468 3023 3289

- Природные факторы

Legend

Расстояние до береговой линии Расстояние до дорог

2. Иерархическая карта соответствия объектов

MCE result for MCE XD MCE result for NTTS

Иерархическая карта соответствии Иерархическая карта соответствии

жилой застройки aквакультуры

MCE result for RNM MCE result for MCE MUOI

Иерархическая карта соответствии Иерархическая карта соответствии

мангрового леса ^лончаки