Виды разрешенного использования земельного участка классификатор 2019: Классификатор видов разрешенного использования земельных участков

Хочешь — строй, хочешь — копай

Теперь владельцы земельных участков смогут выбрать то назначение, которое более всего соответствует фактическому использованию земли. Это стало возможным благодаря тому, что минэкономразвития обновило существующий классификатор видов разрешенного использования земельных участков. В новой редакции классификатора предусмотрено, что на участках для «ведения садоводства» могут размещаться жилые дома, как и на участках для индивидуального жилищного строительства. Также на садовых участках могут располагаться предназначенные для собственных нужд хозяйственные постройки и гаражи.

Новый порядок может отразиться и на кадастровой стоимости земли. Так, кадастровая стоимость земель, выделяемых дачникам ниже, чем у земель, предназначенных под ИЖС. Появились в классификаторе и новые виды разрешенного использования земель. Например, для предоставления коммунальных услуг, услуг связи, размещения домов социального обслуживания, общежитий, медицинских организаций особого назначения, объектов культурно-досуговой деятельности, спортивных площадок.

В соответствии с Земельным кодексом у каждого участка есть назначение — например, для сельскохозяйственных нужд, ведения индивидуального жилищного строительства, того же садоводства. А есть виды и подвиды разрешенного использования, к примеру, под строительство объектов инфраструктуры или энергетики. Или некапитальных строений. Но если в классификаторе не было какого-то вида или подвида, а на участке, к примеру, лесного фонда очень нужно было построить такие линейные объекты, как высоковольтная линия или трубопровод, приходилось на уровне муниципалитета отдельно утверждать порядок использования земельных участков в составе лесов, сельхозугодий, особо охраняемых природных территорий для того, чтобы построить эти важные объекты. Или менять целевое назначение земельного участка, что крайне проблематично.

«Поправки в Градостроительный кодекс разрешили строительство на садовых участках жилых домов. Поэтому в новой редакции классификатора предусмотрено, что на земельных участках для «ведения садоводства» могут размещаться жилые дома, как и на участках для индивидуального жилищного строительства. Также на садовых участках могут располагаться предназначенные для собственных нужд хозяйственные постройки и гаражи», — отмечает первый зампред председателя Московской областной думы, глава Союза дачников Подмосковья Никита Чаплин.

Он также подчеркивает, что внесено дополнение о возможности размещения объектов благоустройства на всех земельных участках без отдельного указания в классификаторе. «На практике это означает, что, например, для размещения на земельных участках общего назначения в СНТ детской площадки, информационного щита, хозпостройки достаточно решения общего собрания членов товарищества и не требуется менять вид разрешенного использования данного земельного участка и получать какие-либо иные разрешения от государственных органов», — уточняет Чаплин.

Правообладателям земельных участков не нужно будет переделывать свидетельства о собственности и иные документы

Одновременно из классификатора убрали некоторые уточнения. Например, для земель, предназначенных под ведение садоводства с выращиванием сельскохозяйственных культур для собственных нужд, больше не содержится уточнение, какие конкретно сельхозкультуры имеются в виду — плодовые, ягодные, овощные или бахчевые. Но, как пояснила «Российской газете» замглавы Федеральной кадастровой палаты Росреестра Марина Семенова, это вовсе не означает наложения какого-либо запрета на их выращивание.

И добавила, что изменения в классификаторе не создадут для правообладателей земельных участков дополнительных проблем. Изменения не предполагают обязательную замену ранее выданных документов о собственности или владении земельными участками, отмечает Семенова.

Такие изменения могут быть внесены в записи ЕГРН по желанию самого правообладателя — как физического, так и юридического лица. Например, если вид разрешенного использования земли отсутствует в сведениях ЕГРН или необходимо изменить целевое назначение участка. Во всех случаях для внесения изменений в реестр недвижимости требуется подать соответствующее заявление в Росреестр.

Как изменить разрешенное использования земельного участка?

Если государственная собственность на земельный участок не разграничена, либо земельный участок находится в собственности Нижегородской области, либо в муниципальной собственности гражданин, юридическое лицо вправе обратиться в орган, уполномоченный на распоряжение земельным участком (министерство инвестиций, земельных и имущественных отношений Нижегородской области, администрация муниципального образования) по вопросу изменения разрешенного использования земельного участка. Законом Нижегородской области от 23 декабря 2014 г. № 197-З перераспределены полномочия по распоряжению земельными участками между Правительством Нижегородской области и органами местного самоуправления муниципальных образований.

Приказом министерства экономического развития Российской Федерации от 01.09.2014 № 540 утвержден классификатор видов разрешенного использования земельных участков.

Вид разрешенного использования земельного участка выбирается гражданином, юридическим лицом самостоятельно в соответствии с градостроительными регламентами, утвержденными нормативно-правовым актом органа местного самоуправления, на территории которого находится земельный участок, и с учетом классификатора.

Условно разрешенные виды использования земельных участков и объектов капитального строительства правообладателями земельных участков могут быть применены только после получения специального согласования посредством публичных слушаний. Изменение вида разрешенного использования, указанного в выписке из Единого государственного реестра недвижимости, на условно разрешенные виды использования земельного участка, установленные Правилами землепользования и застройки в городе Нижнем Новгороде, относится к компетенции департамента градостроительного развития территории Нижегородской области (603115, г. Н.Новгород, ул. Ошарская, д. 63, тел. (831) 428−17−96, [email protected]).

Новости Росреестра ⁄ Администрация Анастасьевского сельского поселения

18 сентября 2020

Когда вы приобретаете землю, то должны помнить, что все земли разбиты на участки, у которых есть определенный вид разрешенного использования (ВРИ). Нельзя использовать любое место в городе, в селе для строительства магазина или для выращивания сельскохозяйственных культур. Необходимо выяснить, предусмотрена ли в данном месте подобная деятельность и какое-либо строительство на уровне территориального планирования. Классификатор ВРИ и существует для того, чтобы понять, как можно использовать определённый участок. В приказе Минэкономразвития РФ от 4 февраля N 44 «О внесении изменений в классификатор видов разрешенного использования земельных участков, утвержденном приказом Минэкономразвития РФ от 1 сентября 2014 г. N 540» в классификатор ВРИ земельных участков были включены новые позиции. В частности, появились отдельные коды видов разрешенного использования земельных участков, в том числе для предоставления коммунальных услуг, домов социального обслуживания, оказания услуг связи, общежитий, объектов культурно-досуговой деятельности, цирков и зверинцев, осуществления религиозных обрядов, проведения научных испытаний, проведения азартных игр, заправки транспортных средств, автомобильных моек, ремонта автомобилей, площадок для занятий спортом и др. Кроме того, уточнены описание и детализация отдельных видов разрешенного использования земельных участков.

В письме Минэкономразвития РФ от 25.09.2019 N 13791-ОГ «Относительно определения вида разрешенного использования образуемого земельного участка» разъяснены особенности определения вида разрешенного использования образуемого земельного участка и исходного земельного участка. Согласно пункту 51 Требований к подготовке межевого плана, утвержденных приказом Минэкономразвития России от 8 декабря 2015 г. N 921, виды разрешенного использования образуемых земельных участков должны соответствовать сведениям Единого государственного реестра недвижимости о видах разрешенного использования исходного земельного участка, за исключением случаев, установленных законодательством РФ.

В таких случаях сведения о выбранных или установленных видах разрешенного использования указываются в межевом плане на основании:

— градостроительного регламента и сведений о территориальной зоне, в границах которой расположен земельный участок;

— разрешения на условно разрешенный вид использования земельного участка;

— акта органа государственной власти или органа местного самоуправления, подтверждающего разрешенное использование земельного участка;

— вступившего в законную силу судебного акта;

— проектной документации лесных участков в отношении лесных участков.

В случае отсутствия вида разрешенного использования у исходного земельного участка в межевом плане могут быть указаны сведения о виде разрешенного использования образуемого земельного участка на основании одного из перечисленных в пункте 51 Требований документа.

Деятельность уполномоченных должностных лиц Росреестра в сфере государственного земельного надзора направлена на предупреждение, выявление и пресечение нарушений. Приказом Росреестра от 18.06.2019 № П/0240 «Об утверждении Административного регламента осуществления Федеральной службой государственной регистрации, кадастра и картографии государственного земельного надзора» регламентирован порядок осуществления такого надзора. В Административном регламенте указано, что предметом надзора является соблюдение в отношении объектов земельных отношений органами власти, юридическими лицами, гражданами требований земельного законодательства, в том числе:

— использование земельных участков по целевому назначению в соответствии с категорией земель и разрешенным использованием;

— обязанность по приведению земель в состояние, пригодное для использования по целевому назначению;

— обязательное использование в течение установленного срока земельных участков, предназначенных для жилищного или иного строительства, садоводства, огородничества, в указанных целях;

— недопущение самовольного занятия земельного участка, в том числе его использования лицом, не имеющим прав на него;

— соблюдение требований земельного законодательства органами государственной власти и органами местного самоуправления при предоставлении земельных участков, находящихся в государственной и муниципальной собственности

В рамках земельного надзора уполномоченные должностные лица имеют право осуществлять плановые и внеплановые проверки, беспрепятственно получать доступ на земельные участки, выдавать обязательные для исполнения предписания об устранении нарушений и контролировать их исполнение, обращаться в органы внутренних дел за содействием в предотвращении или пресечении действий, препятствующих осуществлению государственного земельного надзора, в установлении лиц, виновных в нарушениях земельного законодательства, осуществлять производство по делам об административных правонарушениях, в том числе составлять протоколы.

В проект «Кодекса Российской Федерации об административных правонарушениях» предполагается внести существенные изменения.

Так, например, выделена категория грубых административных правонарушений, к которым предлагается отнести административные правонарушения экстремистской и коррупционной направленности.

Нормативно закреплены понятия таких видов административных правонарушений как: длящиеся, продолжаемые, однородные и повторные.

Закреплено правило о недопущении одновременного привлечения юридического лица и его должностного лица к ответственности за одно и то же административное правонарушение, за исключением отдельных случаев.

Предлагается применять к гражданам разновидность административного наказания в виде предупреждения за впервые совершенные административные правонарушения (при отсутствии отягчающих обстоятельств), с освобождением от административной ответственности и от административного наказания.

Согласно проекту Федерального закона № 994421–7 «О внесении изменений в статью 70 Федерального закона «О государственной регистрации недвижимости», статье 16 Федерального закона «О внесении изменений в Градостроительный кодекс Российской Федерации и отдельные законодательные акты Российской Федерации» до 1 марта 2026 г. предлагается продлить срок упрощенного порядка оформления прав граждан на жилые и садовые дома на садовых земельных участках. Также до 1 марта 2026 г. предлагается продлить упрощенный порядок направления уведомлений о строительстве объектов недвижимости, строительство которых начато до 4 августа 2018 года.

Правообладателям земельных участков рекомендуется уточнить границы ранее учтённых участков, и в случае необходимости зарегистрировать права на них в связи со вступившим в силу Федеральным законом «Об особенностях регулирования отдельных отношений в целях модернизации и расширения магистральной инфраструктуры и о внесении изменений в отдельные законодательные акты Российской Федерации» от 31.07.2020 № 254-ФЗ.

Порядок изменения вида разрешенного использования земельного участка БАРНАУЛ :: Официальный сайт города

Порядок приема и рассмотрения обращений

Все обращения поступают в отдел по работе с обращениями граждан организационно-контрольного комитета администрации города Барнаула и рассматриваются в соответствии с Федеральным Законом от 2 мая 2006 года № 59-ФЗ «О порядке рассмотрения обращений граждан Российской Федерации», законом Алтайского края от 29.12.2006 № 152-ЗС «О рассмотрении обращений граждан Российской Федерации на территории Алтайского края», постановлением администрации города Барнаула от 21.08.2013 № 2875 «Об утверждении Порядка ведения делопроизводства по обращениям граждан, объединений граждан, в том числе юридических лиц, организации их рассмотрения в администрации города, органах администрации города, иных органах местного самоуправления, муниципальных учреждениях, предприятиях».

Прием письменных обращений граждан, объединений граждан, в том числе юридических лиц принимаются по адресу: 656043, г.Барнаул, ул.Гоголя, 48, каб.114.

График приема документов: понедельник –четверг с 08.00 до 17.00, пятница с 08.00 до 16.00, перерыв с 11.30 до 12.18. При приеме документов проводится проверка пунктов, предусмотренных ст.7 Федерального закона от 02.05.2006 № 59-ФЗ «О порядке рассмотрения обращений граждан Российской Федерации»:

1. Гражданин в своем письменном обращении в обязательном порядке указывает либо наименование государственного органа или органа местного самоуправления, в которые направляет письменное обращение, либо фамилию, имя, отчество соответствующего должностного лица, либо должность соответствующего лица, а также свои фамилию, имя, отчество (последнее — при наличии), почтовый адрес, по которому должны быть направлены ответ, уведомление о переадресации обращения, излагает суть предложения, заявления или жалобы, ставит личную подпись и дату.

2.  В случае необходимости в подтверждение своих доводов гражданин прилагает к письменному обращению документы и материалы либо их копии.

3.  Обращение, поступившее в государственный орган, орган местного самоуправления или должностному лицу в форме электронного документа, подлежит рассмотрению в порядке, установленном настоящим Федеральным законом.

В обращении гражданин в обязательном порядке указывает свои фамилию, имя, отчество (последнее — при наличии), адрес электронной почты. Гражданин вправе приложить к такому обращению необходимые документы.

В соответствии со статьей 12 Федерального закона от 2 мая 2006 года № 59-ФЗ письменное обращение, поступившее в государственный орган, орган местного самоуправления или должностному лицу рассматривается в течение 30 дней со дня его регистрации.

Ответ на электронное обращение направляется в форме электронного документа по адресу электронной почты, указанному в обращении, или в письменной форме по почтовому адресу, указанному в обращении.

Итоги работы с обращениями граждан в администрации города Барнаула размещены на интернет-странице организационно-контрольного комитета.

Вступает в силу утвержденный Росреестром классификатор видов разрешенного использования земельных участков

http://publication.pravo.gov.ru/Document/View/0001202103250001

На портале правовой информации опубликован
приказ Министерства экономического развития Российской Федерации от 12.02.2021 № 68 «О признании утратившими силу приказов Минэкономразвития России от 1 сентября 2014г. № 540, от 30 сентября 2015г. № 709, от 6 октября 2017г. № 547, от 4 февраля 2019г. № 44 и пункта 1 изменений, которые вносятся в некоторые приказы Минэкономразвития России в части совершенствования правового регулирования в сфере ведения гражданами садоводства и огородничества для собственных нужд, утвержденных приказом Минэкономразвития России от 9 августа 2018г. № 418» (Зарегистрирован 24.03.2021 № 62864) (далее – приказ).

Действующий классификатор видов разрешенного использования земельных участков, утвержденный Приказом Минэкономразвития России от 01.09.2014
№ 540, утрачивает силу 04.04.2021 в связи с изданием Приказа Минэкономразвития России от 12.02.2021 № 68 «О признании утратившими силу приказов Минэкономразвития России от 0.09.2014 № 540, от 30.09.2015 № 709, от 06.10.2017 № 547, от 04.02.2019 № 44 и пункта 1 изменений, которые вносятся в некоторые приказы Минэкономразвития России в части совершенствования правового регулирования в сфере ведения гражданами садоводства и огородничества для собственных нужд, утвержденных приказом Минэкономразвития России от 09.08.2018 № 418».

В соответствии с приказом новый классификатор видов разрешенного использования утвержден Приказом Росреестра от 10.11.2020 № П/0412 и вступает в силу 5 апреля 2021 года. Разработанный нормативный акт не вносит никаких правок в наименование и описание видов, кодов разрешенного использования, утвержденных Приказом Минэкономразвития России от 01.09.2014 № 540. Изменения касаются исключительно смены субъекта нормативно-правового регулирования в связи с передачей функции по выработке государственной политики и нормативно-правовому регулированию при осуществлении земельных отношений от Минэкономразвития России в ведение Росреестра.

Полномочие по принятию классификатора видов разрешенного использования земельных участков отнесено к Федеральной службе государственной регистрации, кадастра и картографии в соответствии с Постановлением Правительства РФ от 12.02.2020 № 131 «Об изменении и признании утратившими силу некоторых актов Правительства Российской Федерации и отдельных положений некоторых актов Правительства Российской Федерации».

Управление по взаимодействию со СМИ

О соблюдении целевого использования земельного участка!

Анапский отдел Управления Росреестра по Краснодарскому краю напоминает заявителям – собственникам земельных участков, расположенных на территории города-курорта Анапа.

При использовании своего земельного участка каждый собственник обязан соблюдать нормы законодательства Российской Федерации в части целевого назначения земельных участков и не допускать нарушений законодательства во избежание штрафов.

В соответствии с Приказом Министерства экономического развития России от 04.02.2019г. № 44 «О внесении изменений в Классификатор видов разрешенного использования земельных участков» появились отдельные виды разрешенного использования земельных участков. Расширение перечня видов разрешенного использования земельных участков позволяет собственнику выбрать вид, наиболее соответствующий фактическому использованию, это может положительно отразиться на величине кадастровой стоимости и минимизирует риски наложения штрафов за нецелевое использование земельного участка.

Среди новых видов разрешенного использования земельных участков, в том числе: для предоставления коммунальных услуг, оказания услуг связи, размещения домов социального обслуживания, общежитий, медицинских организаций особого назначения,  объектов культурно-досуговой деятельности, парков культуры и отдыха, цирков и зверинцев, осуществления религиозных обрядов, проведения научных испытаний, проведения азартных игр, заправки транспортных средств, автомобильных моек, ремонта автомобилей, площадок для занятий спортом и другие. Кроме этого, уточнены описание и детализация отдельных видов разрешенного использования земельных участков.

Вид разрешенного использования земельного участка можно уточнить с помощью «Публичной кадастровой карты» на официальном сайте Росреестра (www.rosreestr.ru).

В классификаторе уточнены также характеристики жилого дома с использованием земельного участка «для индивидуального жилищного строительства» (отдельно стоящие здания с количеством надземных этажей не более трех, высотой не более 20 метров, состоящего из комнат и помещений вспомогательного использования, используемых для удовлетворения гражданами бытовых и иных нужд, связанных с их проживанием в таком здании, не предназначенного для раздела на самостоятельные объекты недвижимости).

 

 

 

Минэкономразвития России скорректировало Классификатор видов разрешенного использования земельных участков

С 8 апреля увеличится число видов разрешенного использования земельных участков Минэкономразвития России скорректировало Классификатор видов разрешенного использования земельных участков.

Так, уточнены описание и детализация отдельных видов разрешенного использования земельных участков в составе укрупненных видов «Жилая застройка», «Общественное использование объектов капитального строительства», «Предпринимательство» и «Отдых (рекреация)».

С 8 апреля использование земельных участков для ИЖС будет предполагать размещение жилого дома (отдельно стоящего здания с не более чем тремя надземными этажами, высотой не более 20 метров, состоящего из комнат и помещений вспомогательного использования, используемых для удовлетворения гражданами бытовых и иных нужд, связанных с их проживанием в таком здании, не предназначенного для раздела на самостоятельные объекты недвижимости). Сейчас речь идет о размещении индивидуального жилого дома (дома, пригодного для постоянного проживания, не выше трех надземных этажей) (п. 2.1 Классификатора). Причем будет исключено выращивание на них плодовых, ягодных, овощных, бахчевых или иных декоративных культур с сохранением сельскохозяйственных культур (приказ Минэкономразвития России от 4 февраля 2019 г. № 44 «О внесении изменений в классификатор видов разрешенного использования земельных участков, утвержденный приказом Минэкономразвития России от 1 сентября 2014 г. № 540»). Использование земельных участков для ИЖС будет исключено для подсобных сооружений, сохранится для индивидуальных гаражей, но станет возможным для хозяйственных построек.

Также появятся отдельные коды для размещения зданий, обеспечивающих коммунальные услуги, домов престарелых, детских домов, ночлежек, общежитий, моргов, музеев и т. д., подробную информацию можно узнать на http://www.garant.ru/news/1265887/

Основы землепользования и зонирования

Законы о землепользовании и зонировании включают регулирование использования и развития недвижимости. Самая распространенная форма регулирования землепользования — зонирование. Правила и ограничения зонирования используются муниципалитетами для контроля и управления развитием собственности в пределах своих границ. С тех пор, как в 1916 году Нью-Йорк принял первое постановление о зонировании, правила зонирования были приняты практически во всех крупных городских районах Соединенных Штатов.

Что такое правила зонирования?

Основная цель и функция зонирования состоит в том, чтобы разделить муниципалитет на жилые, коммерческие и промышленные районы (или зоны), которые по большей части отделены друг от друга, при этом использование собственности в каждом районе является достаточно однородным.В пределах этих трех основных типов округов обычно существуют дополнительные ограничения, которые можно подробно описать, в том числе следующие:

• Особые требования к типу разрешенных зданий
  
• Расположение инженерных сетей
• Ограничения на вспомогательные постройки, отступы застройки от улиц и других границ
• Размер и высота зданий
• Кол-во номеров
  

Эти ограничения могут также распространяться на лицевую часть лотов; минимальная площадь лота; передние, задние и боковые дворы; парковка во дворе; количество построек на участке; и количество жилых единиц в определенной области.Правила могут ограничивать районы домами на одну семью или многоквартирными домами или таунхаусами. В районах, имеющих историческое или культурное значение, правила зонирования могут требовать сохранения этих особенностей.

Регламент развития

Регулирование землепользования не ограничивается контролем над существующими зданиями и их использованием; в значительной степени он предназначен для руководства будущим развитием. Муниципалитеты обычно следуют процессу планирования, который в конечном итоге приводит к всеобъемлющему или генеральному плану, а в некоторых штатах — к созданию официальной карты муниципалитета.Затем генеральный план вводится в действие постановлениями, регулирующими зонирование, регулированием застройки территориальных единиц, планами улиц, планами общественных объектов и строительными нормами. Будущие разработчики должны планировать свои подразделения в соответствии с официальной картой или планом.

В последние годы все большее внимание уделяется региональному планированию и планированию в масштабах штата. Признавая, что действия одного муниципалитета будут сильно влиять на соседние города, иногда в противоречивых и противоречивых формах, эти инициативы по планированию позволяют создать региональный план, который предлагает одно комплексное видение и один набор правил.

Пределы правила зонирования

Поскольку правила землепользования и зонирования ограничивают права владельцев использовать свою собственность так, как они могли бы (и часто хотели), они иногда вызывают споры. Кроме того, объем и пределы возможностей правительства по регулированию землепользования трудно определить конкретно. Суды постановили, что постановление о зонировании допустимо, если оно разумно, а не произвольно; если он имеет разумное и существенное отношение к общественному здоровью, безопасности, комфорту, морали и общему благополучию; и если используемые средства разумно необходимы для достижения его цели.

Учитывая субъективный характер этих факторов, очевидно, что существует много места для разногласий, а иногда и судебных разбирательств. В этой области права возникает один чрезвычайно сложный вопрос: насколько далеко могут зайти правила землепользования, не натолкнувшись на конституционный запрет на изъятие частной собственности в общественное пользование без справедливой компенсации.

Проблемы с правилами зонирования

Существует множество других ограничений на полномочия правительства по регулированию землепользования, любое из которых может служить основанием для оспаривания таких правил.Постановления о зонировании должны быть разумными с учетом всех факторов, таких как потребности муниципалитета; цель ограничения; расположение, размер и физические характеристики земли; характер района; и его влияние на стоимость задействованного имущества. Обоснование зонирования заключается в том, что оно способствует благу всего сообщества в соответствии с комплексным планом.

Точечное зонирование отдельных участков собственности способом, отличным от зонирования окружающих участков, в первую очередь в личных интересах владельца участка, зонированного таким образом, может быть оспорено, если нет разумных оснований для того, чтобы отличить участок от окружающего. посылки.Ограничения, основанные исключительно на расе или владении имуществом, не допускаются, и классификация, дискриминирующая расовую или религиозную группу, может быть поддержана только в том случае, если государство демонстрирует подавляющую заинтересованность, которая не может быть удовлетворена никаким другим способом.

Во многих юрисдикциях законодательные акты создали советы по апелляциям на зонирование для решения этих вопросов. Это квазисудебные органы, которые могут проводить слушания под присягой свидетелей и чьи решения подлежат пересмотру в суде.Учитывая сложность закона о зонировании и специализированный характер апелляционных советов по зонированию, владельцу, оспаривающему требование о зонировании, не рекомендуется пытаться отстаивать свое дело без юридической помощи.

Неправительственные ограничения: ограничительные условия и послабления

Не все ограничения на использование земли устанавливаются правительствами. Застройщики также могут вводить ограничения в свои застройки, чаще всего с помощью ограничительных условий и сервитутов:

Ограничительные условия — это положения акта, ограничивающие использование собственности и запрещающие определенные виды использования.Ограничительные условия обычно используются застройщиками для установления минимальных размеров домов, линий отступления и эстетических требований, которые, как считается, улучшают район.

Сервировка — это право использовать собственность другого лица для определенных целей. Сервизы теперь также используются для общественных целей, таких как сохранение открытого пространства и консервация. Например, сервитут может помешать кому-либо строить на участке земли, что оставляет собственность открытой и, таким образом, сохраняет открытую зеленую зону на благо общества в целом.

Получите юридическую помощь по вопросам землепользования и зонирования

Если вам нужно получить сервитут для надежного доступа к своей собственности, вы ищете недвижимость для нового бизнеса или у вас есть другие вопросы по закону о землепользовании и зонировании, адвокат должен быть в состоянии помочь. Обратитесь к ближайшему к вам юристу по землепользованию и зонированию, чтобы получить ответы на свои вопросы и получить помощь в вопросах, связанных с недвижимостью.

Узнайте о законах штата на нашей странице юридических ответов по землепользованию / зонированию.

Управление планирования и устойчивого развития

Управление землепользования

Для «сохранения, защиты и поощрения развития земель в штате для тех целей, для которых они лучше всего подходят для общественного благосостояния». См. L. 1961, c 187, § 1.

Управление планирования должно явиться в Государственную комиссию по землепользованию для представления интересов штата по вопросам, связанным с изменениями границ округа, специальными разрешениями и важными сельскохозяйственными землями (IAL).Комиссия в значительной степени полагается на позицию сторон по рассматриваемым ею вопросам, включая позицию округа и Управления планирования. На позицию Управления в этих вопросах в значительной степени влияет использование петиционером одного или нескольких соответствующих ресурсов, указанных в конце этой страницы; консультации с затронутыми государственными органами относительно воздействия предлагаемого проекта; и документация согласованных мер по смягчению последствий с затронутыми государственными органами в отношении государственных ресурсов. Мы рекомендуем заранее проконсультироваться с нашим офисом, чтобы обсудить, как заявитель будет выполнять эти задачи.

Вопросы землепользования, в которых участвует Управление планирования, включают следующее:

Петиции о внесении изменений в границы округа . Вся земля в штате разделена на четыре государственных округа: городские, сельские, сельскохозяйственные и природоохранные. Согласно Книге данных Гавайев, в штате Гавайи примерно 4 112 388 акров земли, из которых около 48 процентов отнесены к природоохранным, 47 процентов — к сельскохозяйственным, 5 процентов — к городским и меньше и 1 / 2 процента обозначено как сельское.Поскольку всего 5 процентов государственных земель урбанизированы, первое право землевладельца на землепользование для коммерческой, промышленной, жилой, курортной и бесчисленной другой застройки, как правило, связано с поправкой на районную границу.

Округ, в котором расположена недвижимость, и Управление планирования являются сторонами в этих петициях вместе с заявителем / землевладельцем. В этой роли Управление координирует действия с местными и государственными агентствами, чтобы выработать позицию государства в отношении изменения границ.

Управление планирования оценивает, соответствует ли проект критериям принятия решений комиссии по землепользованию (HRS § 205-17), обеспечивает устранение воздействий на инфраструктуру штата и оценивает, соответствует ли предложенный проект плану штата Гавайи (HRS § 205-16). Это составляет основу официальной позиции Управления и рекомендации Комиссии.

Особые разрешения . Специальное разрешение предоставляет землевладельцу помощь в исключительных ситуациях, когда желаемое использование не меняет основной характер района и не противоречит ему.Neighborhood Bd., Etc. v. State Land, Etc., 639 P. 2d 1097 (1982). Для разрешений на землю менее 15 акров окружные комиссии по планированию могут разрешить определенные «необычные и разумные виды использования» в сельскохозяйственных и сельских районах, кроме тех, для которых район классифицируется (HRS § 205-6). В отношении разрешений на землю более 15 акров окончательное решение принимает Комиссия по землепользованию. Управление планирования рассматривает и комментирует ходатайства о специальных разрешениях.

Важные сельскохозяйственные земли (IAL) .В 2005 году Законодательное собрание штата Гавайи установило процедуру, в соответствии с которой IAL будет назначаться каждым округом к определенной дате. Целью закона является сохранение ресурсной базы сельскохозяйственных земель штата и обеспечение долгосрочной доступности сельскохозяйственных земель для использования в сельском хозяйстве (HRS § 205-41).

Закон также позволяет частным землевладельцам добровольно обозначать земли как IAL (HRS § 205-45), что достигается путем подачи петиции о декларативном порядке в Комиссию.Стандарты и критерии, которые рассматривает Комиссия, включают следующее: (1) важность земли для сельского хозяйства; (2) продуктивность или жизнеспособность существующей сельскохозяйственной деятельности в районе; (3) фрагментация, препятствующая жизнеспособному сельскохозяйственному использованию; (4) общественное благо; и (5) необходимость и способность государственных органов предоставлять и поддерживать дополнительную сельскохозяйственную инфраструктуру или услуги в этом районе (HRS § 205-50).

Управление планирования в сотрудничестве с Министерством сельского хозяйства участвует в этом процессе, предоставляя Комиссии информацию, необходимую для принятия информированного решения о том, какие земли должны быть определены.

Государственная комиссия по землепользованию. HRS § 205-1 (1976) и HRS § 205-2 (1976) учредили Комиссию и наделили ее полномочиями классифицировать все земли Гавайев на городские, сельские и сельскохозяйственные. Он состоит из девяти членов, назначаемых губернатором и утверждаемых сенатом. Комиссия является независимым квазисудебным органом. Другими словами, они выступают в качестве беспристрастных судей и исследователей фактов. Они рассматривают ходатайства о землепользовании и принимают обоснованные решения на основе законодательных и нормативных критериев и доказательств, представленных затронутыми сторонами (обычно петиционером / землевладельцем, Управлением планирования, округом, а иногда и посредником) в соответствии со своими правилами (HAR, глава 15-15). ).

Петиции, рассматриваемые в Комиссии по землепользованию. Управление планирования в настоящее время рассматривает ходатайства, готовящиеся к слушаниям в Комиссии по землепользованию. Список ожидающих рассмотрения и заполненных петиций можно получить в Комиссии по землепользованию.

Проект пересмотра границ государственного землепользования. В § 205–18 пересмотренных законов штата Гавайи содержится призыв к периодическому «пересмотру классификации и распределения всех земель в штате».

Ресурсы. Все агентства штата руководствуются двумя общегосударственными документами по планированию (1) Законом о планировании штата Гавайи, который представляет собой широкий программный документ, устанавливающий основу для всех мероприятий, программ и решений, принимаемых местными и государственными агентствами; и (2) Engineering Hawaii’s Future, в которой излагаются приоритеты администрации.

Вот некоторые ресурсы, которые могут помочь вам убедиться, что ваше проектное предложение соответствует критериям землепользования согласно главе 205 HRS и главе 15-15 HAR, и, в частности, Закону о планировании штата Гавайи и Всеобъемлющему плану New Day.Этот список не является полным или исчерпывающим:

Планировка и зонирование | Мескит, Техас

Сборы за планирование и зонирование
16 сентября 2019 года городской совет принял Постановление № 4723 об установлении сборов за 2019-2020 финансовый год, которое вступит в силу 1 октября 2019 года. Раздел зонирования доступен здесь.

Календарь подачи заявок на 2021 год
График подачи заявок на зонирование и график подачи заявок на 2021 год доступны.С расписанием заседаний Совета по корректировке на 2020 год и графиком подачи заявок можно ознакомиться здесь.

Подача онлайн-заявок
Кандидаты должны подавать заявки через городскую онлайн-систему управления разрешениями и планами, известную как Citizen Self Service (CSS). Портал CSS позволит заявителям: подавать заявки на разрешение и планировать заявки на планирование и зонирование, инспекцию зданий, пожарную инспекцию и инженерную экспертизу; оплачивать различные услуги по разработке; доступ к электронным обзорам планов городских властей; запрашивать проверки онлайн; доступ к онлайн-приложениям для получения профессиональных лицензий (формально известный как Регистрация подрядчика) и многое другое.Пользователи могут получить доступ к CSSI на сайте energov.cityofmesquite.com.

7 января 2020 года городские власти обновили Портал доступа граждан (CAP) до уровня самообслуживания граждан (CSS). Инструкции по использованию CSS доступны ниже.

Услуги и обязанности

Отдел планирования и зонирования помогает политикам, владельцам недвижимости, застройщикам и гражданам в вопросах роста и нового строительства, стабилизации и сохранения существующей застройки и сохранения исторического наследия города.

Planning and Zoning предоставляет услуги текущего и долгосрочного планирования, включая:

• Управление делами и правилами зонирования
• Подготовка, обновление и реализация комплексного и стратегического планирования
• Подготовка и анализ сопутствующей жилищной, земельной и демографической информации
• Штатная поддержка городского совета, Комиссии по планированию и зонированию и Попечительского совета

Система классификации земного покрова Флориды

Комплексная стратегия (стратегия) сохранения дикой природы Флориды использует подход, основанный на среде обитания, для оценки потребностей и состояния дикой природы Флориды.Однако для достижения приоритетов и целей Стратегии необходима единая всеобъемлющая классификация земного покрова.

Осуществимость и применимость классификационных схем, используемых во Флориде, других штатах и ​​на национальном уровне, были исследованы, чтобы определить, может ли разработанная в настоящее время классификация служить моделью для классификации, которая может использоваться для удовлетворения потребностей Стратегии. Было определено, что схема, включающая классификации, которые в настоящее время используются Комиссией по сохранению рыбы и дикой природы Флориды (FWC), Инвентаризацией природных территорий Флориды (FNAI) и районами управления водными ресурсами Флориды (WMD), будет наиболее осуществимой и обеспечит наиболее пригодные для использования земли. обложка набора данных.

Основанная на этих классификациях, классификация «соломенного человека» была представлена ​​группе экспертов по естественным сообществам Флориды, а также экспертам по обработке изображений и классификации, которые участвовали в классификации местообитаний Флориды. Были проведены встречи с этими экспертами, и предложенная классификация была пересмотрена и изменена для включения в максимально возможной степени используемых в настоящее время классификаций и определений классов в новую схему классификации.

Результирующая схема классификации является иерархической и расширяемой, и ее можно перемещать среди используемых в настоящее время и поддерживаемых классификаций.Возможность сопоставить эту классификацию с другими используемыми в настоящее время схемами позволит объединить другие усилия по классификации и упростить сотрудничество между организациями, производящими наборы данных о земном покрове.

Это в конечном итоге приведет к более точной и надежной классификации земного покрова, которая принесет пользу и повысит ценность всех текущих проектов классификации земного покрова, а также удовлетворит потребности Стратегии.

Загрузите Систему классификации земного покрова Флориды.

Свяжитесь с нами с комментариями или вопросами относительно Комплексной стратегии и классификации сохранения дикой природы.

Закон о зонировании и землеустройстве штата Флорида

Прежде чем вы начнете бизнес в промышленной зоне Флориды, вам потребуются соответствующие лицензии, разрешения и нормативные акты. Хотя правила варьируются от одной отрасли к другой, важно понимать правила зонирования и землепользования в том районе, где будет открываться ваш бизнес.

Несоблюдение нормативных требований может привести к дорогостоящему устранению проблем, уплате штрафов и риску для вашего бизнеса еще до того, как вы начнете.

Различные зоны для разных целей

Постановления о зонировании перечисляют допустимые варианты использования для различных районов зонирования. Обычно каждое допустимое использование указывается как «Условное использование» или «Разрешенное использование».

Условное использование подлежит рассмотрению местными властями. Обычно правительство устанавливает условия использования, такие как контроль ливневых стоков или дополнительная парковка.С другой стороны, разрешенное использование полностью разрешено, но вам все равно может потребоваться разрешение для вашего бизнеса в промышленной зоне.

Требования и ограничения землепользования

Что касается зонирования, то земля четко классифицируется по районам. Наиболее распространенные классификации:

• Промышленное
• Коммерческий
• Жилой
• Отдых
• Сельское хозяйство

Вы также можете разбить каждую классификацию на подкатегории.Например, смешанное зонирование включает в себя рабочую зону, где вы найдете производство и мелкую розничную торговлю среди жилых домов.

Чтобы определить, к какому району относится ваша коммерческая недвижимость, вам нужно взглянуть на соответствующую карту зонирования. Карта является частью постановления о зонировании. Если вы не можете найти в Интернете карту зонирования для вашего конкретного района, местное управление планирования может направить вас к ее копии.

Что следует знать о промышленном зонировании

Промышленное зонирование, как правило, зависит от типа бизнеса, который вы планируете начать.Факторы окружающей среды, такие как проблемы с шумом, являются типом проблем, которые определяют, к какому промышленному уровню попадет ваш бизнес. Многие складские помещения и производственные предприятия имеют разрешение на промышленное зонирование.

В целом промышленное зонирование, как правило, зависит от высоты здания и площади участка, другими словами, от площади земли, которая покрыта всеми зданиями на участке.

Требования к отступлению выше для промышленных зон.Это относится к расстоянию между линией собственности и зданием. Неудача обеспечивает пространство между зданиями и дорогами для самых разных целей, таких как инженерные сети и водоотведение.

Начало бизнеса в промышленной зоне

Открытие нового предприятия подразумевает перечень проверок и разрешений. К счастью, государство оказывает прямую помощь, чтобы направлять вас в этом процессе.

Для большинства предприятий секция зонирования Департамента планирования развития сообществ является первым пунктом захода, в который необходимо определить, соответствует ли местоположение вашего предприятия правилам землепользования и зонирования.Перед подписанием договора купли-продажи или аренды рекомендуется проконсультироваться с чиновниками по зонированию. По мере расширения вашего бизнеса имейте в виду, что меняющиеся обстоятельства могут вызвать новые требования к зонированию.

Возможные проблемы зонирования

В идеальном мире вы бы обнаружили, что недвижимость для вашего бизнеса разрешена на условное или даже прямое использование. Но если вы действительно хотите открыть свой бизнес в зоне зонирования, которая не разрешает ваш конкретный бизнес, вам нужно будет выяснить, есть ли исключения из зонирования.Вы можете просто претендовать на «отклонение от нормы» или даже на «использование не по назначению». Вы даже можете подать заявку на изменение зоны.

Варианты являются исключением из требований определенного постановления о зонировании. Обычно, чтобы получить дисперсию, нужно показать какие-то трудности, например:

• Недостаточно земли для покупки по разумной цене для создания парковки для вашего бизнеса
• Небольшой участок, на котором вам нужна дисперсия для построения полезной конструкции

Несоответствующее использование — это когда целевое землепользование предшествует действующим правилам землепользования.Часто использование не соответствует требованиям, когда:

• Здание не соответствует постановлениям о зонировании, например, превышает текущие нормы
• Деятельность в здании не соответствует требованиям, например, при изменении классификации зонирования с промышленной на легкую коммерческую.

В некоторых ситуациях было бы несправедливо, если бы компания построила собственность в соответствии с законами того времени, а затем была вынуждена переехать, когда законы о зонировании изменились. Получение разрешения на отклонение или изменение зоны — сложный и часто дорогостоящий процесс.Вот почему важно поговорить с опытным юристом по землепользованию, прежде чем вы выберете место, где зонирование является потенциальной проблемой.

Перед тем, как открыть свой бизнес

Как видите, существует ряд проблем, которые могут возникнуть, когда вы хотите открыть бизнес в промышленной зоне. Прежде чем вы даже подумаете об открытии дверей своего бизнеса, вам следует проконсультироваться с юристом, чтобы получить всесторонний анализ ваших прав собственности и соблюдения кодекса в штате Флорида.

Закажите консультацию в основной юридической фирме сегодня, чтобы обсудить ваши варианты.

Изображение: Pexels

Глобальные изменения в землепользовании в четыре раза больше, чем предполагалось ранее

Пространственная протяженность и расходящиеся модели глобальных изменений в землепользовании

По нашим оценкам, 17% поверхности суши Земли изменилось по крайней мере один раз между шестью категориями земель с 1960 по 2019 год (см. рис. 1). При суммировании всех отдельных событий изменения (включая области множественных изменений) общая протяженность изменения земель составляет 43 миллиона км², что составляет почти треть всей поверхности суши.Это означает, что в среднем площадь суши, примерно вдвое превышающая территорию Германии (720 000 км²), менялась каждый год с 1960 года.

Рис. 1: Пространственная протяженность глобальных изменений в землепользовании / земельном покрове.

Доля общей поверхности земли без (чистое изменение) и с учетом множественных изменений (валовое изменение) между шестью основными категориями землепользования / покрова (городская территория, пахотные земли, пастбища / пастбищные угодья, лес, неуправляемые травы / кустарники, неуправляемые травы / кустарники, не- / земли с редкой растительностью) в 1960–2019 гг. Пространственная протяженность изменения землепользования / покрова отображается желтым (области с единичными событиями изменения) и красным (области с множественными событиями изменения).

Мы определяем глобальную чистую потерю площади лесов в 0,8 миллиона км², но при этом рост глобального сельского хозяйства (т.е. пахотные земли и пастбища / пастбищные угодья) составляет 1,0 и 0,9 миллиона км², соответственно. Однако за глобальными тенденциями изменения землепользования скрываются многие регионально разные траектории. В то время как площади лесов на Глобальном Севере (включая Китай) увеличились, площади лесов в развивающихся странах Глобального Юга сильно сократились. Разница между севером и югом в приросте и потере лесов противоположна для глобальных площадей пахотных земель, которые уменьшились на Глобальном Севере и увеличились на Глобальном Юге.Разница между севером и югом менее выражена в отношении изменения пастбищ / пастбищ, поскольку расширение пастбищ как в Китае, так и в Бразилии составляет большую часть земельной площади в мире (см. Рис. 2). Эти глобально расходящиеся процессы изменения землепользования подтверждаются многочисленными исследованиями, например прирост лесов в результате политических стимулов к лесовосстановлению в Китае ^19,20,21 , заброшенность сельскохозяйственных земель в Европе ²² и США ^23,24,25 , изменение растительности в Сибири, вызванное климатом ^26,27,28 и лесные посягательства на пастбищные угодья в США ²⁹ и Австралии ³⁰ .И наоборот, вырубка тропических лесов произошла для производства говядины, сахарного тростника и сои в бразильской Амазонии ^31,32 , масличной пальмы в Юго-Восточной Азии ^33,34,35,36 и какао в Нигерии и Камеруне ^{37,38 , 39} . Кроме того, пастбищные угодья широко распространились на маргинальные земли в Китае ^19,40 .

Рис. 2: Глобальные изменения лесов, пахотных земель и пастбищ / пастбищ.

Пространственное распределение a леса, b пахотных земель и c пастбищ / пастбищ, протяженность (стабильная площадь) и изменение (прибыль и убыток) в период с 1960 по 2019 год.Диаграммы с областями справа показывают совокупную долю прибылей, потерь и областей множественных изменений (на которых произошли как прибыли, так и убытки), относящихся к общей площади в соответствующей категории LUC вдоль каждой географической широты.

Разделив изменение землепользования на области с одним изменением (например, обезлесение) или несколькими событиями изменения (например, севооборот с травой), мы видим четкие закономерности во всем мире (см. Рис. 1). Из всех переходов земель 38% представляют собой единичные изменения, которые наиболее очевидны в развивающихся странах Глобального Юга.Около половины территорий с единичными изменениями (48%) составляют сельскохозяйственное развитие, которое можно увидеть, например, в расширяющихся пастбищах Китая или в тропической вырубке лесов в Амазонии. Множественные события смены составляют 62% всех переходов земли. В отличие от единичных изменений, множественные изменения преобладают в развитых странах Глобального Севера (например, в Европе, США, Австралии) и быстрорастущих экономиках (например, в Нигерии, Индии). Здесь интенсификация сельского хозяйства, как в ЕС и США, и / или важные преобразования в сельскохозяйственном секторе, например, переход от натуральных культур к товарным культурам в Нигерии ⁴¹ , произошли за последние десятилетия.Из всех событий, связанных с множественными изменениями, 86% представляют собой изменения в использовании сельскохозяйственных земель (переход земель, связанных с пахотными землями или пастбищами / пастбищами). Некоторые из этих изменений прямо или косвенно связаны с управлением земельными ресурсами и интенсификацией сельского хозяйства. Переход возделываемых земель на пастбища / пастбищные угодья (11% всех событий множественных изменений) может указывать на зоны севооборота или смешанные системы растениеводства и животноводства, как в США, Австралии и Европе ^42,43 . Большинство множественных изменений (75%) происходит между управляемыми и неуправляемыми землями, такими как отказ от пахотных земель, например.г. из-за интенсификации сельского хозяйства на более подходящих землях, как в постсоветской Восточной Европе ⁴⁴ , посягательствах пастбищ и кустарников, как в системах ротационного выпаса в Австралии ⁴⁵ или Средиземноморье, а также переходов между сельскохозяйственными землями и лесами, как в системах агролесоводства в России. Западная Европа ⁴⁶ .

Временная динамика глобальных изменений в землепользовании и ее связь с глобализированными рынками

Скорость глобальных изменений в землепользовании не была постоянной во времени.Анализируя временную динамику, мы выделяем две различные фазы: (1) фаза ускорения с возрастающей скоростью изменения с 1960 по 2004 год; и (2) снижение скорости изменения с 2005 по 2019 год (см. рис. 3). Переход от постоянных к возрастающим темпам изменения землепользования обсуждался в контексте сдвига глобальных продовольственных режимов и совпадает с периодом, когда глобальное производство продуктов питания перешло от агротехнологической интенсификации (вызванной Зеленой революцией 1960-х годов) к производству для глобализированных рынков и увеличения торговли, особенно в 1990-е годы ^47,48 .Мы считаем, что эта фаза ускорения более отчетливо проявляется в регионах Глобального Юга, как это наблюдается в Южной Америке, Африке и Юго-Восточной Азии (см. Рис. 3), где производство и экспорт товарных культур увеличились, особенно заметно с 2000-х годов (см. Рис. Дополнительные рисунки 1 и 2). Установлено, что растущее влияние рынков с телекоммуникационной связью является основным фактором изменений в землепользовании, особенно обезлесения для выращивания товарных культур на глобальном юге ³⁹ . Этот перенос изменения землепользования с Глобального Севера на Юг очевиден в растущей доле пахотных земель в странах Глобального Юга, используемых для экспорта и потребления за пределами их территорий ⁴⁹ .

Рис. 3: Скорость изменения землепользования. Годовые темпы изменения землепользования / земельного покрова в период с 1960 по 2019 год для разных регионов мира и земного шара.

Глобальные тенденции изображены для фаз 1: 1960–2004 и 2: 2005–2015. Серые линии показывают годовое изменение, черные линии показывают сглаженное годовое изменение, основанное на 3-летнем скользящем среднем. Карта показывает пространственную протяженность представленных регионов мира в разных оттенках серого.

Однако данные свидетельствуют о довольно резком изменении снижающихся темпов изменения землепользования в период с 2005 г., что наиболее очевидно в Африке и Южной Америке (см.рис.3), регионы субтропиков и тропиков (см. Дополнительный рис. 3). Мы предполагаем, что переход от ускорения к замедлению изменений в землепользовании связан с рыночными изменениями в контексте глобального экономического и продовольственного кризиса 2007–2009 годов. До кризиса растущий спрос на продукты питания, корма для животных и биотопливо, а также рост цен на нефть (достигнув рекордного уровня в 2008 году на уровне 145,31 доллара за баррель сырой нефти ⁵⁰ ) стимулировали мировое сельскохозяйственное производство, что способствовало глобальным изменениям в землепользовании ⁵¹ .В частности, высокие цены на нефть сделали биоэнергетические культуры более конкурентоспособными и прибыльными по сравнению с ископаемым топливом. Растущий спрос, в основном в развитых странах Глобального Севера, стимулировал расширение производства биоэнергетических культур на Глобальном Юге (например, производство масличных культур в Гане, Аргентине, Бразилии и Индонезии, см. Дополнительный рисунок 1). Политика в области биотоплива, экстремальные климатические явления и запреты на экспорт привели к скачкам мировых цен на продовольствие в 2007–2008 гг. ⁵² и в 2010 г. ^53,54 , что вызвало обеспокоенность по поводу продовольственной безопасности во многих странах, зависящих от импорта, и быстрорастущих экономиках (например.г. ЕС, Китай или Индия). Возникла волна крупномасштабных трансграничных приобретений земель и иностранных инвестиций в сельское хозяйство, в основном нацеленных на страны Африки к югу от Сахары, Юго-Восточную Азию и Южную Америку ^48,55,56 . Это развитие отражается во внезапном увеличении скорости изменения землепользования (в течение 2000–2005 гг.), Последующих колебаниях (в течение 2006–2010 гг.) И резком снижении (после 2010 г.) в странах Глобального Юга, например Бразилия, Аргентина или Эфиопия (см. Дополнительный рисунок 4). Мы обнаруживаем, что наблюдаемое замедление глобального изменения землепользования после экономического кризиса 2007–2009 гг. В основном вызвано снижением роста сельского хозяйства в странах Глобального Юга, особенно выраженным в Аргентине, Гане и Эфиопии (см. Дополнительный рис.5). Мы постулируем, что глобальное замедление изменений в землепользовании связано с рыночными механизмами во время экономического кризиса. Когда экономический бум подошел к концу во время Великой рецессии, мировой спрос на сырьевые товары упал. Страны, которые до кризиса сосредоточились на производстве товарных культур для мировых рынков (например, Аргентина, Бразилия, Гана или Индонезия), больше не находили покупателей для своих товаров, сократили сельскохозяйственное производство и, таким образом, темпы расширения сельскохозяйственных угодий.Наблюдаемое резкое снижение темпов изменения землепользования, особенно в Африке (см. Рис. 3), может быть дополнительно вызвано уменьшением количества и размера глобальных приобретений земли после финансового кризиса 2007–2009 годов. С тех пор хедж-фонды на земле стали менее распространенными ⁵⁷ , и были высказаны опасения по поводу неустойчивой практики, связанной с трансграничным приобретением земли (например, деградация земли / воды и вытеснение сельской рабочей силы) ^52,57 . Возникшие в результате стимулы со стороны международных организаций и стран-экспортеров к ограничению торговли землей, возможно, привели к недавнему сокращению масштабных приобретений земли ⁵⁷ .

Помимо глобализированной торговли, другими важными факторами динамики изменения земель, которые все больше влияют на скорость изменения землепользования во время фазы замедления, являются изменение климата и связанные с ним воздействия, такие как экстремальные явления, засуха и наводнения. Сельскохозяйственное землепользование пострадало от засухи в Западной ⁵⁸ и Восточной Африке ⁵⁹ в течение 2000-х годов, что можно наблюдать по сильному снижению темпов изменения землепользования в Эфиопии после засухи 2010/11 (см. Дополнительный рис. .4). Кроме того, деградация земель, вызванная как изменчивостью климата, так и деятельностью человека, часто связана с заброшенностью пахотных земель, последующим расширением сельскохозяйственных земель и обезлесением в других местах, что широко наблюдается в тропических регионах ⁶⁰ .

Анализируя временную динамику глобального изменения землепользования по категориям LUC, мы обнаруживаем значительную годовую изменчивость в изменении использования сельскохозяйственных земель. В то время как глобальные площади лесов демонстрируют довольно устойчивое ежегодное чистое сокращение, которое ускорилось в 1990-е годы (см.рис.4а), пахотные земли и пастбища / пастбища демонстрируют большие колебания во времени; примерно в четыре раза выше, чем наблюдается для лесов. Это различие, вероятно, происходит из-за комбинации 5-летней схемы отчетности по лесным данным ФАО / ОЛР и более быстрого реагирования изменений в использовании сельскохозяйственных земель на социально-экономические изменения. В частности, на скорость изменения использования сельскохозяйственных земель могут повлиять сдвиги политического режима (например, заброшенность земель после распада Советского Союза в 1990 году) ⁶¹ , сбои в глобализированных цепочках поставок (например,г. эмбарго США на соевые бобы против России в 1980 г.) ^62,63 , природоохранные стимулы (например, предотвращение вырубки лесов, как в политике REDD) ⁷ , стихийные бедствия и экстремальные явления, такие как засухи ^59,64 . Высокая динамика межгодовых изменений мировых сельскохозяйственных земель в основном возникла в 1990-х годах после длительного периода чистого расширения. Это соответствует периоду, когда произошли крупные геополитические сдвиги (в частности, распад СССР), и производство продуктов питания, ориентированное на рынок, приобрело все большее значение.В то время как пастбища / пастбищные угодья демонстрируют тенденцию к снижению, которая была приписана технологическому прогрессу в секторе животноводства ⁶⁵ , мировые пахотные земли, напротив, испытали волны увеличения с 2000 года (см. Рис. 4b, c).

Рис. 4: Сравнение изменений лесов, пахотных земель и пастбищ / пастбищ.

Глобальное сравнение годового изменения a леса, b пахотных земель и c пастбищ / пастбищ ( c ) (прирост, потеря и площадь чистых изменений в год) по данным HILDA +, различные наблюдения Земли (EO) наборы данных земельного покрова (ESA CCI ⁶⁷ , MODIS-LC ⁶⁸ , Hansen GFC ⁶⁶ ), модели реконструкции землепользования (пахотные земли SAGE, обновление с ¹⁵ ), HYDE3.2 ¹³ , LUh3 ¹⁴ ) и статистика землепользования ФАО ⁴¹ .

Сравнение темпов глобального изменения землепользования

Сравнение годовых темпов изменения HILDA + с предыдущими реконструкциями землепользования (см. Рис. 4) показывает, что площадь, затронутая глобальным изменением землепользования, почти в четыре (3,7) раза больше, чем раньше мысль. Сравнение темпов изменения землепользования между HILDA + и другими наборами данных о землепользовании / покрове представлено на рис. 5. Соответствующие годовые скорости изменения и рассматриваемые периоды перечислены в таблице 1.В частности, средняя скорость изменения землепользования по данным HILDA + в 2,4 раза выше, чем у LUh3 ¹⁴ , в 4,4 раза выше, чем у HYDE3.2, и в 1,3 раза выше, чем у пахотных земель SAGE (обновление от ¹⁵ ). Это отклонение является следствием учета грубых изменений, полученных из данных наблюдения Земли в HILDA +, которые не включены или включены лишь частично в другие наборы данных.

Рис. 5: Сравнение скорости изменения.

Сравнение среднегодового изменения валового землепользования / земельного покрова (LUC) различных наборов данных об изменении LUC (светло-серые столбцы) с HILDA + (темно-серые столбцы).Планки погрешностей представляют собой стандартное отклонение.

Таблица 1 Сравнение наборов данных о землепользовании / земельном покрове.

Скорости изменения земного покрова, полученные из наборов данных дистанционного зондирования с более высоким разрешением, таких как Hansen GFC ⁶⁶ , ESA CCI ⁶⁷ и MODIS ⁶⁸ , в среднем примерно того же порядка величины (в 1,1 раза), что и для HILDA +. В частности, годовая скорость изменения HILDA + в среднем в 1,3 раза выше, чем из наборов данных дистанционного зондирования, при этом MODIS ⁶⁸ отклоняется на + 90% ESA CCI ⁶⁷ отклоняется на -60% и Hansen GFC ⁶⁶ отклоняется на 0 % от HILDA + изменение ставок.Эти различия наиболее очевидны для годовых темпов изменения лесов (см. Рис. 4a) и могут быть объяснены разными классами земного покрова, на которых основаны исходные наборы данных, их разнообразной семантикой и разграничением (см. Дополнительные таблицы 1 и 3).

Поскольку HILDA + построена на нескольких разнородных наборах данных, ошибки, присущие отдельным наборам данных, уменьшаются во время процедуры распределения изменений. Согласовав множественную информацию в процедуре распределения изменений, мы опираемся на совокупность свидетельств.Таким образом, HILDA + можно рассматривать как продукт синтеза проверенных на качество, признанных наборов данных LUC. Чтобы оценить неопределенность карт HILDA + глобального изменения землепользования, мы проанализировали соответствие используемых исходных наборов данных и доли площади для каждой указанной категории LUC на годовой основе (см. Дополнительную таблицу 4 и дополнительные рисунки 6, 7). Соглашение о наборах данных различается в зависимости от категории LUC. Леса и районы с редкой / отсутствующей растительностью показывают самые высокие соглашения. С другой стороны, отклонение набора данных больше в сельскохозяйственных категориях LUC пахотных земель и пастбищ / пастбищ.Особенно в неоднородных ландшафтах, где есть как управляемые, так и неуправляемые земли, например саванны Африки к югу от Сахары, пастбищные угодья в Австралии или травянистые степи Центральной Азии, но также и в разреженной тайге Восточной Сибири и на переходе между канадскими бореальными лесами и тундрой охват класса LUC неоднозначен (более низкие доли площади) и, следовательно, , информация в наборе данных отличается.

Результаты реконструкции изменений в землепользовании HILDA + показывают, как синергетическая информация из данных наблюдения Земли, реконструкций и национальных статистических кадастров может быть использована для определения пространственных закономерностей и временной динамики глобальных изменений в землепользовании с беспрецедентным уровнем детализации.Это исследование показывает преимущества использования множества ресурсов на основе данных, которые необходимы для комплексной оценки изменений земель в глобальном масштабе. Это дает более подробное представление как о пространственных закономерностях, так и о временной динамике изменения землепользования на Земле. Мы выявляем расходящиеся процессы обезлесения и расширения сельского хозяйства и демонстрируем, что темпы и масштабы глобальных изменений в землепользовании зависят от социально-экономических изменений и потрясений, таких как глобальный экономический кризис 2007–2009 годов.Результаты показывают, что глобальная торговля, влияющая на сельское хозяйство, была одним из основных факторов глобальных изменений в землепользовании за последние шесть десятилетий.

Данные HILDA + имеют значение для оценки изменения климата, утраты биоразнообразия и продовольственной безопасности, особенно для оценки углеродных бюджетов, управления лесным хозяйством и биомассы. Благодаря последовательному распределению изменений на основе данных, HILDA + подходит для глобального анализа временных рядов. Несогласованность отдельных наборов данных, хотя и не свободна от потенциальных артефактов данных, смягчается за счет использования нескольких источников данных.Мы стремимся преодолеть разрыв между долгосрочными тенденциями землепользования, основанными на ФАО, которым не хватает пространственной четкости, и классификациями земного покрова, основанными на наблюдениях с помощью дистанционного зондирования, которым не хватает долгосрочной временной согласованности. Благодаря синергетическому использованию данных наблюдений и предоставлению годовых показателей неопределенности HILDA + выходит за рамки традиционных реконструкций землепользования, которые часто основываются на отдельных наборах данных, дают неполную картину динамики LUC и не содержат информации о неопределенности. HILDA + предоставляет последовательные временные ряды глобального изменения LUC, которые предоставляют новые возможности для анализа глобальных временных рядов, определения возможных движущих сил, воздействий и корреляций в контексте изменения землепользования.Таким образом, данные HILDA + могут способствовать лучшему пониманию воздействия на окружающую среду изменений в землепользовании в прошлом, предоставляя более подробные траектории изменения земель (например, влияющие на пулы углерода) и их временную классификацию. Это может еще больше улучшить оценку стратегий землепользования в будущем в поддержку политики, например Парижские климатические цели, цели в области устойчивого развития и повестка дня Конвенции о биологическом разнообразии на период после 2020 года.

Границы | Количественная оценка неопределенности в точности классификации землепользования / земного покрова: подход стохастического моделирования

Введение

Классификация землепользования / земного покрова (LULC) с использованием изображений дистанционного зондирования применялась во многих исследованиях, включая исследования, связанные с мониторингом окружающей среды и обнаружение изменений (Cheng et al., 2008; Chen et al., 2017), исследования эффектов урбанизации (Herold et al., 2002; Teng et al., 2008; Hung et al., 2010) и смягчения последствий стихийных бедствий (Zope et al., 2015; Yang et al. , 2018). Результаты классификации LULC имеют решающее значение для практического применения этих исследований. При контролируемой классификации LULC с использованием изображений дистанционного зондирования собирается набор многоклассовых наземных обучающих выборок, которые используются для установления правил классификации и границ нескольких классов в пространстве признаков. Эти правила классификации затем применяются к независимому набору многоклассовых эталонных образцов.Точность классификации эталонной выборки, включающая точность производителя (PA) и точность пользователя (UA) для отдельных классов и общую точность (OA), затем суммируется в матрице путаницы или ошибок, которая используется для оценки точности классификации и производительности классификатора (Congalton et al., 1983; Stehman, 1997a). Stehman и Czaplewski (1998) предложили, чтобы тематические карты, построенные на основе данных дистанционного зондирования, подвергались статистически строгой оценке точности. В частности, априорные вероятности (т.е. вероятности включения) отдельных типов земного покрова.

Основным допущением при анализе точности классификации является то, что матрица неточностей действительно репрезентативна для результатов классификации всей исследуемой области. Несколько факторов в процессе классификации LULC могут повлиять на точность классификации, представленную в матрице неточностей. К ним относятся ошибки в пространственной привязке, сборе наземных данных и ошибки, связанные с классификаторами, схемами классификации, моделированием пространственной автокорреляции, размером выборки и схемами выборки (Congalton, 1991; Hammond and Verbyla, 1996).Зависящие от класса значения PA и UA (или, соответственно, ошибки пропусков и комиссий), суммированные в матрице путаницы, могут рассматриваться как точность выборки, и эти значения являются только оценками истинной и пока неизвестной глобальной точности (или точности совокупности) в отношении всю область исследования (Hay, 1988; Stehman, Czaplewski, 1998). Эти точности или ошибки по своей сути связаны с неопределенностью из-за неопределенности при выборе обучающей и эталонной выборок (Weber and Langille, 2007).Для количественной оценки этой неопределенности были разработаны формулы аппроксимации дисперсии и стандартной ошибки оценок точности классификации (Czaplewski, 1994; Stehman, 1997b). Передискретизация бутстрапов, непараметрический подход, использовалась для создания больших наборов матриц неточностей и назначения доверительных интервалов для оценки неопределенности различных показателей точности классификации (Steele et al., 1998; Weber and Langille, 2007; Champagne et al., 2014; Hsiao, Cheng, 2016; Lyons et al., 2018).

В многочисленных исследованиях оценки точности классификации проводились с использованием набора данных для обучения классификаторов (Franklin and Wilson, 1992; Bauer et al., 1994; Nageswara Rao and Mohankumar, 1994; Hammond and Verbyla, 1996; Hung et al., 2010). ; Сяо, Ченг, 2016). Исследователи утверждали, что использование одного и того же набора данных для обучения и проверки может привести к переоценке точности классификации (Congalton, 1991; Hammond and Verbyla, 1996). В этом исследовании матрица неточностей, созданная с использованием того же набора данных для обучения и проверки, называется матрицей смешения обучающей выборки , а матрица неточностей, построенная с использованием независимого набора данных эталонных выборок, называется матрицей смешения эталонной выборки . .Хотя оценка матрицы путаницы эталонной выборки стала обычной практикой при оценке результатов классификации LULC, PA и UA, представленные в этой матрице, зависят от обучающих выборок с учетом правил классификации, установленных на этапе обучения. Во многих приложениях классификации LULC на результаты классификации по своей сути влияет неопределенность в выборе набора обучающих данных, используемого для определения правил классификации. Таким образом, для тщательной оценки точности классификации исследователи должны учитывать неопределенность при выборе обучающих данных.Насколько нам известно, немногие исследователи (Champagne et al., 2014; Hsiao and Cheng, 2016; Lyons et al., 2018) проводили оценку точности классификации LULC с учетом этого соображения. Таким образом, сообществу дистанционного зондирования необходимо решить две ключевые проблемы: 1) систематическое выражение взаимосвязи между выборочной оценкой точности классификации и теоретической глобальной точностью с учетом неопределенности при выборе обучающих и справочных данных. ; и 2) количественное выражение неопределенности в точности классификации LULC.Таким образом, у исследования есть три цели: 1) изучить влияние выбора обучающих и справочных данных на точность классификации, 2) предоставить теоретическое выражение взаимосвязи между точностью выборки и теоретической глобальной точностью и 3) предложить подход к количественной оценке неопределенности результатов классификации LULC. В частности, мы выполнили стохастическое моделирование многоклассовых многомерных распределений Гаусса и провели LULC-классификацию с использованием смоделированных выборок для изучения предлагаемого подхода и определения основных концепций.

Методология

Мысли и теоретическая основа

Как упоминалось в Введение , PA, UA и общая точность матрицы смешения эталонной выборки представляют собой оценки истинной и пока неизвестной глобальной точности. Однако, что именно представляет собой общая точность, не было четко определено, и следующие пояснения даны для обеспечения контекста для последующего анализа и обсуждения. В соответствии с терминами, которые обычно используются в многочисленных исследованиях дистанционного зондирования, класс карты относится к классу LULC, присвоенному классификатором, тогда как эталонный класс относится к наземному классу истинности.

В задаче классификации LULC класса k совокупность пикселей в пределах исследуемой области образует конечную совокупность, и все пиксели в пределах определенного класса LULC представляют его субпопуляцию. Термин матрица путаницы населения (или матрица ошибок населения ; таблица 1) был придуман (Stehman, 1995; Stehman, 2009) для представления результатов классификации LULC всей исследуемой области, когда истинные идентичности земельного покрова всех отдельных пиксели известны.В таблице 1 N представляет общее количество пикселей во всей исследуемой области, а N _ij представляет количество пикселей класса карты i и эталонного класса j . Сумма столбца N _{+ i} — это общее количество пикселей во всей области исследования, которые действительно принадлежат классу i . Сумма строки N _{i +} представляет собой общее количество пикселей во всей области исследования, отнесенной к классу i .Три показателя точности популяции, а именно PA ( P _p ), UA ( P _u ) и общая точность ( P _o ), могут быть выражены как следует:

Pp (i) = Nii / N + i (i = 1, 2,…, k), (1) Pu (i) = Nii / Ni + (i = 1, 2,…, k), (2 )

априорные вероятности , то есть пропорции площадей отдельных классов LULC, выражаются следующим образом:

ai = N + iN (i = 1, 2,…, k). (4)

Эта точность совокупности меры неизвестны и, в большинстве случаев, оцениваются с использованием точности эталонного образца.u (i) = nii / ni + (i = 1, 2,…, k), (6)

Классификация контролируемых LULC состоит из этапа обучения и этапа оценки или проверки производительности, а матрица неточностей создается и используется для обеспечения точности оценка. Чтобы лучше определить точность классификации в различных ситуациях, мы разработали следующее общее выражение для различных показателей точности классификации LULC.

ТАБЛИЦА 1 . Матрица путаницы населения для классификации землепользования / земного покрова класса k с использованием правил классификации, установленных на основе обучающего набора данных.

ТАБЛИЦА 2 . Матрица путаницы эталонной выборки для классификации землепользования / земного покрова класса k с использованием правил классификации, установленных с использованием набора обучающих данных.

Пусть Ω представляет набор всех пикселей в исследуемой области (то есть глобальный набор данных), и пусть S _T и S _R , два независимых набора данных известной земли классы истинности LULC представляют собой обучающую и эталонную образцы соответственно.P (S1, S2) относится к общему выражению различных мер точности классификации LULC, где S ₁ и S ₂ представляют наборы данных для обучения и проверки, соответственно. Таким образом, могут быть определены обычные, зависящие от класса точности в матрице смешения обучающей выборки и матрице смешения эталонной выборки, а также два других показателя общей точности, как показано в Таблице 3.

ТАБЛИЦА 3 . Показатели точности классификации землепользования / земного покрова и их зависимости от данных.

Глобальная точность на основе обучающей выборки, эквивалентная показателям точности, представленным в таблице 1, представляет точность классификации тематической карты. Точность обучающей выборки, точность контрольной выборки и глобальная точность на основе обучающей выборки зависят от набора обучающих данных. Таким образом, выводы об оценке точности с использованием этих мер подвержены неопределенности обучающих данных. Напротив, глобальная точность классификатора представляет точность, достигаемую при использовании генеральной совокупности (т.е., глобальный набор данных), чтобы установить правила классификации, и, таким образом, он зависит только от классификатора, используемого для классификации LULC. Общая точность (будь то PA, UA или общая точность) конкретного классификатора имеет уникальное и теоретическое значение. Глобальная точность, будь то глобальная точность на основе обучающей выборки или глобальная точность классификатора, неизвестна и может быть оценена только с помощью матрицы неточностей результатов классификации LULC. Для удобства обсуждения в данном исследовании рассматривается только PA, но те же спецификации и моделирование также применимы к UA и общей точности.Общая точность классификатора обеспечивает объективную меру для сравнения производительности различных классификаторов.

Практический вопрос заключается в том, что конечные пользователи карт земного покрова хотят узнать из тематических карт на основе LULC. Пользователи могут быть заинтересованы в точности классификации или неопределенности результатов классификации. Точность и неопределенность классификации — это разные понятия; Точность классификации определяется как степень, в которой тематическая карта соответствует эталонной классификации, тогда как неопределенность, связанная с оценкой меры классификации, определяется как изменчивость этой оценки по набору всех возможных выборок (Olofsson et al., 2013). Более того, PA и UA, представленные в матрице смешения эталонной выборки, зависят от классов земного покрова. При оценке результатов классификации LULC в локальном масштабе желательна точность классификации для каждого пикселя. Были разработаны методы пространственной интерполяции как в географических, так и в характерных пространствах с точностью классификации, зависящей от пикселя, или апостериорной вероятностью класса (Steele et al., 1998; Chiang et al., 2014; Khatami et al., 2017). Пользователям также может быть интересно узнать о неопределенности результатов классификации для конкретных пикселей.Применяя классификацию LULC к выборкам начальной загрузки данных дистанционного зондирования, неопределенность в присвоении классов можно оценить с помощью вектора вероятности класса или энтропии состава классов отдельных пикселей (Hsiao and Cheng, 2016).

В большинстве исследований, оценивающих точность и неопределенность результатов классификации LULC, использовалась матрица путаницы эталонной выборки для оценки глобальной точности на основе обучающей выборки (т. Е. Точности в таблице 1) с использованием точности классификации эталонной выборки (т.е., погрешности в таблице 2). Однако целевая точность, то есть Pi (ST, Ω), зависит от обучающей выборки S _T . Таким образом, на выводы, сделанные на основе такой практики, по своей сути влияет выбор обучающей выборки. Даже с заданной обучающей выборкой S _T точность эталонной выборки Pi (ST, SR) все еще зависит от погрешности эталонной выборки. Поэтому мы предлагаем Pi (Ω, Ω) в качестве целевой точности с использованием глобальной точности классификатора, потому что он не подвержен неопределенности в обучающих или справочных данных и потому, что он позволяет пользователям сравнивать производительность LULC-классификации различных классификаторов.

Чтобы продемонстрировать полезность и преимущества использования глобальной точности классификатора для оценки результатов классификации LULC, мы провели строгое стохастическое моделирование многоклассовых многомерных распределений Гаусса для имитации классификации LULC. Затем мы сравнили три подхода к оценке. Подробности моделирования и связанных подходов описаны ниже:

Рассмотрим ситуацию, в которой k типов земного покрова (Ci, i = 1,2,…, k) присутствуют в исследуемой области.Предположим, что m наборов выборочных данных собраны с помощью простой случайной выборки или стратифицированной случайной выборки: S = {S1, S2,…, Sm}. Каждый набор выборочных данных содержит пиксели с известными идентификаторами классов среди типов земного покрова k . В классификации LULC один набор данных выборки, например Sℓ, выбирается в качестве обучающей выборки, а остальные, то есть m -1, наборы данных могут рассматриваться как эталонные образцы. Если все наборы данных выборки были построены с использованием одних и тех же критериев или процедур выборки, так называемая обучающая выборка и эталонная выборка не отличаются статистически.Набор данных выборки, используемый для определения дискриминантных функций или правил классификации в классификации LULC, считается обучающей выборкой, и любой из наборов данных выборки m может использоваться в качестве обучающей выборки. Примечательно, что оценку точности классификации LULC можно рассматривать как процесс оценки параметров. Для каждого подхода к оценке существует целевая точность (то есть параметр, который необходимо оценить), а также оценка целевой точности, которая часто выводится из матрицы неточности LULC.

Подход I: Подход к оценке на основе эталонной выборки

Подход I — это общепринятый метод оценки точности классификации LULC с использованием эталонной выборки. После завершения классификации LULC с использованием конкретного набора данных выборки (например, Sℓ) в качестве обучающей выборки, точность классификации LULC может быть оценена с использованием любого из оставшихся м -1 наборов эталонной выборки (Sj, j = 1,2,…, м; j ≠ ℓ). Пусть pi (Sℓ, Sj) представляет PA i -го класса земного покрова, используя Sℓ и Sj в качестве обучающей и контрольной выборок, соответственно.i (Sℓ, Ω) = pi (Sℓ, Sj); ℓ ≠ j. (8)

Используя большое количество эталонных образцов (Sj, j = 1,2,…, m; j ℓ), можно оценить неопределенность оценщика. По мере увеличения количества эталонных выборок можно ожидать, что среднее значение эталонной выборки PA приблизится к истинной глобальной точности производителя, достигнутой с Sℓ в качестве обучающей выборки:

1 (м − 1) ∑j = 1, j ≠ lmpi ( Sℓ, Sj) → m → + ∞ pi (Sℓ, Ω). (9)

В большинстве случаев количество контрольных образцов в классификации LULC ограничено. Следовательно, проведение значимой оценки результатов классификации является сложной задачей, когда используется только один или несколько наборов эталонных образцов.Уравнение 9 показывает, что этот подход в лучшем случае может обеспечить только хорошую оценку глобальной точности производителя, pi (Sℓ, Ω), которая достигается за счет использования конкретной обучающей выборки Sℓ. i (Ω, Ω) = pi (Sℓ, Sℓ) ).(10)

Предположим, что доступны все возможные выборки фиксированного размера выборки (т. Е. Ансамбль выборок). По мере увеличения числа обучающих выборок среднее значение точности обучающей выборки приближается к глобальной точности классификатора:

1m∑ℓ = 1mpi (Sℓ, Sℓ) → m → + ∞ pi (Ω, Ω). (11)

Это уравнение указывает, что среднее по ансамблю (m → + ∞) точности обучающей выборки равно глобальной точности классификатора. На практике у нас есть только один набор обучающей выборки ( m = 1), и, таким образом, единственная известная точность обучающей выборки используется в качестве оценки глобальной точности классификатора, а оценка на основе обучающей выборки зависит от неопределенность обучающих данных.

Подход III: Подход к оценке на основе выборки начальной загрузки

Оба подхода I и II подвержены неопределенности обучающих данных. Подход III оценивает глобальную точность классификатора путем присвоения доверительного интервала глобальной точности классификатора. Это достигается за счет повторной выборки начальной загрузки из единственного набора обучающих выборок.

Учитывая набор обучающих данных Sℓ, предположим, что большое количество (например, M = 1000) образцов начальной загрузки, таких как S1B, S2B,…, SMB, генерируется из набора обучающих данных.Мы провели LULC-классификацию, используя каждую из этих выборок начальной загрузки в качестве обучающей выборки, получив M наборов значений точности выборки начальной загрузки: piℓ (SjB, SjB), j = 1, 2,…, M; i = 1, 2,… k. Нижний индекс ℓ указывает, что выборки начальной загрузки генерируются из набора обучающих данных Sℓ, а точность выборки начальной загрузки зависит от набора данных обучения. Подробная информация о передискретизации бутстрапа и его применении в классификации LULC была представлена ​​ранее (Horowitz, 2001; Hsiao and Cheng, 2016).

Пусть q1B и q2B, соответственно, представляют собой квантили выборки 0,025 и 0,975 piℓ (SjB, SjB). Пусть j = 1, 2,…, M. Таким образом, [q1B, q2B] формирует 95% доверительный интервал pi (Ω, Ω), как показано ниже:

P [q1B≤pi (Ω, Ω) ≤q2B] = 0,95. (12)

Примечательно, что как число бутстрап-выборок увеличивается, средняя точность бутстреп-выборки приближается к точности обучающей (Hsiao, 2013):

1M∑j = 1Mpiℓ (SjB, SjB) → m → + ∞ pi (Sℓ, Sℓ). (13)

Комбинация уравнений. 11, 13 дает следующее:

1m∑ℓ = 1m (1M∑j = 1Mpiℓ [SjB, SjB]) → m → + ∞, M → + ∞ pi (Ω, Ω).(14)

Если доступен только один набор обучающих выборок ( m = 1), среднее значение и диапазон квантилей выборки [q1B, q2B] точности начальной выборки являются точечной оценкой и 95% доверительным интервалом глобального классификатора. точности соответственно. Чтобы проверить эти отношения и продемонстрировать преимущества использования глобального классификатора, то есть точности для оценки результатов классификации LULC, мы выполнили стохастическое моделирование для простого случая с двумя классами и двумя функциями (2C2F) и более сложного случая с четырьмя классами. и три функции (4C3F).

Стохастическое моделирование классификации LULC

Рассмотрим особый случай классификации LULC с двумя классами земного покрова ( C ₁ и C ₂ ) и двумя классификационными признаками ( X ₁ и Х ₂ ). Для каждого класса земного покрова два классификационных признака образуют двумерное распределение Гаусса. Вектор среднего, ковариационная матрица классификационных признаков и априорные вероятности для C ₁ и C ₂ перечислены в таблице 4.Два классификационных признака имеют отрицательную корреляцию (ρ = -0,75) для C, ₁ и положительную корреляцию (ρ = 0,65) для C, ₂ .

ТАБЛИЦА 4 . Параметры многомерных гауссовских распределений отдельных классов в случае двух классов, двух признаков (2C2F) и четырех классов, трех признаков (4C3F).

В классификации LULC k -класс p с использованием мультиспектральных изображений дистанционного зондирования пиксель может быть охарактеризован вектором признаков, XT = (x1, x2,…, xp), и функцией плотности вероятности i -й класс можно выразить следующим образом:

f (X | Ci) = 12πpexp [−12 (X − μi) TΣi − 1 (X − μi)], i = 1,2,…, k.(15)

где μi и Σi — средний вектор и ковариационная матрица соответственно. В нашем моделировании использовался байесовский классификатор, который рассматривает априорные вероятности отдельных классов LULC. Дискриминантные функции классификатора следующие:

di (X) = ln⁡p (Ci) −12ln | Σi | −12 (X − μi) TΣi − 1 (X − μi), i = 1, 2,…, k. (16)

где p (Ci) представляет априорную вероятность класса i -го. Пиксель с вектором признаков X присваивается классу с наивысшим значением дискриминантной функции следующим образом:

AssignXtoCi, если di (X)> dj (X), j = 1,2,…, k; j ≠ i.(17)

Параметры моделирования и детали трех подходов к оценке описаны ниже.

Настройка моделирования для расчета общей точности классификатора

Глобальные точности классификатора C ₁ и C ₂ не могут быть получены аналитически. Таким образом, мы смоделировали один большой набор данных (SΩ), содержащий 1000000 точек данных, 400000 из C ₁ и 600000 из C ₂ двухклассовых двумерных распределений Гаусса.Затем эти точки данных были классифицированы с использованием байесовских дискриминантных функций, полученных из параметров совокупности, представленных в таблице 4. При таком значительном количестве точек данных, PA, UA и общая точность могут считаться глобальной точностью классификатора: pi (Ω , Ом), i = 1, 2. Их значения приведены в таблице 5.

ТАБЛИЦА 5 . Глобальная точность классификатора отдельных классов достигается за счет использования классификатора Байеса в случае двух классов, двух признаков (2C2F) и четырех классов, трех признаков (4C3F).

СИМ-1 .

СИМ-2 .

СИМ-3 .

Настройка моделирования для подхода I

Используя параметры, показанные в таблице 4, мы сгенерировали 1001 выборочный набор данных (S1, S2,…, S1001) двумерных распределений Гаусса для C, ₁ и C ₂ соответственно. Принимая во внимание априорные вероятности для двух классов земного покрова, каждый набор выборочных данных включал 200 точек данных, 80 из C ₁ и 120 из C ₂ , причем каждая точка представляет вектор из (x1, x2), принадлежащих либо C ₁ , либо C ₂ .Концептуальная иллюстрация двухклассовых двумерных распределений и их смоделированных наборов выборочных данных показана на рисунке 1. Подробные процедуры моделирования, классификации и оценки подхода I описаны на блок-схеме SIM-1.

РИСУНОК 1 . Концептуальные иллюстрации двухклассового двумерного распределения Гаусса и смоделированные выборочные наборы данных. Каждый набор данных выборки состоит из 80 точек данных из C, ₁ и 120 точек данных из C, _2.

Настройка моделирования для подхода II

Как и для подхода I, в настройке моделирования для подхода II набор данных выборки включал 200 точек данных, 80 и 120 из C ₁ и C ₂ соответственно. Каждый набор данных использовался в качестве обучающей выборки, и каждый давал одну матрицу путаницы обучающей выборки. При таком подходе было независимо создано млн. наборов данных выборки, а среднее значение точности обучающей выборки было вычислено из млн. наборов матриц смешения обучающей выборки.Чтобы оценить статистическое свойство, касающееся точности классификации обучающей выборки (уравнение 11), мы рассмотрели различное количество наборов данных выборки (m = 20, 30, 40, 60, 80, 100, 150, 300, 400, 500). Процедуры моделирования и оценки описаны на блок-схеме SIM ‐ 2.

Настройка моделирования для подхода III

Целью этого подхода является демонстрация того, что 95% доверительный интервал глобальной точности классификатора может быть установлен с использованием выборок начальной загрузки.Сначала мы сгенерировали набор обучающих данных из двухклассового двумерного распределения Гаусса. Затем мы сгенерировали 1000 наборов образцов начальной загрузки, каждый из которых использовался в качестве набора обучающих данных для классификации LULC, и этот подход привел к матрице смешения образцов начальной загрузки (всего 1000). Затем мы установили зависящий от обучающих данных доверительный интервал глобальной точности классификатора с помощью выборочных квантилей 0,025 и 0,975. Эти процедуры были выполнены 1000 раз, чтобы получить 1000 доверительных интервалов.Наконец, мы оценили долю доверительных интервалов, ограничивающих общую точность классификатора. Детали моделирования представлены на блок-схеме SIM ‐ 3.

Подробные процедуры применения метода передискретизации начальной загрузки, относящиеся к LULC-классификации изображений дистанционного зондирования, представлены в дополнительном приложении.

Результаты и обсуждение

Три подхода к оценке и асимптотические свойства эталонной выборки, обучающей выборки и точности выборки начальной загрузки, описанные в методологии , были проверены с использованием результатов моделирования моделирования LULC.Для удобства объяснения число, прикрепленное к PA и UA, указывает класс LULC. Например, PA1 представляет собой PA C ₁ .

Оценка точности классификации эталонной выборки

Для одного набора обучающих выборок (т. Е. Одного прогона моделирования подхода I) 1000 наборов эталонных выборок были классифицированы с использованием специфичных для класса дискриминантных функций, установленных данным набором обучающих выборок. На рис.2 представлены гистограммы различной точности классификации эталонных образцов (т.е., PA1, PA2, UA1, UA2 и OA) для одного набора обучающих выборок. Точность классификации эталонных образцов варьировалась относительно широко. Например, PA эталонного образца C ₁ варьировала от 0,8 до 1,0, а OA эталонного образца варьировала от 0,86 до 0,98. Это демонстрирует, что традиционный подход к оценке результатов классификации LULC с использованием только одного набора эталонных образцов включает высокую степень неопределенности эталонного образца. На рисунке также показано, что среднее значение точности 1000 эталонных образцов было почти таким же, как общая точность, достигнутая с использованием обучающей выборки (обозначена черной пунктирной линией и синей линией соответственно), но отличается от общей точности классификатора. точность (красная линия).

РИСУНОК 2 . Гистограммы различной точности эталонной выборки (на основе 1000 наборов эталонных выборок) по отношению к данной обучающей выборке.

Каждый из 1000 наборов обучающих выборок, сгенерированных в нашем моделировании, соответствовал одному набору глобальной точности на основе обучающей выборки и 1000 наборам точности контрольной выборки. На рисунке 3 представлено сравнение средней точности эталонной выборки, глобальной точности на основе обучающей выборки и общей точности классификатора для 100 наборов обучающих выборок (прогоны 501–600).Независимо от наборов обучающих данных, средняя точность эталонной выборки (красная пунктирная линия) оставалась почти равной глобальной точности на основе обучающей выборки (синяя линия). Однако в целом их значения не были близки к глобальной точности классификатора (темно-зеленая линия). Поскольку все образцы данных были независимо сгенерированы из одного и того же двухклассового двумерного распределения Гаусса, результаты других прогонов моделирования были аналогичными. В целом, результаты делают недействительным использование только одного набора эталонных образцов для оценки результатов классификации LULC.

РИСУНОК 3 . Сравнение средней точности эталонной выборки, глобальной точности на основе обучающей выборки и глобальной точности классификатора. Каждому запуску соответствует один набор обучающих образцов и 1000 наборов контрольных образцов.

Оценка точности классификации обучающей выборки

На рисунке 4 показаны теоретические и зависящие от обучающей выборки границы решений, а также контуры изопероятности двумерного гауссовского распределения C ₁ и C ₂ .Наблюдалась неопределенность в границах решения, связанная с неопределенностью обучающих данных. Учитывая параметры, показанные в таблице 4, байесовский классификатор включает уникальный набор теоретических границ принятия решения, как показано на рисунке 4D. Однако в реальной LULC-классификации параметры двухклассового двумерного распределения Гаусса неизвестны и могут быть оценены только по обучающей выборке. Таким образом, границы принятия решения и точность классификации меняются в зависимости от обучающей выборки (рисунки 4A – C).На рисунке 5 показаны гистограммы различной точности обучающей выборки (PA1, PA2, UA1, UA2 и OA), которые были основаны на 100 наборах обучающих выборок и в основном варьировались от 0,8 до 1,0. Это демонстрирует влияние неопределенности обучающих данных на точность классификации LULC.

РИСУНОК 4 . (A – C) Обучающие выборки и границы решения, зависящие от обучающей выборки. (D) Теоретическая граница решения и контуры изопероятности двумерного распределения Гаусса для C ₁ и C ₂ .Синяя и красная параболические кривые представляют собой границы, зависящие от обучающей выборки, и теоретические границы принятия решения соответственно. N ₁ : количество точек обучающих данных C ₁ ; N ₂ : количество точек обучающих данных C _2.

РИСУНОК 5 . Гистограммы различной точности обучающей выборки на основе 100 наборов обучающих выборок. Красные вертикальные линии отмечают общую точность классификатора.

Мы дополнительно исследовали асимптотическое свойство, связанное с точностью классификации средней обучающей выборки. По мере увеличения количества наборов обучающих данных среднее значение точности обучающей выборки приближалось к глобальной точности классификатора (рисунок 6). Это демонстрирует, что точность обучающей выборки является несмещенной оценкой глобальной точности классификатора. Напротив, средняя точность эталонной выборки приближалась к глобальной точности на основе обучающей выборки, но не к глобальной точности классификатора (рисунок 3).

РИСУНОК 6 . Асимптотика точности классификации средней обучающей выборки. Средняя точность обучающей выборки была рассчитана на основе 20, 30, 40, 60, 80, 100, 150, 300, 400 и 500 наборов обучающих выборок. Каждый набор обучающих выборок состоит из 80 и 120 точек данных из C ₁ и C ₂ соответственно.

Оценка точности классификации загрузочной выборки

Мы сгенерировали 1000 наборов обучающих выборок из двухклассового двумерного распределения Гаусса.Затем для каждого набора обучающих выборок были сгенерированы 1000 образцов начальной загрузки, которые были использованы для установления 95% доверительных интервалов различных мер точности. Затем мы оценили пропорции этих доверительных интервалов, которые покрывают глобальную точность классификатора. На рисунке 7 показаны 95% доверительные интервалы начальной загрузки и средняя точность выборки начальной загрузки для 100 наборов обучающих выборок (прогоны 301–400). В каждом наборе обучающей выборки среднее значение 1000 точности начальной выборки снизилось очень близко к точности обучающей выборки.Вероятности охвата глобальной точности классификатора доверительных интервалов начальной загрузки составляли 0,977, 0,945, 0,947, 0,977 и 0,953 для PA1, PA2, UA1, UA2 и OA, соответственно. Эти вероятности были немного выше 0,95 (для PA1 и UA2) или почти равны 0,95 (для PA2, UA1 и OA), что указывает на то, что доверительный интервал начальной загрузки был эффективным при оценке точности классификации.

РИСУНОК 7 . Иллюстрация 95% -ных доверительных интервалов начальной загрузки различных мер точности (случай 2C2F).

Дальнейшая проверка доверительного интервала начальной загрузки с использованием случая 4C3F

Чтобы продемонстрировать эффективность предложенного подхода к оценке на основе выборки начальной загрузки в более сложных приложениях классификаций LULC, мы провели аналогичное стохастическое моделирование для случая классификации 4C3F LULC, предполагая, что что три классификационных признака отдельных классов земного покрова образуют трехфакторное гауссово распределение. Средний вектор и ковариационная матрица классификационных признаков отдельных классов земного покрова перечислены в таблице 4.Эти параметры были выбраны в соответствии с характеристиками различных типов почвенного покрова (трава, застроенные земли, леса и почвы), которые обсуждались в предыдущем исследовании (Fan, 2016). Вероятности априори индивидуальных классов земного покрова (классы 1–4) составляли 0,2, 0,4, 0,25 и 0,15 соответственно. Был создан выборочный набор данных из 1 000 000 точек данных, который использовался для точной оценки общей точности классификатора. Мы также сгенерировали 1000 наборов образцов данных, каждый из которых содержит 400 точек данных, которые затем использовались в качестве наборов данных для обучения.Для каждого набора обучающих данных было создано 1000 наборов образцов начальной загрузки. Следуя процедурам, описанным в Simulation Setting for Approach III , мы рассчитали среднюю точность выборки начальной загрузки и установили 1000 наборов 95% доверительных интервалов начальной загрузки.

Глобальные точности классификатора (PA, UA и OA), полученные с использованием 1 000 000 точек выборки, показаны в таблице 5. 95% доверительные интервалы начальной загрузки глобальной точности классификатора и средняя точность выборки начальной загрузки для 100 наборов обучающих выборок (запусков 301–400) для случая 4C3F показаны на рисунке 8.В каждом наборе обучающих данных средняя точность 1000 начальной выборки была очень близка к точности обучающей выборки. Вероятности охвата классификатором глобальной точности доверительных интервалов начальной загрузки составляли 0,96, 0,976, 0,949, 0,955, 0,958, 0,955, 0,963, 0,958 и 0,936 для PA1, PA2, PA3, PA4, UA1, UA2, UA3, UA4 и О.А. соответственно. Эти результаты демонстрируют, что метод оценки на основе начальной выборки и 95% доверительные интервалы начальной загрузки различных показателей точности классификации могут применяться в качестве общих подходов.

РИСУНОК 8 . Иллюстрация 95% доверительных интервалов начальной загрузки различных мер точности (случай 4C3F).

Матрица путаницы обучающей выборки: более внимательный взгляд

Оценки, обсуждавшиеся до сих пор, показывают, что точности обучающей выборки (т. Е. Точности, представленные в матрице смешения обучающей выборки) были несмещенными точечными оценками их соответствующих глобальных точности классификаторов, тогда как эталонные на точность выборки влияла неопределенность обучающих данных.Ключевые статистические свойства матрицы смешения обучающей выборки обсуждаются далее.

В таблице 6 представлена ​​матрица путаницы обучающей выборки, сгенерированная в классификации LULC, включающая k классов. Показаны проценты данных обучения для конкретных классов, назначенных отдельным классам LULC, а не количество точек данных обучения, классифицированных в отдельные классы LULC, а pji, называемые вероятностями классов производителя, представляет собой процент данных обучения i -й класс LULC присвоен j -му классу LULC.Пусть n представляет общее количество точек обучающих данных, и пусть ai (i = 1, 2,…, k) будет априорной вероятностью i -го класса LULC. Если количество точек обучающих данных отдельных классов LULC пропорционально их априорным вероятностям , то ain = n + i представляет количество точек обучающих данных i -го класса LULC. Подобно априорной вероятности , апостериорная вероятность i -го класса LULC, bi, представляет собой долю точек обучающих данных, присвоенных i -му классу LULC.Таблица 6 показывает отношения между PA, UA и OA следующим образом:

∑i = 1k (pjiai) = bj; j = 1,2,…, k, (18) pii (aibi) = ui; i = 1,2,…, k, (19) OA = ∑i = 1kpiiai = ∑i = 1kuibi, (20)

где pii и ui — PA и UA класса LULC и , соответственно. Эти уравнения показывают, что UA равен (ai / bi) скорректированному PA. Более того, OA может быть выражено как априорная взвешенная по вероятности сумма PA и апостериорная взвешенная по вероятности сумма UA.

ТАБЛИЦА 6 .Матрица путаницы обучающей выборки для классификации землепользования / земного покрова (LULC) k-класса.

Расчет PA можно воспринимать как оценку параметров с помощью обучающей выборки. Пока размер выборки (то есть количество точек обучающих данных) отдельных классов LULC достаточно велик, можно ожидать, что зависящие от класса PA, полученные с использованием обучающих данных, будут близки к глобальным PA их соответствующего классификатора. Это верно, даже если размер обучающей выборки отдельных классов LULC не пропорционален их априорным вероятностям.Поскольку PA конкретного класса LULC не зависит от методов, с помощью которых классифицируются обучающие данные других классов LULC, зависящий от класса PA изменяется лишь незначительно, когда размер обучающей выборки велик. Напротив, на UA влияет пропорция обучающих данных отдельных классов LULC. Таблица 7 демонстрирует, что UA определенного класса LULC может быть в значительной степени увеличен или уменьшен путем изменения пропорций данных обучения, зависящих от класса. Таким образом, учет априорных вероятностей отдельных классов LULC при вычислении UAs имеет важное значение.

ТАБЛИЦА 7 . Пример изменений в пользовательской точности (UA), вызванных изменениями процентных соотношений ( априорная вероятность ) данных обучения для конкретных классов (случаи 1 и 2).

Резюме и заключение

В этой статье мы представляем новые концепции точности классификации LULC, а именно, глобальную точность на основе обучающей выборки и общую точность классификатора, а также общее выражение различных мер точности классификации, которые были основаны на на выборочных наборах данных, используемых для обучения классификатора и оценки результатов классификации.Чтобы продемонстрировать неопределенности различных мер точности классификации LULC, мы провели стохастическое моделирование для случая 2C2F и случая 4C3F классификации LULC. Кроме того, был предложен метод начального моделирования для установления 95% доверительных интервалов глобальной точности классификатора. Сделаны следующие выводы:

(1) Глобальная точность классификатора, которая представляет точность, которая может быть достигнута путем использования совокупности для установления правил классификации, не зависит от неопределенностей в обучающих или справочных данных, и поэтому ее следует учитывать. в качестве стандартной цели оценки в классификации LULC.

(2) Точность классификации эталонной выборки, которая обычно используется, чувствительна к неопределенностям в обучающих и эталонных данных и в лучшем случае может обеспечить только хорошую оценку глобальной точности, достигаемой при использовании определенного набора обучающих данных.

(3) Точность обучающей выборки — это несмещенная оценка глобальной точности классификатора. Напротив, средняя точность эталонной выборки приближается к глобальной точности на основе обучающей выборки, но не к глобальной точности классификатора.Таким образом, матрица путаницы обучающей выборки должна заменить обычно используемую матрицу смешения эталонной выборки при оценке результатов классификации LULC.

(4) Строгое стохастическое моделирование продемонстрировало практическую применимость предложенного подхода бутстрэппинга к установлению доверительных интервалов точности классификации LULC. Мы рекомендуем использовать не менее 100 выборок начальной загрузки при построении 95% доверительных интервалов начальной загрузки глобальной точности классификатора.

(5) PA, зависящие от класса, незначительно различаются для больших наборов обучающих данных. Напротив, на UA влияют пропорции обучающих данных отдельных классов LULC. Таким образом, рассмотрение априорных вероятностей отдельных классов LULC при вычислении UA имеет решающее значение.

Заявление о доступности данных

Оригинальные материалы, представленные в исследовании, включены в статью / дополнительные материалы. Дальнейшие запросы можно направить соответствующему автору.

Вклад авторов

KC и YK: задумали и разработали цели и методологию исследования. JL, TL, YL и YS: выполнили кодирование с помощью программного обеспечения R и провели моделирование и анализ. KC: выполнял анализ обзора и отвечал за администрирование проекта и написание рукописей.

Финансирование

Это исследование было поддержано Министерством науки и технологий Тайваня в рамках гранта номер MOST-104-2918-I-002-013.

Конфликт интересов

Авторы заявляют, что исследование проводилось в отсутствие каких-либо коммерческих или финансовых отношений, которые могут быть истолкованы как потенциальный конфликт интересов

Благодарности

Мы выражаем признательность Министерству науки Тайваня за финансовую поддержку и технологии через грант проекта (MOST-104-2918-I-002-013).Автор-корреспондент благодарит сотрудников Центра исследований Юго-Восточной Азии Киотского университета, Япония, за организацию его творческого отпуска и предоставление прекрасных условий и условий для проведения исследований. Эта работа является продолжением статьи, представленной на Неделе геопространственных данных Международного общества фотограмметрии и дистанционного зондирования 2019 г. (Cheng et al., 2019).

Дополнительные материалы

Дополнительные материалы к этой статье можно найти в Интернете по адресу: https: // www.frontiersin.org/articles/10.3389/fenvs.2021.628214/full#supplementary-material

Сокращения

LULC, землепользование / земельный покров; PA, точность производителя; UA — точность пользователя; О.А., общая точность.

Ссылки

Бауэр, М. Э., Берк, Т. Е., Эк, А. Р., Коппин, П. Р., Лайм, С. Д., Уолш, Т. А. и др. (1994). Спутниковая инвентаризация лесных ресурсов Миннесоты. Photogrammetric Eng. Дистанционное зондирование 60, 287–298.

Google Scholar

Шампанское, C., Макнэрн, Х., Данешфар, Б., и Шанг, Дж. (2014). Метод начальной загрузки для оценки точности и достоверности классификации при картировании сельскохозяйственных земель в Канаде. Внутр. J. Appl. Геоинформация о наблюдении за Землей 29, 44–52. doi: 10.1016 / j.jag.2013.12.016

CrossRef Полный текст | Google Scholar

Chen, Y.-C., Chiu, H.-W., Su, Y.-F., Wu, Y.-C., and Cheng, K.-S. (2017). Урбанизация увеличивает суточные колебания температуры поверхности земли? Доказательства и последствия. Ландшафтный городской план. 157, 247–258. doi: 10.1016 / j.landurbplan.2016.06.014

CrossRef Полный текст | Google Scholar

Cheng, K.-S., Su, Y.-F., Kuo, F.-T., Hung, W.-C., and Chiang, J.-L. (2008). Оценка влияния изменений почвенного покрова на температуру воздуха с использованием изображений дистанционного зондирования. Пилотное исследование на севере Тайваня. Ландшафтный городской план. 85, 85–96. doi: 10.1016 / j.landurbplan.2007.09.014

CrossRef Полный текст | Google Scholar

Cheng, K.С., Линг, Дж. Й., Лин, Т. В., Лю, Ю. Т., Шен, Ю. К., и Коно, Ю. (2019). Новое мышление в оценке точности классификации LULC. Внутр. Arch. Фотография. Remote Sens. Spat. Инф. Sci. XLII-2 / W13, 1207–1211. doi: 10.5194 / isprs-archives-XLII-2-W13-1207-2019

CrossRef Полный текст | Google Scholar

Chiang, J.-L., Liou, J.-J., Wei, C., and Cheng, K.-S. (2014). Индикаторный метод кригинга пространственных признаков для классификации изображений дистанционного зондирования. IEEE Trans. Geosci.Дистанционное зондирование. 52, 4046–4055. doi: 10.1109 / tgrs.2013.2279118

CrossRef Полный текст | Google Scholar

Congalton, R.G. (1991). Обзор оценки точности классификации данных дистанционного зондирования. Среда дистанционного зондирования. 37, 35–46. doi: 10.1016 / 0034-4257 (91)

-b

CrossRef Полный текст | Google Scholar

Congalton, R.G., Oderwald, R.G., и Mead, R.A. (1983). Оценка точности классификации Landsat с использованием статистических методов дискретного многомерного анализа. Photogrammetry Eng. Дистанционное зондирование 49, 1671–1678.

Google Scholar

Чаплевски, Р. Л. (1994). Аппроксимации дисперсии для оценки точности классификации . Форт-Коллинз, Колорадо: Экспериментальная станция в лесах и хребтах Скалистых гор, 29.

Фан, Ю. Т. (2016). Подход к моделированию стохастических мультиспектральных изображений и его приложения в дистанционном зондировании. Магистерская работа , . Тайбэй (Китай): Национальный университет Тайваня.

Google Scholar

Франклин, С.Э. и Уилсон Б. А. (1992). Трехступенчатый классификатор для дистанционного зондирования горной среды. Photogrammetric Eng. Remote Sens. 58, 449–454.

Google Scholar

Хаммонд, Т. О., и Вербила, Д. Л. (1996). Оптимистическая предвзятость в оценке точности классификации. Внутр. J. Дистанционное зондирование 17, 1261–1266. doi: 10.1080 / 01431169608949085

CrossRef Полный текст | Google Scholar

Hay, A. M. (1988). Вывод глобальных оценок из матрицы неточностей. Внутр. J. Дистанционное зондирование 9, 1395–1398. doi: 10.1080 / 01431168808954945

CrossRef Полный текст | Google Scholar

Герольд М., Счепан Дж. И Кларк К. С. (2002). Использование дистанционного зондирования и показателей ландшафта для описания структур и изменений в землепользовании в городах. Environ. План. А. 34, 1443–1458. doi: 10.1068 / a3496

CrossRef Полный текст | Google Scholar

Horowitz, J. L. (2001). «Самозагрузка» в Справочник по эконометрике .Редакторы Дж. Дж. Хекман и Э. Лимер (Нью-Йорк, Нью-Йорк, США: North Holland Publishing Company), 5, 3160–3228.

Google Scholar

Hsiao, L.-H., and Cheng, K.-S. (2016). Оценка неопределенности точности классификации LULC с помощью бутстраповской повторной выборки. Remote Sens. 8, 705. doi: 10.3390 / rs80

CrossRef Полный текст | Google Scholar

Сяо, Л. Х. (2013). Оценка неопределенностей в классификации землепользования / почвенного покрова с использованием изображений дистанционного зондирования.Магистерская диссертация. Тайбэй (Китай): Национальный университет Тайваня.

Google Scholar

Hung, W.-C., Chen, Y.-C., and Cheng, K.-S. (2010). Сравнение структуры растительного покрова в Токио, Киото и Тайбэе с использованием мультиспектральных изображений ALOS. Ландшафтный городской план. 97, 132–145. doi: 10.1016 / j.landurbplan.2010.05.004

CrossRef Полный текст | Google Scholar

Хатами, Р., Маунтракис, Г., и Стехман, С. В. (2017). Попиксельное сопоставление предсказывает точность классифицированных изображений дистанционного зондирования. Remote Sens. Environ. 191, 156–167. doi: 10.1016 / j.rse.2017.01.025

CrossRef Полный текст | Google Scholar

Lyons, M. B., Keith, D. A., Phinn, S. R., Mason, T. J., and Elith, J. (2018). Сравнение методов повторной выборки для классификации и оценки точности дистанционного зондирования. Remote Sens. Environ. 208, 145–153. doi: 10.1016 / j.rse.2018.02.026

CrossRef Полный текст | Google Scholar

Нагесвара Рао, П. П. и Моханкумар, А. (1994).Инвентаризация пахотных земель в контролируемой зоне проекта Кришнараджасагар с использованием спутниковых данных. Внутр. J. Дистанционное зондирование 15, 1295–1305. doi: 10.1080 / 01431169408954162

CrossRef Полный текст | Google Scholar

Олофссон П., Фуди Г. М., Стехман С. В. и Вудкок К. Э. (2013). Лучшее использование данных о точности в исследованиях изменения земель: оценка точности и площади и количественная оценка неопределенности с использованием стратифицированной оценки. Remote Sens. Environ. 129, 122–131. DOI: 10.1016 / j.rse.2012.10.031

CrossRef Полный текст | Google Scholar

Стил Б. М., Винн Дж. К. и Редмонд Р. Л. (1998). Оценка и составление карт вероятностей ошибочной классификации для тематических карт земного покрова. Remote Sens. Environ. 66, 192–202. doi: 10.1016 / s0034-4257 (98) 00061-3

CrossRef Полный текст | Google Scholar

Stehman, S. V., and Czaplewski, R. L. (1998). Дизайн и анализ для оценки точности тематических карт. Среда дистанционного зондирования. 64, 331–344. doi: 10.1016 / s0034-4257 (98) 00010-8

CrossRef Полный текст | Google Scholar

Stehman, S. V. (1997b). Оценка стандартных ошибок статистики оценки точности при кластерной выборке. Среда дистанционного зондирования. 60, 258–269. doi: 10.1016 / s0034-4257 (96) 00176-9

CrossRef Полный текст | Google Scholar

Stehman, S. V. (2009). Планы выборки для оценки точности земного покрова. Внутр. J. Remote Sens. 30, 5243–5272.doi: 10.1080 / 01431160¹⁰⁰⁰

CrossRef Полный текст | Google Scholar

Stehman, S. V. (1997a). Выбор и интерпретация показателей точности тематической классификации. Remote Sens. Environ. , 62, 77–89. doi: 10.1016 / s0034-4257 (97) 00083-7

CrossRef Полный текст | Google Scholar

Stehman, S. V. (1995). Оценка точности тематической карты с точки зрения выборки конечной совокупности. Внутр. J. Remote Sens. 16, 589–593. doi: 10.1080 / 01431169508954425

CrossRef Полный текст | Google Scholar

Teng, S.П., Чен, Ю.К., Ченг, К.С., и Ло, Х.С. (2008). Обнаружение изменений почвенного покрова на основе проверки гипотез с использованием разновременных спутниковых изображений — сравнительное исследование. Adv. Space Res. 41, 1744–1754. doi: 10.1016 / j.asr.2007.06.064

CrossRef Полный текст | Google Scholar

Вебер К. Т. и Лангиль Дж. (2007). Улучшение оценок точности классификации с помощью методов статистической повторной выборки. GIScience & Remote Sens. 44, 237–250. DOI: 10.2747 / 1548-1603.44.3.237

CrossRef Полный текст | Google Scholar

Ян, К., Луо, Дж., Ху, К., Тиан, Л., Ли, Дж. И Ван, К. (2018). Модель представления цепочки задач наблюдения для планирования спутниковых датчиков дистанционного зондирования, ориентированных на процесс бедствия: приложение для мониторинга паводковых вод. Remote Sens.