Землепользование и ЦУР 11.3.1

Справочная информация

Примечание

Источник: ООН-Хабитат (2019) Показатель ЦУР 11.3.1 Учебный модуль: Эффективность землепользования. Программа ООН по населенным пунктам (ООН-Хабитат), Найроби.

Человеческие поселения во всех своих разнообразных формах используют землю различными способами. Подобно живым организмам, городские поселения (города) развиваются, трансформируются, адаптируются, внедряют инновации и меняются в соответствии с возникающими тенденциями. Городские поселения расширяются, сокращаются, плотнеют, интенсифицируются, стареют, а иногда их функции даже мигрируют в районы, которые более благоприятны для их выживания. Все эти тенденции в городских поселениях тесно связаны с такими факторами, как изменение численности населения, экономического потенциала и производительности, преобладающих физических и социальных условий, наличия благоприятной политики и др.

Страна, которая максимально использует многочисленные преимущества, связанные с урбанизацией, — это та страна, которая способна понять, измерить и спрогнозировать тенденции роста своих городских районов; и, в свою очередь, принять необходимые меры/вмешательства для использования преимуществ такого роста, одновременно минимизируя разнообразные проблемы, связанные с незапланированной урбанизацией. Проактивное планирование, которое является основным предварительным условием устойчивой урбанизации, требует, чтобы городские власти и другие соответствующие субъекты прогнозировали направление роста города и/или формировали этот рост путем предоставления необходимых объектов, услуг и политико-правовой базы до начала развития. Это приводит к запланированному и справедливому росту, при котором большинство жителей города имеют доступ к основным услугам, экономическим и социальным возможностям, и где преобладает экологическая устойчивость. В центре всего этого находится необходимость получения и распространения актуальных и точных данных о тенденциях роста в городах и городских поселениях.

Цель 11.3 направлена на повышение инклюзивной и устойчивой урбанизации и потенциала для партисипативного, комплексного и устойчивого планирования и управления населенными пунктами во всех странах к 2030 году. Для мониторинга прогресса в достижении цели 11.3 ООН установила показатель 11.3.1, который измеряет, насколько эффективно города используют землю, что измеряется как отношение темпов пространственного потребления земли городами к темпам роста их населения. Эмпирические данные показывают, что компактные города более эффективно используют землю и имеют больше возможностей для предоставления общественных благ и основных услуг по более низким ценам. Такие города потребляют меньше энергии, лучше утилизируют отходы и с большей вероятностью максимизируют преимущества, связанные с экономикой агломерации. С другой стороны, разрастающиеся города (некомпактные города) испытывают повышенный спрос на мобильность; повышенное потребление энергии; деградацию окружающей среды; повышенную стоимость предоставления основных услуг на душу населения (например, водоснабжение, канализация, дренаж); повышенную стоимость инфраструктуры на душу населения; сокращение экономики агломерации; и снижение городской производительности.

Измеряя темпы потребления земли городами в сравнении с темпами роста населения, городские власти и лица, принимающие решения, могут прогнозировать спрос на общественные товары и услуги, определять новые зоны роста и активно влиять на устойчивое городское развитие. Это необходимо для обеспечения адекватной инфраструктуры, услуг и удобств для улучшения условий жизни для всех. Таким образом, получение и распространение данных по этому показателю имеет решающее значение не только для понимания динамики роста городов и выработки обоснованной политики и руководящих принципов, но и лежит в основе содействия устойчивой урбанизации.

Обоснование для мониторинга

Примечание

Источник: ООН-Хабитат (2019) Показатель ЦУР 11.3.1 Учебный модуль: Эффективность землепользования. Программа ООН по населенным пунктам (ООН-Хабитат), Найроби.

Понимание того, как город/городская территория расширяется пространственно по сравнению с темпами изменения численности населения, имеет решающее значение для определения, среди прочего, характера роста населенных пунктов (формальный по сравнению с неформальным) и скорости преобразования окраинных земель в урбанизированные функции. Эти два элемента оказывают существенное влияние на спрос и стоимость предоставления услуг, а также на сохранение и охрану окружающей среды.

Для достижения устойчивого развития странам необходимо понимать, насколько быстро и в каком направлении растут их городские территории. Это не только поможет им понять тенденции роста и эффективно удовлетворить спрос на основные услуги, но и поможет разработать политику, стимулирующую оптимальное использование городских земель, эффективно защищая другие виды землепользования (природную среду, сельскохозяйственные угодья и т.д.). Кроме того, достижение инклюзивной и устойчивой урбанизации требует, чтобы ресурсы использовались таким образом, чтобы обеспечить рост населения за счет миграции и естественного прироста, сохранив при этом экологически чувствительные территории от застройки.

Поэтому цель мониторинга прогресса по показателю ЦУР 11.3.1 заключается в предоставлении необходимой и своевременной информации лицам, принимающим решения, и заинтересованным сторонам для ускорения прогресса в направлении усиления инклюзивной и устойчивой урбанизации. Для достижения цели 11.3 к 2030 году необходимо, как минимум, замедлить разрастание городов и, по возможности, обеспечить сохранение или увеличение компактности городов с течением времени.

Индикаторы и потребности в данных

Показатель 11.3.1 определяется как отношение темпов потребления земли к темпам роста населения (Рисунок 1). Для расчета этого показателя необходима информация о городской территории и численности населения как минимум в два момента времени, и даже больше, если мы заинтересованы в оценке изменения показателя во времени.

«Рисунок 1: Показатель 11.3.1 Цели устойчивого развития (ЦУР) рассчитывается как отношение годового темпа потребления земли (ALCR) к годовому темпу роста населения (APGR) в период времени с 1 по 2. Ln: натуральный логарифм, Urb: городская территория, Pop: население, t: время в годах».

Оценка изменений в ЦУР 11.3.1. с течением времени требует значительного объема информации, поскольку для этого необходимо знать протяженность городов и численность населения за несколько лет. Данные наблюдения Земли позволяют оценить площадь застроенной территории в городе, а затем с помощью алгоритмов пространственного анализа оценить площадь различных элементов городской среды (например, зданий, открытых пространств, водоемов и т.д.). В для облегчения этого процесса мы приняли следующий рабочий процесс (рис. 2). Используя суперкомпьютеры Google Earth Engine, полный архив Landsat за период с 1997 по 2019 год и набор данных GMIS (Brown de Colstoun et al 2017), вычислил серию индексов непроницаемой поверхности, доступных во всем мире с разрешением 30 м, чтобы получить информацию о масштабах городов за 2000, 2005, 2010 и 2015 годы. В сочетании с данными, введенными пользователем, и данными о населении, инструмент рассчитывает ЦУР 11.3.1 как в виде карт, так и в виде таблиц для удобства интерпретации и отчетности.

«Рисунок 2: Схема работы Trends.Earth для вычисления ЦУР 11.3.1. Глобальные индексы 30-метровой противофильтрационной поверхности были предварительно рассчитаны и доступны пользователям для изучения в программе ``Trends.Earth Urban Mapper <https://geflanddegradation.users.earthengine.app/view/trendsearth-urban-mapper>`_`, где пользователь определяет степень застройки, просто назначая ряд пороговых значений».

Землепользование

Для оценки потребления земли в доступны предварительно вычисленные временные ряды показателей непроницаемой поверхности в глобальном масштабе с разрешением 30 м. В следующем разделе вы узнаете, как были рассчитаны эти показатели, а также некоторые рекомендации по их использованию для расчета показателя для ЦУР 11.3.1.

ISI в Trends.Earth

Учитывая отсутствие временных рядов данных о противофильтрационной поверхности с тонким пространственным разрешением, позволяющих отразить городские изменения в глобальном масштабе, мы составили один из них, используя лучший из доступных наборов данных о противофильтрационной поверхности — Global Man-made Impervious Surface за 2010 год (GMIS, Brown de Colstoun et al 2017) для обучения серии глобальных моделей случайного леса (Breiman 2001) в Google Earth Engine (Gorelick et al 2017), используя 2,3 миллиона снимков Landsat (1,15 пета-байт данных) за период с 1997 по 2019 годы. Чтобы убедиться, что модели обучались только на высококачественных данных, мы объединили GMIS с данными ESA CCI о земном покрове за 2010 год, как показано на рисунке 3. Этот набор данных позволил нам обучить модели случайного леса, которые затем были применены к набору из 24 групп полос, полученных из данных отражения поверхности Landsat, для создания показателей непроницаемой поверхности за 1998, 2000, 2005, 2010, 2015 и 2018 годы. Была запущена серия из 846 моделей, по одной на экорегион, определенный набором данных RESOLVE (Dinerstein et al 2017).

«Рисунок 3: Была запущена серия из 846 моделей случайного леса. Каждая модель была обучена с использованием наборов данных GMIS и ESA CCI, а затем применена к группе из 24 полос, полученных из снимков Landsat, для прогнозирования площади непроходимой поверхности для 1998, 2000, 2005, 2010, 2015 и 2018 годов».

Поскольку доступность снимков ограничена, в некоторых районах мы включали для каждого года изображения предыдущего и последующего годов (например, стек для 2005 года включает изображения 2004, 2005 и 2006 годов). Каждая из 24 групп содержала 7 полос отражения (медиана за 3-летний период), 15 нормализованных индексов разности, представляющих все возможные комбинации 7 исходных полос, а затем 2 полосы NDVI, представляющие максимальное и стандартное отклонение NDVI для каждого конкретного пикселя в течение 3-летнего периода. Шесть таких стеков были созданы для 1998, 2000, 2005, 2005, 2010, 2015 и 2018 годов и послужили входными данными для моделей случайного леса.

«Рисунок 4: Описание полос в 24-полосной группе, используемых в моделях случайного леса».

Трудно оценить точность такого набора данных, учитывая отсутствие эталонных или сопоставимых наборов данных в глобальном масштабе. Мы сравнили результаты набора данных ISI 2010 года с оригинальным набором данных GMIS для подмножества городов по всему миру, чтобы оценить его точность. Мы обнаружили, что среднеквадратичная ошибка (RMSE) колеблется от 9,9 до 14,4 %, что для показателя, который варьируется от 0 % (отсутствие непроницаемой поверхности) до 100 % (полностью непроницаемая поверхность), является вполне приемлемым результатом. Однако мы призываем пользователей оценивать результаты визуально, изучая Trends.Earth Urban Mapper <https://geflanddegradation.users.earthengine.app/view/trendsearth-urban-mapper> для интересующего их района.

От ISI до застройки

Для того чтобы оценить площадь, занимаемую противофильтрационными поверхностями в городе, необходимо преобразовать непрерывный индекс противофильтрационных поверхностей (ISI) в бинарную карту, разделяющую застроенные и незастроенные территории. Этот процесс осуществляется путем определения ряда пороговых значений в программе Trends.Earth Urban Mapper, которые зависят от региона.

«Рисунок 5: В ``Trends.Earth Urban Mapper <https://geflanddegradation.users.earthengine.app/view/trendsearth-urban-mapper>`_` пользователь имеет возможность контролировать, как будет происходить преобразование непрерывного индекса противофильтрационной поверхности (ISI, справа) в бинарную карту застроенных территорий (built, слева) для интересующего его города».

В пользователю необходимо определить 3 пороговых значения, которые будут использоваться инструментом для оценки застроенной территории для интересующей его области. Этими пороговыми значениями являются:

• Индекс непроницаемой поверхности (ISI, 0-100): Это индекс, который изменяется в диапазоне от 0 до 100, при этом более высокие значения указывают на более высокий процент непроницаемой поверхности в 30-метровом пикселе. Установка порогового значения ISI ниже означает, что ваш окончательный набор данных застроенной территории будет включать районы с низкой плотностью застройки, обычно встречающиеся на окраинах городов. Если установить это значение выше, то оценка будет сосредоточена на центрах городов с высокой плотностью застройки.

• Индекс освещенности в ночное время (NTL, 0-100): Индекс непроницаемой поверхности в некоторых случаях может иметь высокие значения для территорий, покрытых сухой голой почвой или камнями, поскольку эти типы поверхностей имеют схожие спектральные свойства с искусственными непроницаемыми поверхностями. Для фильтрации таких участков мы используем ночное освещение, удаляя участки с высоким ISI и низким ночным освещением, присутствующим за пределами городской черты. Отсутствие временного ряда ночных огней, последовательно откалиброванных для рассматриваемого периода времени (2000-2015), означает, что мы не можем замаскировать год соответствующим годом, поэтому мы используем VIIRS Nighttime Day/Night Band Composites Version 1 для 2015 года (NOA, 2019). Установка порогового значения NTL ниже означает, что ваш окончательный набор данных застроенной территории будет включать области с низкой плотностью освещения, обычно встречающиеся на окраинах городов. Если установить это значение выше, то оценка будет сосредоточена на центрах городов с высокой плотностью.

• Индекс частоты встречаемости воды (ИЧВ, 0-100): Наличие воды является очень динамичной характеристикой прибрежной или речной среды, в некоторых случаях вода затапливает участки суши, а в других случаях люди вторгаются в водоемы, занимая пространство. Чтобы отразить часть этой динамики, мы интегрировали в инструмент набор данных о частоте воды (Pekel et al 2016). Настроив пороговое значение частоты воды, пользователь может выделить эти динамичные участки суши и воды. Установка порогового значения частоты воды ниже означает, что в конечном наборе данных застроенной территории будут рассматриваться как покрытые водой участки с более низкой частотой воды на протяжении всего временного ряда, например, прерывистые реки или озера. Установка этого значения выше ограничит водные объекты областями с высокой частотой появления воды (т.е. постоянными реками и озерами).

«Рисунок 6: В ``Trends.Earth Urban Mapper <https://geflanddegradation.users.earthengine.app/view/trendsearth-urban-mapper>`_` пользователь определяет ряд пороговых значений для перехода от непрерывного индекса противофильтрационной поверхности (ISI, справа) к бинарной карте застроенных территорий (built, left)».

Тест на согласованность

При классификации данных дистанционного зондирования в производные продукты, такие как индекс противофильтрационной поверхности, рассчитываемый , возникают ошибки упущений и ошибок. Одним из преимуществ анализа временных рядов является то, что изображения разных лет могут быть использованы для выявления несоответствий в анализе. По этой причине в данном анализе были рассчитаны слои ISI 1998 и 2018 годов, чтобы добавить точки данных до и после, чтобы отфильтровать возможные ошибки в классификации серий 2000-2015 годов.

Пороговые значения, определенные в предыдущем разделе (ISI, NTL и WFR), применяются к каждому из отдельных слоев 1998, 2000, 2005, 2010, 2015 и 2018 годов, создавая серию бинарных карт. Эти шесть бинарных карт позже объединяются в набор данных временного ряда, который содержит информацию о характере каждого пикселя за каждый год как «застроенный» или «незастроенный». В дальнейшем к этому ряду применяется одно главное правило:

• Пиксель считается построенным только в том случае, если 50 % или более точек данных после первого обнаружения построенного участка идентифицируют тот же участок как построенный. Для таких пикселей годом преобразования будет считаться первое обнаружение как построенного. Участки с менее чем 50 % застроенных после первого обнаружения будут считаться ошибками в классификации и, как следствие, не будут считаться застроенными. Мы признаем, что, применяя это правило, мы ограничиваем возможности набора данных для обнаружения переходов от застроенных к незастроенным. Однако, учитывая низкую вероятность такого перехода в городской среде, мы можем спокойно сделать такое предположение. Визуальный осмотр результатов подтверждает этот подход.

Глобальное тестирование

provides through the Urban Mapper and the QGIS plug-in access to the global 30m time series of impervious surface indices. It is important however understand that the dataset has its limitations, and user’s input and control is needed to assess changes in indicator SDG 11.3.1 accurately. To test the performance of the indicator, we run the analysis on 224 cities globally (200 national capitals + 24 large cities in the Unites States of America, Figure 7). Using the Urban Mapper and visually comparing the product to very high spatial resolution images, we were able to define the thresholds appropriate for each city (ISI, NTL, and WFI) and also assess the quality of the product in a scale from 0 to 5. The results show that for 83% of the cities assessed Trends.Earth data can be used for estimating indicator SDG 11.3.1. The biggest limitation remains in small island states (for which no training data was available), hyper arid areas, and areas with low image availability.

0. Нет данных: Города, для которых не было учебных данных для построения набора данных о противофильтрационной поверхности. Эти города составляют 6,2 % от оцениваемой выборки.

1. Непригодные: Города, для которых имеются результаты, но из-за низкой доступности снимков Landsat не удалось получить продукт хорошего качества. Эти результаты не должны использоваться для расчета индикатора SDG 11.3.1. Эти города составляют 0,9 % от оцениваемой выборки.

2. Проблематично: Города с результатами, потенциально пригодными для визуального понимания пространственных моделей расширения застроенных территорий, но со значительными ошибками. Эти результаты не следует использовать для расчета показателя ЦУР 11.3.1. Эти города составляют 4,0 % от оцениваемой выборки.

3. Некоторые проблемы: Города с результатами, показывающими некоторые проблемы, в которых голая поверхность почвы смешивается с застроенной территорией, могут быть использованы для расчета ЦУР 11.3.1 после детальной проверки данных. Эти города составляют 6,2 % от оцениваемой выборки.

4. Незначительные проблемы: Города с высоким качеством данных, но с наличием некоторых небольших областей путаницы. Эти данные могут быть использованы для расчета ЦУР 11.3.1. Эти города составляют 12,5 % от оцениваемой выборки.

5. Высокое качество: Города с высококачественными данными, демонстрирующими полное соответствие между площадью застройки по данным Trends.Earth и изображениями высокого разрешения, доступными в Google Earth, с высокой степенью достоверности для оценки ЦУР 11.3.1. Эти города составляют 70,1 % оцениваемой выборки.

«Рисунок 7: После тестирования в 224 крупных городах по всему миру результаты показывают, что для 83 % городов данные Trends.Earth могут быть использованы для оценки показателя SDG 11.3.1. Наибольшее ограничение сохраняется в малых островных государствах (для которых не было доступно никаких учебных данных), гиперзасушливых районах и районах с низкой доступностью изображений».

»Рисунок 8: Пространственное распределение пороговых параметров, выбранных для выборки из 224 протестированных городов. Вверху: индикатор площади непроходимой поверхности, посередине: Индикатор ночной освещенности, и Внизу: Индикатор частоты воды».

На основе анализа 224 городов по всему миру мы смогли оценить диапазон наиболее часто используемых параметров. Наиболее часто используемыми значениями были: ISI = 30, NTL = 10, WFR = 25. Это были параметры по умолчанию, определенные в программе Trends.Earth Urban Mapper и плагине QGIS, но важно помнить, что для каждого города необходимо провести тщательную проверку набора данных, чтобы найти набор параметров, которые лучше работают для каждого участка.

«Рисунок 9: Частотное распределение пороговых параметров, выбранных для выборки из 224 протестированных городов. Слева: индикатор площади непроходимой поверхности, посередине: Индикатор ночного освещения, и справа: Индикатор частоты воды».

Городские территории

Городская территория — это предполагаемая область исследования, которая включает в себя застроенную территорию и урбанизированное открытое пространство города, а также территории, добавленные в результате анализа близости (ООН-Хабитат, 2019). ООН-Хабитат предлагает классифицировать интересующую территорию на 6 следующих классов, чтобы определить площадь, которая будет использоваться при оценке годовой нормы потребления земли (рис. 1):

Застроенные территории будут классифицированы на основе плотности застройки в радиусе 500 м от каждого пикселя:

1. Город: > 50 % застройки в радиусе 500 м.

2. Пригород: 25-50 % застройки в радиусе 500 м.

3. Сельская местность: < 25 % застройки в радиусе 500 м.

Незастроенные территории будут считаться открытым пространством (ОС) и будут классифицироваться следующим образом:

4. Пограничные открытые пространства: открытые пространства < 100 м от города и пригорода.

5. Захваченное открытое пространство: открытое пространство, полностью окруженное пограничным открытым пространством.

6. Сельское открытое пространство: все другие открытые пространства.

В мы дополнили приведенную выше схему, разграничив сухопутные и водные открытые пространства, поскольку использование гражданами каждого из них может быть совершенно разным.

7. Пограничное открытое пространство — вода: пограничное открытое пространство, покрытое водой

8. Захваченное открытое пространство — вода: захваченное открытое пространство, покрытое водой

9. Сельское открытое пространство — вода: сельское открытое пространство, покрытое водой

Площадь города определяется совокупной площадью классов 1, 2, 4, 5, 7 и 8 (город, пригород, окраина и захваченные открытые пространства).

«Рисунок 10: Результат анализа ЦУР 11.3.1, показывающий различные элементы, составляющие городское пространство».

С этой информацией мы теперь можем оценить темпы расширения городов во времени для периодов 2000-2005, 2010 и 2010-2015 годов, необходимые для оценки годового уровня потребления земли.

Рост численности населения

Примечание

Источник: ООН-Хабитат (2019) Показатель ЦУР 11.3.1 Учебный модуль: Эффективность землепользования. Программа ООН по населенным пунктам (ООН-Хабитат), Найроби.

После определения урбанизированных территорий следующим шагом является установление количества людей, проживающих на этих территориях за каждый анализируемый год. Эта информация затем используется для расчета годового темпа роста населения. Оценка количества людей, проживающих в пределах каждой зоны обслуживания, может быть достигнута с помощью двух широких подходов:

1. Использование данных высокого разрешения из национальных статистических управлений (НСУ): В этом варианте данные переписи населения используются для агрегирования количества людей, проживающих во всех домохозяйствах в пределах городской черты. Прогнозы и экстраполяция также могут быть легко осуществлены на основе характеристик домохозяйств на конкретные отчетные годы. Этот процесс намного проще, если для определения урбанизированной территории используются динамические единицы переписи, особенно потому, что они хорошо согласуются с архитектурой официальных данных о населении. Этот вариант обеспечивает наиболее точные и авторитетные данные о населении для расчета показателей и настоятельно рекомендуется.

2. Использование сетки населения: В этом варианте сетка населения составляется путем распределения населения по всей административной единице или единице переписи населения. Для распределения населения можно использовать такие атрибуты, как наличие пригодных для проживания территорий (классы землепользования), например, ячейки сетки на путях неосвоенных земель или в промышленных зонах будут иметь меньше населения, чем жилые районы с высокой плотностью застройки. В полученной сетке каждая ячейка будет иметь уникальное значение, которое зависит от таких факторов, как общая численность населения в пределах охватывающей административной/переписной единицы, а также количество и/или число классов землепользования, пригодных для проживания. Рисунок 5 иллюстрирует общую логику построения сетки населения с использованием только одного класса землепользования - застроенных территорий. Сетка населения всегда должна охватывать территорию, превышающую установленные городские границы. После создания сетки населения оценка населения, проживающего в пределах городских границ, может быть получена путем агрегирования населения закрытых ячеек сетки. В отсутствие данных высокого разрешения от НСО этот вариант позволяет получить более точные оценки численности населения, хотя для повышения точности данных необходимо высокое качество исходных данных и многоуровневый анализ. Имеются глобальные базы данных, представляющие население на 1 км² и 250 м сетки (например, GPWv4, GHS-POP, WorldPop); большинство из них предполагают равное распределение населения по классам пригодности для проживания (например, застроенные районы). Этот подход предлагается для расчета показателей в тех случаях, когда данные высокого разрешения из национальных статистических управлений недоступны или легко доступны.

Население в Trends.Earth

В мы рекомендуем пользователям использовать вариант 1, поскольку в масштабах города точность данных высокого разрешения, предоставляемых национальными статистическими управлениями, всегда будет выше, чем точность данных, полученных с помощью глобальных растровых продуктов, которые в большинстве случаев были созданы для анализа на национальном уровне. Однако, признавая, что в некоторых областях данные о населении не будут легко доступны большинству пользователей, мы предоставляем данные из Gridded Population of the World V4 (GPWv4, CIESIN, 2016) в качестве справочной информации. Даже если в не предусмотрена возможность использования GPWv4, данные о населении можно легко заменить на соответствующие местным условиям высококачественные данные, просто заменив соответствующие ячейки в итоговом табличном выводе.

Тенденции ЦУР 11.3.1

Итоговыми результатами вычислений SDG 11.3.1 в будут:

1. В качестве карт представлены рисунки 10 и 11, которые позволят визуально интерпретировать изменения, произошедшие в городском пространстве между 2000 и 2015 годами с интервалом в 5 лет.

2. Таблица, в которой приведены расчеты площади для различных пространств внутри городского пространства (городских, пригородных и различных классов открытых пространств), а также соответствующая численность населения. В этой таблице также будет автоматически рассчитана ЦУР 11.3.1, и будет представлена тенденция изменения показателя во времени.

«Рисунок 11: Одним из конечных результатов анализа SDG 11.3.1 в является табличный результат, отображающий площадь, население и показатель SDG 11.3.1 для анализируемого города».

Примечание

Пошаговое руководство по проведению анализа в можно найти в следующем руководстве: Землепользование (ЦУР 11.3.1).

Цитирование:

Брейман, Л., 2001. Случайные леса. Mach. Learn. 45, 5-32. https://doi.org/10.1023/a:1010933404324

Браун де Кольстун, Э. К., К. Хуанг, П. Ванг, Дж. К. Тилтон, Б. Тан, Дж. Филлипс, С. Ниемчура, П.-Ю. Линг, и Р. Э. Вулф. 2017. Глобальный набор данных по искусственным противодействующим поверхностям (GMIS) с Landsat. Палисейдс, штат Нью-Йорк: Центр социально-экономических данных и приложений НАСА (SEDAC). https://doi.org/10.7927/H4P55KKF.

CIESIN. 2016. Сетчатое население мира, версия 4 (GPWv4): Плотность населения, скорректированная в соответствии с пересмотренными в 2015 году итоговыми данными по странам в рамках ПРБ ООН. Палисейдс, штат Нью-Йорк: Центр социально-экономических данных и приложений НАСА (SEDAC). Центр международной информационной сети по наукам о Земле - Колумбийский университет. https://doi.org/10.7927/H4HX19NJ.

Динерштейн, Э., Олсон и другие, 2017. Экорегиональный подход к защите половины земной поверхности. BioScience 67, 534-545. https://doi.org/10.1093/biosci/bix014

Горелик, Н., Ханчер, М., Диксон, М., Илющенко, С., Тау, Д., Мур, Р., 2017. Google Earth Engine: Геопространственный анализ планетарного масштаба для всех. Remote Sens. Environ., Большие данные дистанционного зондирования: инструменты, приложения и опыт 202, 18-27. https://doi.org/10.1016/j.rse.2017.06.031.

Жан-Франсуа Пекель, Эндрю Коттам, Ноэль Горелик, Алан С. Белвард, Картирование глобальных поверхностных вод с высоким разрешением и их долгосрочные изменения. Nature 540, 418-422 (2016). https://doi.org/10.1038/nature20584.

НОА. 2019. Составы ночного дневного/ночного диапазона VIIRS Версия 1. Доступно через: https://developers.google.com/earth-engine/datasets/catalog/NOAA_VIIRS_DNB_MONTHLY_V1_VCMCFG

ООН-Хабитат (2019) Модуль 3: Потребление земли. Получено 05.10.2019 от: https://unhabitat.org/wp-content/uploads/2019/02/Indicator-11.3.1-Training-Module_Land-Consumption_Jan-2019.pdf.