Multitemporale Modellierung und Simulation der komplexen Dynamik in städtischen Feuchtgebieten: der Fall von Bogota, Kolumbien

Wissenschaftliche Berichte Band 13, Artikelnummer: 9374 (2023) Diesen Artikel zitieren

Details zu den Metriken

Städtische Feuchtgebiete sind für die langfristige Gesundheit und das Wohlergehen von Städten von entscheidender Bedeutung. Sie gelten als reich an Artenvielfalt und hochproduktiven Ökosystemen und bieten Ökosystemdienstleistungen, die sich in Aspekten wie Luftreinigung, Regulierung des Stadtklimas, körperlicher und geistiger Gesundheit, Erholung und Kontemplation widerspiegeln, neben einer Vielzahl anderer Güter und Dienstleistungen, von denen die Qualität abhängt Das Leben der Bewohner von Großstädten wie Bogota hängt weitgehend davon ab. Wir verwendeten zellulare Automaten, um städtische Feuchtgebietsveränderungen in Bogota, Kolumbien, zu modellieren und zu simulieren. Die Studie verwendete das gekoppelte Markov-Future Land Use Simulation (FLUS)-Modell, um Landnutzungs-/Landbedeckungsänderungen (LULC) über 20 Jahre zu simulieren und zu analysieren. Zunächst verwendeten wir ein Orthomosaik (1998) und zwei WorldView-2-Satellitenbilder (2004 und 2010), um Landbedeckungsänderungen zu erkennen. Anschließend berechneten wir mithilfe des FLUS-Moduls des künstlichen neuronalen Netzwerks die Beziehungen zwischen Landklassen und zugehörigen Treibern und schätzten die Eintrittswahrscheinlichkeit jeder Landklasse. Schließlich haben wir die Intensitätsanalyse angewendet, um die beobachtete und prognostizierte LULC-Änderung (1998–2034) zu untersuchen. Die Ergebnisse deuten darauf hin, dass Zuwächse bei Ackerbau- und Weideflächen zu Lasten der Feuchtgebiete gehen. Darüber hinaus zeigen Simulationsergebnisse, dass Feuchtgebiete im Jahr 2034 wahrscheinlich weniger als 2 % der gesamten Untersuchungsfläche ausmachen werden, was einem Rückgang von 14 % in 24 Jahren entspricht. Die Bedeutung dieses Projekts liegt in seinem potenziellen Beitrag zum Entscheidungsprozess innerhalb der Stadt und als Instrument des Managements natürlicher Ressourcen. Darüber hinaus könnten die Ergebnisse dieser Studie zum Ziel 6 der Vereinten Nationen für nachhaltige Entwicklung „Sauberes Wasser und sanitäre Einrichtungen“ und zur Eindämmung des Klimawandels beitragen.

Urbane Feuchtgebiete entstehen in und um Städte oder deren Vororte1 und sind einzigartig und spielen eine unverzichtbare Rolle für das Wohlergehen des Stadtgebiets. Sie bieten vielfältige Ökosystemdienstleistungen wie Wasserversorgung, Wasserreinigung, Verringerung des städtischen Wärmeinseleffekts, Bereitstellung von Lebensraum für wichtige Pflanzen- und Tierarten, Hochwasserregulierung und Erholungsmöglichkeiten2,3. Diese Ökosysteme sind jedoch Bedrohungen ausgesetzt, wie z. B. Abwasserverschmutzung, veränderte Wasserregime, eingeschränkte hydrologische Funktionen, Verlust von Lebensräumen und Artenvielfalt oder Klimawandel sowie Verluste aufgrund von Landnutzungsänderungen4. Darüber hinaus haben Einzelpersonen und Gesellschaften in den vergangenen Jahrzehnten den Wert von Feuchtgebieten5 missachtet, sie mit Siedlungs- und Bauabfällen gefüllt und sie als Quelle der Unsicherheit betrachtet. In Bogota beispielsweise betrug die Feuchtgebietsfläche in den 1940er Jahren 50.000 Hektar, heute sind es jedoch nur noch 901 Hektar6,7,8.

Im Jahr 1950 lebten 70 % der Weltbevölkerung in ländlichen Gebieten, doch erst 2007 überstieg die städtische Bevölkerung diese Zahl9. Seitdem ist die Stadtbevölkerung weiter gewachsen und Schätzungen der Vereinten Nationen zufolge wird sie bis 2050 auf 68 % ansteigen9. Das städtische Wachstum erhöht die Umweltbelastung, insbesondere in und um städtische Zentren10. Lateinamerika und die Karibik gehören zu den am stärksten urbanisierten Regionen der Welt, wo fast 81 % der Einwohner in Städten leben11. In Kolumbien wurde das städtische Wachstum in den 60er und 70er Jahren des 20. Jahrhunderts hauptsächlich durch die Migration vom Land in die Stadt aufgrund von Gewalt vorangetrieben12. Seit den späten 1950er Jahren verzeichnete die Stadt Bogota ein erhebliches Wachstum und breitete sich nach Westen aus, bis sie heute den Fluss Bogota erreicht. Mit zunehmender Entwicklung und städtischem Wachstum werden geschützte Feuchtgebiete – die einst in Randgebieten oder ländlichen Gebieten lagen – von der Stadt absorbiert und verlieren ihre ökologischen und ökologischen Qualitäten10. Daher ist die Erhaltung und der Schutz dieser Ökosysteme von entscheidender Bedeutung, da sie eine inhärente Rolle bei der Überwachung globaler Veränderungen und der Steuerung der menschlichen Anpassung an eine sich verändernde Welt spielen9.

Um städtische Feuchtgebiete zu erhalten und wiederherzustellen, haben Studien zu Veränderungen in städtischen Feuchtgebieten seit den 2000er Jahren an Dynamik gewonnen, und Forscher haben hauptsächlich historische Veränderungen in ihren Landschaftsmustern und ökologischen Funktionen analysiert. Feldforschung, Fernerkundungsdaten, geografische Informationssysteme (GIS) und komplexitätswissenschaftliche Modellierungsansätze wurden angewendet, um Veränderungen in diesen Ökosystemen zu bewerten5,7,13,14,15,16,17,18,19. Die komplexen Wechselwirkungen und Beziehungen zwischen den Umweltkomponenten, die die Bildung und Regulierung von Feuchtgebieten vorantreiben, erfordern methodische Ansätze zur Erkennung und Analyse von Feuchtgebietsveränderungen auf räumlicher und zeitlicher Ebene in komplexen Stadtlandschaften. Land Use Land Cover (LULC)-Änderungsmodelle unter Verwendung von Cellular Automata (CA) werden zunehmend zur Untersuchung der Landveränderungsdynamik eingesetzt. Sie gelten als Grundlage für politische Entscheidungen zur Förderung des Schutzes und der Bewirtschaftung von Ökosystemen20.

Forscher haben Computermodelle verwendet, um die in städtischen Feuchtgebieten beobachtete räumliche und zeitliche Dynamik besser zu verstehen. X. Wang et al.21 verwendeten Landschaftsindizes und das Markov-Modell, um den Zusammenhang zwischen Veränderungen in Feuchtgebietslandschaften und dem Städtebau in Wuhan, China, zu bewerten. Peng et al.20 entwickelten ein Modell der räumlichen Zuordnung, indem sie die Random Forest (RF)-Regression und das Conversion of Land Use and its Effects (CLUE-s)-Modell kombinierten, um die räumliche Dynamik der städtischen Feuchtgebiete in der Wuhan-Agglomeration zu simulieren. Ghosh & Das22 bewerteten die Verlagerungsgefahr im Feuchtgebiet East Kolkata mithilfe von RF und Support Vector Machine (SVM). Saha et al.23 kartierten die Auen-Feuchtgebiete des Atreyee-Flussbeckens in Indien und Bangladesch. Sie schätzten ihre Fläche bis 2039 mithilfe von Techniken künstlicher neuronaler Netze und zellulärer Automaten (ANN-CA). Zusammenfassend lässt sich sagen, dass Forscher raumzeitliche Modelle implementiert haben, um Entscheidungsträgern beim Schutz der Feuchtgebietslandschaft zu helfen.

Es gibt ein breites Spektrum an Studien zu LULC-Veränderungen in Bogota City. Cabrera-Amaya et al.24 führten eine floristische Charakterisierung der Vegetation im Feuchtgebiet Jaboque durch und ermittelten die Veränderungen in der Vegetationsbedeckung zwischen 2004 und 2016. Morales23 führte 1952 und 1990 eine multitemporale Analyse im Feuchtgebiet Santa Maria del Lago durch. und 2014. Garzón Gutiérrez24 bewertete die Umweltbedingungen des Juan Amarillo-Feuchtgebiets anhand und Vergleich multitemporaler Fernerkundungsdaten. Bernal Jaramillo25 untersuchte die physische Verschlechterung der Feuchtgebiete La Vaca, Techo und El Burro, um Landschaftsrichtlinien für deren Bewirtschaftung festzulegen. Zusammenfassend lässt sich sagen, dass frühere Studien darauf abzielten, die physischen, historischen und kompositorischen Veränderungen der Feuchtgebiete von Bogota zu untersuchen, um die Aufmerksamkeit der Bürger und zuständigen Stellen auf ihre Wiederherstellung, Erhaltung und ihren Schutz zu lenken. Allerdings gibt es unseres Wissens keine Studien, die zukünftige Trends der Feuchtgebietsveränderungen in Bogota untersucht haben.

Das Hauptziel dieser Forschung ist die Implementierung eines Computermodells zur Simulation und Untersuchung der Veränderungen in den städtischen Feuchtgebieten von Bogota, Kolumbien. Um unser Hauptziel zu erreichen, haben wir: 1) ein analoges (1998) und zwei digitalisierte numerische Bilder (2004 und 2010) interpretiert, um LULC zu extrahieren und die Veränderungen und Tendenzen in den Feuchtgebieten während der Rahmenzeit abzuschätzen; 2) die Wahrscheinlichkeitskarten für jede Landklasse aus der Anwendung von ANN zur Simulation von Feuchtgebietsveränderungen erhalten; 3) wendete ein hybrides Landbedeckungsmodell unter Verwendung der LULC-Wahrscheinlichkeitskarten, der Markov-Kette und des FLUS-CA-Modells26 an; und 4) verwendeten das Intensitätsanalyse-Framework27,28, um das Modell zu validieren und die Ergebnisse zu analysieren.

Im folgenden Abschnitt werden das Untersuchungsgebiet und die Daten zur Umsetzung des CA-FLUS-Modells vorgestellt. Als nächstes beschreiben wir die Methodik, beginnend mit den Besonderheiten des Modellierungsansatzes und weiter mit den Techniken, die zur Bewertung der beobachteten und prognostizierten LULC-Änderungen verwendet werden. Anschließend präsentieren wir die Ergebnisse und besprechen die Analyse. Abschließend haben wir die Schlussfolgerungen und Implikationen dargestellt.

Die Hauptstadt Kolumbiens liegt in der östlichen Kordillere, im nördlichen Teil der Anden, auf einer Höhe zwischen 2650 und 3750 m.ü.M. (Meter über dem Meeresspiegel). Die Temperatur in der Stadt schwankt zwischen 7 °C und 14,5 °C. Der Niederschlag ist bimodal, mit abwechselnden Regenperioden von 2 bis 3 Monaten mit einer Niederschlagsmenge von 163 mm (April–Juni und September–November) und zwei Trockenperioden mit 20 mm (Januar–Februar und Juli–August)29. Das Stadtgebiet umfasst etwa 379 km2 und verfügt über ein besonderes Flussnetz. Es liegt neben den Eastern Hills, in der Nähe der Paramos Chingaza und Sumapaz. Die Bevölkerung erreicht 7.181.46930. Die Feuchtgebiete von Bogota, westlich der Stadt gelegen, sind Teil des historischen sumpfigen Übergangsgebiets zum Stadtzentrum. Bogotas städtischer Feuchtgebietskomplex verfügt über 15 Ökosysteme, die vom Umweltsekretariat der Stadt anerkannt sind, aber die Ramsar-Konvention erkennt nur 11 mit einer Fläche von 6,67 km231 an. Abbildung 1 zeigt die Lage von vierzehn Feuchtgebieten. Wir haben nur die Verwaltungsorte berücksichtigt, die einen direkten Einfluss haben und sich im Einflussbereich der Ökosysteme befinden.

Das Untersuchungsgebiet von Bogota, Kolumbien.

Drei Bilder wurden aufgrund ihrer Zeitlichkeit und Auflösung aus der Geodateninfrastruktur von Bogota (IDECA) ausgewählt. Die ausgewählten Fernerkundungsprodukte waren: (a) für das Jahr 1998 ein Orthomosaik, erstellt aus orthorektifizierten Luftbildern, und (b) für die Jahre 2004 und 2010 WorldView-2-Satellitenbilder. Anschließend führten wir eine Bildschirmdigitalisierung der Bilder mithilfe visueller Bildinterpretationselemente durch und erhielten die LULC-Karten. Abgesehen von der Definition von Feuchtgebieten handelt es sich dann um „Sumpf-, Moor-, Torf- oder Wassergebiete, ob natürlich oder künstlich, dauerhaft oder vorübergehend, mit stehendem oder fließendem Wasser, Süß-, Brack- oder Salzwasser, einschließlich Meereswassergebieten in der Tiefe.“ Da das Wasser bei Ebbe sechs Meter (32 Zoll) nicht überschreitet, haben wir sechs Landklassen ausgewählt: Bebauung, städtische Grünflächen, Kulturpflanzen und Weiden, Steinbrüche, Wasser und Feuchtgebiete.

Viele Variablen wirken sich auf städtische Feuchtgebiete aus33. Daher haben wir die treibenden Faktoren und das lokale Wissen auf der Grundlage einer Literaturrecherche ausgewählt33,34,35,36. Als treibende Faktoren wurden die Entfernung zu Straßen, das digitale Höhenmodell (DEM), die Bevölkerungsdichte, die Haushaltsdichte, Katasterinformationen und klimatische Variablen wie Niederschlag und Temperatur identifiziert. Tabelle 1 listet die räumlichen Datensätze auf, die zur Simulation von LULC in Bogota verwendet werden. Die Entfernung zum Ausfallstraßennetz haben wir mit dem Euklidischen Distanzwerkzeug von ArcGIS Pro Version 2.6.037 berechnet. Die Sperrgebietsdaten stellen das im Flächennutzungsplan der Stadt festgelegte Schutzgebietssystem dar38. Alle räumlichen Datensätze wurden gerastert und auf eine Pixelgröße von fünf Metern neu abgetastet. Die treibenden Faktoren wurden normalisiert, um die Modellgenauigkeit zu verbessern und dimensionale und quantitative Unterschiede zu beseitigen (Abb. 2).

Antriebsfaktoren zur Simulation von Landnutzungsänderungen (a) digitales Höhenmodell, (b) Jahresniederschlag, (c) mittlere Jahrestemperatur, (d) städtische Geomorphologie, (e) Entfernung zu Straßen, (f) Bevölkerungsdichte für das Jahr 2004 , (g) Bevölkerungsdichte für das Jahr 2010, (h) Haushaltsdichte für das Jahr 2004, (i) Haushaltsdichte für das Jahr 2010, (j) Katasterinformationen. Eine detaillierte Karte der städtischen Geomorphologie und die Legende sind als ergänzende Abbildung S1 beigefügt.

Wir haben drei methodische Ansätze zur Simulation von LULC-Änderungen angewendet: Markov Chain (MC), Artificial Neural Networks (ANN) und das Future Land Use Simulation (FLUS)-Modell, das in früheren Forschungen erfolgreich bei der Simulation komplexer LULC eingesetzt wurde26,39,40,41 .

Wir verwenden das MC-Modell als „Top-Down“-Modul zur Prognose der Landnutzungsnachfrage des FLUS-Modells39. Das MC-Modell ist eine Methode zur Prognose künftiger Landnutzungsanforderungen durch Bestimmung der Übergangswahrscheinlichkeit des Wechsels von einer Kategorie zur anderen in einem Zeitintervall und wird in anderen Simulationsstudien eingesetzt17,42,43. In dieser Untersuchung haben wir MC in drei Zeiträumen implementiert, nämlich 2010–2016, 2016–2022 und 2022–2028.

Das FLUS-Modell simuliert Landnutzungsänderungen unter dem Einfluss menschlicher Existenz und Natur durch die Anwendung eines räumlichen Simulationsverfahrens auf Basis eines CA-Modells. Um Beziehungen zwischen historischen Landnutzungsdaten und den treibenden Faktoren der Veränderung herzustellen, wird ein ANN implementiert. Der Wert der Eintrittswahrscheinlichkeiten auf jedem Pixel bestimmt die Zuordnung von Änderungen in der Landnutzungsverteilung. Dank seiner selbstadaptiven Trägheit und seines Wettbewerbsmechanismus kann das Modell dann komplexe lokale Landnutzungsinteraktionen und -konkurrenz entwickeln und so die Unsicherheit und Komplexität der Transformation verschiedener Landnutzungstypen unter unterschiedlichen Einflüssen wirksam bewältigen26. Darüber hinaus nutzt das FLUS-Modell die Moore-Nachbarschaft zur Darstellung des Nachbarschaftsraums. In dieser Studie wurde die Empfindlichkeit des Modells anhand der drei Nachbarschaftsdimensionen 3 × 3, 5 × 5 und 7 × 7 getestet. Eine detaillierte Modellbeschreibung finden Sie bei X. Liu et al.26.

Forscher verwenden Techniken des maschinellen Lernens wie ANN, um die nichtlinearen und komplexen Beziehungen zwischen LULC-Mustern und ihren treibenden Variablen zu approximieren42,44. Das ANN wird als Data-Mining-Werkzeug zum Extrahieren von Übergangsregeln für Landnutzungsklassen für CA45 verwendet und umfasst mehrere Neuronen, die parallel arbeiten, um die Eingabedaten in Ausgabekategorien umzuwandeln23 – bestehend aus dreischichtigen Typen: einer Eingabeschicht, einer verborgenen Schicht und eine Ausgabeschicht. Im KNN entspricht jedes Neuron in der Eingabeschicht den Landnutzungskarten und den treibenden Faktoren. Jedes Neuron in der Ausgabeschicht entspricht einem bestimmten Landtyp, der die Wahrscheinlichkeit des Auftretens jedes Landtyps in Bezug auf die Einflussfaktoren darstellt. Wir verwendeten die Zufallsstichprobentechnik, um 70 % der Daten als Stichproben zu extrahieren, um sicherzustellen, dass für alle Landarten die gleichen Stichprobenpunkte gelten. An den Datenproben wird eine normalisierte Verarbeitung durchgeführt und dann in das ANN-Modell importiert, um die Eignungswahrscheinlichkeit jeder Kategorie zu ermitteln.

Abbildung 3 zeigt die Schritte, die wir zur Simulation von Landbedeckungsänderungen befolgt haben. Zunächst führten wir eine Änderungsanalyse durch, um die wichtigsten Landbedeckungsklassenübergänge im ersten Zeitintervall zu identifizieren. Für die Durchführung der Veränderungsanalyse haben wir die LULC-Karten von 1998 und 2004 verwendet.

Schematische Darstellung der Methodik.

Zweitens haben wir den MC genutzt, um den unbekannten Landbedarf in simulierten Intervallen zu ermitteln. Zunächst wurde der Flächenbedarf auf Basis der Referenzkarte für das Jahr 2010 berechnet. Anschließend wurden nachfolgende Zeitintervalle auf Basis des vorherigen Zeitintervalls berechnet. Um beispielsweise den Flächenbedarf für das Jahr 2016 zu ermitteln, wurde die Übergangsmatrix für die Jahre 2004–2010 berechnet.

Drittens wurde das KNN aus 10 Neuronen (Tabelle 1) in der Eingabeschicht (den treibenden Faktoren) und sechs Neuronen in der Ausgabeschicht (entsprechend den Landtypen) aufgebaut. 70 % der gesamten Pixel im Untersuchungsgebiet wurden zufällig als Trainingsdatensatz ausgewählt26. Vor dem Training des Netzwerks werden die Abtastdaten auf [0 1] normalisiert; Dazu verwendet das FLUS-Modell die Sigmoidfunktion als Modellübertragungsfunktion, um sicherzustellen, dass der Bereich der geschätzten Wahrscheinlichkeitswerte [0 1]26 beträgt.

Das FLUS-Modell wurde ausgeführt, um 30-jährige Landbedeckungsänderungen im Rahmen der 2004 begonnenen Studie zu städtischen Feuchtgebietsänderungen in Bogotá zu simulieren. Der Simulationszeitrahmen wurde ausgewählt, um die Ergebnisse anhand der verfügbaren LULC-Karte aus dem Jahr 2010 zu validieren. Insgesamt Es wurden fünf simulierte Karten berechnet, und ein Schwerpunkt unserer Analysebewertung lag auf der Kategorie städtischer Feuchtgebiete.

In der folgenden Phase wurde das CA-Modul zur Durchführung von LULC-Kartenprojektionen verwendet. Für die Simulation wurden 3 × 3, 5 × 5 und 7 × 7 Moore-Nachbarschaften verwendet. Das CA-Modul wurde in zwei Phasen implementiert: Kalibrierung/Validierung und Simulation. Wir haben das Modell von 1998 bis 2010 kalibriert und validiert und die Simulation von 2016 bis 2034 durchgeführt. Zuerst haben wir das Modell anhand der beobachteten Karten von 1998 und 2004 kalibriert. Um dann die Prognose für das Jahr 2010 zu erhalten, haben wir das beobachtete Jahr 2004 verwendet LULC-Karte. Als nächstes validierten wir das Modell, indem wir die Referenzlandbedeckungskarte von 2010 mit der projizierten Karte von 2010 verglichen (siehe Abschnitt „Modellvalidierung“). Anschließend simulierten wir LULC-Karten für 2016, 2022, 2028 und 2034, ausgehend von der beobachteten LULC-Karte von 2010. Abschließend haben wir die Validierungs- und Analyseergebnisse mithilfe der Intensitätsanalyse durchgeführt.

In dieser Forschung verwendeten wir die Intensitätsanalysetechnik, um die Simulationsleistung des FLUS-Modells auf den Intervall-, Kategorie- und Übergangsebenen quantitativ zu untersuchen. Aldwaik & Pontius28 haben das Verfahren und die Gleichungen der Intensitätsanalyse ausführlich beschrieben. Auf Intervallebene wird die Gesamtgröße der Änderung und die jährliche Änderungsrate für jedes Zeitintervall berechnet (dh für das Kartenpaar, das jedes Zeitintervall definiert). Diese Analyseebene ermöglicht es uns, Intervalle mit langsamen und schnellen jährlichen Änderungsraten zu identifizieren. Auf Kategorieebene werden für jede Landklasse die Größe der Bruttogewinne und -verluste sowie die Intensität der Bruttogewinne und -verluste berechnet. Diese Analyseebene identifiziert ruhende und aktive Landtypen in einem bestimmten Zeitintervall. Abschließend werden Größe und Intensität der Landtypübergänge auf der Übergangsebene berechnet. Für jeden Landtyp mit Gewinnen oder Verlusten identifiziert diese Analyseebene andere Landtypen, die besondere Ziele des Übergangs sind und bei Übergängen insbesondere vermieden werden.

Wir haben zunächst die Ergebnisse des ANN-Modells validiert. Anschließend validierten wir das Modell, indem wir die Referenz-LULC-Änderung von 2004–2010 mit der prognostizierten Karte von 2004–2010 verglichen. Schließlich verglichen wir die beobachtete LULC-Änderung von 1998 bis 2010 mit der prognostizierten LULC-Änderung von 2016 bis 2034 hinsichtlich Intervall, Kategorie und Übergangsintensitäten.

Wir haben die Fläche unter der Kurve (AUC) des Total Operating Characteristic (TOC)-Index verwendet, um die Leistung des ANN-Modells zu quantifizieren. Das TOC berechnet, wie sich die Ränge einer Indexvariablen (Auftrittswahrscheinlichkeitskarten) zwischen der Anwesenheit und Abwesenheit in einer binären Referenzvariablen (beobachtete Werte von LULC) klassifizieren46. Das Inhaltsverzeichnis zeigt Fehlschüsse, Treffer, Fehlalarme und korrekte Zurückweisungen an. Wie bei der Receiving Operating Curve (ROC) bietet die AUC des TOC eine Metrik zur Zusammenfassung der Leistung. Die AUC wird als Indikator für die allgemeine Vorhersagegenauigkeit verwendet. Im Allgemeinen reichen die AUC-Werte von 0 bis 1, wobei Werte zwischen 0,60 und 0,70 ein schlechtes Genauigkeitsniveau bedeuten, 0,70–0,80 mittelmäßig bedeutet, 0,80–0,90 gut bedeutet und 0,90–1 ausgezeichnet bedeutet47.

Da der Nachbarschaftseffektparameter im Cellular Automata (CA)-Modell bei der Modellkalibrierung von wesentlicher Bedeutung ist, haben wir einen Sensitivitätsanalyseprozess (SA) angewendet, indem wir die Nachbarschaft mit den Größen 3 × 3, 5 × 5 und 7 × 7 variierten. Zur Beurteilung der SA haben wir den Figure of Merit (FoM) berechnet. FoM ist eine Rate, bei der der Schnittpunkt der simulierten und der Referenzänderung im Zähler dargestellt wird, während die Vereinigung der simulierten und der Referenzänderung im Nenner steht27. Dann folgten wir dem von Aldwaik & Pontius28 vorgeschlagenen Intensitätsanalyse-Framework. Wir haben die Leistung der modellierten LULC-Karte bewertet, indem wir die Referenzänderung mit der vorhergesagten Änderung im Untersuchungsgebiet verglichen haben. Um das Modell zu testen, wurde eine Simulation der LULC-Änderungen von 2004 bis 2010 durchgeführt. Wir vergleichen das Ergebnis mit der beobachteten Änderung von den LULC-Karten von 2004 bis 2010. Abschließend haben wir die Referenz-LULC28-Änderung von 1998–2010 mit der simulierten Landnutzungsänderung von 2016–2034 hinsichtlich Intervall, Kategorie und Übergangsniveau verglichen.

Wir haben das FLUS-Modell von https://www.geosimulation.cn/FLUS.html heruntergeladen. Anschließend führten wir die Analyse mit verschiedenen Softwarepaketen durch. Zuerst haben wir die Kreuztabellenmatrizen mit TerrSet48 berechnet. Zweitens verwenden wir die Statistiksoftware RStudio 2022.07.051, um die AUC für die TOC-Kurve zu erhalten, indem wir die Pakete „raster 49“ und „TOC“ sowie das Paket „lulcc“ verwenden, um den FoM52 zu berechnen. Drittens haben wir die Intensitätsanalyse mit der kostenlosen Software von http://www.clarku.edu/~rpontius/ und dem Paket „intensity Analysis50“ für RStudio 2022.07.051 angewendet. Schließlich haben wir die Karten mit ArcGIS Pro 2.637 erstellt.

Der bisherige LULC wurde in drei Karten berechnet, die sechs Klassen wie folgt umfassten: Bauwerke, Kulturpflanzen und Weiden, Steinbrüche, städtische Grünflächen, Wasser und Feuchtgebiete (Abb. 4). Tabelle 2 zeigt die Ergebnisse aus dem Vergleich der drei Karten. Unter den sechs Landklassen verzeichneten die Klassen städtische Grünflächen, Bauwerke und Wasser einen Flächenzuwachs. Im Gegensatz dazu gingen die Klassen der Kulturpflanzen und Weiden, Feuchtgebiete und Steinbrüche zurück, wobei die Kulturpflanzen und Weiden mit 1211 ha weniger den deutlichsten Rückgang verzeichneten.

Karten von sechs Landkategorien in den Jahren 1998, 2004 und 2010.

Feuchtgebiete machten 1998 2,58 % des gesamten Untersuchungsgebiets, 2,46 % im Jahr 2004 und 2,29 % im Jahr 2010 aus und gingen innerhalb von 12 Jahren um 0,3 % des Untersuchungsgebiets zurück. Der Rückgang der Feuchtgebiete zwischen 1998 und 2004 bedeutete also einen Rückgang der Feuchtgebietsklassefläche um 4,87 % und um 1,51 % im Jahr 2010. Diese Ergebnisse zeigen den kontinuierlichen Rückgang der Feuchtgebietsbedeckung im Laufe der Jahre. Im Gegenteil, die von Bauwerken abgedeckte Fläche, die die größte Klasse im Untersuchungsgebiet darstellt, stieg von 1998 bis 2010 um 3,65 %, von 69,7 % im Jahr 1998 auf 72 % im Jahr 2004 und 73,3 % im Jahr 2010.

Wir haben das FLUS-Modell mithilfe von LULC-Karten und Antriebsfaktoren kalibriert und das Modell verwendet, um die projizierten Karten für 2016, 2022, 2028 und 2034 zu erhalten. Mithilfe des ANN-Moduls haben wir die Landübergangswahrscheinlichkeitskarte für jeden Landtyp erstellt (siehe ergänzende Abbildung). . S2). Diese Karten veranschaulichen die Wahrscheinlichkeit, dass jede Zelle in jeden der sechs Landtypen dieser Studie übergeht.

Abbildung 5 zeigt die TOC-Kurven der sechs Landtypen. Die AUC-Werte jeder Landklasse wurden anhand der TOC-Kurven berechnet. Die Validierung des ANN-Modells ergab, dass die AUC in allen Landklassen über 0,7 lag, mit Werten zwischen 0,72 und 0,98 und einem Mittelwert von 0,85.

TOC-Kurven und AUC-Werte zur Validierung des ANN.

Auf Intervallebene zeigen die Ergebnisse, dass die Landveränderung im ersten Referenzintervall (1998–2004) recht schnell erfolgt, während die Landveränderung im zweiten Referenzintervall (2004–2010) relativ langsam erfolgt. Tabelle 3 zeigt LULC-Übergänge in Prozent während der Kalibrierungs- und Validierungszeitintervalle. Im Referenzzeitraum 1998–2004 betrug die Gesamtreferenzänderung 1617 ha. Die gesamte Referenzveränderung im Zeitraum 2004–2010 betrug 1480 ha, während die Gesamtveränderung während der Simulation 2004–2010 716 ha betrug.

Wir haben die SA angewendet, um zu sehen, wie die Größe der Nachbarschaft die Ergebnisse beeinflusst. Erstens zeigte die Simulationskarte, dass die Änderung an den Rändern von Zonen bestimmter Landtypen verteilt war, wie in der ergänzenden Abbildung S3 zu sehen ist. Im Gegensatz dazu wird die Änderung in den Referenzkarten selten auf diese Kanten verteilt. Als nächstes berechneten wir den FoM, um die SA-Ergebnisse auszuwerten. Die FoM-Werte betrugen 7,08 % für die Nachbarschaftsgröße 3 × 3, 7,14 % für 5 × 5 und 7,09 % für 7 × 7. Eine Vielzahl von Metriken wurde implementiert, um die SA des Modells zu bewerten, und wir stellten fest, dass die Genauigkeit des Das Ausgabemodell verbessert sich mit einer Nachbarschaftsgröße von 3 × 3 und einer räumlichen Auflösung von 5 m. Eine ausführliche Erläuterung der SA-Ergebnisse finden Sie bei Cuellar & Perez51.

In der ergänzenden Abbildung S4 haben wir die Ergebnisse der Intensitätsanalyse auf Kategorieebene für jedes Zeitintervall dargestellt. Die gestrichelte Linie in jedem Diagramm veranschaulicht die gleichmäßige Intensität der jährlichen Veränderung. Die Analyse zeigte eine Verlangsamung der Gesamtveränderung vom ersten Zeitintervall (1998–2004) zum zweiten Zeitintervall (2004–2010), wobei die Simulationsverlangsamung stärker ausfiel als der Referenzabwärtstrend. Die ergänzenden Abbildungen S4a und S4c zeigen, dass die Simulationsverlustintensitäten 2004–2010 geringer sind als die Referenzverlustintensitäten 1998–2004. Darüber hinaus zeigen die ergänzenden Abbildungen S4a und S4b, dass die Referenzmuster vom Kalibrierungsintervall (1998–2004) bis zum Validierungsintervall (2004–2010) nicht stationär sind. Bemerkenswert ist, dass die Referenz-Feuchtgebietskategorie während des Kalibrierungsintervalls stärker zunimmt als während des Validierungsintervalls.

Folglich entspricht die Intensität dieser Kategorie in der Simulation nicht der Referenz von 2004–2010. Der Vergleich der ergänzenden Abbildungen S4b und S4c zeigt weitere Informationen zur Modellleistung im Validierungszeitintervall (2004–2010). Während die Referenzänderung Gewinne und Verluste in den Kategorien anzeigt, gewinnen oder verlieren die Kategorien in der Simulation entweder. Mit anderen Worten: In der Simulation ist der relative Unterschied zwischen Gewinn und Verlust jeder Kategorie signifikant, mit Ausnahme der Wasserkategorie, die nur sehr geringe Veränderungen aufweist. Bemerkenswert ist auch, dass in den Referenzdaten der Kalibrierungs- und Validierungszeitintervalle der größte Verlust in Feuchtgebieten und der zweitgrößte in Feldfrüchten und Weiden zu verzeichnen ist. Im Gegensatz dazu ist der größte Verlust in der Simulation bei Kulturpflanzen und Weiden zu verzeichnen, der zweitgrößte in Feuchtgebieten.

Die ergänzende Abbildung S5 zeigt die Ergebnisse auf Übergangsebene für Feuchtgebiete, Feldfrüchte und Weiden, städtische Grünflächen und Bauwerke. Der Vergleich der Kalibrierungs- und Validierungszeitintervalle zeigt, wie das Modell die Änderungsintensitäten vom Referenzkalibrierungsintervall 1998–2004 nahezu auf das Simulationsvalidierungsintervall 2004–2010 extrapoliert hat. Die Gewinnung von Feuchtgebieten zielte in allen Zeiträumen auf den Verlust von Nutzpflanzen und Weiden ab. Im Gegensatz zur Referenzänderung im Validierungsintervall zielte sie in der Simulation jedoch nicht auf den Verlust städtischer Grünflächen ab. Durch die Konstruktion werden in allen Intervallen gezielt Nutzpflanzen und Weiden gewonnen und während des Kalibrierungsintervalls gezielt Feuchtgebietsverluste erzielt. Im Gegensatz dazu sind die Zuwächse bei städtischen Grünflächen, Feldfrüchten und Weiden aus allen anderen Kategorien in allen drei Intervallen konstant.

Die jährliche Änderungsintensität für alle Landklassen beträgt zwischen 1998 und 2034 0,16 %; Dies nimmt von der Vergangenheit (1998–2010) zur Zukunft (2010–2034) um 0,63 % bzw. 0,25 % ab. Allerdings war die Änderungsrate im Untersuchungsgebiet nicht einheitlich. Beispielsweise war die jährliche Änderungsintensität im Zeitraum 1998–2010 schnell, während die prognostizierte Intensität im Zeitraum 2010–2034 langsam war.

Die Kategorien Feuchtgebiete, Bauwerke, Kulturpflanzen und Weiden sowie städtische Grünflächen wiesen größere Veränderungen auf als andere Landkategorien (Abb. 6). In den Jahren 1998–2010 waren die Zuwächse in der Baulandklasse vor allem im Westen des Untersuchungsgebiets zu verzeichnen, während die Verluste hauptsächlich im Norden zu verzeichnen waren. Im Gegensatz dazu verteilen sich die Gewinne und Verluste in den Jahren 2010–2034 über die Untersuchungsregion. Historische (1998–2010) und prognostizierte (2010–2034) Zuwächse bei Nutzpflanzen und Weiden waren hauptsächlich im Norden zu verzeichnen, obwohl die prognostizierten Zuwächse viel geringer ausfallen als die historischen Zuwächse. Im Vergleich dazu verteilten sich die Verluste dieser Kategorie im Zeitraum 1998–2010 im Westen von Norden nach Süden. Die Verluste 2010–2034 konzentrieren sich auf den Norden, einige weitere Verluste liegen nahe der Westgrenze des Untersuchungsgebiets. Schließlich sind die Zuwächse für Feuchtgebiete im Zeitraum 1998–2010 hauptsächlich im Nordwesten zu verzeichnen, während die Verluste in der Mitte und im Süden zu verzeichnen sind. Die prognostizierten Gewinne dieser Kategorie sind vernachlässigbar und die prognostizierten Verluste verteilen sich auf die Mitte und den Norden des Untersuchungsgebiets.

Gewinne und Verluste jeder Landklasse in den Jahren 1998–2010 und 2010–2034.

Im Zeitraum 1998–2010 kam es bei den Gebäuden, Kulturpflanzen und Weiden im Vergleich zu den anderen Landkategorien zu den deutlichsten Veränderungen in der Abdeckung. Das gleiche Verhalten wurde für die Jahre 2010–2034 prognostiziert (Abb. 7). Darüber hinaus zeigten die Bauten in Abb. 7a in beiden Zeiträumen einen deutlichen Anstieg. Die Verluste machten sich dagegen vor allem bei Feldfrüchten und Weiden bemerkbar. Obwohl die Gewinne und Verluste von Feuchtgebieten in beiden Intervallen gering sind, ist ihre jährliche Verlustintensität viel höher als die von Bebauungen und höher als die von Ackerbau und Weiden im Zeitraum 1998–2010. Im prognostizierten Zeitraum (2010–2034) ist die Verlustintensität von Feuchtgebieten viel höher als die Baugewinne und Verlustintensitäten (Abb. 7b). Bei Kulturpflanzen und Weiden ruhte die jährliche Zuwachsintensität in beiden Zeiträumen (Abb. 7b), die Verlustintensität war jedoch höher als die der Feuchtgebiete im Zeitraum 2010–2034. Die Kategorie der städtischen Grünflächen war in beiden Zeiträumen hinsichtlich der jährlichen Zuwachsintensität am aktivsten. Die Gewinnintensität der Feuchtgebiete war im Zeitraum 1998–2010 aktiv und im Zeitraum 2010–2034 vernachlässigbar, die Verlustintensität war jedoch in beiden Zeiträumen aktiv.

Intensitätsanalyse auf Kategorieebene. Zeilen (a) Landveränderungsgrößengewinne und -verluste, (b) Landveränderungsintensität, (c, d) Änderungsgröße und -intensität nach Komponenten. Feuchtgebiete (Wet), städtische Grünflächen (UGS), Feldfrüchte und Weiden (CP), Steinbrüche (Q), Wasser (Wa) und Bauwerke (C).

Abbildung 7c zeigt Kulturpflanzen und Weiden sowie Bauten, die in beiden Zeitintervallen die größten Unterschiede aufwiesen. Ihr Mengenanteil ist größer als die beiden anderen Intensitätsanteile. Beide sind in den Jahren 1998–2010 intensiver als die Menge, aber Nutzpflanzen und Weiden sind in den Jahren 2010–2034 intensiver als die Menge. Städtische Grünflächen und Feuchtgebiete weisen zwar keine untergeordnete Mengenkomponente auf, sie waren jedoch die einzigen, deren Mengenkomponente weniger intensiv war als die Gesamtmenge im Zeitraum 1998–2010. Im Gegensatz dazu ist die Mengenkomponente im prognostizierten Zeitraum bei Feuchtgebieten von der Größe her gering, bei Feuchtgebieten jedoch intensiver als bei den anderen Kategorien. Städtische Grünflächen und Feuchtgebiete haben die bedeutendste Austauschkomponente, und beide sind im Zeitraum 1998–2010 intensiver als der Austausch insgesamt. Im Zeitraum 1998–2010 waren Feuchtgebiete, städtische Grünflächen und Wasser die einzigen Kategorien, die eine Verschiebung aufwiesen, und alle waren intensiver als die Verschiebung insgesamt. Während im Zeitraum 2010–2034 Bauwerke, Feldfrüchte und Weiden sowie Wasser die einzigen Kategorien sind, die eine Verschiebung erfahren, sind lediglich Bauwerke und Wasser intensiver als die Verschiebung insgesamt. Die Gesamtmengenlinie in Abb. 8d zeigt an, dass die Menge 55 % der Differenz in allen sechs Kategorien beträgt. Im Zeitraum 1998–2010 war der Austausch insgesamt für 43 % der Differenz verantwortlich, während die Verschiebung 1 % ausmachte. Im Gegensatz dazu betragen diese Intensitätskomponenten im projizierten Intervall 87 % in der Menge, 9 % im Austausch und 4 % in der Verschiebung.

Abbildung 8 zeigt die Ergebnisse der Intensitätsanalyse auf Übergangsebene für die bedeutendsten Zuwächse: Feuchtgebiete, Nutzpflanzen und Weiden, Bauwerke und städtische Grünflächen. Obwohl in den Zeitintervallen 1998 bis 2010 und 2010–2034 die Übergangsintensitäten von Ackerbau und Weiden zu Bauten und Feuchtgebieten deutlicher ausfallen als in den übrigen Kategorien, lässt sich aus diesen Ergebnissen ein Anstieg von Bauten und Feuchtgebieten beobachten ist eher auf den Verlust von Ernten und Weiden zurückzuführen. Die Übergangsintensitäten von Feuchtgebieten, Feldfrüchten und Weiden zu städtischen Grünflächen unterscheiden sich in den beiden Zeiträumen. In den Jahren 1998–2010 konnte durch die Gewinnung städtischer Grünflächen der Verlust von Feuchtgebieten vermieden, jedoch auf den Verlust von Nutzpflanzen und Weiden abgezielt werden, während im Zeitraum 2010–2034 Verluste in beiden Kategorien angestrebt wurden. Der Zuwachs an Nutzpflanzen und Weiden zielt in beiden Zeitintervallen auf den Verlust von Feuchtgebieten ab und vermeidet den Verlust von Bauwerken.

Übergangsintensität durch den Verlust von (a) Feldfrüchten und Weiden, (b) Feuchtgebieten, (c) Bauten, (d) städtischen Grünflächen und Landklassen im Zeitraum 1998–2010 und 2010–2034. Feuchtgebiete (Wet), städtische Grünflächen (UGS), Feldfrüchte und Weiden (CP), Steinbrüche (Q), Wasser (Wa) und Bauwerke (C).

Darüber hinaus ist der Zuwachs an Feldfrüchten und Weiden, Bauwerken und Feuchtgebieten im Laufe der Zeit stationär und hängt davon ab, wie diese Kategorien die Kategorien Nicht-Feldfrüchte und Weiden, Nicht-Bauwerke und Nicht-Feuchtgebiete meiden oder gezielt angreifen. Allerdings ist der Zugewinn städtischer Grünflächen im Zeitverlauf nicht stationär. Beispielsweise betraf die Ausweitung städtischer Grünflächen im Zeitraum 1998–2010 nur Kulturpflanzen und Weiden, im geplanten Zeitraum jedoch auch Feuchtgebiete.

In ähnlicher Weise zeigte die jährliche Übergangsintensität die Stärke der Übergänge an und zeigte, dass die Bauarbeiten in beiden Zeiträumen auf Nutzpflanzen und Weiden abzielten. Infolgedessen waren die enormen Zuwächse bei der Bebauung von Feldfrüchten und Weiden während der Untersuchungszeiträume zunächst nicht auf diese große Fläche zurückzuführen, sondern eher auf die Bauzuwächse, die zu einem starken Flächenverlust dieser Kategorie führten. Die zweite Kategorie, deren Größe jährlich zunahm, waren Feldfrüchte und Weiden; Seine Gewinne kamen aus Feuchtgebieten. Darüber hinaus zeigte die jährliche Übergangsintensität die Stärke der Übergänge an und zeigte, dass Nutzpflanzen und Weiden in beiden Zeitintervallen auf Feuchtgebiete abzielten. Folglich war ein erheblicher Zugewinn an Kulturpflanzen und Weiden aus Feuchtgebieten zunächst nicht auf die Fläche zurückzuführen, sondern vielmehr auf die Zuwächse bei Kulturpflanzen und Weiden, die zu einem starken Flächenverlust dieser Kategorie führten. Schließlich wurden Feuchtgebietszuwächse durch Feldfrüchte und Weiden sowie durch städtische Grünflächen beobachtet. Es deutete auf die Macht der Übergänge hin und zeigte, dass diese Landkategorien auch in beiden Zeiträumen auf den Anbau von Nutzpflanzen und Weiden abzielten.

Abbildung 9 zeigt die projizierten LULC-Karten. Das Anbauland befand sich hauptsächlich im Norden und Westen des Untersuchungsgebiets am Rande des Bogota-Flusses. Sein Anteil ging von 21,4 % im Jahr 1998 auf 12,71 % im Jahr 2034 zurück. Die Feuchtgebiete befanden sich hauptsächlich in Gebieten, die mit Wasserläufen verbunden waren, und sanken von 2,6 % im Jahr 1998 auf 1,97 % im Jahr 2034. Die städtischen Grünflächen befanden sich im gesamten Untersuchungsgebiet Ihr Anteil stieg von 5 % im Jahr 1998 auf 6,3 % im Jahr 2034. Die Bauwerke stellten einen großen Teil des Untersuchungsgebiets dar und ihr Anteil stieg von 70 % im Jahr 1998 auf 78 % im Jahr 2034.

Bebaute Flächen, Kulturpflanzen und Weiden sowie städtische Grünflächen sind die drei LULCs, die das Untersuchungsgebiet dominieren und etwa 96 % der Gesamtfläche ausmachen (Tabelle 4). Im Zeitraum 1998–2010 kam es zu Nettoveränderungen von 3,86 % bei den Kulturpflanzen und Weiden, bei den Gebäuden und Grünflächen von 4,18 %, bei Wasser und Feuchtgebieten von 0,30 %, während sie bei Wasser und Steinbrüchen nahe Null lagen. Die auf allgemeiner Landschaftsebene bewerteten Landveränderungen zeigten, dass der Bau nach städtischen Grünflächen die führende Kategorie der Landgewinnung darstellte. Die größte Verliererkategorie war die Ernte- und Weidefläche. Die Zuwächse im Bau- und Stadtgrünbereich betrugen 1600 ha bzw. 297 ha. Durch Bauarbeiten gingen etwa 454 ha verloren, aber Ackerbau und Weiden verloren mit 1587 ha am meisten, fast genauso viel wie die Kategorie Baugewerbe zulegte. Feuchtgebiete gewannen 102 ha hinzu und verloren etwa 195 ha, was einer Nettoveränderung von fast 93 ha entspricht. Ebenso zeigten die Simulationsergebnisse ein ähnliches Muster für alle Landbedeckungen im gesamten Untersuchungsgebiet. Die Ausgabekarte für das Jahr 2034 zeigt einen Rückgang der Feuchtgebietsfläche um fast 0,33 % gegenüber der Erweiterung im Jahr 1998, was 101 ha entspricht.

Unterdessen setzen sich die Bebauungen und die Grünflächenbedeckung mit einem Nettozuwachs von 5,15 %, also 1614 ha, fort. Die höchsten Verluste verzeichnet dagegen weiterhin die Bauklasse mit 1589 ha weniger. Mit anderen Worten: Basierend auf den Referenzdaten wird die Gesamtfläche der Bebauungen und städtischen Grünflächen bis zum Jahr 2034 26.358 ha, die der Feuchtgebiete fast 616 ha und die der Ackerbauflächen und Weiden 3.982 ha betragen.

In dieser Forschung verwendeten wir das FLUS-Modell, um eine Projektion der räumlichen Verteilung der Feuchtgebiete von Bogotá zu erhalten. Um ihre räumlich-zeitlichen Veränderungen zu untersuchen, haben wir ihre Flächen von 1998 bis 2034 berechnet (Abb. 10). Das Referenzmuster zeigte eine Zunahme in den nordöstlichen Feuchtgebieten, mit Ausnahme von Torca-Guaymaral, Jaboque und Cordoba, wo ein abnehmendes Muster auftrat. Darüber hinaus zeigten die im Südwesten gelegenen Feuchtgebiete ein abnehmendes Referenzmuster, mit Ausnahme von La Vaca, das ein zunehmendes Muster aufwies. Schließlich zeigten die Feuchtgebiete El Salitre und Santa Maria del Lago im Referenzzeitraum ein ähnliches Muster. Daher zeigten die auf der räumlichen Dynamik im historischen Zeitraum 1998–2010 basierenden Simulationskarten im Untersuchungsgebiet ein ähnliches Muster. Die simulierte Karte für das Jahr 2034 zeigt eine Zunahme von 3 % der Feuchtgebiete im Nordwesten, mit Ausnahme von Torca-Guaymaral, Jaboque und Cordoba, mit einem Rückgang um 52 %, 11 % bzw. 34 %. Außerdem zeigt es einen Rückgang in 54 % der südwestlichen Feuchtgebiete, mit Ausnahme von La Vaca, wo ein Rückgang von 6 % zu verzeichnen ist. Zusammenfassend lässt sich sagen, dass die gesamte Feuchtgebietsfläche bis 2034 voraussichtlich 611 ha betragen wird, was einem Flächenverlust von fast 25 % im Vergleich zu 1998 entspricht.

Feuchtgebiete von 1998 bis 2034.

Städtische Feuchtgebiete bieten zahlreiche Ökosystemleistungen, wie z. B. die Reduzierung städtischer Wärmeinseleffekte, die Bereitstellung von Vogelschutzgebieten und passiven Erholungsgebieten sowie die Verbesserung der Wasserqualität2. Städtische Feuchtgebiete sind jedoch nach wie vor sehr anfällig für menschliche Eingriffe. Die Hauptursachen für die Verschlechterung städtischer Feuchtgebiete sind Bevölkerungswachstum, unkontrollierte Stadtentwicklung, Wasserverschmutzung, Landnutzungsänderungen, abgelassenes Wasser, Änderungen des Wasserregimes und Verlust der biologischen Vielfalt4. Weltweit und insbesondere im 21. Jahrhundert haben sich der natürliche Lebensraum und die Landschaftsgestaltung drastisch verändert. Veränderungen im LULC waren in den letzten zwei Jahrzehnten Gegenstand zahlreicher Untersuchungen45,52,53,54. Mithilfe raumzeitlicher Daten haben wir LULC-Änderungen im Einflussbereich der Bogota-Feuchtgebiete von 1998 bis 2010 analysiert. Aus den LULC-Karten und den physikalischen und sozioökonomischen Determinanten haben wir mithilfe des ANN des FLUS-Modells die Eintrittswahrscheinlichkeiten jedes LULC ermittelt. Darüber hinaus haben wir LULC-Prognosen für 2016, 2022, 2028 und 2034 mithilfe des hybriden ANN-Markov-CA FLUS-Modells erhalten.

Wir haben die AUC-Werte jeder Landklasse anhand der TOC-Kurven berechnet, um das ANN zu bewerten. Anschließend verglich das TOC die simulierte Karte mit der Referenzkarte im Jahr 2010. Für alle LULC-Typen lag die AUC über 0,7, was auf einen hohen Grad der Übereinstimmung zwischen den Karten hinweist. Abbildung 5 zeigt, dass die räumliche Einheitlichkeit zwischen der Referenz- und der simulierten Karte für Feuchtgebiete deutlich um 89 % erhöht ist. Dann zeigten die AUC-Werte, dass die Anpassung der Eintrittswahrscheinlichkeit des einzelnen LULC, die aus dem Training des ANN erhalten wurde, durch die ausgewählten Antriebsfaktoren gut erklärt werden kann.

Während der Validierung zeigte die Sensitivitätsanalyse, dass alle Nachbarschaftskonfigurationen dazu führten, dass die simulierten Änderungen in der Nähe der Seiten der Patches auftraten (siehe ergänzende Abbildung S3). SA-Ergebnisse zeigen, dass unterschiedliche Nachbarschaftsgrößen dazu führen, dass der Gewinn einer Bodenbedeckung in der Nähe von Flecken bestehender Bodenbedeckung liegt, wie sich in früheren Untersuchungen wie der von Varga et al.27 herausstellte. Die FoM-Komponenten zeigten, dass die Simulationsänderung in jeder Nachbarschaftsgröße nur teilweise der Referenzänderung entspricht. Fehlalarme waren häufiger als Fehlalarme, was bedeutet, dass die Referenzänderung von 2004 bis 2010 signifikanter war als die vom Modell simulierte. Darüber hinaus zeigte die Validierung der Intensitätsanalyse auf Intervallebene, dass das FLUS-Modell den Rückgang der globalen Veränderung vom Kalibrierungszeitraum (1998–2004) bis zum Validierungszeitraum (2004–2010) angemessen simulierte. Auf Kategorieebene (siehe ergänzende Abbildung S4) zeigte sich, dass das Modell die aktive oder ruhende Form des Verlusts oder Gewinns jedes LULC mit nahezu demselben Zustand der LULCs während des Kalibrierungsintervalls simulierte, mit Ausnahme der Konstruktionen, die während des Kalibrierungsintervalls auftraten Der Kalibrierungszeitraum war inaktiv und wurde im Validierungszeitraum aktiv. Auf der Übergangsebene zeigten die Ergebnisse, dass der simulierte Zuwachs an Nutzpflanzen und Weiden auf Feuchtgebiete abzielte, was den Referenzdaten zufolge im Laufe der Zeit ein stationäres Muster darstellt. Außerdem zeigte das Übergangsniveau, dass die simulierte Zunahme von Baumaßnahmen für Feuchtgebiete während des Kalibrierungsintervalls abnahm; Während des Validierungszeitraums zielte die Ausweitung der Bauarbeiten jedoch nur auf Nutzpflanzen und Weiden ab (siehe ergänzende Abbildung S5). Das Baumuster war also nicht stationär.

Die Validierungsanalyse zeigte, dass das Untersuchungsgebiet ein großes Phänomen ruhender Kategorien aufweist. Die Baulandklasse macht im historischen Zeitraum den größten Teil der Umfangsdomäne aus (Tabelle 3); es ruht in Bezug auf Gewinne und Verluste (ergänzende Abbildung S4). Die Ergebnisse zeigten außerdem, dass die Verluste in jedem LULC hauptsächlich durch den Zuwachs an Bauarbeiten verursacht werden (ergänzende Abbildung S5). Nichtsdestotrotz waren Zuwächse in der Landklasse „Ackerbau und Weiden“ die Hauptursache für den Verlust der Landklasse „Feuchtgebiete“ (siehe Tabelle 3 und ergänzende Abbildung S5). Dann spielt der große Umfang der Bauflächennutzung eine wesentliche Rolle bei der Gesamtveränderung, da die Referenzveränderung 5,16 % des gesamten Untersuchungsgebiets ausmacht und fast 4,5 % Übergänge mit Bebauung betreffen (siehe Tabelle 3). Ein ähnliches Phänomen wurde im indonesischen Wald gemeldet, wo die große Waldgröße eine wesentliche Rolle für das Gewinn- und Verlustverhalten der Kategorien „Kahl“ und „Gras“ spielte55.

Wir verwendeten den Ansatz der Intensitätsanalyse, um die LULC-Änderung im Zeitraum 2010–2034 hinsichtlich ihres Intervalls, ihrer Kategorie und ihres Übergangsniveaus zu analysieren, wobei wir uns auf die Kategorie der Feuchtgebiete konzentrierten. Vor allem der Bausektor hat im historischen Zeitraum zugenommen und wird wahrscheinlich bis 2034 kontinuierlich zunehmen. Das Muster der städtischen Expansion ist in Richtung des westlichen Teils der Stadt erkennbar, Gebiete, die hauptsächlich von landwirtschaftlichen Aktivitäten genutzt werden, die aber mit der Errichtung neuer (hauptsächlich illegaler) weiter südlich in Bogota gelegene Stadtteile stellten ihre LULC nach und nach von Feldfrüchten und Weiden auf Bauwerke um. Ähnliche Muster wurden von Czerny & Cezerny56 gefunden. Dieses Phänomen wurde in der Intensitätsanalyse am Übergang zur Bauebene dargestellt (siehe Abb. 8). Die Intensitätsanalyse zeigte, dass die Abdeckung der Kategorien Kulturpflanzen und Weiden weltweit am stärksten von anderen Abdeckungen und Baumaßnahmen betroffen war und sein wird, die mit der Schaffung neuer Grünflächen und Feuchtgebietsabdeckungen einhergehen. Rashid und Aneaus57 stellten fest, dass landwirtschaftliche Flächen hauptsächlich durch bebaute Flächen im städtischen Feuchtgebiet im Kaschmir-Himalaya, Indien, zurückgehen. Obwohl die Dynamik der LULC-Veränderung von Ackerbau zu Bauwerken/Grünflächen hauptsächlich auf neuere menschliche Siedlungen zurückzuführen ist, muss die Rolle von Feuchtgebieten detaillierter analysiert werden.

Simulationskarten, die auf der räumlichen Dynamik im historischen Zeitraum 1998–2010 basieren, zeigten ein ähnliches Muster für die Feuchtgebietsbedeckung. Einerseits wiesen die Feuchtgebiete im Nordwesten ein Referenzmuster der Ausdehnung auf, mit Ausnahme von Torca-Guaymaral, Jaboque und Cordoba, wo ein abnehmendes Muster auftrat. Andererseits zeigten die im Südwesten gelegenen Feuchtgebiete ein abnehmendes Referenzmuster, mit Ausnahme von La Vaca, das ein zunehmendes Muster aufwies. Im Gegensatz dazu weisen die Feuchtgebiete El Salitre und Santa Maria del Lago im Referenzzeitraum dasselbe Muster auf.

Für La Conejera haben wir festgestellt, dass die Zunahme der Feuchtgebiete zu einem Verlust an Grünflächen und Ernten führt, während es sich um einen prognostizierten Verlust im Bauwesen handelt. Ebenso wird erwartet, dass durch die Ausweitung des Anbaus mehr Feuchtgebietsfläche verloren geht. Diese Ergebnisse stimmen mit dem letzten Bericht des Bezirksministers für Umwelt58 überein, in dem es Hinweise auf einen Anstieg der Ernten privater landwirtschaftlicher Betriebe im nördlichen Teil des Feuchtgebiets gab. Auch in den Feuchtgebieten von Juan Amarillo kam es zu einem Expansionsmuster, das im Bezugszeitraum zu einem Verlust an Acker- und Weideflächen führte, aber auch zu Verlusten bei der Bautätigkeit führen wird. Darüber hinaus kann die Anwesenheit von Vieh im Feuchtgebiet mit seiner Nutzung als Viehweidegebiet zusammenhängen, ein Problem, das bei der Verbesserung des Ökosystems im Mittelpunkt steht59. Ein ähnliches Verhalten wurde im Feuchtgebiet Meandro del Say beobachtet, wo Zuwächse bei Feuchtgebieten auf den Verlust von Anbauflächen und Zuwächse bei Grünflächen auf Verluste an der Feuchtgebietsoberfläche abzielen. Dieses Verhalten könnte durch einen der Stressfaktoren erklärt werden, denen das Feuchtgebiet derzeit ausgesetzt ist, da große Fußballfelder in weiten Teilen des Inneren des Feuchtgebiets zur El Say-Farm gehören, auf der eine Fußballmannschaft trainiert60. Chang et al.61 fanden ähnliche Ergebnisse in China in einem Szenario mit geschütztem Ackerland, wo die Feuchtgebietsfläche im Vergleich zu anderen Landklassen schnell abnahm.

Bezüglich der Feuchtgebiete, die voraussichtlich an Fläche verlieren werden, beginnen wir mit Torca-Guaymaral. Aufgrund des Zugewinns an Pflanzenbedeckung wird mit einem Verlust gerechnet. Allerdings wurde der Verlust auch durch Baugewinne in der historischen Periode ausgeglichen. Jüngste Berichte weisen auf landwirtschaftliche Aktivitäten im ökologischen Korridor des Feuchtgebiets hin62. Auf Seiten des Jaboque-Feuchtgebiets war in der Vergangenheit ein Muster des Verlusts durch den Zuwachs an Anbaufläche zu verzeichnen. Obwohl der Verlust seiner Fläche prognostiziert wird (Abb. 10), ist die Intensität des Verlusts unbedeutend, da die Intensitätsanalyse keinen aktiven Verlust seiner Deckung aufgrund des Gewinns einer anderen Kategorie ergab. Trotz der Prognosen für dieses Feuchtgebiet konnte das Modell die raumzeitliche Dynamik nicht erfassen, da die aktuellen Stressfaktoren des Feuchtgebiets nicht mit den Ergebnissen übereinstimmen, da der südliche Teil des Feuchtgebiets hauptsächlich von der Anlage von Obstgärten betroffen ist63. Im Feuchtgebiet von Cordoba war die beobachtete Dynamik der Verlust der Feuchtgebietsfläche aufgrund der Zunahme von Bauland in beiden untersuchten Zeiträumen. Obwohl es sich Mitte der 2000er Jahre um eines der Feuchtgebiete handelt, in denen die Bürgerbeteiligung entscheidend für die Erholung war64, hat die illegale Besetzung des Feuchtgebiets Auswirkungen auf das Ökosystem gehabt, da es für unzulässige Aktivitäten genutzt wurde, die den Lebensraum stören65. Es wird erwartet, dass dieses Muster weiterhin Auswirkungen auf seine Erhaltung haben wird.

In Bezug auf die Feuchtgebiete im südlichen Teil des Untersuchungsgebiets wies Capellania aufgrund der Aufwertung der Baulandklasse das gleiche Verlustmuster auf. Die bauliche Abdeckung war und ist ein wesentlicher Faktor bei der Fragmentierung des Feuchtgebiets, da beispielsweise die Avenida la Esperanza durch das Feuchtgebiet verläuft und es in einen nördlichen und einen südlichen Sektor teilt. Darüber hinaus wird erwartet, dass die Avenida Longitudinal de Oriente durch das Feuchtgebiet verläuft66. Gegen Mitte der 1950er Jahre entstanden die Feuchtgebiete der Ortschaft Kennedy; La Vaca, El Burro und Techo zählten etwa 98 ha67. In der Karte von 1998 ist vermerkt, wie diese Ökosysteme durch die Urbanisierung beeinträchtigt wurden und sie in die sogenannten drei Ökosysteme umgewandelt wurden. Von diesem bedeutenden Feuchtgebiet hatte es im Jahr 2010 mindestens 33 % seiner Ausdehnung von 1998 verloren, und es wird prognostiziert, dass sich seine Verschlechterung mit einem Verlust von bis zu 73 % im Jahr 2034 fortsetzen wird. In der südlichen Zone von Bogotá ist das vorherrschende Merkmal Der Rückgang der Umwandlung von Feuchtgebieten war auf die Zunahme der Bebauung zurückzuführen. Diese Ergebnisse werden durch Untersuchungen gestützt, die zeigen, dass die informelle Urbanisierungsaktivität in Sektoren wie Kennedy in den 1970er Jahren an Stärke gewann, um den Wohnraumbedarf zu decken67. Das Problem der illegalen Siedlungen gehört nicht der Vergangenheit an; Der jüngste Bericht des Bezirksministers für Umwelt berichtet über neue Bauten im nicht legalisierten Viertel Lagos de Castilla68.

Die in diesem Artikel präsentierten Informationen konzentrieren sich auf die Dynamik der Veränderungen, die in den städtischen Feuchtgebieten von Bogotá stattgefunden haben, und relativieren, wie sich diese Muster in den kommenden Jahren weiterhin wiederholen könnten. Verwenden Sie die Intensitätsanalyse als Methode zur Analyse der Ergebnisse, die die Intensität des Bruttoverlusts und Bruttogewinns jeder Kategorie im Hinblick auf die zeitliche Änderung insgesamt berücksichtigt. Lassen Sie uns spannende Phänomene hervorheben. Erstens ist es offensichtlich, dass trotz der Einführung einer öffentlichen Politik für Feuchtgebiete vor etwa zwanzig Jahren die Ergebnisse zeigen, dass diese Ökosysteme weiterhin durch schlechte Stadtplanung in der Stadt beeinträchtigt werden. Sizo et al.69 kamen zu ähnlichen Ergebnissen, als sich die zukünftigen Bedingungen der städtischen Feuchtgebiete in Saskatoon aufgrund des Fehlens des historischen Trends zum Verlust von Feuchtgebieten und der Erhaltungsstrategie nicht verbesserten. Entgegen der landläufigen Meinung lieferten die Ergebnisse interessante Informationen über die Stressfaktoren in jedem untersuchten Feuchtgebiet. Wir haben festgestellt, dass diese Ökosysteme ihre Natur verändert haben, um der Bevölkerung als Schutz zu dienen, und dass sie durch die Nutzung von Feldfrüchten oder Weiden beeinträchtigt wurden. Auf globaler Ebene ist ein weiterer bemerkenswerter Aspekt der vorherrschende Verlust von Kulturpflanzen und Weiden, die historisch in der Umgebung des Bogota-Flusses gelegen waren. Wir zeigen, dass durch die Umstellung auf Bebauung mit Grünflächen Anbau- und Weideflächen zurückgegangen sind.

Neben den Hauptergebnissen dieser Studie ist es wichtig, ihre Grenzen zu erwähnen. Der erste zu erwähnende Aspekt sollte das Ausmaß an Fehlern und/oder Unsicherheiten sein, die aufgrund der Art der Eingabedatensätze und der Manipulation, denen sie unterzogen werden, entstehen können; Transformationen wie die Vektor-zu-Raster-Konvertierung und Raster-Resampling können die Simulationsergebnisse beeinflussen70. Zunächst wurden unsere Landkarten von einem Vektorformat in ein Rasterformat mit einer räumlichen Auflösung von 5 m konvertiert, da in der Sensitivitätsanalyse die bei dieser Auflösung erzielten Ergebnisse eher mit den Referenzdaten übereinstimmten. Zweitens ist die Simulation langfristiger Landbedeckungsänderungen aufgrund des Einflusses verschiedener klimatischer, demografischer, sozioökonomischer und physikalischer Faktoren komplex. In unserer Studie haben wir zehn Faktoren ausgewählt. Allerdings hätten wir zukünftige Klimadaten einbeziehen sollen, die aus der Perspektive des Klimawandels unser Verständnis der zukünftigen Dynamik städtischer Feuchtgebiete in Klimawandelszenarien erheblich verbessern werden71. Drittens war es aufgrund von Datenbeschränkungen unmöglich, eine Studie über einen längeren Zeitraum durchzuführen, und andere kürzlich erklärte Feuchtgebietsökosysteme wie La Isla, Hyntiba-Escritorio und Tingua Azul wurden nicht einbezogen. Wir fordern die Inhaber geografischer Informationen auf, offene Daten mit einem uneingeschränkteren Zugang zu ermöglichen. Viertens berücksichtigte die angewandte Methodik keine vertikale Stadtverdichtung72. Da jedoch viele Aspekte des menschlichen Wohlergehens, beispielsweise die von diesen natürlichen Ressourcen angebotenen Ökosystemleistungen, mit der Siedlungsdichte verknüpft sind73, sollte zukünftige Forschung diese Variable einbeziehen, um festzustellen, ob sich vertikale Verdichtungsänderungen auf die Ökosystemleistungen von Feuchtgebieten auswirken, insbesondere auf deren Lebensraumqualität.

Die LULC-Reduktionsmuster von Feuchtgebieten von 1998 bis 2010 werden sich wahrscheinlich bis 2034 fortsetzen, obwohl es sich um Schutzgebiete mit eingeschränkter Nutzung handelt. Die größte Bedrohung für Feuchtgebiete war eine menschliche Störung durch Bautätigkeit oder die Umwandlung in Ackerbau- oder Viehwirtschaftsflächen. Es wird davon ausgegangen, dass dies auch im prognostizierten Zeitrahmen so bleiben wird. Allerdings unterscheiden sich die Merkmale des Feuchtgebietsrückgangs im Referenzzeitraum und im projizierten Zeitraum. Von 1998 bis 2010 gingen die nordwestlichen städtischen Feuchtgebiete durch die Umstellung von Nutzpflanzen stärker zurück, während die Feuchtgebiete im Süden durch die Ausweitung der Bauflächen stärker gefährdet waren. Obwohl die Feuchtgebietsrichtlinie des Hauptstadtbezirks im Jahr 2005 eingeführt wurde, sind die städtischen Feuchtgebiete der Stadt weiterhin einer anthropogenen Schädigung ausgesetzt. Anschließend sollten die bestehenden Normen zu ihrer Erhaltung und ihrem Schutz überarbeitet werden, um ein integriertes Management dieser städtischen Ökosysteme sicherzustellen.

Es ist an der Zeit, sich dessen bewusst zu werden, den Wert dieser angestammten Ökosysteme wiederherzustellen und von einer konservatorischen Vision zu einer konservierenden Vision überzugehen, bei der wir die Feuchtgebiete schützen, wiederherstellen und konservieren, die der Gemeinschaft so viele Vorteile bieten und helfen werden Wir mildern den Klimawandel.

Die während der aktuellen Studie generierten und/oder analysierten Datensätze sind im offenen GitHub-Repository https://github.com/yacuellar94/Data-for-article-2-Yenny-Cuellar-Liliana-Perez.git verfügbar.

Ramsar. Städtische Feuchtgebiete: wertvolles Land, kein Ödland. https://www.ramsar.org/resources/publications (2018).

Millennium-Ökosystembewertung. Ökosysteme und menschliches Wohlbefinden: Feuchtgebiete und Wassersynthese. Weltressource. Inst. https://doi.org/10.1080/17518253.2011.584217 (2005).

Artikel Google Scholar

Dooley, W. & Stelk, M. Leitfaden zum Schutz und zur Wiederherstellung städtischer Feuchtgebiete. (2021).

Alikhani, S., Nummi, P. & Ojala, A. Städtische Feuchtgebiete: Ein Überblick über die ökologischen und kulturellen Werte städtischer Feuchtgebiete. Wasser 13, 3301 (2021).

Artikel Google Scholar

Das, N., & Mehrotra, S. Feuchtgebiete im städtischen Kontext: Ein Fall von Bhoj Wetland. Im Jahr 2021 IEEE International Geoscience and Remote Sensing Symposium IGARSS (S. 6972-6975). IEEE (2021).

Van der Hammen, T. Savannah-Feuchtgebiete: Ursprung, Entwicklung, Abbau und Wiederherstellung. in The Bogota Wetlands and the Sabana, Conservation International 19–51 (2003).

Durand, M. Städtische Feuchtgebiete in Bogota, Nutzungskonflikte und Erbe. Geographie und Kulturen 43–59 (2008).

Umweltminister. Bogotá verbessert sich und bekräftigt am Weltfeuchtgebietstag sein Engagement für diese Ökosysteme. https://www.ambientebogota.gov.co/ (2022).

Vereinte Nationen, D. of E. und SAPD World Urbanization Prospects 2018: Höhepunkte. (2019).

Sandoval, D. Schutzgebiete in der Stadt, städtische Feuchtgebiete von Bogotá. Cuad Arquit Urban 6, 80–103 (2013).

Google Scholar

Vereinte Nationen. Weltweite Urbanisierungsaussichten: Die Revision 2018. (2018).

Bevölkerungsfonds der Vereinten Nationen (UNFPA) und Universität Externado de Colombia. Stadt, Raum und Bevölkerung: der Urbanisierungsprozess in Kolumbien. https://colombia.unfpa.org/es/publications/ciudad-espacio-y-poblaci%C3%B3n-el-proceso-de-urbanizaci%C3%B3n-en-colombia (2007).

Yu, Huan; Er, Zhengwei; Pan, X. Simulation des Schrumpfens von Feuchtgebieten mithilfe von Zellularautomaten: eine Fallstudie in der Sanjiang-Ebene, China | Erweiterter Elsevier-Reader. Procedia Environ Sci 2, 225–233 (2010).

Potter, KW, Douglas, JC & Brick, EM Auswirkungen der Landwirtschaft auf aquatische Ökosysteme in den feuchten Vereinigten Staaten. in Geophysical Monograph Series vol. 153 31–39 (Blackwell Publishing Ltd, 2004).

Hasse, JE & Lathrop, RG Landressourcen-Auswirkungsindikatoren der Zersiedelung. Appl. Geogr. 23, 159–175 (2003).

Artikel Google Scholar

Grayson, JE, Chapman, MG & Underwood, AJ Die Bewertung der Wiederherstellung von Lebensräumen in städtischen Feuchtgebieten. Landsc Urban Plan 43, 227–236 (1999).

Artikel Google Scholar

Mondal, B. et al. Schätzung der Stadterweiterung und der Schrumpfung von Feuchtgebieten mithilfe eines GIS-basierten Modells im Feuchtgebiet Ost-Kalkutta. Indien. Ecol Indic 83, 62–73 (2017).

Artikel CAS Google Scholar

González Angarita, G., Henríquez, C., Peña Angulo, D., Castro Álvarez, D. & Forero Buitrago, G. Geomatische Analysetechniken beim Verlust städtischer Feuchtgebiete in Bogotá. Welche Rolle spielen illegale Siedlungen? Norte Grande Geography Journal 207–233 (2022) https://doi.org/10.4067/S0718-34022022000100207.

Kai, Xu. et al. Veränderungen städtischer Feuchtgebiete in Wuhan, China, von 1987 bis 2005. Progress Phys. Geogr. Erdumgebung. 34, 207–220 (2010).

Artikel Google Scholar

Peng, K. et al. Simulation von Feuchtgebietsveränderungen in verschiedenen Szenarien basierend auf der Integration der Zufallswald- und CLUE-S-Modelle: Eine Fallstudie der städtischen Agglomeration in Wuhan. Ökologisch. Indik. 117, 106671 (2020).

Artikel Google Scholar

Wang, X., Ning, L., Yu, J., Xiao, R. & Li, T. Veränderungen der städtischen Feuchtgebietslandschaftsmuster und Auswirkungen der Urbanisierung auf Feuchtgebiete in der Stadt Wuhan. Chin Geogr. Wissenschaft. 18, 47–53 (2008).

Artikel Google Scholar

Ghosh, S. & Das, A. Risikobewertung der Umwandlung von Feuchtgebieten in das Feuchtgebiet Ost-Kalkutta: Ein Ramsar-Standort unter Verwendung eines zufälligen Waldes und eines Support-Vektor-Maschinenmodells. J. Clean Prod. 275, 123475 (2020).

Artikel Google Scholar

Morales, D. Multizeitliche Analyse der Transformation der Landbedeckung für das Feuchtgebiet Santa María del Lago (Bogotá, DC) in den Jahren 1952, 1990 und 2014. (Militäruniversität, 2018). http://hdl.handle.net/10654/17275.

Garzón Gutiérrez, NM Multitemporale Studie zur Identifizierung von Veränderungen in der Vegetationsbedeckung des Tibabuyes-Feuchtgebiets. (Katholische Universität von Kolumbien, 2016).

Bernal Jaramillo, C. Vorläufige Studie zur physischen Verschlechterung von drei Feuchtgebieten in der Bogotá-Savanne und ökologische und landschaftliche Richtlinien für deren Bewirtschaftung. (Universität Los Andes, 2006).

Liu, X. et al. Ein zukünftiges Landnutzungssimulationsmodell (FLUS) zur Simulation mehrerer Landnutzungsszenarien durch Kopplung menschlicher und natürlicher Auswirkungen. Landsc Urban Plan 168, 94–116 (2017).

Artikel Google Scholar

Varga, OG, Pontius, RG, Singh, SK & Szabó, S. Intensitätsanalyse und die Komponenten des Figure of Merit zur Bewertung eines Zellulären Automaten – Markov-Simulationsmodells. Ökologisch. Indik. 101, 933–942 (2019).

Artikel Google Scholar

Aldwaik, SZ & Pontius, RG Intensitätsanalyse zur Vereinheitlichung von Messungen der Größe und Stationarität von Landveränderungen nach Intervall, Kategorie und Übergang. Landsc Urban Plan 106, 103–114 (2012).

Artikel Google Scholar

IDIGER. Unterabteilung Analyse der Risiken und Auswirkungen des Klimawandels. Klimatologische Charakterisierung von Bogotá als Beitrag zur Stärkung des hydrometeorologischen Netzwerks von Bogotá (RHB). https://www.idiger.gov.co/precipitacion-y-temperatura (2019).

DÄNE. Nationale Volks- und Wohnungszählung 2018 – Kolumbien. (2018).

Sekretariat der Ramsar-Konvention. Kolumbien weist zwei neue Feuchtgebiete von internationaler Bedeutung aus. https://www.ramsar.org/resources/publications (2019).

Sekretariat der Ramsar-Konvention. Eine Einführung in das Übereinkommen über Feuchtgebiete, 7. Auflage. (früher The Ramsar Convention Manual). Gland, Schweiz 107 (2016).

Jiang, W. et al. Quantifizierung der treibenden Kräfte der städtischen Feuchtgebietsveränderung in der Stadt Peking. Journal of Geographical Sciences 2012 22:2 22, 301–314 (2012).

Tian, Y. et al. Räumlich-zeitliche Veränderungen und Analyse der treibenden Kräfte von Feuchtgebieten in der Jiaozhou-Bucht. J. Coast Res. 38, 328–344 (2021).

Artikel Google Scholar

Wu, M. et al. Quantifizierung der Dynamik und treibenden Kräfte der Küstenfeuchtgebietslandschaft der Jangtsekiang-Mündung seit den 1960er Jahren. Reg. Zucht. Mar. Sci. 32, 100854 (2019).

Google Scholar

Shaohui, Y. & Zhongping, Z. Räumlich-zeitliche Veränderungen der Form städtischer Feuchtgebiete und Analyse der treibenden Kräfte mithilfe fraktaler Dimensionen in der Stadt Wuhan, China. in Proceedings of the 2013 International Conference on Remote Sensing,Environment and Transportation Engineering 540–543 (Atlantis Press, 2013). doi:https://doi.org/10.2991/rsete.2013.131.

ESRI. ArcGIS Pro, CA: Forschungsinstitut für Umweltsysteme. Vorabdruck bei (2020).

Umweltminister des Bezirks. Ronda Ökologischer Korridor | Idee. https://www.ideca.gov.co/recursos/mapas/corredor-ecologico-ronda (2019).

Liang, X., Liu, Int. J. Geogr. Inf. Wissenschaft. 32, 2294–2316 (2018).

Artikel Google Scholar

Liang, X. et al. Kopplung von Fuzzy-Clustering und zellulären Automaten basierend auf lokalen Maxima des Entwicklungspotenzials zur Modellierung der städtischen Entstehung und Expansion in Wirtschaftsentwicklungszonen. Int. J. Geogr. Inf. Wissenschaft. 34, 1930–1952 (2020).

Artikel Google Scholar

Liang, X. et al. Abgrenzung urbaner Wachstumsgrenzen für mehrere Szenarien mit einem CA-basierten FLUS-Modell und einer morphologischen Methode. Landsc Urban Plan 177, 47–63 (2018).

Artikel Google Scholar

Xu, T., Gao, J. & Coco, G. Simulation der Stadterweiterung durch Integration eines künstlichen neuronalen Netzwerks mit Markov-Ketten-Zellen-Automaten. Int. J. Geogr. Inf. Wissenschaft. 33, 1960–1983 (2019).

Artikel Google Scholar

Arsanjani, JJ, Helbich, M., Kainz, W. und Darvishi Boloorani, A. Integration logistischer Regression, Markov-Kette und zellulärer Automatenmodelle zur Simulation der Stadterweiterung. Int. J. Appl. Erdbeobachtung. Geoinf. 21, 265–275 (2013).

Lin, Y.-P., Chu, H.-J., Wu, C.-F. & Verburg, PH Vorhersagefähigkeit logistischer Regression, autologistischer Regression und neuronaler Netzwerkmodelle in der empirischen Modellierung von Landnutzungsänderungen – eine Fallstudie. Int. J. Geogr. Inf. Wissenschaft. 25, 65–87 (2011).

Artikel Google Scholar

Yang, X., Chen, R. & Zheng, XQ Simulation von Landnutzungsänderungen durch Integration von ANN-CA-Modellen und Landschaftsmusterindizes. Geomat. Nat. Gefahr. Risiko 7, 918–932 (2016).

Artikel Google Scholar

Pontius, RG Jr. & Si, K. Die Gesamtbetriebscharakteristik zur Messung der Diagnosefähigkeit für mehrere Schwellenwerte. Int. J. Geogr. Inf. Wissenschaft. 28, 570–583 (2014).

Artikel Google Scholar

Saha, TK, Pal, S. & Sarkar, R. Vorhersage der Feuchtgebietsfläche und -tiefe mithilfe eines linearen Regressionsmodells und zellulärer Automaten auf der Basis künstlicher neuronaler Netzwerke. Ökologisch. Informieren. https://doi.org/10.1016/j.ecoinf.2021.101272 (2021).

Artikel Google Scholar

Eastman, JR TerrSet 2020 Tutorial. im Jahr 449 (Clark University, 2020).

Hijmans, RJ Raster: Analyse und Modellierung geografischer Daten. R-Paketversion 3.5–2. 207–233 Preprint bei (2022).

Pontius, RG & Khallaghi, S. Änderungsintensität zum Vergleich kategorialer Karten aus sequentiellen Intervallen. Vorabdruck unter https://cran.r-project.org/web/packages/intensity.analysis/index.html (2019).

Cuellar, Y. & Perez, L. Bewertung der Genauigkeit der Sensitivitätsanalyse: eine Anwendung für ein zelluläres Automatenmodell der städtischen Feuchtgebietsveränderungen in Bogotá. Geocarto Int 38, (2023).

Mahiny, AS & Clarke, KC Leitende SLEUTH-Modellierung von Landnutzungs-/Landbedeckungsänderungen mithilfe multikriterieller Bewertung: Auf dem Weg zu einer dynamischen, nachhaltigen Landnutzungsplanung. Umgebung. Plann. B Plann. Des. 39, 925–944 (2012).

Artikel Google Scholar

Lambin, EF, Geist, HJ & Lepers, E. Dynamik der Landnutzung und Landbedeckungsveränderung in tropischen Regionen. Annu. Rev. Environ. Ressource 28, 205–246 (2003).

Artikel Google Scholar

Liu, Y., Huang, Lebensraum Int. 44, 339–348 (2014).

Artikel Google Scholar

Pontius, RG et al. Design und Interpretation der Intensitätsanalyse anhand von Landveränderungen in Zentral-Kalimantan, Indonesien. Land (Basel) 2, 351–369 (2013).

Google Scholar

Czerny, M. & Czerny, A. Bogota – Stadterweiterung, soziale Segregation und Landdegradation. Brei. Globus. Änderung IGBP 23, 127–149 (2016).

Artikel ADS Google Scholar

Rashid, I. & Aneaus, S. Landschaftsumgestaltung eines städtischen Feuchtgebiets im Kaschmir-Himalaya, Indien mithilfe hochauflösender Fernerkundungsdaten, Geodatenmodellierung und Bodenbeobachtungen in den letzten fünf Jahrzehnten (1965–2018). Umgebung. Überwachen. Beurteilung 192, 635 (2020).

Artikel PubMed Google Scholar

Umweltminister des Bezirks. Managementberichtszeitraum 2021 La Conejera Wetland District Ecological Park. https://www.ambientebogota.gov.co/es/humedales (2021).

Umweltminister des Bezirks. Managementberichtszeitraum 2021 Juan Amarillo Wetland District Ecological Park. https://www.ambientebogota.gov.co/es/humedales (2021).

Umweltminister des Bezirks. Managementberichtszeitraum 2021 Ökologischer Park Meandro del Say Wetland District. https://www.ambientebogota.gov.co/es/humedales (2021).

Chang, X., Zhang, F., Cong, K. & Liu, X. Szenariosimulation von Landnutzungs- und Landbedeckungsänderungen im Bergbaugebiet. Wissenschaft. Rep. 11, 12910 (2021).

Artikel ADS CAS PubMed PubMed Central Google Scholar

Umweltminister des Bezirks. Managementberichtszeitraum 2021 Torca-Guaymaral Wetland District Ecological Park. https://www.ambientebogota.gov.co/es/humedales (2021).

Umweltminister des Bezirks. Managementberichtszeitraum 2021 Jaboque Wetland District Ecological Park. https://www.ambientebogota.gov.co/es/humedales (2022).

Ruíz, AG, Hes, E. & Schwartz, K. Veränderte Governance-Modi in der Feuchtgebietsbewirtschaftung: Eine Fallstudie über zwei Feuchtgebiete in Bogotá, Kolumbien. Umgebung. Plann. C Gov. Policy 29, 990–1003 (2011).

Artikel Google Scholar

Umweltminister des Bezirks. Managementberichtszeitraum 2021 Cordoba Wetland District Ecological Park. https://www.ambientebogota.gov.co/es/humedales (2021).

Umweltminister des Bezirks. Managementberichtszeitraum 2021 Capellania Wetland District Ecological Park. https://www.ambientebogota.gov.co/es/humedales (2021).

El Mayorga, JM Urbanisierungsprozess der Kennedy-Feuchtgebiete in Bogotá, Kolumbien: eine normative Perspektive. Papeles de Coyuntura 42, 14–53 (2016).

Google Scholar

Umweltminister des Bezirks. Managementberichtszeitraum 2021 Techo Wetland District Ecological Park. https://www.ambientebogota.gov.co/es/humedales (2021).

Sizo, A., Noble, B. & Bell, S. Zukunftsanalyse der städtischen Landnutzung und Feuchtgebietsveränderung in Saskatoon, Kanada: Eine Anwendung in der strategischen Umweltbewertung. Nachhaltigkeit 7, 811–830 (2015).

Artikel Google Scholar

Díaz-Pacheco, J., Delden, H. van & Hewitt, R. Die Bedeutung der Skalierung in Landnutzungsmodellen: Experimente zur Datenkonvertierung, Daten-Resampling, Auflösung und Nachbarschaftsausdehnung. in Geomatischen Ansätzen zur Modellierung von Landveränderungsszenarien. Vorlesungsunterlagen zu Geoinformation und Kartographie. 163–186 (Springer, Cham, 2018). doi:https://doi.org/10.1007/978-3-319-60801-3_9.

Salimi, S., Almuktar, SAAAN & Scholz, M. Auswirkungen des Klimawandels auf Feuchtgebietsökosysteme: Eine kritische Überprüfung experimenteller Feuchtgebiete. J. Umgebung. Verwalten Sie 286, 112160 (2021).

Artikel CAS PubMed Google Scholar

Liu, Y., Batty, M., Wang, S. & Corcoran, J. Modellierung des städtischen Wandels mit zellulären Automaten: Aktuelle Themen und zukünftige Forschungsrichtungen. Prog. Summen. Geogr. 45, 3–24 (2021).

Artikel Google Scholar

Chen, T.-HK et al. Kartierung der horizontalen und vertikalen städtischen Verdichtung in Dänemark mit Landsat-Zeitreihen von 1985 bis 2018: Eine semantische Segmentierungslösung. Fernerkundung. Umwelt. 251, 112096 (2020).

Artikel ADS Google Scholar

Referenzen herunterladen

Wir danken dem Natural Sciences and Engineering Research Council (NSERC) von Kanada für die teilweise Unterstützung dieser Studie im Rahmen des Discovery Grant Nr. RGP IN/05396–2016, der Liliana Perez, der Abteilung für Geographie und Postgraduierten- und Postdoktorandenstudien der Université, verliehen wurde de Montréal, der Banque Nationale, der Fondation Olivier Yvonne Poirier und dem Ministère de l'Enseignement supérieur du Québec für die an Yenny Cuellar verliehenen Stipendien. Wir freuen uns auch über die konstruktiven Kommentare von Dr. Saeed Harati zu einer früheren Version des Manuskripts.

Environmental Geosimulation Laboratory (LEDGE), Institut für Geographie, Universität Montreal, 1375 Avenue Thérèse-Lavoie-Roux, Montreal, QC, H2V 0B3, Kanada

Yenny Cuellar & Liliana Perez

Sie können diesen Autor auch in PubMed Google Scholar suchen

Konzeptualisierung, Methodik, Validierung, formale Analyse, Untersuchung, Ressourcen, Schreiben – Überprüfung und Bearbeitung, YC und LP; Software, Datenkuratierung, Schreiben – Originalentwurfsvorbereitung und Visualisierung, YC; Betreuung, Projektverwaltung und Finanzierungseinwerbung, LP. Alle Autoren haben die veröffentlichte Version des Manuskripts gelesen und ihr zugestimmt.

Korrespondenz mit Yenny Cuellar.

Die Autoren geben an, dass keine Interessenkonflikte bestehen.

Springer Nature bleibt neutral hinsichtlich der Zuständigkeitsansprüche in veröffentlichten Karten und institutionellen Zugehörigkeiten.

Open Access Dieser Artikel ist unter einer Creative Commons Attribution 4.0 International License lizenziert, die die Nutzung, Weitergabe, Anpassung, Verbreitung und Reproduktion in jedem Medium oder Format erlaubt, sofern Sie den/die Originalautor(en) und die Quelle angemessen angeben. Geben Sie einen Link zur Creative Commons-Lizenz an und geben Sie an, ob Änderungen vorgenommen wurden. Die Bilder oder anderes Material Dritter in diesem Artikel sind in der Creative Commons-Lizenz des Artikels enthalten, sofern in der Quellenangabe für das Material nichts anderes angegeben ist. Wenn Material nicht in der Creative-Commons-Lizenz des Artikels enthalten ist und Ihre beabsichtigte Nutzung nicht gesetzlich zulässig ist oder über die zulässige Nutzung hinausgeht, müssen Sie die Genehmigung direkt vom Urheberrechtsinhaber einholen. Um eine Kopie dieser Lizenz anzuzeigen, besuchen Sie http://creativecommons.org/licenses/by/4.0/.

Nachdrucke und Genehmigungen

Cuellar, Y., Perez, L. Multitemporale Modellierung und Simulation der komplexen Dynamik in städtischen Feuchtgebieten: der Fall von Bogota, Kolumbien. Sci Rep 13, 9374 (2023). https://doi.org/10.1038/s41598-023-36600-8

Zitat herunterladen

Eingegangen: 3. Februar 2023

Angenommen: 06. Juni 2023

Veröffentlicht: 09. Juni 2023

DOI: https://doi.org/10.1038/s41598-023-36600-8

Jeder, mit dem Sie den folgenden Link teilen, kann diesen Inhalt lesen:

Leider ist für diesen Artikel derzeit kein Link zum Teilen verfügbar.

Bereitgestellt von der Content-Sharing-Initiative Springer Nature SharedIt

Durch das Absenden eines Kommentars erklären Sie sich damit einverstanden, unsere Nutzungsbedingungen und Community-Richtlinien einzuhalten. Wenn Sie etwas als missbräuchlich empfinden oder etwas nicht unseren Bedingungen oder Richtlinien entspricht, kennzeichnen Sie es bitte als unangemessen.

Nachricht