Развитие земельно-кадастровых показателей

Прогнозирование развития земельно-кадастровых показателей

Система показателей земельно-кадастровой информации не является статичной во времени. Одни показатели со временем теряют свою значимость для определенного уровня управления, другие, наоборот — становятся актуальными.

В первом случае, потерявшие актуальность показатели могут быть исключены из процесса принятия решений и соответствующих документов.

Во втором случае — необходимо сформировать новые показатели, определить для них методы и способы регистрации и контроля, ввести их в документацию и разработать систему мероприятий для их оценки и выработки по ним соответствующих управляющих воздействий на окружающую среду.

Чем раньше выявлена тенденция изменения показателя, тем эффективнее будет работать и система принятия решений на соответствующем административном уровне.

Наличие средств, позволяющих отследить изменение значений земельно-кадастровых показателей во времени и выявить факторы, влияющие на это изменение, имеет особую значимость в земельно-кадастровых автоматизированных информационных системах (АИС). В условиях АИС актуальность задач прогнозирования определяется необходимостью своевременного учета изменений значений и значимости показателей с целью проведения упреждающих мероприятий по корректировке структур баз данных (БД) АИС, программного обеспечения, запросов, выходных форм, состава, методов, алгоритмов и программ решения задач генерализации.

Предварительный анализ земельно-кадастровой информации показывает, что за последние годы существенно изменились состав и информационная емкость показателей, отражающих правовое состояние земель разных категорий. Отмечено увеличение информационной емкости и интенсивности использования массивов показателей, связанных с оценкой земель, особенно таких ее частей, как оценка земель городов, рынок земель населенных пунктов, земель природоохранного, оздоровительного и историко-культурного назначения. Отдельные массивы показателей (данные о загрязнении земель, данные, определяющие ограничения и обременения) испытывают по составу и количеству информации резкие колебания по годам.

Все эти изменения требуют тщательного изучения и оперативного вмешательства в содержание, алгоритмы и программы решения задач генерализации, в структуру баз данных, в структуру и содержание отчетов и документов разных уровней, в процессы сбора информации и ввода ее в базы данных и т. д.

Однако инерционность программного обеспечения АИС и баз данных к изменениям не позволяет быстро и качественно внести необходимые коррективы и перенастроить АИС в соответствии с новыми требованиями.

Решить данную проблему можно с помощью научно-обоснованных прогнозов развития предметной области. При этом один из важнейших вопросов, на которые должны дать ответ задачи прогнозирования, — выявить общие тенденции изменения состава и информационной емкости массивов показателей, участвующих в процессе генерализации и входящих в БД и отчетные документы.

Каждый показатель определяет некоторое свойство земли или землевладения. Изменение структуры показателя зависит не только от свойства земли, но и от субъективных факторов пользователя информации, что может привести с резким изменениям требований, а свойства земель меняются медленнее и более «плавно». Кроме того, одно свойство может быть представлено и БД и документах различными наборами показателей.

Исследования должны быть направлены на выявление тенденций изменения физических, правовых, экономических свойств земель. Такой подход позволит дать не только более надежные научно-обоснованные прогнозы и значительно сократить затраты на проведение исследований.

В связи с тем, что земельно-кадастровая информация неоднородна по составу и содержанию, на первых этапах имеет смысл проводить исследования отдельно — по разным группам информационных массивов. После проведения предварительных исследований и определения тенденций изменения свойств земель всю совокупность показателей удастся классифицировать по степени актуальности. Прогнозирование — один из инструментов в процессе принятия такого решения.

Качественный и количественный прогноз

Качественный прогноз Можно получить через цепь логических рассуждений, используя качественный анализ объекта. Качественный анализ является начальным и конечным этапом процесса прогнозирования.

Количественный прогноз Связан с вероятностью, с которой произойдет то или иное событие в будущем, а также с некоторыми количественными характеристиками этого события (его математическим ожиданием, наиболее вероятным значением и т. д.)

В настоящее время существует большое количество методик, методов и способов прогнозирования, которые могут быть использованы для анализа и предсказания поведения земельно-кадастровых показателей. Их можно отнести к одному из следующих видов:

Эвристическое прогнозирование — Основано на использовании мнения специалистов (экспертов) в определенной области знания. Здесь главными условиями являются правильный подбор экспертов, разработка эффективной формы анкетирования и методов обработки результатов опроса.

Использование методов эвристического прогнозирования характерно на начальных этапах исследования поведения объекта (при выдвижении рабочих гипотез) и эффективно, когда описание поведения и свойств объекта прогнозирования не поддаются формализации, т. е. не могут быть представлены в виде совокупности количественных или шкалированных качественных признаков или функциональных зависимостей. Это состояние присуще, например, земельно-кадастровым показателями правового характера; показателям, отражающим природно-сельскохозяйственное районирование области, края, республики;! показателям, определяющим отдельные свойства климата, рельефа и др.

Математическое прогнозирование — Используется при наличии четко сформулированной математической модели поведения объекта. В специальной литературе методы математического прогнозирования условно подразделяют на методы моделирования процессов движения (развития) и экстраполяции (статистические методы). Первую группу составляют методы, использующие в качестве модели дифференциальные уравнения с заданными начальными условиями. Ко второй группе относятся методы, использующие для выбора и обоснования модели статистические данные об объекте.

Комбинированное прогнозирование — Объединяет эвристическое и математическое прогнозирование в один процесс! так, чтобы достоинствами одного компенсировать недостатки другого.

В общем случае комбинированное прогнозирование может быть представлено схемой (рис.7).

Используя методы моделирования процессов или статистические методы обработки результатов наблюдений, строится, модель, по которой дается математический прогноз. Одновременно, с помощью экспертов, дается независимый эвристический прогноз. В случае если данные математического и эвристического прогнозов не противоречат друг другу, то на их базе формируется комбинированный прогноз. В противном случае необходимо провести анализ причин, вызвавших противоречивость прогнозов, внести коррективы в экспертные методы и оценки, в математические модели и статические методы обработки наблюдений и повторить процедуру прогнозирования.

Применение методов того или иного вида на этапах создания или корректировок земельно-кадастровых баз данных и при решении задач генерализации (в условиях АИС) во многом определяется наличием: научно-методического материала соответствующего уровня; необходимого и достаточного набора данных о поведении объектов прогнозирования; квалифицированных экспертов; характером и типом земельно-кадастровых показателей, степенью изученности их взаимосвязей и подверженности влияниям других объективных и субъективных факторов.

Рисунок 7 Схема получения комбинированного прогноза

Математическое прогнозирование заключается в использовании имеющихся (до текущего момента времени) наблюдений за поведением прогнозируемых объектов; в обработке результатов этих наблюдений математическими методами; в формировании зависимости, связывающей характеристики объекта со временем или характеристиками других объектов и в вычислении с помощью найденной зависимости характеристик объекта на интервал упреждения.

Основой исследовательского процесса математического прогнозирования является определение закономерностей в поведении объекта прогнозирования и в построении математических моделей. В зависимости от наличия неопределенностей, сопровождающих прогнозируемый процесс, модели делятся на Детерминированные и стохастические. В связи с тем, что на изменение показателей земельно-кадастровой информации влияет множество факторов, изменение которых происходит по:; сложным стохастическим законам, мы будем рассматривать стохастические модели и статистические методы прогнозирования.

Этапы прогнозирования

— Сбор, подготовка исходных данных для исследования и предварительный анализ материала.

— Выбор и обоснование математических моделей прогнозируемого объекта.

— Обработка статистических данных для определения неизвестных параметров моделей и получения зависимостей, связывающих подлежащие прогнозированию характеристики объекта со временем или другими факторами.

— Собственно прогнозирование, т. е. вычисление значений характеристик объекта при заданных значениях времени и факторов.

При постановке задач математического прогнозирования земельно-кадастровых показателей можно выделить два подхода.

Первый подход основан на определении зависимости одного свойства (у) (прогнозируемого) от множества факторов, параметров или других свойств (х1, х2, .... хп), которые влияют на анализируемое свойство объекта и которые можно наблюдать (или контролировать) и от факторов, которые наблюдать непосредственно невозможно или затруднительно. Причем изменение самих факторов может происходить, подчиняясь определенному закону случайности, а на определение значений свойства накладываются «шумы». В этом случае, мы должны проводить многомерный статистический анализ взаимозависимости свойства от факторов и строить соответствующие многомерные модели, по которым можно будет проводить условный прогноз по типу: «Что будет, если изменить значения каких-то факторов».

Общий вид модели, где прогнозируемый показатель объекта Y явно выражается через другие параметры и факторы модели, может быть представлен в виде:

Y=f(a, x)+φ(b, x) η (1)

Где f(a, x) и φ(b, х) — некоторые детерминированные функции;

Х — вектор некоторых известных факторов;

А и b — параметры модели, подлежащие определению;

η— случайная составляющая модели (с нулевым математическим ожиданием).

В практических задачах полагают, что η — некоррелированный случайный процесс, имеющий постоянную дисперсию. Функция f(a, x) характеризует значения, которые имела бы величина Y, если бы она не подвергалась действию случайной помехи г). Функция φ(b, х) характеризует ограничения, накладываемые на воздействие Г\. На практике, часто принимают: φ(b, х)=1.

Второй подход предполагает, что мы «пассивно» наблюдаем процесс изменения свойств (земли) во времени и не имеем возможности явно выявить факторы, влияющие на их изменение. В этом случае, для анализа тенденций изменения свойств целесообразно использовать хорошо развитый аппарат временных рядов.

Такой подход характерен при анализе сложных свойств, явлений и процессов на начальных стадиях исследований, когда о структурной или статистической взаимосвязи показателей или факторов недостаточно информации или ее невозможно получить в принципе.

В этом случае модель может быть представлена в виде:

Y=f(a, t)+ η. (2)

В линейном случае:

Y=a0+a1*t+ η, (3)

Где t — время, а — вектор коэффициентов модели.

Каждый из этих подходов требует применения своеобразных статистических методов обработки результатов наблюдений, построения модели и оценки ее параметров.

На данном этапе исследований поведения земельно-кадастровых показателей целесообразно основное внимание уделить построению модели, т. е. дать статистическое описание «движения» показателей во времени.

Основной инструментарий, который используется для анализа и описания процессов во времени содержится в теории временных (динамических) рядов,

Временные (динамические) ряды описывают изменение некоторой характеристики объекта во времени. Каждый член (уровень) такого ряда связан с определенным моментом времени или временным интервалом и формируется под совокупным влиянием множества длительно и кратковременно действующих факторов и в т. ч. различного рода случайностей.

Теоретически измерения уровней ряда могут регистрироваться непрерывно, но обычно они осуществляются через равные промежутки времени и нумеруются.

Последовательность расположения исследуемых данных во времени имеет существенное значение. Задачи и средства анализа подобных рядов будут отличаться от того, с чем имеет дело математическая статистика при изучении явлений с помощью обычной выборки.

Вместе с тем, применяемые при обработке временных рядов методы во многом опираются на методы классического статистического анализа.

Во многих случаях для земельно-кадастровых показателей характерно наличие множества значений, которые может принимать показатель в определенный момент времени. Например, учет и оценка качества земель выполняется в разрезе категорий землепользователей и административно-территориального деления (по районам, областям, краям и т. д.). Интегрированные или усредненные значения показателей по регионам или Российской Федерации в целом, могут привести к неверной, постановке гипотез и некачественному прогнозу. Поэтому использование простых методов анализа временных рядов здесь нежелательно.

Для эффективного прогнозирования поведения тренда необходимо иметь обобщенную аналитическую форму, описывающую тенденцию развития в виде некоторой функции времени (математическую модель) и соответствующей кривой.

Такие кривые получают путем аналитического выравнивания (сглаживания) временного ряда с помощью подбора функций, удовлетворяющих тем или иным условиям (такая операция) носит название «подгонка» кривой к данным). Найденная функция позволит получить выравненые значения уровней ряда и использовать ее для экстраполяции тренда.

Процесс выравнивания состоит из двух этапов:

— выбор типа кривой, форма которой соответствует характеру изменения уровней ряда;

— определение численных значений параметров функции (статистическая оценка).

Первый этап является наиболее важным, т. к. ошибка, допущенная при решении этого вопроса, оказывается более серьезной по своим последствиям, чем ошибка, связанная со статистической оценкой параметров.

В результате решения этих задач должна быть построена математическая модель прогнозирования процесса по тренду. При выравнивании временных рядов используются функции полиномиальные и экспоненциальные функции.

Полиномиальные функции

Применяются довольно часто, но не всегда дают хорошие результаты. Полином первой степе - = ни (k=1) применяется для описания процессов, равномерно, развивающихся во времени. Полином второй степени; (парабола) описывает движение с равномерным ускорением. Причем, если Ak>0, То парабола имеет минимальное значение, а если Ak<0, То — максимальное. У полинома третьей степени знак прироста ординат (у,) может изменяться один или два раза.

Особенность полиномиальной кривой состоит в том, что мы можем подобрать такую степень, что кривая пройдет через все точки наблюдений. Но в этом случае теряется смысл выделения тренда, а при недостаточном количестве наблюдений может иметь место «ухода» кривой от реального процесса (рис.8), что приведет к очень плохому прогнозу.

На рисунке 8 наблюдения выполнены в точках t1, t2, t3, no которым построена парабола второй степени. Прогноз сделан в точке t,. Значение показателя по модели — П, а реальный процесс проходит через точку р. Видно, что ошибка прогноза может составлять большую величину.

Для полиномиальных функций характерно то, что приросты значений членов ряда в явном виде не связаны с самими значениями.

В отличие от них, Экспоненциальные функции Учитывают скорость изменения прогнозируемого показателя пропорциональна его значению.

Наиболее универсальным средством подбора кривой является Использование аналитического критерия. Обычно в качестве критерия используют сумму квадратов отклонений фактических значений уровня от расчетных, полученных в результате выравнивания. Однако минимум суммы квадратов отклонений еще не означает, что тренд описан наилучшим образом, т. е. фактически нет обоснований того, что именно этот критерий дает наилучшее решение проблемы выравнивания.

На практике выбор формы кривой выполняется в два этапа.

На первом этапе отбираются функции, пригодные с позиции содержательного подхода к задаче. В результате такой процедуры удается значительно сузить класс потенциально применимых функций.

На втором этапе — для этих функций определяются значения критерия и выбирается та из них, которой соответствует его минимальное значение.

Во многих случаях, критерии, используемые при выборе формы, дают и решение другой задачи — определения параметров кривой, т. е., используя определенный метод оценки кривой, можно получить готовую модель для прогноза. Выбирается кривая, закон изменения прироста которой наиболее близок к закономерности изменения фактических данных.

Процедура выбора формы включает предварительную статистическую обработку ряда и сам выбор формы. Предварительная обработка состоит из трех этапов: 1) сглаживание ряда по скользящей средней; 2) определение средних приростов; 3) определение ряда производных характеристик прироста.

Первый этап — сглаживание по скользящей средней дает возможность грубо наметить тенденцию изменения ряда — тренд. После «чернового» определения тренда, можно определить средние приросты.

Выбрав форму кривой, приступают к оценке параметров соответствующей функции.

Для разных функций используют разные методы оценки параметров. Выбор метода основан на критерии, который дает лучшую точность прогноза (и, соответственно, точность определения неизвестных параметров модели).

Экстраполяция временного ряда является одним из завершающих этапов его исследования. Именно на этом этапе и осуществляется прогноз состояния объекта на период упреждения.