基于R的马尔可夫转移矩阵土地覆盖数据处理软件Malaccha

软件X 21（2023）101315原始软件出版物Malaccha：基于R的土地覆盖数据集端到端马尔可夫转移矩阵Winda Wijayasaria，Faizal Immaddudin Wira Rohmatb，c，Sahara，Sparisoma Viridida印度尼西亚万隆理工学院数学和自然科学系计算科学系b印度尼西亚万隆理工学院水资源开发中心c印度尼西亚万隆理工学院土木与环境工程系水资源工程与管理系d印度尼西亚万隆理工学院数学和自然科学系物理系ar t i cl e i nf o文章历史记录：2022年9月30日收到2023年1月15日收到修订版2023年1月15日接受保留字：马尔可夫转移矩阵土地覆盖物遥感R程序设计a b st ra ct马尔可夫链方法是分析土地覆盖变化的众多方法之一。该方法因其易于使用和透明性而被广泛使用Malaccha（Markovian Land Cover Change）提供了一个端到端的代码，将土地覆盖数据集处理为马尔可夫转移矩阵，表示从一种土地覆盖类型到另一种土地覆盖类型的变化概率。在这项研究中，代码是根据NASA现成的MODIS HDF数据集构建的。Malaccha分为几个步骤：土地覆盖数据加载，栅格重投影和裁剪，数据提取和转换矩阵计算。这些过程被设计成一次完成。该软件的最终结果是土地覆盖分类和概率转移矩阵。Malaccha版权所有2023作者。由爱思唯尔公司出版这是CC BY许可下的开放获取文章（http://creativecommons.org/licenses/by/4.0/）中找到。代码元数据当前代码版本001用于此代码版本的代码/存储库的永久链接https://github.com/ElsevierSoftwareX/SOFTX-D-22-00312可复制胶囊的永久链接无GPL-3许可证使用git的代码版本控制系统软件代码语言，工具和服务使用R编译要求、操作环境和依赖关系R-3.4.3及以上版本; R软件包tidyverse、terra和MASS。如果可用，请链接到开发人员文档/手册https://github.com/windawijayasari/Malaccha/blob/main/README.md支持电子邮件以解决问题faizalrohmat@itb.ac.id1. 动机和意义土地利用是用来描述人类利用土地的术语。土地或改变或改变土地覆被的直接行动它包括人类住区、保护区和农业等广泛类别[1]。土地覆被是指地面上的表面覆被，无论是植被、城市基础设施、水、裸露的土壤还是其他。尽管这些术语的含义是通信地址：CIBE Building 5 floor. Jalan Ganesa No. 10，Bandung，West Java40132，Indonesia.电子邮件地址：faizalrohmat@itb.ac.id（Faizal Immaddudin WiraRohmat）。https://doi.org/10.1016/j.softx.2023.101315土地利用和土地覆被（LULC）通常被互换使用[2]。LULC的快速变化在世界范围内观察到，特别是在发展中国家，由于它们严重依赖农业生产[3]和人口增加[4，5]。与LULC变化相关的研究近年来蓬勃发展[6]，因为它在地方，区域和全球层面的空间规划，人类和监测计划中发挥着重要作用[7]。获取卫星数据的便利性也有助于对土地利用变化的研究。许多方法已被用于模拟土地变化，包括使用马尔可夫链[8]，元胞自动机[5]，人工神经网络[2]，人工智能[9]和机器学习[10]。马尔可夫链方法因其易于使用和透明性而特别受欢迎。2352-7110/©2023作者。 由Elsevier B.V.出版。这是一篇开放获取的文章，使用CC BY许可证（http://creativecommons.org/licenses/by/4.0/）。可在ScienceDirect上获得目录列表SoftwareX期刊主页：www.elsevier.com/locate/softxWinda Wijayasari，Faizal Immaddudin Wira Rohmat和Sparisoma Viridi软件X 21（2023）1013152······----+×11类，分别。清单2的下半部分显示了马尔可夫链模型被广泛用于量化率从一个阶段到另一个阶段的变化[7，11]基于空间数据中像素值随时间的变化。转移概率矩阵反映了不同时间（t和（t+c））的两个LULC图之间从一种土地覆盖类型到另一种土地覆盖类型的变化概率。一般方程如下[12]：X t+c =Xt A（1）矩阵计算器该程序依赖于Terra，1tidyverse，2和MASS3库。terra软件包可处理空间数据集，包括MODIS数据集和边界shapefile。它有能力加载许多类型的空间数据格式，包括层次数据格式（HDF）。tidyverse软件包处理基于表格的数据，包括提取的中分辨率成像分光仪土地覆盖数据和土地覆盖重新分类CSV表格。MASS软件包用于雅可比分解，A=[aij]=a11a12a1na21a22a2n........an1an2· · ·ann中国（2）挖掘平均转移矩阵。Malaccha需要一个MODIS数据库，一个边界shapefile，两个CSV表（重新分类表和因子顺序表），以及一个定义所选数据集的字符串。MODIS数据库位于“data”文件夹下，其中随着其中Xt是m × n隶属矩阵，m构成像素或数据点的数量，n是土地覆盖类lc1，lc2，. . .，lc n。X矩阵中每一行的和必须等于1。值c是从第一年t到下一个观测年矩阵A是一个n乘n的转移矩阵，每个元素表示像素从时间t时的类别i到时间t时变为类别j的条件转移概率C.其中i和j是lc1，lc2，. . .，lc n.本研究提出一个端到端的软件来提取中分辨率成像光谱仪（MODIS）的土地覆盖数据集到马尔可夫转移矩阵。该软件被命名为Malaccha（马氏链和C上的变化）。命名灵感来自东南亚的马六甲市，这是一个历史上重要的贸易中心。该软件的长期愿景是成为了解土地覆被变化和预测的功能的集合或枢纽，首先提供的功能是马尔可夫土地覆被MODIS计划由NASA于1999年启动，作为全球新一代陆地数据集，空间分辨率为250米至1公里[13]。中分辨率成像分光仪土地覆盖数据的优点是在全球范围内保持一致，随时可用于土地覆盖分析，数据集的形式是土地覆盖分类。Malaccha制作的转移矩阵显示了多年来从一种土地覆被类型到另一种土地覆被类型的变化概率，以及多年来汇总变化的平均转移概率矩阵在获取年平均转移矩阵时，使用的方程组如下：X=X A=X BBB· ··BB=X Bc不不该文件夹还提供了一个示例边界shapefile来裁剪MODIS数据集。在运行中，Malaccha首先读取提供的输入，包括所需数据的路径（MODIS数据目录的路径，边界shapefile和分类表）和选定的变量。此步骤的结果是投影和裁剪的光栅。库、数据和脚本加载步骤在main.R脚本中，如清单1所示。之后，Malaccha移动到数据集加载步骤。在此步骤中，软件列出目录中可用的MODIS HDF，将HDF打开到栅格收集列表中，然后选择所选的MODIS图层，由输入的字符串指示该过程继续加载边界shapefile，然后用于重新投影和裁剪MODIS栅格。请注意，该脚本旨在将MODIS栅格从最初的MODIS正弦空间投影4重新投影到边界shapefile使用的坐标系统中。上部清单2的显示了MODIS数据集的加载、重投影和裁剪，这是通过使用另一个源脚本中定义的函数完成的。然后进行MODIS栅格数据的提取和再分类.该部分将重新投影和裁剪的MODIS栅格提取到包含栅格单元的X-Y坐标和土地覆盖类别编号的表格中。然后使用两个CSV表对类号进行重新分类，即，再分类表和因子顺序表。先验表用于将MODIS选定图层的土地覆盖类别数映射到分类。后一个表用于说明目的;说明这种土地覆被的顺序t+ct⎛ctimes⎞（三）今后应列出分类刺激-此步骤的结果是一个包含“Year”、“X-coordinate”、“Y-coordinate”、“LC_index”和“LC_class”列名的大表的X坐标和Y坐标值显示B=Ac =U0的情况。. .0U−1（4）nC每个像素的中心点。 最后两列显示了0（λ）1⎠原始土地覆被类别编号和重新分类的土地覆被U=[u1，u2，...，un]（5）其中B是年转移矩阵，并且是原始矩阵A的c次幂根[12，14]。B矩阵的计算遵循Jordan分解原理[15]。Malaccha是用R语言编写的，旨在一次性处理MODIS数据，包括预处理、重新分类、提取和马尔可夫转移矩阵分析。2. Malaccha软件描述Malaccha的流程图如下所示（图。①的人。后续部分提供了所应用方法的详细信息。的MODIS栅格数据的提取和重新分类，使用另一个源脚本中定义的函数。然后，这些步骤继续获取年份值，以便于在后续过程中使用，这些值存储为“years”向量变量。然后，将重新分类后的表作为输入，得到每年的土地覆盖类型矩阵。正如在Eqs中提到的那样。（1）和（3），这些是m n维的X矩阵。'' Get_matrix_by_year ''函数用于获取矩阵。该函数将重新分类的lapply函数用于通过years向量变量的成员有效地上软件被分成六个脚本文件，即，主脚本和其他五个脚本构成整个过程中的五个子过程：MODIS数据集加载器、MODIS栅格提取和重新分类、年度转换矩阵计算器函数、数据集转换矩阵提取器和平均转换1 https://CRAN.R-project.org/package=terra2 https://CRAN.R-project.org/package=tidyverse3 https://CRAN.R-project.org/package=MASS4 https://spatialreference.org/ref/sr-org/modis-sinusoidal-3/1C（λ）00Winda Wijayasari，Faizal Immaddudin Wira Rohmat和Sparisoma Viridi软件X 21（2023）1013153−Fig. 1. Malaccha软件流程图。清单3的一部分显示了年份值和土地覆盖矩阵提取。然 后 ， 该 过 程 继 续 计 算 所 有 转 移 矩 阵 。 函 数 ''Calculate_transition_matrix '' 在 此 步 骤 中 充 当 主 引 擎 。 它 以“reclassified_table”和“years"作为输入，返回”all_transition_matrices“，其中包含年份之间的所有转换矩阵。需要注意的是，如果有d年的栅格数据集，则会有d1个转换矩阵，因为这些矩阵计算两个栅格或年份之间的变化概率。清单3的中间部分显示了所有转换矩阵的计算。代码的最后一部分是平均转移矩阵的计算。计算步骤将（四）、该过程遵循Jordan分解原理来获得B矩阵。清单3的下半部分显示了平均转移矩阵的计算。3. 说明性实例本节以Citarik流域边界为例说明Malaccha的一个用例。示例区域为位于印度尼西亚西爪哇（Fig. 2 b）。边界shapefile存储在压缩目录中包含的代码和示例数据文件中。存储在压缩目录中的示例MODIS数据集是全球MODIS数据的一部分，与示例shapefile相交。目录中提供的中分辨率成像分光仪数据范例是2001-2020年的数据。 图图2a显示了使用示例边界坐标系重新投影后的2001年MODIS土地覆盖“LC_Type1”数据集示例MODIS示例边界 图图2b显示了使用Citarik流域边界形状文件示例进行重新投影和裁剪后的MODIS数据集，该文件也被绘制为黑色多边形。在加载、重投影和裁剪之后，该过程接着是重新分类表提取、土地覆盖矩阵提取、所有转移矩阵计算和平均转移矩阵计算。表1示出了在示例情况中使用的示例重新分类表。该表将17个不同的土地覆被类别编号映射为三个重新分类：一个单独的文件包含分类在随后的Winda Wijayasari，Faizal Immaddudin Wira Rohmat和Sparisoma Viridi软件X 21（2023）1013154+清单1 main.R脚本的库、数据和脚本加载步骤。清单2加载、重投影、裁剪、提取和重新分类源栅格。在这种情况下，遵循请注意，用户还可以指定将被忽略的土地覆盖类型。如表1所示，示例案例忽略了15、16和17土地覆被类别。由此产生的重新分类表见图。 3a，而图。图3 b显示了土地覆盖矩阵的例子。 图图3C示出了示例平均转移矩阵。示例平均转换矩阵显示了从一个土地覆被类别到另一个土地覆被类别的变化概率。以前的土地覆盖分类是按行排列的，而后面的分类是按列排列的。例如，今年森林单元格变为农业单元格的概率为0.01925图图3a显示了一个包含23，190个数据行的表格，其中显示了2001年至2020年每个像素基于其坐标的土地覆盖类别。马尔可夫模型决定了转移概率在时间t到时间t1的两个LC类（i和j）之间的ij。在这样做时，创建了一个组合列，将X和Y坐标作为单元格标识符加入，其余列显示每个单元格对每个LC类的二进制成员关系（图11）。 3 b）。由此产生的平均转移矩阵（图。3c）显示了可用于预测土地变化的马尔可夫矩阵的平均值。由此产生的重新分类表可用于查看土地覆被随时间的变化。在图4中，选择了2001年、2010年和2020年来呈现2001-2020年期间土地覆盖变化的快照。该图显示了三个类别之间土地覆盖的像素变化路径：森林（绿色薄雾，十六进制代码#009e73），农业（星舰黄色，十六进制代码#f0e442）和开发（黄褐色橙色，十六进制代码#d55e00）。该图显示，土地覆被发生了变化，尽管大多数单元格保持不变。在上述变化中，有从一个阶级到Winda Wijayasari，Faizal Immaddudin Wira Rohmat和Sparisoma Viridi软件X 21（2023）1013155清单3按年份收集矩阵，计算所有转移矩阵，并计算平均转移矩阵。图二、 示例MODIS“LC_Type1”数据集（a）加载并重新投影到示例边界的坐标系中，（b）使用示例边界重新投影和裁剪后的MODIS数据集。另一个是，大部分是从森林到农业再到发达地区的单调转变。4. 影响与LULC相关的研究在世界范围内一直在发展[2，16]。与其他新兴科学领域一样，水资源管理[17]和评估城市可持续性的生态系统服务[9]，与土地利用变化建模相关的出版物数量有所增加[6]。遥感数据正在稳步地为LULC建模目的而普及。该数据最好用于全球覆盖范围、定期记录，与地面记录不同，地面记录是零星采集的，针对具体地点，更难获取。Malaccha承诺有机会成为一种工具，通过马尔可夫链的转移矩阵来帮助理解LULC随时间的动态变化。通过研究一个地区土地覆被类别随时间变化的概率，可以了解土地利用变化的情况和动态。这种理解对于区域规划至关重要利用卫星遥感影像检测土地利用变化通常需要多个遥感工具软件进行影像分类和单独的统计分析软件。Malaccha提供端到端基于卫星的LULC数据处理，Winda Wijayasari，Faizal Immaddudin Wira Rohmat和Sparisoma Viridi软件X 21（2023）1013156=+图三. 示例计算结果（a）示例土地覆盖重新分类表，（b）示例土地覆盖矩阵，以及（c）示例平均转移矩阵。表1作为输入文件提供的土地覆被制图重新分类示例。LC_index LC_class1森林2森林4森林5森林6农业7农业8森林9森林10农业11农业12农业13发达14农业15NA16NA17NA也就是说，光栅处理、重分类和统计分析，以得到归一化的转移矩阵。这样的过程可以在一次运行中完成。另一个优点是源代码是可见的，允许修改和改编。由此产生的转移概率矩阵可以用于预测未来LULC的变化使用马尔可夫链方法。例如，可以使用平均转移概率矩阵（B）预测未来25年的LC类，公式为 Xt25Xt B25。代码提供了参与的灵活性在其他耦合建模中。例如，与随机空间元胞自动机[5，8]，人工智能[9]，基于代理[18]和机器学习[19]模型的集成。使用该软件与更复杂的模型耦合的一个详细的示例说明是作为基于代理的社会生态动态模型中的转移矩阵的重新计算的子例程。5. 结论Malaccha证明了卫星数据可以被处理，从而在一次运行中使用R代码生成转移概率矩阵。矩阵是非常有用的，因为马尔可夫链是trans-parent在某种程度上，在转移矩阵的变化概率的值可以看到。由于人口、生产、承载能力和政策干预的压力，动态LULC变化建模将继续发生，为人类的未来做准备转换矩阵帮助我们在将其与更复杂的模型耦合之前理解其为了未来的发展，Malaccha设想为Winda Wijayasari，Faizal Immaddudin Wira Rohmat和Sparisoma Viridi软件X 21（2023）1013157见图4。 2001年、2010年和2020年之间的土地覆盖转换快照。了解土地覆被变化动态和预测，并进一步增加功能。竞合利益作者声明，他们没有已知的竞争性财务利益或个人关系，可能会影响本文报告的工作数据可用性数据将根据要求提供。致谢本研究由万隆技术研究所（ITB）DTTP研究基金资助，合同编号为1354/IT1.B05/KP/2021，ITB研究优秀基金合同编号为LPPM.PN-6-35-2022。引用[1] de Sherbinin A.信息网中心专题指南土地利用和土地覆盖变化信息网中心专题指 南 土 地 利 用 和 土 地 覆 盖 变 化 3 1.0- 土 地 利 用 和 土 地 覆 盖 变 化 。 NY ：Palisades;2002.[2] Saputra MH，Lee HS. 使用基于人工神经网络的元胞自动机预测印度尼西亚北 苏 门 答 腊 的 土 地 利 用 和 土 地 覆 盖 变 化 。 可 持 续 发 展 2019;11 ： 3024 。http://dx.doi.org/10.3390/SU11113024。[3] Portmann FT，Siebert S，Döll P. MIRCA 2000 - 2000年全球每月灌溉和灌溉作 物 面 积 ： 农 业 和 水 文 模 拟 的 新 高 分 辨 率 数 据 集 。 24.第 24 章 ： 我 的 天http://dx.doi.org/10.1029/2008GB003435网站。[4] [10]李晓，李晓，李晓.基于多时相MODIS NDVI数据的土地利用/土地覆盖分类及其变化检测JGeogrSci2015;25：1479-506.http://dx.doi.org/10.1007/s11442-015-1247-y网站。[5] Gidey E，Dikinya O，Sebego R，Segosebe E，Zenebe A.基于元胞自动机地球系统环境模型2017;3：1245-62。http://dx.doi.org/10.1007/S40808-017-0397-6/FIGURES/6。[6]Verburg PH ， Alexander P ， Evans T ， Magliocca NR ， Malek Z ，Rounsevell Mda ， et al. Beyond land cover change ： Towards a newgeneration of land use models.Curr Opin Environ Sustain 2019;38 ： 77-85.http://dx.doi.org/10的网站。1016/J.COSUST.2019.05.002。[7] 哈马德河使用Sentinel- 2A数据对土地覆盖分类的人工神经网络、支持向量机 和 决 策 树 的 评 估 。 应 用 生 态 环 境 科 学 2020;8 ： 459-64 。http://dx.doi.org/10.12691/AEES-8-6-18。[8]吴伟杰，王晓刚，王晓刚.多目标马尔可夫链蒙特卡罗元胞自动机模型：模拟纽约 市 的 多 密 度 城 市 扩 张 。 87. 第 87 章 大 结 局 得 双 曲 正 切 值 .doi.org/10.1016/j.compenvurbsys.2021.101602网站。[9]吴文辉，陈文辉.基于人工智能的LULC映射和预测的集成，用于评估城市可持续 性 的 生 态 系 统 服 务 ： 过 去 到 未 来 的 视 角 。14. 第 一 次 的 约 会http://dx.doi.org/10.1007/s12517-021-08251-4网站。[10]Shetty S，Gupta PK，Mrs. M，Srivastav SK.使用多时相遥感数据和谷歌地球引擎评估训练抽样设计对土地覆盖制图机器学习分类器性能的影响。13.第十三届中国国际纺织品展览会http://dx.doi.org/10的网站。3390/RS13081433。[11]Khwarahm NR ， Qader S ， Ararat K ， Fadhil Al-Quraishi AM.使 用 CA-Markov协同模型预测和绘制埃尔比勒/伊拉克的土地覆盖/土地利用变化。地球科学通报 2021;14 ：393-406。http://dx.doi.org/10 的网站。 1007/S12145-020-00541-X/图/6。[12]Takada T，Miyamoto A，Hasegawa SF.土地利用动态年转移概率矩阵的推导及 其 应 用 。 Landsc Ecol 2010;25 ： 561-72. http://dx.doi.org/10.1007/s10980-009-9433-x网站。[13]Justice CO ， Townshend JRG ， Vermote EF ， Masuoka E ， Wolfe RE ，Saleous N，et al. An overview of MODIS land data processing and productstats. 遥 感 环 境 2002;83 ： 3-15. http://dx.doi.org/10.1016/S0034-4257 （ 02 ）00084-6.[14]Mertens B，Lambin EF.喀麦隆南部土地覆被变化轨迹。《美国地理年鉴》，2000年;90：467-94。http://dx.doi.org/10的网站。1111/0004-5608.00205。[15]Flamenco-Sandoval A，Martínez Ramos M，Masera OR.评估土地利用和土地覆盖变化动态对保护的影响高度多样化的热带雨林。生物保护2007;138：131-45. http://dx.doi.org/10.1016/J.BIOCON.2007.04.022网站。[16]黄强，赵X，何春，尹丹，孟S。冬奥会背景下城市扩展对湿地生态系统服务功能的影响官厅水库流域情景模拟。Reg Environ Change 2019;19：2365-79.http://dx.doi.org/10.1007/S10113-019-01552-1网站。[17]Fields CM，Labadie JW，Rohmat FIW，Johnson LE.改善灌溉农业Winda Wijayasari，Faizal Immaddudin Wira Rohmat和Sparisoma Viridi软件X 21（2023）1013158对 水生 生 态系 统 的 影响 。 农业 水 管 理 2021;252 ： 106877 。 得 双曲 正 切值 .doi.org/10.1016/J.AGWAT.2021.106877网站。[18] 作者：Viridi S，Haryanto F.基于主体的模型及其在模拟某些物理系统中的潜 力 。 IOP Conf Ser Mater Sci Eng 2019;599. 得 双 曲 正 切 值 .doi.org/10.1088/1757-899X/599/1/012008网站。[19] [10]杨文，杨文.绘制大面积土地覆盖变化图：机器学习算法的比较。远程传 感 环 境 2008;112 ： 2272-83 。 http://dx.doi.org/10 的 网 站 。1016/J.RSE.2007.10.004。