Struktura agrarna odgrywa fundamentalną rolę w kształtowaniu organizacji przestrzeni rolniczej i sposobów jej użytkowania. Jest to pojęcie o szerokim, interdyscyplinarnym charakterze, obejmujące układ relacji pomiędzy wielkością gospodarstw rolnych, formami własności ziemi, sposobami użytkowania gruntów oraz ich rozmieszczeniem w krajobrazie. Od jej kształtu zależy nie tylko efektywność procesów produkcyjnych, lecz także możliwości adaptacji rolnictwa do zmian środowiskowych i rynkowych. Współczesne badania nad strukturą agrarną wykraczają jednak poza klasyczną statystykę opisową, zmierzając w kierunku analizy dynamicznej, uwzględniającej złożone interakcje przestrzenne, presję inwestycyjną oraz uwarunkowania planistyczne.
Rozwój nowoczesnych technologii, w tym Systemów Informacji Geograficznej (GIS) oraz teledetekcji, otworzył nowe możliwości w zakresie oceny i monitorowania przestrzeni rolniczej. Jednak w ostatnich latach przełomem staje się za stosowanie sztucznej inteligencji (AI), a w szczególności uczenia maszynowego (Machine Learning). Algorytmy te pozwalają nie tylko klasyfikować obecny stan zagospodarowania, ale – co kluczowe dla nowoczesnego zarządzania przestrzenią – prognozować przyszłe zmiany strukturalne w odpowiedzi na czynniki demo graficzne, ekonomiczne i prawne.
Niniejsza monografia ma na celu wypełnienie luki metodycznej w badaniach nad dynamiką obszarów wiejskich poprzez opracowanie i weryfikację nowatorskiej metodyki wykorzystania GeoAI do oceny i prognozowania kierunków zmian struktury agrarnej. Głównym zadaniem badawczym jest konstrukcja zintegrowanego modelu predykcyjnego, który łączy różnorodne, często rozproszone źródła danych– ewidencję gruntów i budynków (EGiB), rejestry cen nieruchomości (RCN) oraz dokumenty planistyczne (MPZP) – w celu identyfikacji obszarów zagrożonych niekontrolowaną fragmentacją (parcelacją) lub odrolnieniem.
W pracy przyjęto założenie, że skuteczne prognozowanie procesów przestrzennych wymaga odejścia od analizy na poziomie jednostek administracyjnych na rzecz podejścia mikroskalowego i obiektywnego. Z tego względu zaproponowano metodykę opartą na regularnej siatce heksagonalnej oraz zaawansowanych algorytmach gradientowego wzmacniania drzew decyzyjnych (LightGBM). Podejście to pozwala na uchwycenie nieliniowych zależności między cechami geometrycznymi działek, sąsiedztwem a presją rynkową, co jest trudne do osiągnięcia metodami tradycyjnej ekonometrii przestrzennej.
Jako studium przypadku (case study) do weryfikacji opracowanej metodyki wy brano powiat ostródzki w województwie warmińsko mazurskim. Wybór ten nie jest przypadkowy – obszar ten charakteryzuje się wysoką dynamiką przekształceń własnościowych, zróżnicowaniem form użytkowania ziemi oraz występowaniem silnej presji inwestycyjnej w sąsiedztwie walorów przyrodniczych. Traktujemy go jednak jako poligon doświadczalny, mający na celu potwierdzenie skuteczności i uniwersalności proponowanych rozwiązań algorytmicznych, które z powodzeniem mogą być implementowane w innych regionach o podobnej specyfice.
Praca składa się z części teoretycznej, metodycznej oraz empirycznej. W pierw szych rozdziałach dokonano syntezy dotychczasowej wiedzy na temat analizy struktury agrarnej oraz roli sztucznej inteligencji w rolnictwie i gospodarce przestrzennej. Rozdział metodyczny szczegółowo opisuje proces przygotowania danych, inżynierię cech oraz architekturę modelu GeoAI. W części badawczej przedstawiono wyniki trenowania i walidacji modeli predykcyjnych, weryfikując ich zdolność do prognozowania zjawisk parcelacji i odrolnienia w horyzoncie krótko- i średniookresowym. Całość zamykają wnioski i rekomendacje dla administracji samorządowej, wskazujące, jak narzędzia AI mogą wspierać procesy planowania przestrzennego, czyniąc je bardziej proaktywnymi i opartymi na danych (data-driven)
– wstęp do monografii
Rafał Kaźmierczak, Cezary Kowalczyk, Dariusz Tanajewski
ISBN 978-83-68026-68-9
e-ISBN 978-83-68026-69-6
Liczba stron: 206
Format: B5
Oprawa: miękka
Rok wydania: 2025
Cena: 99,00 zł
(w tym 5% VAT)
