Struktura agrarna odgrywa kluczową rolę w organizacji przestrzeni rolniczej i sposobach jej użytkowania. Obejmuje relacje między wielkością gospodarstw, formami własności ziemi, sposobami użytkowania gruntów oraz ich rozmieszczeniem w krajobrazie. Od jej kształtu zależy nie tylko efektywność produkcji rolnej, lecz także zdolność rolnictwa do adaptacji do zmian środowiskowych i rynkowych. Współczesne badania nad strukturą agrarną wykraczają poza statystykę opisową, zmierzając ku analizie dynamicznej, uwzględniającej interakcje przestrzenne, presję inwestycyjną i uwarunkowania planistyczne.
Nowoczesne technologie, zwłaszcza Systemy Informacji Geograficznej (GIS), teledetekcja oraz sztuczna inteligencja (AI), otworzyły nowe możliwości oceny i monitorowania przestrzeni rolniczej. Szczególne znaczenie zyskują algorytmy uczenia maszynowego, które pozwalają nie tylko klasyfikować aktualny stan zagospodarowania, lecz także prognozować przyszłe zmiany strukturalne pod wpływem czynników demograficznych, ekonomicznych i prawnych.
Celem monografii jest opracowanie i weryfikacja metodyki wykorzystania GeoAI do oceny i prognozowania zmian struktury agrarnej. Główne zadanie badawcze stanowi budowa zintegrowanego modelu predykcyjnego łączącego dane z ewidencji gruntów i budynków (EGiB), rejestru cen nieruchomości (RCN) oraz miejscowych planów zagospodarowania przestrzennego (MPZP) w celu identyfikacji obszarów zagrożonych niekontrolowaną parcelacją lub odrolnieniem.
W pracy przyjęto, że skuteczne prognozowanie procesów przestrzennych wymaga odejścia od analizy na poziomie jednostek administracyjnych na rzecz podejścia mikroskalowego. Zaproponowana metodyka opiera się na regularnej siatce heksagonalnej oraz algorytmach gradientowego wzmacniania drzew decyzyjnych (LightGBM), co umożliwia uchwycenie nieliniowych zależności między cechami geometrycznymi działek, sąsiedztwem i presją rynkową.
Studium przypadku stanowi powiat ostródzki w województwie warmińsko-mazurskim, charakteryzujący się dużą dynamiką przekształceń własnościowych, zróżnicowaniem użytkowania ziemi oraz silną presją inwestycyjną. Obszar ten potraktowano jako poligon doświadczalny służący weryfikacji skuteczności i uniwersalności proponowanych rozwiązań.
Monografia składa się z części teoretycznej, metodycznej i empirycznej. Obejmuje syntezę wiedzy o strukturze agrarnej i zastosowaniu AI w gospodarce przestrzennej, opis przygotowania danych i konstrukcji modelu GeoAI, a także wyniki trenowania i walidacji modeli predykcyjnych. Całość zamykają wnioski i rekomendacje dla administracji samorządowej, wskazujące, w jaki sposób narzędzia AI mogą wspierać bardziej proaktywne i oparte na danych planowanie przestrzenne.
-25%