SO SÁNH ĐÁNH GIÁ CÁC MÔ HÌNH SỬ DỤNG ĐẤT PHỔ BIẾN

Mục Lục CHƯƠNG I: TỔNG QUAN MÔ HÌNH SỬ DỤNG ĐẤT 1.1 Tổng quan mô hình sử dụng đất Ngoài nước: Mô hình biến đổi sử dụng đất xây dựng dựa quy mô nghiên cứu, phức tạp biến đổi sử dụng đất khu vực, mối quan hệ không gian, thời gian yêu cầu định sử dụng đất [68, 76, 90] Mô hình sử dụng đất khác quan điểm nghiên cứu lĩnh vực khác như: Mô hình kinh tế lượng phát triển nhà kinh tế để mô tả định chuyển đổi sử dụng đất người sử dụng đất thông qua tính hiệu mặt kinh tế Mô hình Irawin cộng nghiên cứu cho Patuxent Watershed, Maryland, USA năm 2001[14]; Mô hình không gian nhà địa lý, quy hoạch phát triển xác định không gian chuyển đổi dựa đặc điểm vị trí mối quan hệ với yếu tố lân cận Nghiên cứu Walsh cộng năm 2008 mô không gian thay đổi sử dụng đất khu vực phía Bắc Ecuadorian Amazon để kiểm tra tình trạng phá rừng Mô hình hóa nghiên cứu sử dụng lý thuyết CA (cenlullar automata) [122] Tuy nhiên, lý thuyết CA bị hạn chế không sử dụng yếu tố tác động Để khắc phục hạn chế điều đó, nghiên cứu mô hình hóa thay đổi không gian sử dụng đất Costa Rica Pontius cộng áp dụng mô hình Geomod, mô hình sử dụng đặt tính sinh địa lý mô không gian biến động sử dụng đất Một nghiên cứu khác Jantz nghiên cứu thiết kế triển khai mô hình hóa sử dụng mô hình Sleuth cellular dự báo phát triển đô thị đến năm 2030 cho vịnh Chesapeake [76] GIS có khả tốt việc mô hình hóa khái niệm quy trình môi trường tự nhiên nói chung sử dụng đất nói riêng [44] Mô hình biến động sử dụng đất xây dựng nhờ tích hợp viễn thám GIS [35, 130] Giải đoán mắt xử lý ảnh số sử dụng để chiết tách thông tin sử dụng đất thời điểm Lớp thông tin sử dụng đất yếu tố tác động chồng xếp phân tích nhờ công cụ GIS Trong nước: Mô hình hóa không gian trình phát triển biến đổi sử dụng đất với trợ giúp viễn thám GIS xu hướng nghiên cứu nghiên cứu địa lý, đất đai Nguyễn Kim Lợi sử dụng mô hình toán học để đánh giá ảnh hưởng biến động lớp phủ/ sử dụng đất đến bồi lắng trầm tích lưu vực sông Đồng Nai Mô hình Markov Chain áp dụng để xác định khả biến động sử dụng đất dựa vào giá trị nhận thời kỳ [96] Cùng sử dụng mô hình đó, tác giả Trần Anh Tuấn năm 2010 ứng dụng nâng cấp chuỗi Markov Chain thành mô hình Makov Cellular Automata dự báo thay đổi không gian lớp đất đô thị Hà Nội tới năm 2014 2021 dựa liệu vệ tinh Landsat đa thời gian (1993, 2000 2007) Các nghiên cứu sử dụng tư liệu viến thám để chiết xuất thông tin sử dụng đất thời điểm sử dụng chức phân tích GIS để xây dựng chạy mô hình sử dụng đất Nghiên cứu đưa ma trận chuyển dịch hai thời điểm khác làm sở dự báo thay đổi đối tượng nghiên cứu đồng thời cho thấy mô hình celular automata phù hợp có mở rộng đất đô thị [25] Trong đó, nghiên cứu Castella cộng năm 2007 cho khu vực Bắc Cạn sử dụng GIS kết hợp ba mô hình bao gồm SAMBA, LUPAS CLUE theo hướng tiếp cận từ lên từ xuống Tiếp cận đóng vai trò bổ sung việc thu hẹp khoảng cách kiến thức tăng tương tác bên liên quan liên tục từ nghiên cứu để phát triển xây dựng sách Sử dụng kết hợp mô hình phương pháp đẩy mạnh cho vấn đề quản lý tài nguyên thiên nhiên nhiều quy mô [49] Các mô hình hạn chế, chạy với hai đối tượng với định dạng số nhị phân Trong đó, chuyển đổi sử dụng đất đa dạng phức tạp, mô hình nhị phân tổng quát đa dạng chuyển đổi Đề tài đưa nhằm lựa chọn chứng minh mức hiệu mô hình LCM (Land cover model) dự báo biến động sử dụng đất huyện Thái Thuy, Thái Bình  Tổng quan cho thấy có nhiều phương pháp mô hình phát triển nhằm đánh giá phân tích thay đổi sử dụng đất Tùy thuộc vào điều kiện khu vực nghiên cứu câu hỏi nghiên cứu để xác định cách tiếp cận phù hợp • Tính cấp thiết đề tài Ngày nay, với phát triển đất nước, đất đai ngày biến đổi mục đích sử dụng để đáp ứng nhu cầu xã hội Việc xác định nguyên nhân dẫn đến biến đổi sử dụng đất đòi hỏi hiểu cách mà người đưa định sử dụng đất tương tác yếu tố tự nhiên xã hội ảnh hưởng đến việc định [ 86] Điều cho thấy định sử dụng đất đưa chịu ảnh hưởng yếu tố tự nhiên xã hội Hiện trạng sử dụng đất kết quan hệ tổng hợp nhân tố bao gồm yếu tố sinh, địa, lý yếu tố kinh tế - xã hội tương tác chúng Do nghiên cứu mô hình sử dụng đất đất xem nghiên cứu quan trọng trợ giúp nhà quản lý quy hoạch đưa định sử dụng đất cách bền vững 1.2 Các khái niệm mục đích Sử dụng đất: Trong nhiệm vụ trọng tâm sử dụng đất - Land Use Task Force (nguồn: [32]), Sử dụng đất (Land use) định nghĩa mô tả công trình người đất Sử dụng đất có thành phần sau: - Các hoạt động (những hình thức sử dụng đất thực tế có liên quan đến cấu trúc làm biến đổi cảnh quan đó), - Sử dụng có liên quan đến lớp phủ đất (nơi lớp phủ gián tiếp sử dụng có ý nghĩa quan trọng cho việc giải đoán hình thái tác động loại hình sử dụng), - Những mối quan tâm liệt kê đất (nơi có định sử dụng ảnh hưởng mối quan tâm đó) - Sự tồn pháp lý (ranh giới pháp lý, chiếm hữu điều khoản ảnh hưởng đến sử dụng) Mô hình: hệ thống yếu tố vật chất ý niệm (tư duy) để biểu diễn, phản ánh tái tạo đối tượng cần nghiên cứu, đóng vai trò đại diện, thay đối tượng thực cho việc nghiên cứu mô hình cho ta thông tin tương tự đối tượng thực  Như mô hình sử dụng đất mô hình xây dựng dựa quy mô nghiên cứu, phức tạp biến đổi sử dụng đất khu vực, mối quan hệ không gian, thời gian nhằm xác định mức độ khả chuyển đổi sử dụng đất đơn vị điều kiện tự nhiên theo không gian thời gian 1.3.Các loại mô hình ứng dụng 1.3.1 Mô hình CA-Markov dự báo sử dụng đất a Xác định thời gian dự báo Để tiến hành dự báo việc cần xác định khoảng thời gian dự báo Trên sở kết đánh giá biến động sử dụng đất khu vực nghiên cứu giai đoạn 20052013, nghiên cứu ứng dụng mô hình phân tích chuỗi Markov nhằm dự báo biến động sử dụng đất huyện Thái Thủy tới năm 2021 theo công thức sau: TDB = TCT + (TCT - TCD) (2) Trong đó: TDB: Thời điểm dự báo TCT: Mốc thời gian cận trình đánh giá TCD: Mốc thời gian cận trình đánh giá b Chuỗi Markov (Markov chain) Mô hình Markov Chain ứng dụng để xác định khả thay đổi kiểu sử dụng đất dựa tiến triển kiểu sử dụng đất nhân tố ảnh hưởng đến thay đổi Để dự báo phân bố kiểu sử dụng đất khác vào thời điểm ứng dụng mô hình Markov Chain sau: * = Chuỗi Markov viết lại dạng tổng quát hóa ma trận sau: [V1, V2, …, V5]1 * = [V1, V2, …., V5]2 1.3.2 Mô hình CLUMondo Là mô hình mô hình sử dụng rộng rãi dự báo biến động sử dụng đất nhiều nước giới, ứng dụng nhiều tỷ lệ khác nhau, từ cấp tỉnh đến cấp quốc gia Mô hình CLUMondo mô thay đổi sử dụng đất dựa định lựng thực tế mối quan hệ trạng sử dụng đất nhân tố liên quan đến thay đỏi sử dụng đất nhân tố để đánh giá phù hợp việc phân bố loại hình sử dụng đất cụ thể (bao gồm nhân tố tự nhiên nhân tố khác) Ngoài ra, mô hình liên kết với động lực mức độ cạnh tranh loại hình sử dụng đất Mô hình thực việc phân bố đất đai phù hợp dựa kịch nhu cầu quy hoạch mức độ tương quan loại hình sử dụng đất Mô hình sử dụng phương pháp phân tích quy hồi kết mối tương quan phân bố loại hình sử dụng đất với yếu tố phù hợp Sự thay đổi sử dụng đất vị trí cụ thể ( pixel) tùy thuộc vào mức độ tương quan nhân tố đánh giá phù hợp pixel với loại hình sử dụng đất cụ thể, mức độ tương quan cao phù hợp cho khả thay đổi sang loại sử dụng đất Mô hình tạo bả đồ thể dự báo khả thay dổi sử dụng đất xảy tương lai dựa nhu cầ quy hoạch Độ xác mô hình phụ thuộc nhiều vào liệu đầu vào, đặc biệt liệu trạng sử dụng đất kinh nghiệm người xây dựng ma trận chuyển đổi đặt điều kiện giới hạn cho phép chuyển đổi sử dụng đất theo thời gian vị trí phân bố không gian Mô hình chuẩn hóa dựa hệ số Kapa tính đối sánh kết mô hình với trạng thay đổi thực tế thời điểm 1.3.3 Mô hình Neuron Network * Mạng nơ ron nhân tạo tính toán khả chuyển đổi sử dụng đất Trong mô hình LCM, mô hình chuyển đổi sử Similarity-Weighted InstanceBased Machine Learning (SimWeight), Logistic Regression Multi-Layer Perceptron (MLP) neural network Mạng nơ ron nhân tạo (Artificial Nerual Networks – ANNs) xây dựng từ năm 1940 Với việc ứng dụng thuật toán lan truyền ngược (back propagation algorithm) năm 1988, ANN trở nên quen thuộc sử dụng nhiều ngành tài nguyên tài nguyên môi trường, đặc biệt dự báo sử dụng đất a Cấu trúc mạng nơ ron nhân tạo Mạng nơ ron nhân tạo-ANN dựa vào đặc điểm não động vật, thường hệ thống song song bao gồm nhiều phần tử liên kết với trọng số biến Những phần tử liên kết xếp lớp Các lớp bao gồm: lớp đầu vào, lớp đầu ra, từ đến nhiều lớp nằm gọi lớp ẩn Các phần tử liên kết lớp khác liên kết tuyệt đối liên kết bán tuyệt đối Những liên kết phần tử liên kết có trọng số Trọng số liên kết hiệu chỉnh Trọng số Địa mạocho thấy liên kết nào, trọng số có giá trị âm cho thấy hai phần không tử có quan hệ lỏng lẻo Mạng nơ ron nhân tạo mô hình hóa việc xử lý liệu không gian não người Mạng nơ ron phi tuyến hiểu Thổ nhưỡng công thức toán học phức tạp để chuyển đổi liệu đầu vào (hiện trạng sử dụng Khả biến(như động sử đất khứ, yếu tố tự nhiên) thành liệu đầu theo mong muốn Khoảng cách tới đường bờ dụng đất tương lai) MLP sử dụng thuật toán lan truyền ngược Thuật toán thuật toán ứng dụng rộng rãi mô hình mạng lưới nơ ron Xói mòn, bồi tụ Xác suất chuyển đổi Sơ đồ mạng nơ ronnhân tạo việc xác định khả biến động b Quá trình quét xuôi Khối mạng nơ ron nơ ron thần kinh Trong nơ ron giá trị đầu vào nhân với trọng số, sau cộng với Tổng tạo gọi “net” e tính toán cho tất neron thần kinh mạng Sau “net” e tính toán, chuyển thành tín hiệu đầu Y việc áp dụng hàm kích hoạt f X1 X2 W1 W2 e1=W1X1+ W2X2+ W3X3=f(e1) Y W3 X3 c Hàm kích hoạt Trong trình quét xuôi, mạng nơ ron sử dụng hàm kích hoạt phi tuyến Hầu hết mạng nơ ron sử dụng hàm kích hoạt logistic (sigmoid) o = σ(net) =  + e-net Trong đó: Như vậy: net = ∑ wixi σ (y) = 1 + e-y Giá trị đầu hàm kích hoạt Logistic nằm khoảng [0,1] Vì phần mềm ANN thường đòi hỏi liệu gốc phải chuyển đổi tuyến tính khoảng [0,05;0,95] trước tham gia vào mạng nơ ron Khoảng [0,05;0,95] lựa chọn thay khoảng [0,1] hàm kích hoạt Logistic hàm tiệm cận d Quy trình lan truyền ngược Phương pháp lan truyền ngược sử dụng tập hợp giá trị đầu vào đầu để tìm mạng nơ ron mong muốn Một tập hợp đầu vào đưa vào hệ thống giả định trước để tính giá trị đầu O, sau giá trị đầu O so sánh với giá trị giá trị thực đo Y Nếu khác biệt nào, không cần thực trình kiểm tra nào, ngược lại trọng số thay đổi trình lan truyền ngược mạng nơ ron để giảm khác biệt Sau vượt qua lớp cuối cùng, giá trị đầu thực mạng so sánh với giá trị mong muốn (giá trị đo đạc) Mục tiêu phải tối thiểu hoá sai số tổng mạng cho tất tập hợp theo thời gian giá trị đầu vào (input partern) Sai số partern p mạng có biến đầu tính sau: E(w) = ½ ∑d∈D∑k∈outputs (tkd – okd)2 Trong đó: ouputs: tập tất nơ-ron đầu mạng tkd , okd : giá trị đích giá trị đầu tương ứng nơ-ron thứ k ứng với mẫu học d Phương pháp lan truyền ngược cố gắng tối thiểu hóa sai số cách điều chỉnh trọng số trình tính toán với thông số µ đại diện cho tốc độ học (learning rate) hệ số mômen α Trong đó, µ điều khiển tốc độ mà trình lan truyền ngược điều khiển trọng số lần tính toán Nếu thay đổi trọng số nhanh, chóng đạt trọng số mong muốn Nhưng µ lớn, gây dao động bất ổn định đầu Để giải vấn đề này, hệ số khác gọi hệ số mômen α đưa vào; hệ số có tác dụng làm tăng tốc độ học mà không gây giao động Về mà nói α số xác định ảnh hưởng trọng số bước thời gian trước đến thay đổi trọng số bước thời gian CHƯƠNG II :SO SÁNH ĐÁNH GIÁ CÁC LOẠI MÔ HÌNH SỬ DỤNG ĐẤT 2.1 Mô hình Hidden Markov Model 2.1.1 Mô hình Markov Xét hệ thống gồm N trạng thái phân biệt, đánh số thứ tự 1, 2, …, N Tại thời điểm t bất kỳ, hệ thống chuyển từ trạng thái S i sang N – trạng thái lại chuyển trở lại trạng thái Si Như vậy, thời điểm t, từ trạng thái Si có N nhánh thao tác chuyển trạng thái Mỗi nhánh có độ đo khả xảy (xác suất xảy ra), gọi xác suất chuyển trạng thái A , Có thuộc tính Markov” Và aij phải thõa mãn ràng buộc xác suất: B, Markov Hiện (Observable Markov Model) Xác suất chuyển trạng thái cho tất trạng thái hệ thống mô tả ma trận chuyển trạng thái: 2.1.2 Mô hình Markov ẩn Mô hình Markov ẩn dạng mở rộng mô hình Markov Trong mô hình Markov, kiện quan sát nằm trạng thái phụ thuộc vào phụ thuộc vào hàm mật độ xác suất trạng thái Hình minh họa mô hình Markov ẩn trạng thái với kiện quan sát trạng thái V = {v1, v2, v3, v4} Khả (xác suất) quan sát kiện vk trạng thái Sj phụ thuộc vào hàm xác suất b j(k) Hàm b gọi hàm mật độ xác suất kiện quan sát 2.1.3 Ba toán HMM − Bài toán 1: cho trước chuỗi tín hiệu quan sát O = {O 1, O2, …, OT} mô hình HMM đại diện tham số Làm để tính toán cách hiệu – xác suất phát sinh O từ mô hình − Bài toán 2: cho trước chuỗi tín hiệu quan sát O = {O 1, O2, …, OT} mô hình HMM đại diện tham số Cần tìm chuỗi trạng thái tối ưu Q = {q1, q2, …, qT} phát sinh O − Bài toán 3: cho trước chuỗi tín hiệu quan sát O = {O 1, O2, …, OT} Làm để xác định tham số mô hình cho cực đại hóa xác suất ? Đây toán học / huấn luyện mô hình Bài toán đem lại khả quan trọng HMM: khả mô hình hóa đối tượng cụ thể thực tế, mô hình hóa liệu học 2.2 Mô Hình GEOMOD: Là mô hình dự đoán biến đổi sử dụng đất Đầu vào: loại đồ số, có đủ thông tin như: thông số độ phân giải, lưới chiếu, số hàng, cột − Đầu đồ dự báo sử dụng đất − Để tiến hành chạy mô hình dự đoán biến đổi sử dụng GEOMOD, ta cần xử lý liệu đầu vào với số yêu cầu sau: * Các đồ đưa vào (LANDUSE MAP, DRIVER MAP) cần phải có thông số độ phân giải (RESOLUTION), lưới chiếu (PROJECTION), số lượng dòng cột (ROW, COLUMN) * Các đồ sử dụng đất (LANDUSE MAP) cần phần loại theo hệ thống chuyên mục (CATEGORIES) sau: – Category “0” = Vùng khu vực nghiên cứu – Category “1” = Các khu vực có loại đất cần dự đoán biến đổi (Forest, Agriculture Land, ….) – Category “2” = Các khu vực có loại đấ 2.3 Mô hình Neuron Network Mạng Neuron nhân tạo (Artificial Neural Network- ANN) mô hình xử lý thông tin mô dựa hoạt động hệ thống thần kinh sinh vật, bao gồm số lượng lớn Neuron gắn kết để xử lý thông tin ANN giống não người, học kinh nghiệm (thông qua huấn luyện), có khả lưu giữ kinh nghiệm hiểu biết (tri thức) sử dụng tri thức việc dự đoán liệu chưa biết (unseen data) ứng dụng : mạng Neuron sử dụng nhiều lĩnh vực điện, điện tử, kinh tế, quân sự,… để giải toán có độ phức tạp đòi hỏi có độ xác cao điều khiển tự động, khai phá liệu, nhận dạng,… 2.3.1 Kiến trúc tổng quát ANN Quá trình xử lý thông tin ANN Đầu vào: Mỗi Input tương ứng với thuộc tính (attribute) liệu (patterns) Ví dụ ứng dụng ngân hàng xem xét có chấp nhận cho khách hàng vay tiền hay không Input thuộc tính khách hàng thu nhập, nghề nghiệp, tuổi, số con,… Đầu : Kết ANN giải pháp cho vấn đề, ví dụ với toán xem xét chấp nhận cho khách hàng vay tiền hay không output yes (cho vay) no (không cho vay) mation Function (Hàm tổng): Tính tổng trọng số tất input đưa vào Neuron (phần tử xử lý PE) Hàm tổng Neuron n input tính theo công thức sau: Hàm tổng nhiều Neurons Layer (Xem hình b): Transformation (Transfer) Function (Hàm chuyển đổi) Hàm tổng (Summation Function) Neuron cho biết khả kích hoạt (Activation) neuron gọi kích hoạt bên (internal activation) Các Nueron sinh output không ANN (nói cách khác output Neuron chuyển đến layer tiếp mạng Neuron theo không) Mối quan hệ Internal Activation kết (output) thể hàm chuyển đổi (Transfer Function) Việc lựa chọn Transfer Function có tác động lớn đến kết ANN Hàm chuyển đổi phi tuyến sử dụng phổ biến ANN sigmoid (logical activation) function Trong : YT: Hàm chuyển đổi Y: Hàm tổng CHƯƠNG III: THỰC NGHIỆM ỨNG DỤNG MÔ HÌNH NEURON NETWORK TRONG CÔNG TÁC SỬ DỤNG ĐẤT TẠI HUYỆN THÁI THỤY-THÁI BÌNH 3.1 Khái quát chung 3.1.1 Khái niệm chung mô hình Neuron Network Mạng nơ ron nhân tạo tính toán khả chuyển đổi sử dụng đất Trong mô hình LCM, mô hình chuyển đổi sử Similarity-Weighted Instance-Based Machine Learning (SimWeight), Logistic Regression Multi-Layer Perceptron (MLP) neural network Mạng nơ ron nhân tạo (Artificial Nerual Networks – ANNs) xây dựng từ năm 1940 Với việc ứng dụng thuật toán lan truyền ngược (back propagation algorithm) năm 1988, ANN trở nên quen thuộc sử dụng nhiều ngành tài nguyên tài nguyên môi trường, đặc biệt dự báo sử dụng đất 3.1.2 Khái quát chung mô hình biến động sử dụng đất Mô hình biến động sử dụng đất (Land Change Modeler) – công cụ mà việc phân tích biến động sử dụng đất mô hình hóa kết hợp với yếu tố sinh địa lý với phát thải hiệu ứng nhà kính, Mô dun mô hình hóa biến động dựa vào ma trận chuỗi Markov đồ khả chuyển đổi mà tính toán từ hồi quy logic mạng thần kinh nhân tạo Mục đích toán mô hình hóa phần nhằm xác định mức độ khả chuyển đổi sử dụng đất đơn vị điều kiện tự nhiên theo không gian thời gian Bên cạnh đó, mô hình Land change modeler sử dụng để dự báo sử dụng đất năm 2021 Từ đánh giá vai trò kết dự báo quy hoạch sử dụng theo mục tiêu phát triển bền vững 3.2 Dữ liệu biến dùng mô hình dự báo xử dụng đất Dữ liệu mô hình cần chuẩn hóa theo định dạng liệu phần mềm IDRISI Dữ liệu tổng hợp theo bảng 3.1 sau: Bảng Bảng định dạng liệu stt Tên lớp liệu Dạng liệu Số hàng cột Hiện trạng sử dụng đất 1989 Số thực 3052,2272 Hiện trạng sử dụng đất 2001 Số thực 3052,2272 Hiện trạng sử dụng đất 2005 Hiện trạng sử dụng đất 2013 Bản đồ địa mạo Số thực 3052,2272 Bản đồ thổ nhưỡng Số thực 3052,2272 Lớp liệu xói lở, bồi tụ 1989 – 2001 Số thực 3052,2272 Lớp liệu khoảng cách tới đường bờ Số thực 3052,2272 3.3 Kết hợp mô hình Neuron network Marko_CA dự báo sử dụng đất Có nhiều cô cụ mô hình hóa sử dụng đất khác Cellular Automata (CA) Markov, Markov chain, GEOMOD, Mô hình LCM (Land Change Modeler) Mạng neuron network tích hơp CA-Marrkov mạng nơ ron nhân tạo (neural network) nhằm dự báo sử dụng đất tương lai Hình 3.1 sau mô tả quy trình mô hình hóa dự báo sử dụng đất năm 2021 huyện Thái Thụy, Thái Bình Hình Quy trình mô hình hóa sử dụng đất Quy trình mô hình hóa thực với mục tiêu:1) đánh giá quan hệ khả chuyển đổi sử dụng đất với điều kiện tự nhiên (trình bày mục 3.2.1); 2) Đánh giá độ xác mô hình dự báo sử dụng đất năm 2009 2013 (trình bày mục 3.2.2); 3) Ứng dụng mô hình kiểm chứng mục 3.2.3 để dự báo sử dụng đất năm 2021 (mục 3.2.3) 3.3.1 Đánh giá khả chuyển đổi sử dụng đất mối quan hệ với điều kiện tự nhiên huyện Thái Thụy, Thái Bình Khả chuyển đổi có giá trị từ đến Giá trị cao xác suất chuyển đổi lớn Trong đó, giá trị xác suất chuyển đổi, giá trị chắn chuyển đổi Kết đầu mạng thần kinh nhân tạo xác suất chuyển đổi cặp biến động sử dụng đất Trên cặp biến động sử dụng đất, xác suất chuyển đổi chúng có phân bố theo yếu tố tự nhiên, cụ thể thổ nhưỡng, địa mạo, khoảng cách tới đường bờ, xói mòn bồi tụ Mối quan hệ phân tích thể sau: Biến động đất lúa hoa màu Trong giai đoạn 1989 – 2001, biến động đất lúa hoa màu theo ba hướng: đất lúa hoa màu chuyển thành đất dân cư; lúa hoa màu chuyển thành đất nuôi trồng thủy sản; đất trồng cói chuyển đổi thành đất lúa hoa màu Trong đó, khả chuyển đổi đất lúa hoa màu thành đất nuôi trồng thủy sản nhỏ không đáng kể (giá trị chuyển đổi