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

Lớp các thông tin sử dụng đất và các yếu tốtác động được chồng xếp và phân tích nhờ công cụ của GIS.Trong n ước: Mô hình hóa không gian quá trình phát triển và biến đổi sử dụng đất với s

thông tin sử dụng đất các thời điểm Lớp các thông tin sử dụng đất và các yếu tốtác động được chồng xếp và phân tích nhờ công cụ của GIS.

Trong n ước:

Mô hình hóa không gian quá trình phát triển và biến đổi sử dụng đất với sự trợ giúpcủa viễn thám và GIS cũng là xu hướng nghiên cứu trong nghiên cứu về địa lý, đấtđai Nguyễn Kim Lợi đã sử dụng các mô hình toán học để đánh giá ảnh hưởng củabiến động lớp phủ/ sử dụng đất đến bồi lắng trầm tích ở lưu vực sông Đồng Nai

Mô hình Markov Chain được áp dụng để xác định khả năng biến động sử dụng đấtdựa vào giá trị nhận được của các thời kỳ [96] Cùng sử dụng mô hình đó, tác giảTrần Anh Tuấn năm 2010 ứng dụng nâng cấp chuỗi Markov Chain thành mô hìnhMakov và Cellular Automata trong dự báo thay đổi không gian lớp đất đô thị HàNội tới năm 2014 và 2021 dựa trên dữ liệu vệ tinh Landsat đa thời gian (1993,

2000 và 2007) Các nghiên cứu trên đều sử dụng tư liệu viến thám để chiết xuấtthông tin sử dụng đất các thời điểm và sử dụng chức năng phân tích của GIS để xâydựng và chạy mô hình sử dụng đất Nghiên cứu đã đưa ra ma trận chuyển dịch tạihai thời điểm khác nhau làm cơ sở dự báo thay đổi của đối tượng nghiên cứu vàđồng thời cũng cho thấy mô hình celular automata phù hợp hơn có sự mở rộng nhưđất đô thị [25] Trong khi đó, nghiên cứu của Castella và cộng sự năm 2007 chokhu vực Bắc Cạn sử dụng GIS kết hợp ba mô hình bao gồm SAMBA, LUPAS vàCLUE theo hướng tiếp cận từ dưới lên trên và từ trên xuống dưới Tiếp cận nàyđóng vai trò bổ sung trong việc thu hẹp khoảng cách kiến thức và tăng sự tương tácgiữa các bên liên quan cùng sự liên tục từ nghiên cứu để phát triển và xây dựngchính sách Sử dụng kết hợp các mô hình là phương pháp được đẩy mạnh cho vấn

đề quản lý tài nguyên thiên nhiên ở nhiều quy mô [49] Các mô hình trên còn hạnchế, chỉ chạy với hai đối tượng với định dạng số nhị phân Trong khi đó, sự chuyểnđổi sử dụng đất là rất đa dạng và phức tạp, các mô hình nhị phân không thể hiệnđược sự tổng quát và đa dạng sự chuyển đổi đó Đề tài này đưa ra nhằm lựa chọn

và chứng minh mức hiệu quả của mô hình LCM (Land cover model) trong dự báobiến động sử dụng đất huyện Thái Thuy, Thái Bình

 Tổng quan trên cho thấy có khá nhiều phương pháp mô hình được phát triểnnhằm đánh giá và phân tích thay đổi sử dụng đất Tùy thuộc vào điều kiệnkhu vực nghiên cứu và câu hỏi nghiên cứu để xác định cách tiếp cận phùhợp

• Tính cấp thiết của đề tài

Ngày nay, cùng với sự phát triển của đất nước, đất đai ngày càng biến đổi mục đích

sử dụng để đáp ứng nhu cầu của xã hội Việc xác định các nguyên nhân dẫn đến biến

đổi sử dụng đất đòi hỏi hiểu cả cách mà con người đưa ra quyết định sử dụng đất và sựtương tác giữa các yếu tố tự nhiên và xã hội ảnh hưởng đến việc ra quyết định đó [86].Điều đó cho thấy rằng các quyết định sử dụng đất được đưa ra và chịu ảnh hưởng bởicác yếu tố tự nhiên và xã hội Hiện trạng sử dụng đất là kết quả của quan hệ tổng hợpcác nhân tố bao gồm cả yếu tố sinh, địa, lý và yếu tố kinh tế - xã hội cũng như sựtương tác giữa chúng Do vậy nghiên cứu các mô hình sử dụng đất đất được xem làmột trong những nghiên cứu quan trọng trợ giúp các nhà quản lý và quy hoạch đưa raquyết định sử dụng đất một cách bền vững.

1.2 Các khái niệm và mục đích

Sử dụng đất: Trong nhiệm vụ trọng tâm sử dụng đất - Land Use Task Force

(nguồn: [32]), Sử dụng đất (Land use) được định nghĩa là sự mô tả những công trìnhcủa con người trên đất Sử dụng đất có những thành phần sau:

- Các hoạt động (những hình thức sử dụng đất thực tế có liên quan đến cấu trúc

và làm biến đổi cảnh quan đó),

- Sử dụng có liên quan đến lớp phủ đất (nơi lớp phủ gián tiếp được sử dụnghoặc có ý nghĩa quan trọng cho việc giải đoán hình thái hoặc những tác động của loạihình sử dụng),

- Những mối quan tâm được liệt kê trên đất đó (nơi có những quyết định sửdụng có thể ảnh hưởng do những mối quan tâm đó)

- Sự tồn tại của pháp lý (ranh giới pháp lý, chiếm hữu và các điều khoản ảnhhưởng đến sự sử dụng)

Mô hình: là một hệ thống các yếu tố vật chất hoặc ý niệm (tư duy) để biểu diễn,

phản ánh hoặc tái tạo đối tượng cần nghiên cứu, nó đóng vai trò đại diện, thay thế đốitượng thực sao cho việc nghiên cứu mô hình cho ta những thông tin mới tương tự đốitượng thực

 Như vậy mô hình sử dụng đất là mô hình được xây dựng dựa trên quy

mô nghiên cứu, sự phức tạp của biến đổi sử dụng đất tại khu vực, cũng nhưmối quan hệ không gian, thời gian nhằm xác định mức độ khả năng chuyểnđổi sử dụng đất trên mỗi đơn vị các điều kiện tự nhiên theo không gian vàthời gian

1.3.Các loại mô hình và 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 đầu tiên là cần xác định khoảng thời gian dự báo Trên

cơ sở kết quả đánh giá biến động sử dụng đất khu vực nghiên cứu giai đoạn

2005-2013, nghiên cứu đã ứng dụng mô hình phân tích chuỗi Markov nhằm dự báo biếnđộng 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 trên của quá trình đánh giá

TCD: Mốc thời gian cận dưới của quá trình đánh giá

b Chuỗi Markov (Markov chain)

Mô hình Markov Chain đã được ứng dụng để xác định khả năng thay đổi các kiểu sửdụng đất dựa trên sự tiến triển các kiểu sử dụng đất và các nhân tố ảnh hưởng đến sựthay đổi

Để dự báo phân bố các kiểu sử dụng đất khác nhau vào các thời điểm tiếp theo

có thể ứng dụng mô hình Markov Chain như sau:

Mô hình CLUMondo mô phỏng sự thay đổi sử dụng đất dựa trên định lựng thực

tế các mối quan hệ giữa hiện trạng sử dụng đất và các nhân tố liên quan đến sự thayđỏi sử dụng đất hay là các nhân tố để đánh giá phù hợp đối với việc phân bố loại hình

sử dụng đất cụ thể (bao gồm nhân tố tự nhiên và các nhân tố khác) Ngoài ra, mô hìnhcòn liên kết với động lực là mức độ cạnh tranh giữa các loại hình sử dụng đất

Mô hình thực hiện việc phân bố đất đai phù hợp dựa trên các kịch bản nhu cầuquy hoạch và mức độ tương quan của từng loại hình sử dụng đất Mô hình sử dụngphương pháp phân tích quy hồi để cho ra kết quả mối tương quan giữa phân bố từngloại hình sử dụng đất với các yếu tố phù hợp

Sự thay đổi sử dụng đất tại một vị trí cụ thể ( 1 pixel) sẽ tùy thuộc vào mức độtương quan giữa các nhân tố đánh giá phù hợp của pixel đó với 1 loại hình sử dụng đất

1.3.3 Mô hình Neuron Network

* Mạng nơ ron nhân tạo trong tính toán khả năng chuyển đổi sử dụng đất

Trong mô hình LCM, mô hình chuyển đổi sử Similarity-Weighted Based Machine Learning (SimWeight), Logistic Regression hoặc một Multi-LayerPerceptron (MLP) neural network

Instance-Mạng nơ ron nhân tạo (Artificial Nerual Networks – ANNs) được xây dựng từnhững năm 1940 Với việc ứng dụng thuật toán lan truyền ngược (back propagationalgorithm) năm 1988, ANN đã trở nên quen thuộc và được sử dụng nhiều trong ngànhtài nguyên tài nguyên môi trường, đặc biệt là dự báo sử dụng đất

a Cấu trúc của mạng nơ ron nhân tạo.

Mạng nơ ron nhân tạo-ANN dựa vào đặc điểm của não bộ động vật, và thường

là các hệ thống song song bao gồm nhiều phần tử được liên kết với nhau bằng cáctrọng số của các biến Những phần tử liên kết này được xếp trong các lớp Các lớp baogồm: một lớp đầu vào, một lớp đầu ra, và từ một đến nhiều lớp nằm giữa gọi là các lớp

ẩn Các phần tử liên kết trong các lớp khác nhau này hoặc là được liên kết tuyệt đốihoặc là được liên kết bán tuyệt đối Những liên kết giữa các phần tử liên kết này đều

có trọng số Trọng số của mỗi liên kết này có thể được hiệu chỉnh Trọng số bằngkhông cho thấy không có liên kết nào, và trọng số có giá trị âm cho thấy giữa hai phần

tử này có quan hệ rất lỏng lẻo Mạng nơ ron nhân tạo mô hình hóa việc xử lý dữ liệukhông gian của bộ não con người Mạng nơ ron là phi tuyến và có thể được hiểu làmột công thức toán học phức tạp để chuyển đổi dữ liệu đầu vào (hiện trạng sử dụngđất trong quá khứ, các yếu tố tự nhiên) thành dữ liệu đầu ra theo mong muốn (như sửdụng đất trong tương lai) MLP sử dụng thuật toán lan truyền ngược Thuật toán này làthuật toán được ứng dụng rộng rãi nhất trong các mô hình mạng lưới nơ ron

σ (y) = 1

1 + e-y

Sơ đồ mạng nơ ronnhân tạo trong việc xác định khả năng biến động

b Quá trình quét xuôi

Khối cơ bản của một mạng nơ ron là một nơ ron thần kinh Trong nơ ron nàycác giá trị đầu vào lần lượt được nhân với các trọng số, sau đó được cộng với nhau.Tổng được tạo ra được gọi là “net” e và nó được tính toán cho tất cả các neron thầnkinh của mạng Sau khi “net” e được tính toán, nó được chuyển thành tín hiệu đầu ra Ybằng việc áp dụng một hàm kích hoạt f

Giá trị đầu ra của hàm kích hoạt Logistic nằm trong khoảng [0,1] Vì vậy cácphần mềm ANN thường đòi hỏi dữ liệu gốc phải được chuyển đổi tuyến tính vềkhoảng [0,05;0,95] trước khi tham gia vào mạng nơ ron Khoảng [0,05;0,95] được lựachọn thay vì khoảng [0,1] vì hàm kích hoạt Logistic là một hàm tiệm cận.

d Quy trình lan truyền ngược

Phương pháp lan truyền ngược sử dụng một tập hợp các giá trị đầu vào và đầu

ra để tìm ra mạng nơ ron mong muốn Một tập hợp đầu vào được đưa vào một hệthống giả định trước nào đó để tính ra giá trị đầu ra O, sau đó giá trị đầu ra O này được

so sánh với giá trị giá trị thực đo Y Nếu không có sự khác biệt nào, thì không cần thựchiện một quá trình kiểm tra nào, ngược lại các trọng số sẽ được thay đổi trong quátrình lan truyền ngược trong mạng nơ ron để giảm sự khác biệt đó Sau khi vượt qualớp cuối cùng, giá trị đầu ra thực của mạng được so sánh với giá trị mong muốn (giá trị

đo đạc) Mục tiêu là phải tối thiểu hoá sai số tổng của mạng cho tất cả các tập hợp theothời gian của các giá trị đầu vào (input partern) Sai số của partern p của một mạng chỉ

có một biến đầu ra được tính như sau:

E(w) = ½ ∑d ∈ D∑k ∈ outputs (tkd – okd) 2

Trong đó:

ouputs: tập tất cả các nơ-ron đầu ra của mạng

t kd , o kd : là giá trị đích và giá trị đầu ra tương ứng của nơ-ron thứ k ứng vớimẫu học d

Phương pháp lan truyền ngược cố gắng tối thiểu hóa sai số này bằng cách điềuchỉnh các trọng số trong mỗi quá trình tính toán với các thông số như µ là đại diện chotốc độ học (learning rate) và hệ số mômen α

Trong đó, µ điều khiển tốc độ mà quá trình lan truyền ngược điều khiển cáctrọng số trong mỗi lần tính toán Nếu thay đổi trọng số càng nhanh, thì càng chóng đạtđược trọng số mong muốn Nhưng nếu µ quá lớn, nó có thể gây ra sự dao động và bất

ổn định của đầu ra

Để giải quyết vấn đề này, một hệ số khác gọi là hệ số mômen α được đưa vào;

hệ số này có tác dụng làm tăng tốc độ học mà không gây ra sự giao động Về cơ bản

mà nói thì α là một hằng số xác định sự ảnh hưởng của các trọng số của bước thời giantrước đến sự thay đổi của trọng số ở bước thời gian này

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 một hệ thống gồm N trạng thái phân biệt, được đánh số thứ tự 1, 2, …, N.Tại thời điểm t bất kỳ, hệ thống có thể chuyển từ trạng thái Si sang một trong N– 1 trạng thái còn lại hoặc chuyển trở lại chính trạng thái Si

Như vậy, ở thời điểm t, từ trạng thái Si có N nhánh thao tác chuyển trạng thái

Mỗi nhánh này có một độ đo khả năng xảy ra (xác suất xảy ra), được gọi là xác suất chuyển trạng thái.

A ,

Có thuộc tính Markov”.

Và aij phải thõa mãn các ràng buộc xác suất:

B,

Markov Hiện (Observable Markov Model).

Xác suất chuyển trạng thái cho tất cả các trạng thái trong hệ thống có thể được

mô tả bằng ma trận chuyển trạng thái:

2.1.2 Mô hình Markov ẩn

Mô hình Markov ẩn là dạng mở rộng của mô hình Markov Trong môhình Markov, các sự kiện quan sát được nằm trong mỗi trạng thái và phụ thuộcvào và phụ thuộc vào hàm mật độ xác suất trong các trạng thái đó

Hình trên minh họa mô hình Markov ẩn 3 trạng thái với các sự kiện có thể quansát được trong mỗi trạng thái là V = {v1, v2, v3, v4} Khả năng (xác suất) quansát được sự kiện vk trong trạng thái Sj phụ thuộc vào hàm xác suất bj(k) Hàm bđược gọi là hàm mật độ xác suất của các sự kiện được quan sát.

2.1.3 Ba bài toán cơ bản của HMM

− Bài toán 1: cho trước chuỗi tín hiệu quan sát O = {O1, O2, …, OT} và môhình HMM đại diện bởi bộ tham số Làm sao để tính toán một cách hiệuquả – xác suất phát sinh O từ mô hình

− Bài toán 2: cho trước chuỗi tín hiệu quan sát O = {O1, O2, …, OT} và môhình HMM đại diện bởi bộ tham số Cần tìm ra chuỗi trạng thái tối ưunhất Q = {q1, q2, …, qT} đã phát sinh ra O

− Bài toán 3: cho trước chuỗi tín hiệu quan sát O = {O1, O2, …, OT} Làmthế nào để xác định các tham số mô hình sao cho cực đại hóa xác suất ?Đây chính là bài toán học / huấn luyện mô hình Bài toán này đem lại mộtkhả năng rất quan trọng của HMM: khả năng mô hình hóa một đối tượng

cụ thể trong thực tế, mô hình hóa dữ liệu học

2.2 Mô Hình GEOMOD:

Là mô hình dự đoán biến đổi sử dụng đất

− Đầu vào: các loại bản đồ số, có đủ các thông tin như: thông số về độ phângiải, lưới chiếu, số hàng, cột

− Đầu ra là bản đồ dự báo sử dụng đất

Để có thể tiến hành chạy mô hình dự đoán biến đổi sử dụng GEOMOD, ta cần xử lý

dữ liệu đầu vào với 1 số yêu cầu sau:

* Các bản đồ đưa vào (LANDUSE MAP, DRIVER MAP) cần phải có cùngcác thông số về độ phân giải (RESOLUTION), lưới chiếu (PROJECTION), số lượngdòng cột (ROW, COLUMN)

* Các bản đồ sử dụng đất (LANDUSE MAP) cần được phần loại theo cùng 1 hệthống các chuyên mục (CATEGORIES) như sau:

– Category “0” = Vùng ngoài khu vực nghiên cứu

– Category “1” = Các khu vực có loại đất cần dự đoán sự biến đổi (Forest,Agriculture Land, ….)

– Category “2” = Các khu vực có các loại đấ

2.3 Mô hình Neuron Network

Mạng Neuron nhân tạo (Artificial Neural Network- ANN) là mô hình xử lýthông tin được mô phỏng dựa trên hoạt động của hệ thống thần kinh của sinh vật, baogồm số lượng lớn các Neuron được gắn kết để xử lý thông tin ANN giống như bộ nãocon người, được học bởi kinh nghiệm (thông qua huấn luyện), có khả năng lưu giữnhững kinh nghiệm hiểu biết (tri thức) và sử dụng những tri thức đó trong việc dựđoán các dữ liệu chưa biết (unseen data)

ứng dụng : của mạng Neuron được sử dụng trong rất nhiều lĩnh vực như điện, điện tử,

kinh tế, quân sự,… để giải quyết các bài toán có độ phức tạp và đòi hỏi có độ chínhxác cao như điều khiển tự động, khai phá dữ liệu, nhận dạng,…

2.3.1 Kiến trúc tổng quát của một ANN

Quá trình xử lý thông tin của một ANN

Đầu vào: Mỗi Input tương ứng với 1 thuộc tính (attribute) của dữ liệu (patterns) Ví dụnhư trong ứng dụng của ngân hàng xem xét có chấp nhận cho khách hàng vay tiền haykhông thì mỗi Input là một thuộc tính của khách hàng như thu nhập, nghề nghiệp, tuổi,

số con,…

Đầu ra : Kết quả của một ANN là một giải pháp cho một vấn đề, ví dụ như với bàitoán xem xét chấp nhận cho khách hàng vay tiền hay không thì output là yes (cho vay)hoặc no (không cho vay)

mation Function (Hàm tổng): Tính tổng trọng số của tất cả các input được đưa vào mỗiNeuron (phần tử xử lý PE) Hàm tổng của một Neuron đối với n input được tính theocông thức sau:

Hàm tổng đối với nhiều Neurons trong cùng một Layer (Xem hình b):

Transformation (Transfer) Function (Hàm chuyển đổi)

Hàm tổng (Summation Function) của một Neuron cho biết khả năng kích hoạt(Activation) của neuron đó còn gọi là kích hoạt bên trong (internal activation) CácNueron này có thể sinh ra một output hoặc không trong ANN (nói cách khác rằng cóthể output của 1 Neuron có thể được chuyển đến layer tiếp trong mạng Neuron theohoặc không) Mối quan hệ giữa Internal Activation và kết quả (output) được thể hiệnbằng hàm chuyển đổi (Transfer Function)

Việc lựa chọn Transfer Function có tác động lớn đến kết quả của ANN Hàm chuyểnđổi phi tuyến được sử dụng phổ biến trong ANN là sigmoid (logical activation)function

Trong đó :

YT: Hàm chuyển đổi

Y: Hàm tổng