7. Cấu trúc của luận văn
4.4.1. Quy trình các bước nghiên cứu dự báo thay đổi lớp phủmặt đất tới năm
Bài toán mô hình hóa thay đổi lớp phủ mặt đất huyện Từ Liêm tới năm 2016 và 2023 dựa trên nguồn tƣ liệu không gian chính là ảnh SPOT năm 1995, 2002 và 2009. Nội dung các bƣớc tiến hành mô hình hóa biến đổi lớp phủ mặt đất cụ thể nhƣ sau:
- Xây dựng bản đồ lớp phủ mặt đất: sử dụng phƣơng pháp phân loại ảnh phân loại hƣớng đối tƣợng bằng phần mềm Madcat. Kết quả của giai đoạn này là thành lập đƣợc bản đồ lớp phủ mặt đất tại ba thời điểm đã nêu ở trên
Hình 4.5: Quy trình dự báo biến đổi lớp phủ mặt đất khu vực nghiên cứu
- Xây dựng ma trận chuyển đổi Markov: Bản chất của phƣơng pháp phân tích chuỗi Markov là xây dựng mối liên hệ giữa 2 bản đồ lớp phủ mặt đất tại hai thời điểm đánh giá nhằm tạo cơ sở khoa học cho quá trình mô hình hóa ở các bƣớc tiếp theo. Sở dĩ mốc thời điểm dự báo là năm 2016 và 2023 là dựa trên việc tính toán ma trận chuyển đổi Markov để xác định ra bƣớc nhảy thời gian (time steps) cho quá trình đánh giá. Mốc thời gian dự báo 2016 đƣợc xác định bằng cách tính khoảng thời gian giữa năm 2002 và 2009 (7 năm), cụ thể theo công thức nhƣ sau:
TDB = TCT + (TCT - TCD)
Trong đó: TDB: Thời điểm dự báo
TCT: Mốc thời gian cận trên của quá trình đánh giá TCD: Mốc thời gian cận trên của quá trình đánh giá
Áp dụng công thức trên, ta sẽ xác định đƣợc thời điểm dự báo biến đổi lớp phủ mặt đất huyện Từ Liêm nhƣ sau:
TDB1 = 2009 + (2009 – 2002) = 2016 TDB2 = 2009 + (2009 – 1995) = 2023 Ảnh phân loại năm 2002 Ảnh phân loại năm 2009 Ảnh phân loại năm 1995
Phân tích chuỗi Markov
Dự báo thay đổi lớp phủ theo Mạng tự động Ma trận chuyển đổi Markov
Dự báo thay đổi lớp phủ mặt đất năm 2016
Dự báo thay đổi lớp phủ mặt đất năm 2023 Đánh giá đa chỉ tiêu Bản đồ phân cấp mức độ thích hợp Đất ở và xd Nông nghiệp Mặt nƣớc Đất trống và bãi bồi
- Phân cấp mức độ thích hợp (suitability):
Phân cấp thích hợp thƣờng đƣợc sử dụng trong quá trình đánh giá đa chỉ tiêu (Multi Criteria Evaluation) trong các bài toán mô hình hóa thông tin không gian. Phân cấp thích hợp thể hiện mức độ thích hợp đối với một mục tiêu đánh giá cụ thể của tất cả các địa điểm trong khu vực nghiên cứu.
Đối với bài toán mô hình hóa biến động lớp phủ mặt đất Huyện Từ Liêm, đề tài đã xác định các yếu tố quan trọng trong khu vực nghiên cứu đó là: 1) các điểm dân cƣ và xây dựng; 2) nông nghiệp; 3) mặt nƣớc; 4) đất trống và bãi bồi. Các yếu tố ảnh hƣởng tới 4 yếu tố nêu trên là: đặc điểm sử dụng đất (thể hiện bằng bản đồ hiện trạng sử dụng đất), giao thông, thủy văn. Những yếu tố hiện trạng sử dụng đất, giao thông , thủy văn đƣợc đánh giá, phân cấp và tạo ngƣỡng tƣơng ứng với 5 nhân tố nêu trên.
Các bƣớc phân cấp thích hợp đƣợc thể hiện ở hình sau:
Hình 4.6: Quy trình các bước phân cấp thích hợp
Phân cấp thích hợp
Các dữ liệu đƣợc raster hóa bằng Arcgis và đƣa vào phần mềm Idrisi để đánh giá đa chỉ tiêu là các dạng dữ liệu ảnh raster 8 bit có giá trị độ xám từ 0 - 255, do vậy, khi phân cấp thích hợp trong Idrisi đối với các dữ liệu này, tùy theo số lƣợng phân cấp mà chia ra thang điểm trong khoảng từ 0 đến 255.
a. Loại hình quần cư: Đƣợc phân cấp dựa trên việc đánh giá 3 chỉ tiêu: HTSDĐ, khoảng cách tới đƣờng giao thông. Các chỉ tiêu đƣợc xác định cụ thể nhƣ sau:
- HTSDĐ: đƣợc đánh giá theo 5 cấp, thang điểm 255 – 192 – 128 – 64 – 0. + 255: DC, DCD + 192: CAQ Bản đồ HTSDĐ Bản đồ giao thông Bản đồ thủy văn Raster hóa bằng Arcgis P hân cấp thích hợp Đất ở và xây dựng Đất nông nghiệp Đất trống Mặt nƣớc Đánh giá đa chỉ tiêu Bằng Idrisi
+ 128: LUC, LUK + 64: R, CSD, CHN + 0: TS, MN
→ Raster hóa
- Khoảng cách tới đƣờng giao thông: trong khoảng 0 - 100m: thuận lợi nhất, từ 100 - 1000: mức độ thuận lợi giảm dần.
+ Chuẩn bị file vectorr đƣờng giao thông, tạo trƣờng mới (value), cho giá trị bằng 1, cắt theo ranh giới.
+ Chuyển sang raster (TIFF), vào IDRISI chuyển sang dạng .rst.
+ Để phân cấp điểm, dùng hàm FUZZY: GIS Analysis → Decision Support → FUZZY.
Membership function type: J-shaped Input file: gt_final
Output file: gt_fuzzy
Output data format: Byte (0-255)
Membership function shape: Monotonically decreasing Control point c: 100
Control point d: 1000
b. Loại hình Nông nghiệp: đƣợc đánh giá bằng 1 chỉ tiêu: HTSDĐ. - HTSDĐ: đƣợc đánh giá theo 3 cấp, thang điểm 255 - 128 – 0. + 255: CAQ, CHN, LUC, LUK
+ 128: CSD, R
+ 0: DC, DCD, TS, MN → Raster hóa
c. Loại hình Mặt nước: tách lớp thông tin mặt nƣớc giải đoán đƣợc, gán giá trị = 255, phần còn lại = 0
d. Loại hình Đất trống: đƣợc đánh giá bằng chỉ tiêu HTSDĐ.
- HTSDĐ: đƣợc đánh giá theo 5 cấp, thang điểm 255 - 192 - 128 - 64 – 0 (hình 3.16). + 255: CSD, CHN
+ 170: R, CAQ
+ 0: TS, MN → Raster hóa
Bước phân tích tổng hợp để ra các suit map
a. Xây dựng ảnh phân cấp thích hợp cho quần cư
- Vào Idrisi → GIS Analysis → Decision Support → Decision Wizard: + Create a new file: HN_suit
+ Specify Objectives: số loại hình lớp phủ (4), đặt tên: Đất ở và xây dựng, nông nghiệp, mặt nƣớc, đất trống
Chú ý sau khi đặt 4 obj, chƣơng trình sẽ lần lƣợt đi từng obj để xác định factor, weight (cần chú ý tiêu đề phía trên để biết loại hình nào và xác định factor đúng)
Ví dụ cho loại hình đất ở và xây dựng:
+ Constraint: Xác định ngƣỡng chỉ có 2 trạng thái 0 và 1, ví dụ: đối với
constraint của loại hình quần cƣ, ta đã biết quy hoạch có diện tích để dùng vào mục đích nông nghiệp chứ không phải phát triển quần cƣ, phần diện tích đó đƣợc gán giá trị 0. (Lƣu ý: phần cho điểm ở trên đã chi tiết nên bỏ qua phần này, number of constraints: 0).
+ Factor:
Number of factors: 3
Input: chọn các file raster hóa ở trên: dancu_htsdd, dancu_gt_dis_fuzzy Cột FUZZY: không cần chuẩn hóa → chọn No
+ Factors weights: chọn user-defined weight → cho trọng số lớp dancu_htsdd: 0,4; gt_dis_fuzzy: 0,6 do đánh giá của cá nhân ngƣời dùng.
Hình 4.7: Ảnh phân cấp thích hợp cho dân cư và xây dựng b. Xây dựng ảnh phân cấp thích hợp cho đất trống
Làm tƣơng tự nhƣ với quần cƣ. Thay đổi factor (ngƣỡng) gồm có dattrong_htsdd
c. Xây dựng ảnh phân cấp thích hợp cho nông nghiệp
Làm tƣơng tự nhƣ với quần cƣ. Thay đổi factor (ngƣỡng) gồm có nongnghiep_htsdd
Hình 4.9: Ảnh phân cấp thích hợp cho nông nghiệp d. Xây dựng ảnh phân cấp thích hợp cho mặt nước
Làm tƣơng tự nhƣ với quần cƣ. Thay đổi factor (ngƣỡng): matnuoc
4.4.2. Xây dựng ma trận chuyển dịch dựa vào chuỗi Markov
Ma trận chuyển dịch dựa vào mô hình Markov cho phép dựa vào 2 ảnh (đã phân loại) ở 2 thời điểm khác nhau có thể xác định đƣợc ma trận chuyển dịch (có quy luật) trong giai đoạn 1995 – 2002.
Hình 4.11: Xây dựng ma trận chuyển dịch dựa vào chuỗi Markov trong Idrisi Andes 15.0
Kết quả của bƣớc này là xác định đƣợc ma trận chuyển dịch giữa các lớp thông tin trong giai đoạn cần nghiên cứu. Ma trận chuyển dịch là cơ sở để mô hình có thể dự báo sự thay đổi của đối tƣợng nghiên cứu trong tƣơng lai.