CHƯƠNG 2.:PHƯƠNG PHÁP DỰ BÁO BIẾN ĐỘNG SỬ DỤNG ĐẤT24 2.1. Ứng dụng viễn thám đa phổ trong phân loại sử dụng đất
2.2. Ứng dụng mô hình LCM để thành lập bản đồ dự báo biến động sử dụng đất tỉnh Bình Dương
2.2.3. Mô hình hóa các chuyển đổi tiềm năng
Mô hình hóa các chuyển đổi tiềm năng là quá trình cho phép đánh giá và xác định các biến đổi tiềm năng của từng lớp và các biến điều khiển, nó được thực hiện qua 03 bước : Thiết lập Mô hình chuyển đổi phụ (Transition sub-model), đánh giá chất lượng các biến giải thích và chạy Mô hình chuyển đổi phụ.
a. Thiết lập Mô hình chuyển đổi phụ
Bước đầu tiên của quá trình mô hình hóa các chuyển đổi tiềm năng là xây dựng (thiết lập) Mô hình chuyển đổi phụ. Mô hình này cho phép tích hợp các biến số là các chuyển đổi tiềm năng đã được xác định trong quá trình phân tích biến động.
b. Đánh giá chất lượng các biến giải thích
Đây là bước thứ hai của quá trình mô hình hóa các chuyển đổi tiềm năng, nó cho phép đánh giá chất lượng cũng như xác định trọng số của các biến giải thích. Các biến giải thích này có vai trò rất quan trọng trong quá trình xây dựng bản đồ dự báo biến động sử dụng đất; trên thực tế nó chính là các yếu tố (tự nhiên/con người) có ảnh hưởng và có khả năng ảnh hưởng đến quá trình biến động sử dụng đất như địa hình, độ dốc, hướng sườn, mạng lưới thủy văn, giao thông,...
Để đánh giá chất lượng các biến giải thích, chỉ số Cramer’s V được sử dụng. Chỉ số này cho phép đánh giá tầm quan trọng cũng như tính hữu dụng tiềm năng của các biến giải thích [Eastman, 2009]. Các biến giải thích có giá trị chỉ số Cramer’s V cao, cho thấy tầm quan trọng của chúng ; trong khi các biến giải thích nếu có giá trị chỉ số Cramer’s V thấp sẽ bị loại bỏ, không nên sử dụng để đưa vào Mô hình chuyển đổi phụ. Về mặt lý thuyết, chỉ số Cramer’s V lớn hơn hoặc bằng 0.15 được coi là chấp nhận được ; trong khoảng 0.4, các biến giải thích được coi là rất hữu ích [Eastman,. 2009]. Sau khi đánh giá chất lượng các biến giải thích thông qua tính toán giá trị Cramer’s V, các biến nào có giá trị thích hợp sẽ được sử dụng để đưa vào Mô hình chuyển đổi phụ.
c. Chạy Mô hình chuyển đổi phụ
Bước cuối cùng của mô hình hóa quá trình chuyển đổi tiềm năng là chạy Mô hình chuyển đổi phụ. Để chạy mô hình này, có 02 lựa chọn được đề xuất:
Mạng thần kinh đa lớp (MLP) hoặc hồi quy logistic (Relog).
Một số nghiên cứu đã chỉ ra rằng sử dụng Mạng thần kinh đa lớp trong dự báo sử dụng đất cho kết quả có độ chính xác khá cao, trên 85% [Dadhich et Hanaoka,. 2010 ; Nghiem và Nedjai,. 2011, Nghiem và nnk,. 2013]. Trong khi một số nghiê cứu khác cho thấy lựa chọn Hồi quy logistic cũng cho kết quả tương đương [Oủate-Valdivieso và Sendra,. 2010].
Nói chung, sự khác biệt về độ chính xác bản đồ dự báo sử dụng đất thu được từ hai giải pháp trên là không đáng kể. Do đó, cả hai giải pháp trên đều có thể được sử dụng. Tuy nhiên, trong nghiên cứu của chúng tôi, việc lựa chọn giải pháp Mạng thần kinh đa lớp là một sự lựa chọn hợp lý bởi các lý do sau: Mạng thần kinh đa lớp đòi hỏi các tham số ít hơn [Atkinson và Tatnal,. 1997;
Martinuzzi và nnk,. 2007; Dadhich và Hanaoka,. 2010] ; khối lượng tính toán ít
hơn so với giải pháp RegLog ; và thích hợp nhất trong việc mô hình hóa các quá trình chuyển đổi [Eastman, 2009].
Giải pháp Mạng thần kinh đa lớp-MLP được dựa trên nguyên lý sử dụng mạng lưới thần kinh nhân tạo. Mạng thần kinh nhân tạo mô phỏng cách bộ não con người xử lý các vấn đề về dữ liệu không gian [Atkinson và Tatnal,.1997].
Mạng thần kinh nhân tạo là phi tuyến tính và có thể được hình thành như là một hàm toán học phức tạp, được dùng để chuyển đổi các dữ liệu đầu vào (ví dụ ảnh viễn thám) và tạo ra sản phẩm đầu ra mong muốn (ví dụ bản đồ lớp phủ).
Các mô hình với MLP sử dụng thuật toán lan truyền ngược (back-propagation) là một trong những mô hình được sử dụng rộng rãi nhất (Canziani và nnk,.
2008; Eastman,. 2006 ; Rocha và nnk,. 2007). Mạng thần kinh với thuật toán lan truyền ngược điển hình có chứa một lớp đầu vào, một lớp ra và một hoặc nhiều lớp trung gian ở dạng ẩn (hình 2.3) .
(Nguồn: Eastman,. 2006)
Hình 2. 3: Phương pháp MLP trong mô hình hóa dự báo sử dụng đất
Lớp đầu vào
Lớp trung gian ẩn
Lớp đầu ra
Dữ liệu đầu ra (bản đồ dự báo) Dữ liệu đầu vào
(Bản đồ SDĐ 2001, 2009)
Hình 2.3 thể hiện nguyên lý của mạng thần kinh đa lớp. Mỗi lớp bao gồm các nút (hoặc tế bào thần kinh) và được kết nối bằng đường có màu sắc khác nhau, thể hiện trọng số của các liên kết là khác nhau [Eastman,. 2006].
Mô hình chuyển đổi phụ sử dụng Mạng thần kinh đa lớp cho phép mô hình hóa đồng thời nhiều chuyển đổi cùng một lúc. Khi Mô hình chuyển đổi phụ vận hành, Mạng thần kinh đa lớp bắt đầu thực hiện trích xuất các mẫu lấy từ hai bản đồ sử dụng đất đã được được mô hình hóa các quá trình chuyển đổi, cũng như những khu vực có khả năng thay đổi. Trong quá trình chạy Mô hình chuyển đổi phụ, rất nhiều các tham số của mô hình có thể được hiệu chỉnh sao cho kết quả chạy mô hình đạt ít nhất 75% [Eastman, 2009]. Các tham số hiệu chỉnh và các thông số đánh giá mô hình Mô hình chuyển đổi phụ trong pha hiệu chỉnh được thể hiện trong bảng 2.2.
Kết quả của Mô hình chuyển đổi phụ là xác định định tính các chuyển đổi có khả năng xảy ra trong tương lai, được gọi là các chuyển đổi tiềm năng.
Bảng 2. 2. Các tham số hiệu chỉnh Mô hình chuyển đổi phụ
Tham số Giá trị
Số lượng pixel mẫu được lựa chọn của mỗi lớp (Training pixels per class) - Số lượng pixel được tính toán của mỗi lớp (Testing pixels per class) -
Tỉ lệ tính toán ban đầu (Learning rate) 0.01 - 0.2.
Yếu tố động lực (Momentum factor) 0.5 - 0.6.
Hằng số xích ma (sigmoid constant)
Số lần tính toán lặp lại 1000 - 5000