6. Cấu trúc của luận văn
3.2.1. Quy trình các bƣớc nghiên cứu dự báo thay đổi lớp phủ mặt đất tới năm 2020
ĐỘNG DỰ BÁO THAY ĐỔI LỚP PHỦ MẶT ĐẤT TỚI NĂM 2020
Trên cơ sở kết quả đánh giá biến động lớp phủ mặt đất khu vực nghiên cứu giai đoạn 2000 - 2010, công trình đã ứng dụng mô hình phân tích chuỗi Markov và Mạng tự động nhằm dự báo thay đổi lớp phủ mặt đất tới năm 2020.
3.2.1. Quy trình các bƣớc nghiên cứu dự báo thay đổi lớp phủ mặt đất tới năm 2020 2020
Bài toán mô hình hóa thay đổi lớp phủ mặt đất huyện Kiến Thụy tới năm 2020 dựa trên nguồn tƣ liệu không gian chính là ảnh Landsat năm 2000, 2005 và 2010. 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 viễn thám Maxium Likelihood của phần mềm Envi 4.7. 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 3.6).
Hình 3.8. Quy trình dự báo biến đổi lớp phủ mặt đất khu vực nghiên cứu
Ảnh Landsat năm 2005 Ảnh Landsat năm 2010 Ảnh Landsat năm 2000
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 2020 Đánh giá đa chỉ tiêu Bản đồ phân cấp mức độ thích hợp Quần cƣ Lúa Rau màu Mặt nƣớc
69
- 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 2015 và 2020 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 2015 đƣợc xác định bằng cách tính khoảng thời gian giữa năm 2005 và 2010 (5 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 dƣới 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 Kiến Thụy nhƣ sau:
TDB1 = 2010 + (2005 – 2000) = 2015 TDB2 = 2010 + (2010 – 2000) = 2020
- 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 nào đó của tất cả các địa điểm trong khu vực nghiên cứu.
Đối với bài toán mô hình hóa biến đổi lớp phủ mặt đất huyện Kiến Thụy, đề tài đã xác định các yếu tố quan trọng và có liên quan trực tiếp tới biến đổi lớp phủ mặt đất trong khu vực nghiên cứu đó là: 1) các điểm quần cƣ; 2) Diện tích trồng lúa 3) Diện tích trồng màu và cây trồng khác và 4) thủy văn. Những yếu tố địa mạo và hiện trạng sử dụng đất đƣợc đánh giá, phân cấp và tạo ngƣỡng tƣơng ứng với 3 nhân tố nêu trên (Hình 3.9).
Hình 3.9. 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 cấp phân cấp mà học viên chia ra thang điểm trong khoảng từ 0 đến 255.
a. Loại hình quần cư: Đƣợc phân cấp dựa trên việc đánh giá 2 chỉ tiêu: HTSDĐ, khoảng cách tới đƣờng giao thông. Các chỉ tiêu đƣợc xác định cụ thể nhƣ sau:
- HTSDĐ: đƣợc đánh giá theo 3 cấp, thang điểm 255 – 171– 85 - 0. + 255 Quần cƣ + 171: Lúa + 85: Màu + 0: Mặt nƣớc Raster hóa Bản đồ HTSDĐ Bản đồ giao thông Bản đồ thủy văn Raster hóa bằng Arcgis P hân c ấp thích h ợ p Quần cƣ Lúa Mặt nƣớc Rau màu Đánh giá đa chỉ tiêu Bằng Idrisi
71
Hình 3.10. Ảnh phân ngưỡng thích hợp của quần cư đối với các đơn vị lớp phủ
- Khoảng cách tới đƣờng giao thông: trong khoảng 0 - 200m: thuận lợi nhất, từ 200 - 2000m: mức độ thuận lợi giảm dần.
+ Chuẩn bị file vector 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.
(a) Ảnh bản đồ giao thông dạng raster (b) Ảnh bản đồ giao thông sau khi phân cấp bằng hàm toán Fuzzy
+ 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: 200
Control point d: 2000
b. Loại hình Lúa: đƣợc đánh giá bằng 1 chỉ tiêu: HTSDĐ - HTSDĐ: đƣợc đánh giá theo 3 cấp, thang điểm 255 – 128– 0 + 255: Lúa
+ 128: Rau màu
73
Hình 3.12. Ảnh phân ngưỡng thích hợp của đất trồng lúa với các loại hình lớp phủ
c. Loại hình Rau màu: đƣợc đánh giá bằng 1 chỉ tiêu: Lớp phủ - HTSDĐ: đƣợc đánh giá theo 2 cấp, thang điểm 255 - 128 – 0. + 255: Rau màu
+ 128: Lúa
+ 0: Quan cu, Mat nuoc
Hình 3.13. Ảnh bản đồ phân ngưỡng thích hợp của đất rau màu đối với các loại hình lớp phủ
d. Loại hình Mặt nước: tách lớp thông tin mặt nƣớc giải đoán đƣợc, gán giá trị = 255, phần còn lại = 0
75
Hình 3.14. Ảnh phân ngưỡng mức độ thích hợp của mặt nước
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: KT_suit
+ Specify Objectives: số loại hình lớp phủ (5), đặt tên: quan cu, lua, rau mau, mat nuoc
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 quần cƣ:
+ 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 trồng lúa 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
Cột FUZZY: không cần chuẩn hóa ￫ chọn No
+ Factors weights: chọn user-defined weight ￫ equal + Đặt tên output: quan cu (hình 3.15).
Hình 3.15.Ảnh phân cấp thích hợp cho quần cư
77
Hình 3.16. Ảnh phân cấp thích hợp cho đất Lúa
c. Xây dựng ảnh phân cấp thích hợp cho đất Rau màu
Hình 3.17.Ảnh phân cấp thích hợp cho đất Rau màu
Hình 3.18. Ảnh phân cấp thích hợp cho mặt nước
3.2.2. 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 2000 - 2005.
Hình 3.19. Xây dựng ma trận chuyển dịch dựa vào chuỗi Markov trong Idrisi Andes 15.0
79
Kết quả của bƣớc này là xác định đƣợc ma trận chuyển dịch giữa các lớp thông tin trong giai đoạn cần nghiên cứu (hình 3.19). Ma trận chuyển dịch là cơ sở để mô hình có thể dự báo sự thay đổi của đối tƣợng nghiên cứu (các điểm quần cƣ) trong tƣơng lai.