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 các mô hình sử dụng đất
Ngoài nước:
Mô hình biến đổi sử dụng đất được xây dựng dựa trên quy mô nghiên cứu, sự phức
tạp của biến đổi sử dụng đất tại khu vực, cũng như mối quan hệ không gian, thời
gian và yêu cầu ra quyết định sử dụng đất [68, 76, 90]. Mô hình sử dụng đất khác
nhau trên quan điểm nghiên cứu các lĩnh vực khác nhau như: Mô hình kinh tế
lượng được phát triển bởi các nhà kinh tế để mô tả các quyết định chuyển đổi sử
dụng đất của người sử dụng đất thông qua tính hiệu quả về mặt kinh tế. Mô hình
này được Irawin và cộng sự nghiên cứu cho Patuxent Watershed, Maryland, USA
năm 2001[14]; Mô hình không gian do các nhà địa lý, quy hoạch phát triển xác
định không gian chuyển đổi dựa trên đặc điểm vị trí và mối quan hệ với các yếu tố
lân cận. Nghiên cứu của Walsh và cộng sự năm 2008 đã mô phỏng không gian thay
đổi sử dụng đất của khu vực phía Bắc Ecuadorian Amazon để kiểm tra tình trạng
phá rừng. Mô hình hóa trong nghiên cứu sử dụng lý thuyết CA (cenlullar automata)
[122]. Tuy nhiên, lý thuyết CA bị hạn chế không sử dụng các yếu tố tác động. Để
khắc phục hạn chế điều đó, trong nghiên cứu mô hình hóa thay đổi không gian sử
dụng đất ở Costa Rica của Pontius và cộng sự áp dụng mô hình Geomod, mô hình
này sử dụng các đặt tính sinh địa lý mô phỏng không gian biến động sử dụng đất.
Một nghiên cứu khác của Jantz đã nghiên cứu thiết kế và 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 năng rất tốt trong việc mô hình hóa khái niệm các
quy trình về môi trường tự nhiên nói chung và sử dụng đất nói riêng [44]. Mô hình
biến động sử dụng đất có thể được xây dựng nhờ tích hợp viễn thám và GIS [35,
130]. Giải đoán bằng mắt hoặc xử lý ảnh số có thể được sử dụng để chiết tách


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

Trong nước:
Mô hình hóa không gian quá trình phát triển và biến đổi sử dụng đất với sự trợ giúp
của viễn thám và GIS cũng là xu hướng nghiên cứu trong nghiên cứu về địa lý, đất
đai. Nguyễn Kim Lợi đã sử dụng các mô hình toán học để đánh giá ảnh hưởng của
biến 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 đất
dựa vào giá trị nhận được của các 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 và Cellular Automata trong dự báo thay đổi không gian lớp đất đô thị Hà
Nội 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 xuất
thông tin sử dụng đất các thời điểm và sử dụng chức năng phân tích của GIS để xây
dựng và chạy mô hình sử dụng đất. Nghiên cứu đã đưa ra ma trận chuyển dịch tại
hai thời điểm khác nhau làm cơ sở dự báo thay đổi của đối tượng nghiên cứu và
đồng thời cũng cho thấy mô hình celular automata phù hợp hơn có sự mở rộng như
đất đô thị [25]. Trong khi đó, nghiên cứu của Castella và cộng sự năm 2007 cho
khu vực Bắc Cạn sử dụng GIS kết hợp ba mô hình bao gồm SAMBA, LUPAS và
CLUE theo hướng tiếp cận từ dưới lên trên và từ trên xuống dưới. Tiếp cận này
đóng vai trò bổ sung trong việc thu hẹp khoảng cách kiến thức và tăng sự tương tác
giữa các bên liên quan cùng sự liên tục từ nghiên cứu để phát triển và xây dựng
chính 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 hạn
chế, chỉ chạy với hai đối tượng với định dạng số nhị phân. Trong khi đó, sự chuyển
đổi sử dụng đất là rất đa dạng và phức tạp, các mô hình nhị phân không thể hiện
được 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 báo
biến động sử dụng đất huyện Thái Thuy, Thái Bình.
 Tổng quan trên cho thấy có khá nhiều phương pháp mô hình được phát triển
nhằm đánh giá và phân tích thay đổi sử dụng đất. Tùy thuộc vào điều kiện
khu vực nghiên cứu và câu hỏi nghiên cứu để xác định cách tiếp cận phù

hợp.
• 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 sự
tương 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 bởi
các yếu tố tự nhiên và xã hội. Hiện trạng sử dụng đất là kết quả của quan hệ tổng hợp
các nhân tố bao gồm cả yếu tố sinh, địa, lý và yếu tố kinh tế - xã hội cũng như sự
tương tác giữa chúng. Do vậy nghiên cứu các mô hình sử dụng đất đất được xem là
một trong những nghiên cứu quan trọng trợ giúp các nhà quản lý và quy hoạch đưa ra
quyết 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 trình
của 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 dụng
hoặc có ý nghĩa quan trọng cho việc giải đoán hình thái hoặc những tác động của loại
hình sử dụng),
- Những mối quan tâm được liệt kê trên đất đó (nơi có những quyết định sử
dụng 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 ảnh
hưởng 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 đối

tượng thực sao cho việc nghiên cứu mô hình cho ta những thông tin mới tương tự đối
tượng 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 như
mối quan hệ không gian, thời gian nhằm xác định mức độ khả năng chuyển
đổi sử dụng đất trên mỗi đơn vị các điều kiện tự nhiên theo không gian và
thời 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 20052013, nghiên cứu đã 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 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 sử
dụng đất dựa trên sự tiến triển các kiểu sử dụng đất và các nhân tố ảnh hưởng đến sự
thay 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:
* =
Chuỗi Markov cũng có thể được viết lại dưới dạng tổng quát hóa của ma trận như sau:
[V1, V2, …, V5]1 *
= [V1, V2, …., V5]2

1.3.2. Mô hình CLUMondo
Là một trong những mô hình mô hình được sử dụng rộng rãi trong dự báo biến
động sử dụng đất ở nhiều nước trên thế giới, và được ứng dụng ở nhiều tỷ lệ khác
nhau, từ cấp tỉnh đến cấp quốc gia.
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 thay
đỏi 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 hình
còn 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 cầu
quy hoạch và mức độ tương quan của từng loại hình sử dụng đất. Mô hình sử dụng
phương pháp phân tích quy hồi để cho ra kết quả mối tương quan giữa phân bố từng
loại 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 độ
tương quan giữa các nhân tố đánh giá phù hợp của pixel đó với 1 loại hình sử dụng đất


cụ thể, mức độ tương quan càng cao thì càng phù hợp cho khả năng thay đổi sang loại
sử dụng đất đó.
Mô hình tạo ra các bả đồ thể hiện dự báo khả năng thay dổi sử dụng đất có thể
xảy ra trong tương lai dựa trên nhu cầ quy hoạch. Độ chính xác của mô hình phụ thuộc
rất nhiều vào dữ liệu đầu vào, đặc biệt là dữ liệu hiện trạng sử dụng đất và kinh
nghiệm của người xây dựng ma trận chuyển đổi và đặt điều kiện giới hạn cho phép
chuyển đổi sử dụng đất theo thời gian và vị trí phân bố không gian. Mô hình có thể
được chuẩn hóa dựa trên hệ số Kapa được tính khi đối sánh kết quả của mô hình với
hiện trạng thay đổi thực tế tại thời điểm đó.

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 InstanceBased Machine Learning (SimWeight), Logistic Regression hoặc một Multi-Layer

Perceptron (MLP) neural network.
Mạng nơ ron nhân tạo (Artificial Nerual Networks – ANNs) được xây dựng từ
những năm 1940. Với việc ứng dụng thuật toán lan truyền ngược (back propagation
algorithm) năm 1988, ANN đã trở nên quen thuộc và được sử dụng nhiều trong ngành
tài 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 các
trọng số của các biến. Những phần tử liên kết này được xếp trong các lớp. Các lớp bao
gồm: 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 đối
hoặc 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 bằng
Địa mạocho thấy không có liên kết nào, và trọng số có giá trị âm cho thấy giữa hai phần
không
tử này có quan hệ rất lỏng lẻo. Mạng nơ ron nhân tạo mô hình hóa việc xử lý dữ liệu
không
gian của bộ não con người. Mạng nơ ron là phi tuyến và có thể được hiểu là
Thổ nhưỡng
một công thức toán học phức tạp để chuyển đổi dữ liệu đầu vào (hiện trạng sử dụng
Khả năng
biến(như
động sử
đất trong quá khứ, các yếu tố tự nhiên) thành dữ liệu đầu ra theo mong
muốn
Khoảng cách tới đường bờ
dụng đất trong tương lai). MLP sử dụng thuật toán lan truyền ngược. Thuật toán này là
thuật toán được ứng dụng rộng rãi nhất trong các mô hình mạng lưới nơ ron.
Xói mòn,
bồi tụ

Xác suất
chuyển đổi


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 này
các 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 thần
kinh của mạng. Sau khi “net” e được tính toán, nó được chuyển thành tín hiệu đầu ra Y
bằng việc áp dụng một hàm kích hoạt f.
X1

X2

W1
W2

e1=W1X1+ W2X2+ W3X3=f(e1)

Y

W3
X3

c. Hàm kích hoạt.
Trong quá trình quét xuôi, mạng nơ ron sử dụng hàm kích hoạt phi tuyến. Hầu hết các
mạng nơ ron đều sử dụng hàm kích hoạt logistic (sigmoid)
1
o = σ(net) = 

1 + e-net

Trong đó:
Như vậy:

net = ∑ wixi
σ (y) =

1
1 + e-y


Giá trị đầu ra của hàm kích hoạt Logistic nằm trong khoảng [0,1]. Vì vậy các
phần mềm ANN thường đòi hỏi dữ liệu gốc phải được chuyển đổi tuyến tính về
khoảng [0,05;0,95] trước khi tham gia vào mạng nơ ron. Khoảng [0,05;0,95] được lựa
chọn 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 hệ
thống 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 thực
hiện một quá trình kiểm tra nào, ngược lại các trọng số sẽ được thay đổi trong quá
trình lan truyền ngược trong mạng nơ ron để giảm sự khác biệt đó. Sau khi vượt qua
lớp 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 theo
thời 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
tkd , okd :
là giá trị đích và giá trị đầu ra tương ứng của nơ-ron thứ k ứng với
mẫu học d
Phương pháp lan truyền ngược cố gắng tối thiểu hóa sai số này bằng cách điều
chỉnh các trọng số trong mỗi quá trình tính toán với các thông số như µ là đại diện cho
tốc độ học (learning rate) và hệ số mômen α.
Trong đó, µ điều khiển tốc độ mà quá trình lan truyền ngược điều khiển các
trọng số trong mỗi lần tính toán. Nếu thay đổi trọng số càng nhanh, thì càng chóng đạt
được 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 gian
trước 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 S i 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 mô
hình Markov, các sự kiện quan sát được nằm trong mỗi trạng thái và phụ thuộc
vào 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 quan
sát được trong mỗi trạng thái là V = {v1, v2, v3, v4}. Khả năng (xác suất) quan
sát được sự kiện vk trong trạng thái Sj phụ thuộc vào hàm xác suất b j(k). Hàm b
được 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 = {O 1, O2, …, OT} và mô
hình HMM đại diện bởi bộ tham số Làm sao để tính toán một cách hiệu
quả – xác suất phát sinh O từ mô hình .
− Bài toán 2: cho trước chuỗi tín hiệu quan sát O = {O 1, O2, …, OT} và mô
hình HMM đại diện bởi bộ tham số Cần tìm ra chuỗi trạng thái tối ưu
nhất Q = {q1, q2, …, qT} đã phát sinh ra O.
− Bài toán 3: cho trước chuỗi tín hiệu quan sát O = {O 1, O2, …, OT}. Làm
thế 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 một
khả 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 phân
giải, 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 cùng
các thông số về độ phân giải (RESOLUTION), lưới chiếu (PROJECTION), số lượng
dòng cột (ROW, COLUMN).
* Các bản đồ sử dụng đất (LANDUSE MAP) cần được phần loại theo cùng 1 hệ
thống 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 lý
thông tin được mô phỏng dựa trên hoạt động của hệ thống thần kinh của sinh vật, bao
gồm số lượng lớn các Neuron được gắn kết để xử lý thông tin. ANN giống như bộ não
con người, được học bởi kinh nghiệm (thông qua huấn luyện), có khả năng lưu giữ
những kinh nghiệm hiểu biết (tri thức) và sử dụng những tri thức đó trong việc dự
đoán 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 chính
xác 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 dụ
như trong ứng dụng của ngân hàng xem xét có chấp nhận cho khách hàng vay tiền hay
không 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 bài
toán 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 mỗi
Neuron (phần tử xử lý PE). Hàm tổng của một Neuron đối với n input được tính theo
công 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). Các
Nueron này có thể sinh ra một output hoặc không trong ANN (nói cách khác rằng có
thể output của 1 Neuron có thể được chuyển đến layer tiếp trong mạng Neuron theo
hoặc không). Mối quan hệ giữa Internal Activation và kết quả (output) được thể hiện
bằng hàm chuyển đổi (Transfer Function).

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

Trong đó :
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 về 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 Instance-Based
Machine Learning (SimWeight), Logistic Regression hoặc một Multi-Layer
Perceptron (MLP) neural network.
Mạng nơ ron nhân tạo (Artificial Nerual Networks – ANNs) được xây dựng từ
những năm 1940. Với việc ứng dụng thuật toán lan truyền ngược (back propagation
algorithm) năm 1988, ANN đã trở nên quen thuộc và được sử dụng nhiều trong ngành
tài nguyên tài nguyên môi trường, đặc biệt là dự báo sử dụng đất.
3.1.2 Khái quát chung về mô hình biến động sử dụng đất
Mô hình biến động sử dụng đất (Land Change Modeler) – là công cụ mà việc
phân tích biến động sử dụng đất và mô hình hóa có thể được kết hợp với yếu tố sinh
địa lý với sự phát thải hiệu ứng nhà kính, Mô dun mô hình hóa biến động được dựa
vào ma trận chuỗi Markov và các bản đồ khả năng chuyển đổi mà được tính toán từ
hồi quy logic hoặc mạng thần kinh nhân tạo. Mục đích bài toán mô hình hóa trong
phần này nhằm xác định mức độ khả năng chuyển đổi sử dụng đất trên mỗi đơn vị các
điều kiện tự nhiên theo không gian và thời gian. Bên cạnh đó, mô hình Land change
modeler còn được sử dụng để dự báo sử dụng đất năm 2021. Từ đó đánh giá vai trò kết
quả dự báo đối với quy hoạch sử dụng theo mục tiêu phát triển bền vững.
3.2 Dữ liệu các biến dùng trong mô hình dự báo xử dụng đất
Dữ liệu trong mô hình cần được chuẩn hóa theo định dạng dữ liệu của phần
mềm IDRISI. Dữ liệu được tổng hợp theo bảng 3.1 sau:
Bảng 3. 1. Bảng định dạng dữ liệu
stt

Tên lớp dữ liệu

Dạng dữ liệu

Số hàng cột

1

Hiện trạng sử dụng đất 1989

Số thực

3052,2272

2

Hiện trạng sử dụng đất 2001

Số thực

3052,2272

3

Hiện trạng sử dụng đất 2005

4

Hiện trạng sử dụng đất 2013

5

Bản đồ địa mạo

Số thực

3052,2272

6

Bản đồ thổ nhưỡng

Số thực

3052,2272


7

Lớp dữ liệu xói lở, bồi tụ 1989 – 2001

Số thực

3052,2272

8

Lớp dữ liệu khoảng cách tới đường bờ

Số thực

3052,2272

3.3. Kết hợp mô hình Neuron network và Marko_CA dự báo sử dụng đất
Có nhiều cô cụ mô hình hóa sử dụng đất khác nhau như Cellular Automata
(CA) Markov, Markov chain, GEOMOD,... Mô hình LCM (Land Change Modeler)
Mạng neuron network
tích hơp CA-Marrkov và mạng nơ ron nhân tạo (neural network) nhằm dự báo sử dụng
đất trong tương lai. Hình 3.1 sau đây mô tả quy trình mô hình hóa dự báo sử dụng đất
năm 2021 huyện Thái Thụy, Thái Bình.


Hình 3. 1. Quy trình mô hình hóa sử dụng đất


Quy trình mô hình hóa được thực hiện với các mục tiêu:1) đánh giá quan hệ giữa
khả năng chuyển đổi sử dụng đất với điều kiện tự nhiên (trình bày trong mục 3.2.1); 2)
Đánh giá độ chính xác của mô hình khi dự báo sử dụng đất năm 2009 và 2013 (trình bày
trong mục 3.2.2); 3) Ứng dụng mô hình đã được kiểm chứng trong mục 3.2.3 để dự báo
sử dụng đất năm 2021 (mục 3.2.3).
3.3.1. Đánh giá khả năng chuyển đổi sử dụng đất trong mối quan hệ với điều kiện
tự nhiên huyện Thái Thụy, Thái Bình
Khả năng chuyển đổi có giá trị từ 0 đến 1. Giá trị càng cao thì xác suất chuyển đổi
càng lớn. Trong đó, giá trị 0 là không có xác suất chuyển đổi, giá trị 1 là chắc chắn
chuyển đổi. Kết quả đầu ra của mạng thần kinh nhân tạo là xác suất chuyển đổi của từng
cặp biến động sử dụng đất. Trên mỗi cặp biến động sử dụng đất, xác suất chuyển đổi của
chúng có sự phân bố theo yếu tố tự nhiên, cụ thể là thổ nhưỡng, địa mạo, khoảng cách tới
đường bờ, xói mòn và bồi tụ. Mối quan hệ đó được phân tích thể như sau:
1. Biến động đất lúa và hoa màu
Trong giai đoạn 1989 – 2001, biến động đất lúa và hoa màu theo ba hướng: đất lúa

và hoa màu chuyển thành đất dân cư; lúa và hoa màu chuyển thành đất nuôi trồng thủy
sản; đất trồng cói chuyển đổi thành đất lúa và hoa màu. Trong đó, khả năng chuyển đổi
đất lúa và hoa màu thành đất nuôi trồng thủy sản nhỏ không đáng kể (giá trị chuyển đổi
<0.016).
Đất lúa và hoa màu chuyển thành đất dân cư
Đất lúa và hoa màu chuyển thành dân cư có khả năng chuyển đổi ở hai giai đoạn
1989- 2001 và 2001-2005.


Sơ đồ quan hệ giữa khả năng chuyển đổi đất lúa và hoa màu thành đất dân cư với yếu tố
địa mạo và thổ nhưỡng

Hình trên chỉ ra rằng, ở giai đoạn 1989 – 2001, đất lúa và hoa màu chuyển đổi
thành đất dân cư có thể xảy ra trên hầu hết các loại đất ngoại trừ trên đất mặn nhiều và
đất phù sa được bồi hàng năm. Trên hai loại đất này, khả năng chuyển đổi từ đất lúa và
hoa màu thành đất dân cư gần như không xảy ra (xác suất chuyển đổi có giá trị từ 0 –
0.002). Trên khu vực đất cát và cồn cát, xác suất chuyển đổi này lớn nhất (0.788 – 0.956).
Sự chuyển đổi này diễn ra ở các cồn cát cổ phía trong đê và chủ yếu là đất dân cư được
chuyển đổi từ đất trồng hoa màu. Trong khi đó, theo sự phân bố của yếu tố địa mạo,
ngoại trừ ở khu vực bề mặt tích tụ bãi triều tuổi hiện đại Q 23, đất lúa và hoa màu thích
hợp chuyển thành đất dân cư trên hầu hết các yếu tố địa mạo. Trong đó, tại khu vực Bề
mặt tích tụ bar cát biển tuổi hiện đại Q23, xác suất chuyển đổi đó lớn nhất (0.788 – 0.956).
Sang đến giai đoạn 2001 – 2005, quan hệ khả năng chuyển đổi đất lúa và hòa màu
thành dân cư với các đơn vị tự nhiên không có sự khác biệt nhiều so với giai đọan 1989 –
2001 (hình 3.3). Tuy nhiên lại có sự khác biệt rất lớn về diện tích phân bố xác suất
chuyển đổi của đối tượng này được cụ thể trên hình 3.3.


Xác suất chuyển đổi đât lúa và hoa màu thành đất dân cư
giai đoạn 2001 - 2005

Đường bờ 1965
Khoảng cách tới đường bờ
0 - 0.002
0.003 - 0.106
0.107 - 0.302
0.303 - 0.619

Sơ đồ quan hệ giữa khả năng chuyển đổi đất lúa và hoa màu thành đất dân cư với yếu tố
địa mạo và thổ nhưỡng

Chuyển đổi đất trồng cói thành đất trồng lúa và hoa màu:
Xác suất chuyển đổi đất trồng cói
thành đất trồng lúa và hoa màu giai đoạn 1989 - 2001

4.6b

Đường bờ 1965
khoảng c ác h tới đường bờ
0 - 0. 002
0.0021 - 0.106
0.1061 - 0.302
0.3021 - 0.619
0.6191 - 0.788
0.7881 - 0.956

a)

4.6a

4.6c

b)


Sơ đồ quan hệ giữa khả năng chuyển đổi đất trồng cói thành đất lúa và hoa màu với yếu tố
tự nhiên.

Giai đoạn 1989 – 2001 là giai đoạn những năm đầu của thời kỳ đổi mới, theo
truyền thống canh tác của địa phương, đất trồng cói chuyển đổi thành đất lúa và hoa màu.
Hình 3.4a chỉ cho ta thấy trên khu vực gần bờ với khoảng cách cách bờ từ 0 – 1600m,
xác suất chuyển đổi đất trồng cói thành đất lúa và hoa màu là rất lớn. Trong khi đó hình
3.4b,c cho thấy rằng sự chuyển đổi này có xác suất xảy ra lớn nhất tại khu vực đất mặn ít
và bề mặt tích tụ hỗn hợp sông, biển – đầm lầy tuổi hiện đại Q 23 với xác suất từ (0,788 –
0,956). Các khu vực phân bố của các yếu tố địa mạo và thổ nhưỡng khác, xác suất
chuyển đổi đất trồng cói thành đất lúa và hoa màu rất nhỏ (<0,302).
2. Biến động đất rừng ngập mặn
Rừng ngập mặn có xác suất chuyển đổi khá đa dạng thành đất nuôi trồng thủy sản,
thành đất trống và thành mặt nước. Đồng thời, đất trống, đât nuôi trồng thủy sản và mặt
nước cũng có xác suất phát triển thành rừng ngặp mặn. Tuy nhiên, sự chuyển đổi mặt
nước, đất trống thành rừng ngập mặn và rừng ngập mặn bị mất thành đất trống với xác
suất xảy ra là rất nhỏ (<0,007). Xác suất chuyển đổi còn lại của đất rừng ngập mặn có
mức độ lớn hay nhỏ tùy theo sự phân bố của địa mạo, khoảng cách tới đường bờ, xói
mòn, bồi tụ và thổ nhưỡng.
Tóm lại, biến động sử dụng đất có quan hệ chặt chẽ với các yếu tố tự nhiên. Mối
quan hệ đó được tổng kết theo bảng sau:
Bảng 3. 2. Bảng tổng hợp mối quan hệ giữa khả năng biến động sử dụng đất
với các yếu tố tự nhiên

chuyển đổi

Đất lúa và hoa màu - đất dân cư
Đất trồng cói - đất lúa và hoa
màu
Đất nuôi trồng thủy sản - đất
rừng ngập mặn
Đất trống - đất nuôi trồng thủy
sản
Mặt nước và sông suối - đất
rừng ngập mặn

Biến
động
đườn
g bờ

Khoảng
cách
tới
đường bờ

Thổ
nhưỡng

Địa mạo

Cc, Ph, S

ĐM3, ĐM5, ĐM 8

Mi, Ph

ĐM3, ĐM6, ĐM7

ĐB1

Mn, Mi

ĐM3, ĐM6

ĐB0

Mn, Mi

ĐM3, ĐM6

Bồi tụ ĐB0,1

Mn, Mi

ĐM6

Bồi tụ ĐB0


Đất rừng ngập mặn - đất nuôi
trồng thủy sản
Mn, Mi
ĐM6
ĐB0
Bảng trên chỉ ra rằng sự chuyển đổi các đối tượng có quan hệ đa dạng với các điều

kiện tự nhiên. Tuy nhiên, sự biến động đó nằm trong ngưỡng sinh thái nhất định. Trên
khu vực đất phù sa được bồi hàng năm, khu vực trong đê (cách đường bờ lớn hơn 800m –
ĐB1), bãi bồi sông tuổi hiện đại Q23 và bề mặt tích tụ hỗn hợp sông, biển – đầm lầy tuổi
hiện đại Q23 là không có khả năng biến động bất kỳ loại hình nào.
3.3.2. Kiểm chứng độ chính xác của mô hình
Mô hình LCM được thực hiện theo quy trình hình 3.1 trên. Dự báo sử dụng đất
năm 2009 và 2013 được kiểm chứng bằng cách so sánh với sử dụng đất 2009 và 2013
chiết tách từ ảnh vệ tinh có kiểm chứng thực địa. Để chứng minh cho mục tiêu của đề tài,
hai sản phẩm chính của mô hình là: Khả năng chuyển đổi của các đối tượng và bản đồ dự
báo sử dụng đất thời điểm tương lai. Khả năng chuyển đổi sử dụng đất luận giải sự phụ
thuộc của biến đổi sử dụng đất với các điều kiện tự nhiên. Xác suất chuyển đổi sử dụng
đất trong các mô hình LCM đều được chạy với mạng nơron nhân tạo, vòng lặp 10.000,
độ chính xác với các cặp chuyển đổi đa phần lớn hơn 70%. Bản đồ dự báo sử dụng đất
trong mô hình LCM được kiểm chứng với ba mô đun như VALIDATE, ROC và
CROSSTAB. Trong luận án sử dụng Crosstab để đánh giá sản phẩm của mô hình. Kết
quả kiểm chứng Crosstab bao gồm hệ số kappa tổng thể và độ chính xác của từng đối
tượng sử dụng đất cụ thể.
3.4 Dự báo xu hướng biến động sử dụng đất năm 2021
3.4.1. Xây dựng bản đồ dự báo sử dụng đất 2021
Kết quả kiểm chứng mô hình LCM mục 3.2.3 đạt yêu cầu về độ chính xác. Do
vậy, mô hình được ứng dụng trong dự báo sử dụng đất năm 2021. Bản đồ sau đây là kết
quả sự báo sử dụng đất năm 2021 cho hai huyện Thái Thụy, Thái Bình.


Dự báo sử dụng đất huyện Thái Thụy, Thái Bình năm 2021


3.4.2. So sánh thay đổi sử dụng đất năm 2013 với dự báo năm 2021
Hình 3.6 và bảng 3.3 sau đây chỉ ra sự thay đổi diện tích sử dụng đất huyện Thái
Thụy, Thái Bình năm 2021 so với 2013 chỉ tập trung vào việc mở rộng đất dân cư, đất

nuôi trồng thủy sản và đất rừng ngập mặn. Bên cạnh đó, diện tích một số loại hình sử
dụng đất giảm như lúa và hoa màu, đất ruộng muối và đất trống. Xét theo sự phân bố
không gian của các đối tượng trên hình 3.19 thấy rằng: dự báo biến động sử dụng đất chỉ
tập trung ở khu vực ven biển ngoại trừ sự mở rộng của đất dân cư. Số liệu thống kê chỉ ra
rằng dự báo năm 2021 các đối tượng chuyển đổi với diện tích không lớn, chỉ từ 17.4 ha
đến 154ha.
Bảng 3. 3. Bảng thống kê diện tích thay đổi sử dụng đất năm 2013 so với 2021
huyện Thái Thụy, Thái Bình

Năm 2021
(ha)

Năm
2013(ha)
Đất dân cư
Đât lúa và
hoa màu
Nước và
sông ngòi
Đất nuôi
trồng thủy
sản
Đất trống
Đất rừng
ngập mặn
Đất ruộng
muối
Đất
khu
công

nghiệp

Đất
dân cư
52753
9

Đất
nuôi
Đât lúa Nước
trồng
và hoa và sông thủy
màu
ngòi
sản

Đất
trốn
g

Đất
rừng
ngập
mặn

Đất
làm
muối

Đất khu

công
nghiệp

0

0

0

0

0

0

81006

0
161741
8

0

24375

0

0

0

9070

0

0

921118

8208

4484 29383

0

0

0
0

0
0

0

0

0
0

0
0

0
9149

22229
0
2357

0

0

0

7049

0
0
3072 744
14426
0
6

0

0

0

3881

0

0

4687

0

0

0

0

0

0

0

0

11431


Dự báo biến động sử dụng đất huyện Thái Thụy, Thái Bình 2021 so với năm 2013
được thể hiện cụ thể theo hình 3.6 và bảng 3.3. Nhìn vào phân bố không gian trên bản đồ

thì các đối tượng được dự báo thay đổi rải rác trên huyện từ ngoài bờ, trong đê, ven sông
và cả khu nội đồng. Bảng 3.3 cho thấy rằng dự báo đến năm 2021 tất cả các đối tượng đề
thay đổi theo hai hướng: 1) suy giảm diện tích các đối tượng đất lúa và hoa màu; đất rừng
ngập mặn và đất ruộng muối. Sự suy giảm diện tích lúa và hoa màu; đất ruộng muối là sự
chuyển đổi phụ thuộc vào nhu cầu đất ở và đáp ứng kế hoạch tăng trưởng kinh tế. 2) sự
mở rộng diện tích các đối tượng bao gồm đât dân cư, đất nuôi trồng thủy sản, đất trống,
đất rừng ngập mặn và đất khu công nghiệp. Sự mở rộng đất ở là để đáp ứng xu hướng gia
tăng dân số. Mở rộng đất nuôi trồng thủy sản nhằm đáp ứng nhu cầu thị trường và tăng
trưởng kinh tế. Đất trống được mở rộng là quy luật bồi tụ tự nhiên với những khu vực cửa
sông. Diện tích khu công nghiệp mở rộng được phân bố ở khu nhiệt điện Thái Bình.


Biến động sử dụng đất 2013_2021 huyện Thái Thụy, Thái Bình