6. MÔ HÌNH HÓA XU HƯỚNG PHÁT TRIỂN LỚP PHỦ/SỬ DỤNG ĐẤT KHU VỰC ĐÔ THỊ SỬ DỤNG DỮ LIỆU VIỄN THÁM VÀ TRÍ TUỆ NHÂN TẠO
Giới thiệu
Nghiên cứu biến động lớp phủ/sử dụng đất là một trong những nội dung quan trọng phục vụ giám sát, quản lý và quy hoạch sử dụng tài nguyên, đặc biệt đối với khu vực đô thị. Biến động lớp phủ/sử dụng đất là kết quả của mối quan hệ tổng hợp giữa các yếu tố tự nhiên - xã hội. Trong nghiên cứu này, dữ liệu ảnh vệ tinh Landsat năm 2010, 2015 và các lớp thông tin bổ sung được sử dụng để dự báo biến động lớp phủ/sử dụng đất khu vực thành phố Hồ Chí Minh cho năm 2020, sau đó so sánh với kết quả phân loại lớp phủ/sử dụng đất năm 2020 để đánh giá độ chính xác và hiệu chỉnh mô hình. Các kỹ thuật học máy bao gồm Random Forest (RF), Support Vector Machine (SVM), Classification And Regression Tree (CART) và phương pháp phân loại xác suất cực đại được thử nghiệm để phân loại lớp phủ/sử dụng đất từ ảnh vệ tinh Landsat, sau đó lựa chọn phương pháp có độ chính xác cao nhất. Để dự báo xu hướng phát triển lớp phủ/sử dụng đất trong tương lai, trong nghiên cứu kết hợp sử dụng mô hình toán học Cellular Automata (CA) và các mô hình trí tuệ nhân tạo, bao gồm: Hồi quy logistic (LR) và mạng neural nhân tạo (ANN), sau đó lựa chọn phương pháp có độ chính xác cao hơn để tiến hành dự báo xu hướng phát triển lớp phủ/sử dụng đất năm 2025 và 2030.
Toàn văn bài báo
Trích dẫn
[2]. Azimand K., Aghighi H., Matkan A., (2020). Classification and prediction of spatio-temporal Change of impervious urban surfaces and its impacts on urban heat intensity. Journal of Climate Research, 11(41), 15 - 34.
[3]. Brabec E., Schulte S., Richards P., (2002). Impervious surfaces and water quality: A review of current literature and its implications for watershed planning. Journal of Planning Literature 16(4): 499 - 514.
[4]. Bugday E., Bugday S., (2019). Modeling and simulating Land use/cover change using Artificial neural network from remotely sensing data. CERNE 25(2), https://doi.org/10.1590/01047760201925022634.
[5] Chaula J., (2019). Ca-Markov Model for simulating Land use/Land cover dynamics in the Rufiji delta of Tanzania. American Journal of Scientific Research and Essays, 4:27, 1 - 15.
[6]. Gharaibeh A., Shyamala A., Obeidat R., Kofahi S., (2020). Improving land-use change modeling by integrating ANN with Cellular Automata-Markov Chain model. Heliyon, 6(9): e05092, doi:10.1016/j.heliyon.2020.e05092.
[7]. Gong P., Li X., Wang J., Bai Y., Chen B., Hu T., Liu X., Xu B., Yang J., Zhang W., Zhou Y., (2020). Annual maps of global artificial impervious area (GAIA) between 1985 and 2018. Remote Sensing of Environment, 236, 111510.
[8]. Khawaldeh H., (2016). A prediction of future land use/land cover in the Amman area using GIS-based Markov model and remote sensing. Journal of Geographic Information System, Vol.8(3), 412 - 427. Doi: 10.4236/jgis.2016.83035.
[9]. Li F., Li E., Zhang C., Samat A., Liu W., Li C., Atkinson P., (2021). Estimating artificial impervious surface percentage in Asia by fusing multi-temporal MODIS and VIIRS nighttime light data. Remote Sensing, 13, 212, https://doi.org/10.3390/rs13020212.
[10]. Liu F., Zhao Y., Rizwan M., Liu X., Chen M., (2020). Impervious surface expansion: a key indicator for the environment and urban agglomeration - a case study of Guangdong-Hong Kong-Macao greater bay area by using Landsat data. Journal of Sensors, 3, 1 - 21.
[11]. Mahyoub S., Rhinane H., Mansour M., Fadil A., Okashi W., (2022). Impervious surface prediction in Marrakech city using Artificial Neural Network. International Journal of Advanced Computer Science and Applications (IJACSA), 13(7), 183 - 189.
[12]. Misagh N., Samani N., Tomanain A., (2018). Simulation of urban development in Tabriz using CA - Markov model and multi-criteria decision making. Human Geography Research Quarterly, 50(1), 217 - 231.
[13]. Qiao K., Zhu W., Hu D., Hao M., Chen S., Cao S., (2018). Examining the distribution and dynamics of impervious surfaces in different function zones in Beijing. Journal of Geographical Sciences, 28, 669 - 684.
[14]. Ramezani M., Yu B., Che Y., (2021). Prediction of total imperviousness from population density and land use data for urban areas (case study: South East Queensland, Australia). Applied Sciences, 11(21), 10044. https://doi.org/10.3390/app112110044.
[15]. Saputra M., Lee H., (2019). Prediction of land use and land cover changes for North Sumatra, Indonesia, using an Artificial Neural - Network based Cellular Automaton. Sustainability, 11, 3024, 16 pp.
[16]. Sati A., Mohan M., (2018). The impact of urbanization during half a century on surface meteorology based on WRF model simulations over the National Capital Region, India. Theoretical and Applied Climatology, 134, 309 - 323.
[17]. Xu T., Li E., Samat A., Li Z., Liu W., Zhang L., (2022). Estimating large-scale interannual dynamic impervious surface percentages based on regional divisions. Remote Sensing, 14, 3786.
[18]. Yin Z., Kuang W., Bai Y. Dou Y., Chi W., Ochege F., Pan T., (2021). Evaluating the dynamic changes of urban land and its fractional covers in Africa from 2000 - 2020 using a time series of remotely sensed images on the big data platform. Remote Sensing, 13(21), 4288, https://doi.org/10.3390/rs13214288.
[19]. Washburn B., Yancey K, Mendoza J., (2010). User’s guide for the California impervious surface coefficients. Office of Environmental Health Hazard Assessment, California Environmental Protection Agency. http://oehha.ca.gov/ ecotox/iscug123110.html.
[20]. https://data.opendevelopmentmekong.net.
[21]. http://www.pso.hochiminhcity.gov.vn/.
[22]. https://opendata.hcmgis.vn/