Nghiên cứu ứng dụng viễn thám và hệ thống thông tin địa lý (gis) xây dựng bản đồ dự báo biến động sử dụng đất tỉnh bình dương đến năm 2030

Mục đích nghiên cứu Với những vấn đề đặt ra như trên, đề tài “Nghiên cứu, ứng dụng Công nghệ viễn thám, Hệ thống thông tin địa lý GIS và Mô hình toán học nhằm xây dựng bản đồ dự báo biế

TRƯỜNG ĐẠI HỌC MỎ-ĐỊA CHẤT

NGHIÊM THỊ HUYỀN

NGHIÊN CỨU, ỨNG DỤNG VIỄN THÁM

VÀ HỆ THỐNG THÔNG TIN ĐỊA LÝ (GIS) XÂY DỰNG

BẢN ĐỒ DỰ BÁO BIẾN ĐỘNG SỬ DỤNG ĐẤT

TỈNH BÌNH DƯƠNG ĐẾN NĂM 2030

Chuyên Ngành : Bản đồ, viễn thám và hệ thông tin địa lý

LUẬN VĂN THẠC SỸ KỸ THUẬT

NGƯỜI HƯỚNG DẪN KHOA HỌC

TS Bùi Ngọc Quý

HÀ NỘI - 2015

MỤC LỤC

LỜI CAM ĐOAN

MỘT SỐ TỪ VIẾT TẮT VÀ THUẬT NGỮ SỬ DỤNG TRONG ĐỀ TÀI DANH MỤC CÁC HÌNH

DANH MỤC CÁC BẢNG

MỞ ĐẦU 1

CHƯƠNG 1:TỔNG QUAN VỀ PHƯƠNG PHÁP VIỄN THÁM VÀ MÔ HÌNH DỰ BÁO BIẾN ĐỘNG SỬ DỤNG ĐẤT 6

1.1 Khái niệm về viễn thám 6

1.1.1 Khái niệm 6

1.1.2 Nguyên lý hoạt động của hệ thống viễn thám 7

1.1.3 Các phương pháp sử lý thông tin viễn thám 8

1.2.Hệ thống thông tin địa lý 12

1.2.1 Khái niệm 12

1.2.2 Vai trò của GIS trong xây dựng cơ sở dữ liệu bản đồ 13

1.2.3 Phương pháp 14

1.3 Tổng quan các phương pháp phân loại sử dụng đất bằng ảnh viễn thám 15 1.3.1 Phương pháp phân loại không giám sát 15

1.3.2 Phương pháp phân loại có giám sát 16

1.3.3 Đánh giá và lựa chọn phương pháp phân loại sử dụng đất áp dụng cho khu vực nghiên cứu 18

1.4 Tổng quan về phương pháp dự báo biến động sử dụng đất 19

1.4.1 Mô hình dự báo biến động sử dụng đất 19

1.4.2 Phân tích lựa chọn mô hình dự báo biến động sử dụng đất 22

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 24

2.1.1 Phương pháp phân loại có kiểm định 24

2.1.2 Tiền xử lý dữ liệu viễn thám 25

2.1.3 Xây dựng bảng phân loại sử dụng đât 27

2.1.4 Phân loại có giám sát với thuật toán Maximum Likelihood 29

2.1.5 Đánh giá độ chính xác kết quả phân loại 31

2.2 Ứng dụng mô hình LCM để thành lập bản đồ dự báo biến động sử dụng đất tỉnh Bình Dương 32

2.2.1 Phương pháp mô hình hóa dự báo biến động sử dụng đất 32

2.2.2 Phân tích biến động sử dụng đất 34

2.2.3 Mô hình hóa các chuyển đổi tiềm năng 35

2.2.4 Dự báo biến động sử dụng đất 39

2.2.5 Đánh giá chất lượng mô hình LCM 41

2.2.6 Xây dựng các kịch bản sử dụng đất 41

CHƯƠNG 3: THỰC NGHIỆM 42

3.1 Khu vực nghiên cứu: tỉnh Bình Dương 42

3.1.1 Vị trí địa lý 42

3.1.2 Điều kiện tự nhiên, kinh tế - văn hóa xã hội tỉnh Bình Dương 44

3.2 Thành lập bản đồ sử dụng đất tỉnh Bình Dương 48

3.2.1 Tư liệu sử dụng trong nghiên cứu 48

3.2.3 Phân loại sử dụng đất 52

3.3 Thành lập bản đồ dự báo biến động sử dụng đất đến năm 2030 61

3.3.1 Phân tích biến động 62

3.3.2 Mô hình hóa các chuyển đổi tiềm năng 61

3.3.3 Thành lập bản đồ dự báo sử dụng đất 69

3.3.4 Đánh giá độ chính xác bản đồ dự báo sử dụng đất 71

3.3.5 Xây dựng kịch bản sử dụng đất đến năm 2030 73

3.3.6 Đánh giá biến động sử dụng đất giai đoạn 2015-2030 75

KẾT LUẬN 77

TÀI LIỆU THAM KHẢO 80

PHỤ LỤC 84

LỜI CAM ĐOAN

Tôi xin cam đoan đây là công trình nghiên cứu của riêng tôi Các số liệu, kết quả trong luận văn là trung thực và chưa từng được ai công bố trong bất kỳ công trình nào khác

Hà Nội, ngày tháng năm

Tác giả luận văn

Nghiêm Thị Huyền

MỘT SỐ TỪ VIẾT TẮT VÀ THUẬT NGỮ SỬ DỤNG TRONG ĐỀ TÀI

HTSDĐ: Hiện trạng sử dụng đất

LCM : Land Change Modeler

MLP : Multi-Layer Perceptron

LogReg : Logistic Regression,

ROI: Region Of Interest

ML: Maximum Likelihood

TM: Thermatic Mapper

DANH MỤC CÁC BẢNG

Bảng 2 1: Chỉ tiêu đánh giá chất lượng mẫu giải đoán ảnh 30

Bảng 2 2 Các tham số hiệu chỉnh Mô hình chuyển đổi phụ 38

Bảng 3 1: Thông tin về ảnh vệ tinh Landsat sử dụng trong nghiên cứu 49

Bảng 3 2: Hình ảnh khảo sát thực địa của của một số đối tượng sử dụng đất 50 Bảng 3 3: Bảng phân loại sử dụng đất tỉnh Bình Dương 52

Bảng 3 4: Mẫu giải đoán ảnh năm 2014 53

Bảng 3 5: Mẫu giải đoán ảnh năm 2009 53

Bảng 3 6: Mẫu giải đoán ảnh năm 2000 54

Bảng 3 7: Hệ số Chuyển đổi phân kỳ (TD) và Jeffries-Matusita (J-M) của các mẫu giải đoán ảnh Landsat8 OLI_TIRS năm 2015 56

Bảng 3 8: Hệ số Chuyển đổi phân kỳ (TD) và Jeffries-Matusita (J-M) của các mẫu giải đoán ảnh Landsat7 ETM+ năm 2009 56

Bảng 3 9: Hệ số Chuyển đổi phân kỳ (TD) và Jeffries-Matusita (J-M) của các mẫu giải đoán ảnh Landsat5 TM năm 2000 57

Bảng 3 10: Chỉ số thống kê độ chính xác kết quả phân loại sử dụng đất 58

Bảng 3 11 : Danh mục các chuyển đổi sử dụng đất được xác định trong giai đoạn 2001-2009 65

Bảng 3 12 : Các biến giải thích áp dụng trong Mô hình chuyển đổi phụ 66

Bảng 3 13 : Hệ số Cramer’s V của các biến giải thích 67

Bảng 3 14 : Giá trị tối ưu của các tham số hiệu chỉnh mô hình 69

Bảng 3 15 : Kế quả đánh giá độ chính xác chạy Mô hình phụ 69

Bảng 3 16 : Ma trận khả năng chuyển đổi sử dụng đất đến năm 2015 70

Hình 3 8: Bản đồ dự báo sử dụng đất đến năm 2015 71

Bảng 3 17 : Đánh giá chất lượng bản đồ dự báo SDĐ đến năm 2015 72

Bảng 3 18: Ma trận khả năng chuyển đổi sử dụng đất đến năm 2030 74

DANH MỤC CÁC HÌNH

Hình 1 1: Hệ thống viễn thám 7

Hình 1 2 Các chức năng của hệ thông tin địa lý ( GIS ) 12

Hình 1 3 Ứng dụng của GIS 13

Hình 2 1: Sơ đồ mô tả các bước của Phương pháp phân loại có giám sát 25

Hình 2 2: Dư báo biến động sử dụng đất sử dụng mô hình LCM 34

Hình 2 3: Phương pháp MLP trong mô hình hóa dự báo sử dụng đất 37

Hình 3 1: Khu vực nghiên cứu 43

Hình 3 2: Bản đồ sử dụng đất tỉnh Bình Dương năm 2000 59

Hình 3 3: Bản đồ sử dụng đất tỉnh Bình Dương năm 2009 60

Hình 3 4: Bản đồ sử dụng đất tỉnh Bình Dương năm 2015 61

Hình 3 5 :Tăng và giảm diện tích các lớp sử dụng đất giai đoạn 2001-2009 62 Hình 3 6: Biến động tuyệt đối của các lớp sử dụng đất giai đoạn 2000-2009 63 Hình 3 7: Phân bố không gian biến động sử dụng đất giai đoạn 2000-2009 64

Hình 3 8: Bản đồ dự báo sử dụng đất đến năm 2015 71

Hình 3 9 : Bản đồ dự báo sử dụng đất đến năm 2030 75

Hình 3 10 : Biến động sử dụng đất tỉnh Bình Dương đến năm 2030 76

MỞ ĐẦU

1 Tính cấp thiết của đề tài

Biến đổi khí hậu và thay đổi sử dụng đất là những thành phần chính của sự thay đổi môi trường toàn cầu Đánh giá các tác động liên quan đến những thay đổi này thường được hiển thị tương tác và phản hồi hai chiều giữa khí hậu và sử dụng đất Hậu quả của những tương tác này cũng cho thấy rằng việc sử dụng đất đai có thể làm trầm trọng thêm hoặc giảm bớt tác động biến đổi khí hậu

Đánh giá tác động thường xuyên cho thấy rằng sự tương tác giữa biến đổi khí hậu và thay đổi sử dụng đất có thể tạo ra những thách thức nghiêm trọng đối với các hệ sinh thái thủy sinh, chất lượng nước và chất lượng không khí Trong nhiều trường hợp, không thể xác định tác động của biến đổi khí hậu mà không cân nhắc đến biến động sử dụng đất và biến động lớp phủ Trong khi biến động

sử dụng đất có thể làm trầm trọng thêm tác động của biến đổi khí hậu, thì quy hoạch sử dụng đất, chính sách và quản lý cũng có thể tạo ra những cơ hội thích ứng quan trọng để tăng khả năng chống chịu của hệ thống kinh tế-xã hội và các

hệ sinh thái nhạy cảm

Đánh giá tổng hợp của cả biến đổi khí hậu và biến động sử dụng đất hiện đang bị giới hạn bởi sự phân tán và không đồng nhất của thông tin về tiềm năng

sử dụng đất trong tương lai Trong nhiều trường hợp, một khu vực cụ thể đã tiến hành phân tích sâu và tăng cường thông tin đất đai, nhưng các kết quả này đôi khi không thể đặt trong bối cảnh cấp vùng và quốc gia Hơn nữa, các nghiên cứu thường dựa trên các giả thuyết, thông tin kinh tế xã hội không phù hợp hoặc không có tài liệu hoặc các mô hình phân tích không tích hợp, liên kết được các thông tin trên trong một thể thống nhất

Việt Nam có tốc độ phát triển kinh tế cao trong vòng hai thập kỷ vừa qua Quá trình đổi mới đã đưa Việt Nam từ một trong các nước nghèo nhất trên thế giới, với thu nhập trên đầu người dưới $100 trở thành một nước có thu nhập trung bình thấp trong vòng 25 năm với thu nhập bình quân đầu người là $1.960 vào cuối năm 2013, trong đó khu vực miền Đông Nam Bộ là khu vực có tốc độ phát triển thuộc tốp đầu của cả nước

Phát triển kinh tế đã tạo ra nhiều rủi ro về môi trường Tăng trưởng dân số, công nghiệp hóa, đô thị hóa và các thay đổi lớn về phát triển nông thôn đã tạo ra các tác động tiêu cực tới sự phát triển bền vững về kinh tế-xã hội của khu vực

Trong giai đoạn hiện nay, xu hướng sử dụng các mô hình để xây dựng các kịch bản tài nguyên môi trường đang ngày càng phổ biến như: mô hình thủy văn, thủy lực trong xây dựng kịch bản tài nguyên nước, kịch bản sự cố hồ đập;

mô hình khí hậu toàn cầu để dự báo biến đổi khí hậu Các kịch bản này là công

cụ không thể thiếu trong việc xây dựng hệ thống hỗ trợ ra quyết định phục vụ công tác quản lý và quy hoạch lãnh thổ

Tuy nhiên trên thực tế hiện nay, các kịch bản về biến đổi khí hậu, kịch bản tài nguyên nước, kịch bản sự cố vỡ hồ, đập cấp quốc gia, cấp vùng đã được triển khai xây dựng thì các kịch bản biến động sử dụng đất vẫn chưa có một luận

cứ vững chắc để đưa ra trên bình diện cấp vùng hoặc cấp quốc gia; trong khi biến động sử dụng đất là một yếu tố đầu vào không thể thiếu trong việc xây dựng các kịch bản trên

Nghiên cứu này được thực hiện nhằm cung cấp cơ sở khoa học và thực tiễn cho việc đánh giá một loạt các kịch bản tác động và nguy cơ tiềm ẩn trong các lĩnh vực như chất lượng nước, chất lượng không khí, sức khỏe con người và

hệ sinh thái, vv Đặc biệt, các kịch bản sử dụng đất được xây dựng trong nghiên

cứu này có thể được sử dụng như là đầu vào cho việc chạy các mô hình phức tạp hơn để đánh giá những tác động kép của biến đổi khí hậu và biến động sử dụng đất/lớp phủ

2 Mục đích nghiên cứu

Với những vấn đề đặt ra như trên, đề tài “Nghiên cứu, ứng dụng Công nghệ viễn thám, Hệ thống thông tin địa lý (GIS) và Mô hình toán học nhằm xây dựng bản đồ dự báo biến động sử dụng đất tỉnh Bình Dương đến năm 2030” cần đạt được các mục tiêu chính như sau:

- Xây dựng các kịch bản dự báo biến động sử dụng đất trên cơ sở tích hợp công nghệ viễn thám, GIS và mô hình toán học;

- Cung cấp cơ sở khoa học và thực tiễn trong việc xây dựng và công bố kịch bản sử dụng đất phục vụ các mục tiêu quản lý tổng hợp khu vực

3 Đối tượng và phạm vi nghiên cứu

3.1 Đối tương nghiên cứu

Đối tượng nghiên cứu của đề tài là nghiên cứu giải pháp kỹ thuật trong việc ứng dụng dữ liệu viễn thám đa thời gian, hệ thống thông tin địa lý và mô hình toán học nhằm xây dựng bản đồ dự báo biến động sử dụng đất

3.2 Phạm vi nghiên cứu

- Xây dựng bản đồ dự báo sử dụng đất (kịch bản sử dụng đất) phục vụ đa mục tiêu như đánh giá tác động của biến động sử dụng đất đến tài nguyên nước; đánh giá tác động đến biến đổi khí hậu; hỗ trợ các cơ quan quản lý ra quyết định

về quy hoạch sử dụng đất…

- Đề tài được thực hiện trên phạm vi tỉnh Bình Dương

4 Nội dung nghiên cứu

Để đạt được mục tiêu đặt ra, đề tài cần thực hiện các nội dung sau:

1) Khái quát khu vực nghiên cứu:

- Điều kiện địa lý của khuc vực;

- Điều kiện kinh tế xã hội của khu vực;

- Điều kiện tự nhiên của khu vực nghiên cứu

- Hiện trạng tư liệu, cơ sở dữ liệu sử dụng đất của khu vực nghiên cứu

2) Cơ sở khoa học của phân loại bản đồ sử dụng đất sử dụng ảnh viễn thám đa phổ

- Phương pháp phân loại bản đồ sử dụng đất bằng ảnh viễn thám;

- Dữ liệu sử dụng để phân loại bản đồ sử dụng đất tỉnh Bình Dương;

- Đánh giá độ chính xác bản đồ hiện trạng sử dụng đất tỉnh Bình Dương

- Phân tích biến động sử dụng đất tỉnh Bình Dương từ năm 2000 đến 2015

3) Dự báo biến động sử dụng đất tỉnh Bình Dương đến năm 2030

- Các mô hình dự báo biến động sử dụng đất;

- Ứng dụng mô hình Mô phỏng sử dụng đất (LCM) để dự báo biến động

sử dụng đất tỉnh Bình Dương;

- Thành lập bản đồ dự báo biến động sử dụng đất tỉnh Bình Dương;

- Phân tích và đánh giá kết quả

5 Phương pháp nghiên cứu

- Phương pháp nghiên cứu lý luận: Nghiên cứu các lý thuyết liên quan

đến phân loại sử dụng đất sử dụng ảnh viễn thám đa phổ, phương pháp dự báo biến động sử dụng đất

- Phương pháp thu thập thông tin: Tiến hành thu thập và tổng hợp các

tài liệu đã được công bố trong và ngoài nước, thu thập tài liệu ảnh viễn thám qua mạng internet, khảo sát thu thập dữ liệu thực địa

- Phương pháp tổng hợp và phân tích tài liệu: Tổng hợp các tài liệu thu

thập được, tiến hành phân tích, đánh giá và phân loại phục vụ trực tiếp cho các nội dung nghiên cứu

- Phương pháp chuyên gia: Tham khảo ý kiến các chuyên gia trong lĩnh

vực bản đồ, viễn thám nhằm tăng cường hiểu biết và hoàn thành các nội dung của đề tài ;

6 Ý nghĩa khoa học và ý nghĩa thực tiễn của đề tài

Phương pháp đề xuất trong nghiên cứu có thể xây dựng cơ sở dữ liệu sử dụng đất phục vụ cho nhiều mục đích khác nhau, như: đánh giá tác động của biến động sử dụng đất đến tài nguyên nước; đánh giá tác động đến biến đổi khí hậu; hỗ trợ các cơ quan quản lý ra quyết định về quy hoạch sử dụng đất…

7 Cấu trúc luận văn

Ngoài phần mở đầu và kết luận, luận văn được thực hiện trong 3 chương: Chương 1 Tổng quan của đề tài Trong đó trình bày các khái niệm cơ bản

về viễn thám, về GIS; đánh giá tổng quan về các ứng dụng của công nghệ viễn thám trong lĩnh vực xây dựng bản đồ sử dụng đất và kịch bản sử dụng đất ở Việt Nam và trên thế giới;

Chương 2 Phương pháp dự báo biến động sử dụng đất Trong chương này tập trung phân tích, đánh giá một số phương pháp cơ bản trong dự báo biến động

sử dụng đất, trong đó có các vấn đề liên quan đến phân tích biến động sử dụng đất, các mô hình cơ bản trong dự báo biến động sử dụng đất và lựa chọn mô hình phù hợp với mục tiêu nghiên cứu;

Chương 3 Thực nghiệm Trên cơ sở các nghiên cứu tổng quan cử chương

1, các nghiên cứu về phương pháp luận của Chương 2, Chương 3, tôi đã tiến hành thực nghiệm việc xây dựng bản đồ dự báo sử dụng đất đến năm 2030 bằng việc sử dụng mô hình LCM với thuật toán chuỗi Markov

CHƯƠNG 1 TỔNG QUAN VỀ PHƯƠNG PHÁP VIỄN THÁM VÀ MÔ

HÌNH DỰ BÁO BIẾN ĐỘNG SỬ DỤNG ĐẤT

Công nghệ viễn thám ra đời cũng được xem như một trong những công nghệ thiết thực vì nhờ nó mà các tính chất của vật thể chúng ta quan sát được xác định, đo đạc hoặc phân tích mà không cần tiếp xúc trực tiếp với chúng Vậy trước tiên phải hiểu viễn thám là gì? Công nghệ này hiện nay đang được ứng dụng như thế nào?

Đối với các nước tiên tiến trên thế giới nói chung cũng như đối với nước

ta nói riêng, công nghệ viễn thám đã và đang được sử dụng rộng rãi trong nhiều lĩnh vực như: thành lập, hiện chỉnh hệ thống bản đồ địa hình từ tỉ lệ 1/10 000 đến 1/50 000; chỉnh lý bản đồ địa chính; thành lập bản đồ hiện trạng sử dụng đất, kiểm kê sử dụng đất hàng năm và tổng kiểm kê sử dụng đất toàn quốc mỗi 5 năm ; điều tra, kiểm kê tài nguyên rừng ; ứng dụng trong nghiên cứu, giám sát tài nguyên môi trường, giám sát tài nguy biển và hải đảo,vv

Tuy nhiên, việc ứng dụng viễn thám đối trong việc xây dựng các kịch bản

sử dụng đất trong bối cảnh bị ảnh hưởng bởi biến đổi khí hậu vẫn đang là một trong những vấn đề mới cần tiếp tục nghiên cứu

1.1 Khái niệm về viễn thám

1.1.2 Nguyên lý hoạt động của hệ thống viễn thám

Hình 1 1: Hệ thống viễn thám

Hình 1.1 thể hiện các cấu phần cơ bản của một hệ thống viễn thám; nó thường bao gồm 7 phần tử có quan hệ chặt chẽ với nhau Theo trình tự hoạt động của hệ thống, chúng ta có:

- Nguồn năng lượng Thành phần đầu tiên của một hệ thống viễn thám là nguồn năng lượng để chiếu sáng hay cung cấp năng lượng điện từ tới đối tượng quan tâm Có loại viễn thám sử dụng năng lượng mặt trời(viễn thám bị động), có loại tự cung cấp năng lượng tới đối tượng (viễn thám chủ động)

- Những tia phát xạ và khí quyển Vì năng lượng đi từ nguồn năng lượng tới đối tượng nên sẽ phải tương tác với vùng khí quyển nơi năng lượng đi qua

Sự tương tác này có thể lặp lại ở một vị trí không gian nào đó vì năng lượng còn phải đi theo chiều ngược lại, tức là từ đối tượng đến bộ cảm

- Sự tương tác với đối tượng Sự tương tác này có thể là truyền qua đối tượng, bị đối tượng hấp thu hay bị phản xạ trở lại vào khí quyển

- Thu nhận năng lượng bằng bộ cảm Sau khi năng lượng được phát ra hay bị phản xạ từ đối tượng, chúng ta cần có một bộ cảm từ xa để tập hợp lại và thu nhận sóng điện từ Năng lượng điện từ truyền về bộ cảm mang thông tin về đối tượng

- Sự truyền tải, thu nhận và xử lý Năng lượng được thu nhận bởi bộ cảm cần phải được truyền tải, thường dưới dạng điện từ, đến một trạm tiếp nhận-xử

lý nơi dữ liệu sẽ được xử lý sang dạng ảnh Ảnh này chính là dữ liệu thô

- Giải đoán và phân tích ảnh Ảnh thô sẽ được xử lý để có thể sử dụng được Để lấy được thông tin về đối tượng người ta phải nhận biết được mỗi hình ảnh trên ảnh tương ứng với đối tượng nào Công đoạn để có thể “nhận biết” này gọi là giải đoán ảnh

- Ứng dụng Đây là phần tử cuối cùng của quá trình viễn thám, được thực hiện khi ứng dụng thông tin mà chúng ta đã chiết được từ ảnh để hiểu rõ hơn về đối tượng mà chúng ta quan tâm, để khám phá những thông tin mới, kiểm nghiệm những thông tin đã có , nhằm giải quyết những vấn đề cụ thể

1.1.3 Các phương pháp sử lý thông tin viễn thám

Viễn thám có hai dạng tài liệu chủ yếu là dạng hình ảnh (photograph) chụp theo nguyên tác khung và hình ảnh tạo nên bằng phương pháp quét (image) Cả hai phương pháp đều có thể thực hiện trên máy bay hoặc vệ tinh

Xử lý thông tin viễn thám cũng có hai phương pháp cơ bản: phân tích bằng mắt và xử lý số Giải đoán bằng mắt (Visual Interpretation) có thể áp dụng cho cả hai dạng tư liệu, song xử lý số (Digital image Processing) thì chỉ áp dụng cho ảnh số

Phân tích ảnh bằng mắt (Visual Interpretation)

Khái niệm chung

Giải đoán bằng mắt là sử dụng mắt người cùng với trí tuệ để tách chiết các thông tin từ tư liệu viễn thám dạng hình ảnh Trong việc xử lý thông tin viễn thám thì giải đoán bằng mắt (visual interpretaion) là công việc đầu tiên, phổ biến nhất và có thể áp dụng trong mọi điều kiện có trang thiết bị t ừ đơn giản đến phức tạp

Việc phân tích ảnh bằng mắt có thể được trợ giúp bằng một số thiết bị quang học

Phân tích hay giải đoán bằng mắt là sử d ụng mắt thường hoặc có sự trợ giúp của các dụng cụ quang học từ đơn giản đến phức tạp như: kính lúp, kính lập thể, kính phóng đại, máy tổng hợp màu, nhằm nâng cao khả năng phân tích của mắt người Phân tích ảnh bằng mắt là công việc có thể áp dụng một cách dễ dàng trong mọi điều kiện và có thể phục vụ cho nhiều nội dung nghiên cứu khác nhau: nghiên cứu lớp phủ mặt đất, nghiên cứu rừng, thổ nhưỡng, địa chất, địa mạo, thuỷ văn, sinh thái, môi trường

Cơ sở để giải đoỏn bằng mắt là đưa vào các dấu hiệu giải đoán trực tiếp hoặc gián tiếp và chìa khóa giải đoán

Phân tích ảnh bằng mắt là công việc tổng hợp, kết hợp nhiều thông số của ảnh, bản đồ, tài liệu thực địa và kiễn thức chuyên môn Dưới đây là tổng hợp một số nguyên tắc giải đoán ảnh

* Các dấu hiệu giải đoán ảnh

Về nguyên tắc chung, các dấu hiệu giải đoán được xếp theo hai nhóm Chính là các yếu tố ảnh và các yếu tố địa kỹ thuật

* Các yếu tố ảnh (photo elements)

- Tone ảnh: là tổng hợp lượng ánh sáng được phản xạ từ về mặt đối tượng, là dấu hiệu hết sức quan trọng để xác định đối tượng Tone ảnh được chia ra nhiều cấp khác nhau, trong giải đoán bằng mắt thường cú 10-12 cấp Sự khác biệt của tone ảnh phụ thuộc vào nhiều tớnh chất khác nhau của đối tượng

- Cấu trúc ảnh (texture): Cấu trúc ảnh được hiểu là tần số lập lại của sự thay đổi tone ảnh, gây ra bởi tập hợp của nhiều đặc tính rất rõ ràng của nhiều

cá thể riêng biệt

- Hình dạng (Shape): là hình ảnh bên ngoài của đối tượng, thông thường

đó là hình ảnh 2 chiều Đối với ảnh lập thể các thể nhìn thấy cả chiều cao của đối tượng Hình dáng là yếu tố đầu tiên giúp cho người phân tích có thể phân biệt các đối tượng khác nhau

- Kích thước (Size): là thông số về độ lớn,độ dài, độ rộng của đối tượng Kích thước liên quan đến tỉ lệ của ảnh Về hình dạng có thể giống nhau nhưng kích thước khác nhau thì có thể là hai đối tượng khác nhau

- Mẫu (Pattern): là sự sắp xếp trong không gian của các đối tượng Một dạng địa hình đặc trưng sẽ bao gồm sự sắp xếp theo một quy luật đặc trưng của các đối tượng tự nhiên, là hợp phần của dạng địa hình đó Ví dụ: Khu đô thị là tập trung của nhà xây, đường phố, cây xanh tạo nên một mẫu đặc trưng của cấu trúc đô thị Ruộng trồng lúa có hình mẫu ô thửa đặc trưng khác với vườn cây ăn quả, có cấu trúc dạng đốm

- Kiến trúc (Texture): là tần số thay đổi của độ sáng (tone) trên ảnh Đó là

sự tập hợp các đặc điểm của hình ảnh như hình dạng, kích thước, mẫu để tạo nên một đăc điểm riêng biệt của đối tượng hay nhóm đối tượng Cấu trúc là đặc điểm tương đối khái quát song lại rất đặc trưng, giúp cho người phân tích có thể nhận diện và phân biệt một cách nhanh chóng từng đối tượng tập hợp thành một dạng địa hình đặc trưng Về cấu trúc có các khái niệm: thô, mịn, đồng tâm, toả tia, vòm, phân nhánh

Ví dụ: Cấu trúc mịn đặc trưng cho trầm tích bở rời, cấu trúc thụ cho đặc trưng đỏ macma; cấu trúc dạng dải đặc trưng cho đỏ trầm tích biến chất cao, từ

đó có thể phân biệt được các loại đá khác nhau

- Bóng (Shadow): là phần bị che lấp, không có ánh sáng mặt trời chiếu tới (hoặc từ nguồn chủ động), do đó không có ánh sáng phản hồi tới thiết bị thu Bóng thường được thể hiện bằng tone ảnh đen trên ảnh đen trắng và màu xẫm

đến đen trên ảnh màu Bóng có thể phản ánh lên độ cao của đối tượng Bóng là yếu tố quan trọng tạo nên cấu trúc đặc trưng cho các đối tượng Tuy nhiên bóng cũng là phần mà thông tin về đối tượng không có hoặc rất ít, vì vậy phải bổ xung lượng thông tin ở vùng bóng

- Vị trí (Site): vị trí của đối tượng trong không gian địa lý của vùng nghiên cứu là thông số rất quan trọng giúp cho người giải đoán có thể phân biệt đối tượng

Rất nhiều trường hợp cùng một dấu hiệu ảnh, song ở vị trí khác nhau lại là các đối tượng khác nhau (đặc biệt là khi giải đoán bằng mắt, mắt người không phân biệt được rõ các mức khác nhau của yếu tố ảnh)

Màu (colour): màu của đối tượng trên ảnh màu giả (FCC) giúp cho người giải đoán có thể phân biệt được nhiều đối tượng có đặc điểm tone ảnh tương tự như nhau trên ảnh đen trắng Tổ hợp màu giả thông dụng trong ảnh Landsat là: xanh lơ (blue), xanh lục(green) và đỏ (red), thể hiện các nhóm yếu tố cơ bản là thực vật từ màu hồng đến màu đỏ,nước xanh lơ nhạt đến xanh lơ x ẩm, đất trồng, đỏ lộ có màu trắng Ngoài ra một số đối tượng khác cũng có màu đặc biệt: đồ thị màu xanh lơ, rừng ngập mặn: màu đỏ x ẫm đến màu nâu xẫm, đất trồng màu cây vụ đông các loại có màu hồng đến màu vàng, ngoài ba tổ hợp màu giả đó nêu trên, người ta có thể t ạo nên rất nhiều tổ hợp ảnh màu giả khác bằng phương pháp quang học (dựng các tấm lọc màu) hoặc bằng kỹ thuật

xử lý ảnh số Vì vậy khi giải đoán các đối tượng trên ảnh màu giả phải có những định hướng ngay từ đầu về tổ hợp màu giả, từ đó mới tránh được

những sự nhầm lẫn ngay từ đầu

1.2.Hệ thống thông tin địa lý

GIS sẽ làm thay đổi đáng kể tốc độ mà thông tin địa lý được sản xuất, cập nhật và phân phối GIS cũng làm thay đổi phương pháp phân tích dữ liệu địa lý, hai ưu điểm quan trọng của GIS so với bản đồ giấy là:

• Dễ dàng cập nhật thông tin không gian

• Tổng hợp hiệu quả nhiều tập hợp dữ liệu thành một cơ sở dữ liệu kết hợp

Hình 1 3 Ứng dụng của GIS

1.2.2 Vai trò của GIS trong xây dựng cơ sở dữ liệu bản đồ

• Ứng dụng GIS trong Môi trường

• Ứng dụng GIS trong Khí tượng thuỷ văn

• Ứng dụng GIS trong Nông nghiệp, quản lý đất đai

• Ứng dụng GIS trong Y tế

• Ứng dụng GIS trong Dịch vụ tài chính

• Ứng dụng GIS trong thị trường Bán lẻ

• Ứng dụng GIS cho Các dịch vụ điện, nước, gas, điện thoại

Ưu điểm

• Là cách tiết kiệm chi phí và thời gian nhất trong việc lưu trữ số liệu

• Có thể thu thập số liệu với số lượng lớn

• Số liệu lưu trữ có thể được cập nhật hoá một cách dễ dàng

• Chất lượng số liệu được quản lý, xử lý và hiệu chỉnh tốt

• Dễ dàng truy cập, phân tích số liệu từ nhiều nguổn và nhiều loại khác nhau

• Tổng hợp một lần được nhiều loại số liệu khác nhau để phân tích và tạo ra nhanh chóng một lớp số liệu tổng hợp mới

Nhược điểm

• Các ứng dụng GIS đòi hỏi rất cao về việc xây dựng dữ liệu ban đầu, công việc này đòi hỏi nhiều kiến thức về kỹ thuật máy tính và yêu cầu lớn về nguồn tài chính ban đầu

• Đồ họa trong các ứng dụng GIS khá cao nên các ứng dụng GIS đòi hỏi các cấu hình máy tính khá mạnh dẫn đến chi phí cho việc trang bị, lắp đặt các thiết bị và phần mềm về GIS rất cao

• Bản quyền phần mềm và chi phí vận hành rất cao

1.2.3 Phương pháp

Ðây là hợp phần rất quan trọng để đảm bảo khả năng hoạt động của hệ thống, là yếu tố quyết định sự thành công của việc phát triển công nghệ GIS Hệ thống GIS cần được điều hành bởi một bộ phận quản lý, bộ phậnnày phải được

bổ nhiệm để tổ chức hoạt động hệ thống GIS một cách có hiệu quả để phục vụ người sử dụng thông tin

Để hoạt động thành công, hệ thống GIS phải được đặt trong 1 khung tổ chức phù hợp và có những hướng dẫn cần thiết để quản lý,thu thập, lưu trữ và phân tích số liệu, đồng thời có khả năng phát triển được hệ thống GIS theo nhu cầu Hệ thống GIS cần được điều hành bởi 1 bộ phận quản lý, bộ phậnnày phải được bổ nhiệm để tổ chức hoạt động hệ thống GIS một cách có hiệu quả để phục vụ người sử dụng thông tin Trong quá trình hoạt động, mục đích chỉ có thể đạt được và tính hiệu quả của kỹ thuật GIS chỉ được minh chứng khi công cụ nàycó thể hỗ trợ những người sử dụng thông tin để giúp họ thực hiện được những mục tiêu công việc Ngoài ra việc phối hợp giữa các cơ quan chức năng

có liên quan cũng phải được đặt ra, nhằm gia tăng hiệu quả sử dụng của GIS cũng như các nguồn số liệu hiện có

1.3 Tổng quan các phương pháp phân loại sử dụng đất bằng ảnh viễn thám

1.3.1 Phương pháp phân loại không giám sát

Phương pháp phân loại không giám sát là phương pháp phận loại các đối tượng trên ảnh dựa trên nguyên lý phân chia các pixel trong dữ liệu chỉ dựa trên duy nhất các số liệu thống kê về giá trị độ sáng (giá trị phổ) của các pixel trong các kênh phổ Khác với phương pháp phân loại có giám sát, phân loại không giám sát không cần phải có một tập mẫu các lớp được xác định từ trước.Phương pháp phân loại không giám sát có 02 kỹ thuật, bao gồm:

a Phân loại IsoData

Phương phápphân loại Isodata sẽ tính toán cách thức phân lớp trong không gian dữ liệu, sau đó nhóm đi nhóm lại các pixel bằng kỹ thuật khoảng cách tối thiểu ( Minimun distance ) Mỗi lần nhóm lại các lớp này sẽ tính toán lại cách thức phân lớp và phân loại lại các pixel theo cách thức phân lớp mới quá trình này sẽ tiếp tục lặp đi lặp lại đến khi số các pixel trong mỗi lớp nhỏ hơn ngưỡng thay đổi pixel đã trọn hoặc đạt tối đa số lần lắp đi lặp lại đó

Phương pháp này được áp dụng trong trường hợp ta không biết hoặc không quen với những đối tượng xuất hiện trên ảnh Nó cũng phần nào loại trừ được những sai số chủ quan của con người

b Phân loại K-Means

Phân loại K-Means tính toán các các giá trị trung bình lớp ban đầu được phân bố đều trong không gian dữ liệu, sau đó tiến hành nhóm dần các pixel thành lớp gần nhất sử dụng kỹ thuật khoảng cách ngắn nhất Mỗi lần tính lặp lại các giá trị trung bình lớp và phân lớp lại các pixel với các giá trị trung bình mới Tất cả các pixel được phân loại thành các lớp gần nhất trừ khi người sử dụng ấn định một độ lệch trung bình mới hoặc một ngưỡng khoảng cách mới Trong trường hợp này, một số pixel có thể không được phân loại Quá trình cứ tiếp tục cho đến khi số lượng các pixel trong mỗi lớp thay đổi mà vẫn nhỏ hơn ngưỡng

thay đổi đã chọn hoặc vẫn nhỏ hơn số lần tính lặp tối đa

1.3.2 Phương pháp phân loại có giám sát

Phân loại có giám sát (supervised )là phương pháp phân loại dựa trên một tập các pixel mẫu (ROI) đã được người sử dụng xác địnhtừ trước Dựa vào tập mẫu này, máy tính được “lập trình” để xác định những pixel có cùng một số đặc trưng về phổ, trên cơ sở đó để phân loại chúng

Trong phương pháp phân loại có giám sát, một số thuật toán phân loại sau đây thường được sử dụng:

a Phân loại hình hộp (Parallelpiped Classification)

Đầu tiên, chương trình tính vector giá trị trung bình cho tất cả các kênh phổ

sẽ phân loại, ứng với mỗi lớp mẫu đã chọn Sau đó, các pixel được so sánh và gán vào lớp mà giá trị của nó nằm trong khoảng [ngưỡng thấp, ngưỡng cao] của độ lệch chuẩn so với vector trung bình Nếu giá trị pixel nằm trong nhiều lớp, phần mềm phân loại sẽ gán pixel vào lớp cuối cùng mà nó phù hợp Nếu pixel không nằm trong một trong các khoảng giá trị đó, nó sẽ được gán vào lớp chưa phân loại

Phương pháp này thực hiện rất nhanh, đơn giản nhưng kết quả có độ chính xác không cao Nó có thể được dùng khi tiến hành phân loại sơ bộ ban đầu

b Phân loại theo khoảng cách nhỏ nhất (Minimum distance Classification) Đầu tiên, tính vector trung bình của mỗi mẫu phân loại và khoảng cách Ơclit (Euclid) đo được giữa pixel chưa được phân loại tới các vector giá trị trung bình đó Sau đó, pixel sẽ được gán tới lớp có khoảng cách nhỏ nhất Về mặt lý thuyết mà nói, theo phương pháp này, mọi pixel đều được phân loại Tuy nhiên, người phân tích cũng có thể sử dụng độ lệch chuẩn hoặc đưa ra một ngưỡng giới hạn nhất định về khoảng cách để phân loại các pixel

Đây cũng là một phương pháp phân loại khá nhanh, giá trị phổ của pixel gần với giá trị phổ trung bình của mẫu Tuy nhiên, phương pháp này cũng chưa thật chính xác và không cân nhắc đến sự biến thiên của các lớp phân loại

c.Phân loại hàm xác suất cực đại (Maximum Likelihood Classification) Phương pháp này sẽ coi mỗi lớp trong mỗi kênh phổ có sự phân bố chuẩn Các pixel sẽ được phân loại vào lớp mà nó có xác xuất cao nhất Việc tính toán không chỉ dựa vào giá trị khoảng cách mà còn dựa vào cả xu thế biến thiên độ sáng trong mỗi lớp Nếu người phân tích không đặt ra một ngưỡng về xác suất thì toàn bộ các pixel đều được phân loại Nếu xác suất nhỏ hơn ngưỡng được đặt

ra, pixel sẽ không được phân loại

Đây là một phương pháp phân loại chính xác nhưng mất nhiều thời gian tính toán và phụ thuộc vao sự phân bố chuẩn của dữ liệu

d Phân loại theo khoảng cách Mahalanobis(MahalanobisDistance)

Phương pháp này cũng tương tự như phương pháp hàm xác suất cực đại nhưng giả thiết rằng tất cả các hiệp phương sai (covariances) lớp là bằng nhau

và do đó là phương pháp nhanh hơn Tất cả các pixel được phân loại vào các lớp gần nhất trừ khi người phân tích chỉ định một ngưỡng khoảng cách

e Phân loại theo thuật toán góc quang phổ (SpectralAngle Mapper-SAM) Đây là phương pháp phân loại dựa trên cơ sở vật lý, sử dụng góc n-chiều

để khớp các pixel với phổ tham chiếu Thuật toán xác định sự tương đồng về phổ giữa hai dải phổ bằng cách tính toán các góc phổ và coi chúng như là những vector trong không gian với thứ nguyên bằng với số thứ tự của các kênh phổ Kỹ thuật này, khi được sử dụng với các dữ liệu phổ phản xạ đã hiệu chỉnh, sẽ ít bị ảnh hưởng của sự chiếu sáng và hiệu ứng albedo Các phổ thành phần ứng với các lớp mẫu dùng trong phân loại SAM có thể là file ASCII, thư viện phổ, hoặc do người

sử dụng có thể lấy chúng trực tiếp từ một ảnh SAM so sánh góc giữa vector phổ thành phần mẫu với mỗi vector pixel trong không gian n-chiều Các góc nhỏ hơn sẽ biểu diễn cho những phổ gần hơn với phổ tham chiếu Các pixel có góc nhỏ hơn ngưỡng lớn nhất được chỉ định (đơn vị: radian) sẽ không được phân loại

Phân loại SAM áp dụng cho dữ liệu phản xạ Tuy nhiên, nếu người sử dụng dùng dữ liệu phát xạ, sai số thường không đáng kể

f Phân loại mã nhị phân (Binary Encoding Classification)

Kỹ thuật phân loại mã nhị phân sẽ mã hóa dữ liệu và phổ thành phần mẫu ứng với các lớp dùng trong phân loại thành các giá trị 0 và 1 tùy thuộc vào dải phổ đó nằm vào phía sau hay phía trước giá trị trung bình phổ Một hàm loại trừ

sẽ so sánh mỗi phổ tham chiếu đã mã hóa với phổ của pixel đã mã hóa và tạo ra ảnh phân loại Tất cả các pixel sẽ được phân loại, trừ khi người sử dụng chỉ định một ngưỡng tối thiểu để so khớp dữ liệu

1.3.3 Đánh giá và lựa chọn phương pháp phân loại sử dụng đất áp dụng cho khu vực nghiên cứu

Để đánh giá hiệu quả của cả hai phương pháp phân loại có giám sát và phân loại không giám sát, một số nghiên cứu đã chỉ ra rằng phân loại có giám sát

sẽ có hiệu quả hơn phân loại không có giám sát [Guerra và nnk al, 2010] Độ chính xác của việc phân loại không giám sát thường thấp và có thể gây nhầm lẫn trong kết quả phân loại [Richards và Jia, 2006]; trong khi các kết quả sử dụng phân loại có giám sát lại có độ chính xác cao, tin cậy và phù hợp với mẫu ảnh phân loại được định nghĩa ban đầu [Xiong Liu, 2002; Guerra và nnk al, 2010]

Tuy nhiên, bản thân trong phương pháp phân loại có giám sát cũng có rất nhiều các thuật toán khác nhau được áp dụng; các thuật toán sẽ cho kết quả có

độ tin cậy khác nhau Để đánh giá sự khác biệt này, hai nhà khoa học Parumal

và Akgün đã thử nghiệm các kỹ thuật phân loại ảnh khác nhau khi sử dụng ảnh của Landsat 7 ETM [Akgün, 2004; Perumal, 2010] Ngoài ra, trong nghiên cứu này, chúng tôi cũng đã thử nghiệm trên một khu vực nhỏ của tỉnh Bình Dương nhằm xác nhận độ chính xác phân loại của các kỹ thuật nói trên khi sử dụng ảnh Landsat7 ETM+ đối với khu vực chúng tôi dự định sẽ nghiên cứu

Trong số các thuật toán được thử nghiệm, kết quả cho thấy rằng thuật toán Phân loại hàm xác suất cực đại (Maximum likelihood) cho kết quả phân loại có

độ tin cậy tốt và ổn định

Việc phân tích các ưu, nhược điểm và độ tin cậy cho cả hai phương pháp phân loại (có giám sát và không có giám sát) và các ước tính về độ chính xác của thuật toán phân loại có giám sát cho thấy thuật toán Maximum Likelihood phù hợp hơn với đề tài nghiên cứu của chúng tôi Vì vậy, trong nghiên cứu này, chúng tôi chọn phương pháp phân loại có giám sát với thuật toán Maximum Likelihood (ML) để phân loại sử dụng đất của tỉnh Bình Dương

1.4 Tổng quan về phương pháp dự báo biến động sử dụng đất

1.4.1 Mô hình dự báo biến động sử dụng đất

Hiện nay, có rất nhiều các kiểu mô hình được sử dụng để dự báo biến động sử dụng đất, chẳng hạn như mô hình toán học, thống kê, mô hình phân tích

xu hướng (hệ thống đa tác nhân), mô hình tế bào (cellular automata) Moy và nnk, 2006] và các mô hình dựa trên một phương pháp gọi là "gần đúng" Ngoài ra, các mô hình dựa trên lý thuyết chuỗi Markov hoặc các mô hình chuyên gia đã được sử dụng rộng rãi [Okwuashi và nnk, 2012; He và nnk, 2006; Hepinstall và nnk, 2008; Hubert-Moy và nnk, 2006] Parker và nnk (2003), trong một bản tóm tắt đã phân ra bảy loại mô hình cơ bản: Mô hình toán học dựa trên một hoặc nhiều phương trình cân bằng [Sklar và Costanza, 1991; Chuvieco, 1993]; mô hình hệ thống [Gilbert và Troitzsch, 1999], những mô hình dựa trên các thuật toán thống kê (ví dụ như hồi quy) [Ludeke và nnk., 1990; Mertens và Lambin, 1997]; các mô hình chuyên gia [Eastman, 1999]; các mô hình chuyển đổi dựa trên mạng thần kinh [Balling và nnk., 1999]; mô hình tế bào (tế bào tự động) [Tobler, 1979; Alcamo, 1994], chuỗi Markov [Li và Reynolds, 1997], và các mô hình đa nhân tố [Woolridge, 1999] Ngoài ra, có một số mô hình được gọi là mô hình kết hợp, vì nó được kết hợp từ hai hoặc nhiều hơn các mô hình trên với nhau [Corgne, 2004]

[Hubert-Trong vòng 20 năm qua, các mô hình như chuỗi Markov, CA-Markov, GEOMOD và LCM, là những mô hình cho thấy được sự hiệu quả trong việc dự đoán biến động sử dụng đất ; bởi vì chúng được kết hợp với GIS trong phân tích

dữ liệu, mô phỏng các xác suất của sự thay đổi và nâng cao độ tin cậy kết quả dự báo [Eastman, 2006; Pontius và Chen, 2006; Tewolde và Cabral, 2011]

Vì vậy, để xác định một mô hình thích hợp có thể áp dụng được trong xây dựng các kịch bản sử dụng đất đối với tỉnh Bình Dương, trong nghiên cứu này chúng tôi sẽ đánh giá sơ bộ một số mô hình phổ biến đã được sử dung trong thời gian qua:

a Mô hình GEOMOD

GEOMOD là một mô hình mô phỏng sự phân bố không gian của những thay đổi sử dụng đất trong quá khứ và tương lai Nó mô hình hóa những thay đổi giữa hai loại đất ký hiệu 1 và 2 [Silva và Clarke, 2002; Pontius et al năm 2001; Pontius và Chen, 2006] Ví dụ, nó có thể được sử dụng để dự đoán sự thay đổi trong hai loại đất (đất rừng và đất không có rừng) giữa hai thời điểm khác nhau (T1 và T1) [Dushku và Brown, 2003]

b Mô đun Markov (Markov modul)

Mô đun Markov sử dụng một cặp hình ảnh về sử dụng đất như là dữ liệu đầu vào, tiến hành phân tích sự thay đổi giữa chúng ; và kết quả đầu ra là một

ma trận xác suất chuyển đổi, một ma trận các vùng chuyển đổi, và một tập hợp các hình ảnh xác suất chuyển đổi [Eastman, 2006; Eşbah et al, 2011]:

- Ma trận xác suất chuyển đổi là một tập tin dạng văn bản ghi lại các xác suất của một lớp phủ đất có khả năng chuyển sang loại đất khác Trong ma trận này, các hàng đại diện cho các lớp sử dụng đất cũ hơn, trong khi các cột của ma trận hiển thị các lớp sử dụng đất mới hơn;

- Ma trận các vùng chuyển đổi là một tệp dữ liệu dạng văn bản ghi lại số điểm ảnh sẽ có khả năng chuyển từ loại đất này sang loại đất khác trong kỳ đánh giá

biến động Trong ma trận này, các hàng và cột cũng tương ứng thể hiện dữ liệu sử dụng dụng đất cũ hơn (thời điểm T1) và dữ liệu sử dụng đất mới hơn (thời điểm T2);

- Ảnh xác suất điều kiện xác định xác suất đối với một loại hình sử dụng đất tương ứng trong mỗi điểm ảnh trong giai đoạn chuyển đổi Những hình ảnh này sau đó được sử dụng để tạo ra bản đồ dự báo biến động sử dụng đất

c Mô hình tế bào tự động (Cellula Automata-CA)

Các mô hình CA là mô hình không gian động, trong đó các đơn vị cơ bản

là tế bào Mô hình này kiểm soát sự phân bố không gian của sự thay đổi dựa trên các quy tắc người láng giềng gần nhất và cho phép xây dựng các bản đồ khả năng chuyển đổi [White và Engelen, 1993; Clarke và nnk., 1994; Laurence và Thomas, 2006; He et al, 2008, Guan et al, 2010] Mô hình này có thể được tích hợp với hệ thống thông tin địa lý GIS hoặc có thể được sử dụng như một phần mềm độc lập [Torrens, 2000 và 2006; Eşbah và nnk, 2011]

d Mô hình kết hợp CA-Markov

Mô hình CA-Markov là sự kết hợp của mô hình Cellular Automata (CA)

và mô-đun "Markov" để dự báo biến động sử dụng đât Trong thực tế, mô hình này là mô đun Markov được cộng thêm yếu tố phân tích không gian để thể hiện

sự phân bố không gian của các khả năng chuyển đổi [Eastman, 2006]

Mô hình CA-Markov được tích hợp với GIS được coi là một cách tiếp cận thích hợp để mô hình hóa các thay đổi sử dụng đất theo không gian và thời gian [Myint và Wang, 2006; Courage và nnk, 2009] Trong mô hình CA-Markov, quá trình của chuỗi Markov kiểm soát sự thay đổi về mặt thời gian giữa các lớp sử dụng đất trên cơ sở của ma trận chuyển đổi [Lopeza và nnk, 2001; Guan và nnk, 2010] Trong khi đó, GIS có thể được sử dụng để xác định các điều kiện ban đầu, xác định các tham số của mô hình CA-Markov, tính toán ma trận

chuyển đổi và xác định quy tắc người láng giềng gần nhất [Batty và nnk, 1999 ; Aitkenhead và Aalders, 2009]

e Mô đun Mô hình hóa chuyển đổi sử dụng đất (LCM)

LCM (Land Change Modeler) là một mô-đun tổng hợp được sử dụng cho việc phân tích, dự báo các thay đổi sử dụng đất, đánh giá các yếu tố ảnh hưởng đến đa dạng sinh học và quy hoạch lãnh thổ [Eastman, 2006 và 2009] Việc mô hình hóa sự biến động sử dụng đất sử dụng mô đun LCM đòi hỏi phải có hai bản

đồ hiện trạng sử dụng đất tương ứng với hai thời điểm khác nhau (thời gian T1

và T2) Các bản đồ này được sử dụng như là dữ liệu đầu vào để phân tích các thay đổi sử dụng đất trong quá khứ Nó giúp cho việc nắm bắt các thông tin về

sự tăng, giảm và các vùng chuyển đổi của các loại sử dụng đất khác nhau Mô đun này cũng định lượng được những thay đổi sử dụng đất trong giai đoạn T1 và T2 [Tewolde và Cabral, 2011]

Mô đun LCM cho phép dự báo sự biến động sử dụng đất với một, hai hoặc nhiều lớp sử dụng đất cùng một lúc trên cơ sở của quá trình chuyển đổi tiềm năng Mỗi quá trình chuyển đổi được mô hình hóa bằng một hàm hồi quy logistic hoặc mạng thần kinh đa lớp (Multi-layer perceptron) [Eastman, 2006]

1.4.2 Phân tích lựa chọn mô hình dự báo biến động sử dụng đất

Trên thực tế rất khó để so sánh hiệu quả của các mô hình này vì sự khác biệt cơ bản về cách tiếp cận giữa các mô hình và sự phụ thuộc vào các mục tiêu nghiên cứu Ví dụ, với các mô hình GEOMOD, việc mô phỏng sử dụng đất chỉ thực hiện được với hai lớp sử dụng đất [Silva và Clarke, 2002 Pontius và nnk, 2001], trong khi các mô hình khác, chẳng hạn như các CA-Markov và LCM có thể mô phỏng sự thay đổi đối với nhiều lớp sử dụng đất cùng một lúc [Burstedde

et al, năm 2001; Pontius và Chen, 2006]

Mô hình CA-Markov, trong thực tế là mô-đun Markov được cải tiến với nhiều tính năng hơn so với mô hình CA hoặc mô đun Markov Về mặt lý thuyết,

mô hình này có thể mô phỏng sự thay đổi đồng thời nhiều lớp sử dụng đất Tuy nhiên, một số nghiên cứu đã chỉ ra rằng mô hình này không đảm bảo độ tin cậy khi dự báo biến động sử dụng đất trong dài hạn (độ chính xác dự báo dưới 70%) [Araya và Cabeal, năm 2010; Falahatkar và Soffianian, 2011] Hơn nữa, mô hình CA-Markov chỉ cho đầu ra là hình ảnh của các xác suất chuyển đổi tiềm năng Đây không phải là một bản đồ dự báo (bản đồ chính thức) Để có được bản đồ dự báo cuối cùng, cần phải tiến hành thêm một số công đoạn nữa

Trong khi đó, mô đun LCM cho phép đánh giá độ chính xác của từng bước trong quá trình mô phỏng biến động sử dụng đất và lựa chọn thuật toán thích hợp với mục tiêu đặt ra Một số nghiên cứu cho thấy, mô đun LCM sử dụng mô hình mạng thần kinh đa lớp cho phép thành lập các bản đồ dự báo biến động sử dụng đất với độ chính xác cao hơn 70% [Islam và Ahmed, 2011] Ngoài ra, mô đun này cho phép trực tiếp xuất ra bản đồ dự báo sử dụng đất với các tên và số lượng lớp như các bản đồ hiện trạng đầu vào

Trong trường hợp cụ thể đối với nghiên cứu này, tôi mong muốn dự báo biến động sử dụng đất trong giai đoạn trung hạn và dài hạn đối với tỉnh Bình Dương với nhiều lớp đối tượng sử dụng đất cùng một lúc và độ chính xác của kết quả đạt yêu cầu Do đó, tôi sẽ lựa chọn sử dụng mô đun LCM để dự báo diễn biến sử dụng đất của tỉnh Bình Dương trong hai mươi năm tới

CHƯƠNG 2

PHƯƠNG PHÁP DỰ BÁO BIẾN ĐỘNG SỬ DỤNG ĐẤT

2.1 Ứng dụng viễn thám đa phổ trong phân loại sử dụng đất

2.1.1 Phương pháp phân loại có kiểm định

Như trong phần 1.3 của Chương 1 chúng tôi đã trình bày khái niệm về Phương pháp phân loại có kiểm định, trong phần này chúng tôi sẽ trình bày cụ thể hơn về phương pháp này Phương pháp phân loại có kiểm định được thực hiện qua các bước như trong hình 2.1, bao gồm 04 bước chính :

- Chuẩn bị dữ liệu và xử lý dữ liệu Giai đoạn này cho phép lựa chọn các

tư liệu ảnh viễn thám phù hợp cũng như các tài liệu bổ trợ khác phục vụ quá trình phân loại Giai đoạn này cũng bao gồm các công việc tiền xử lý ảnh và xử

lý ảnh nhằm làm nổi bật các thông tin hữu ích đối với mục tiêu nghiên cứu ;

- Xác định các nguyên tắc phân loại ảnh : giai đoạn này bao gồm việc xác định hay định nghĩa các lớp sử dụng đất cần phân loại, nó cũng chính là bảng chú giải chuyên đề của bản đồ sử dụng đất sau này;

- Phân loại sử dụng đất : giai đoạn này bao gồm các công việc chính như xây dựng mẫu giải đoán ảnh, đánh giá chất lượng mẫu giải đoán ảnh, lựa chọn thuật toán phân loại phù hợp và tiến hành phân loại sử dụng đất từ các mẫu giải đoán đã xây dựng;

- Đánh giá độ chính xác kết quả phân loại sử dụng đất : trong phần này, các kết quả thu được sau phân loại được so sánh với dữ liệu kiểm chứng (xây dựng từ dữ liệu thực địa hoặc các tài liệu liệu phụ trợ) nhằm đánh giá độ chính xác

Hình 2 1: Sơ đồ mô tả các bước của Phương pháp phân loại có giám sát

2.1.2 Tiền xử lý dữ liệu viễn thám

Do sự không đồng nhất về ngày chụp ảnh về độ phân giải không gian, độ phản

xạ phổ; về góc nghiên và góc xoay của ảnh do đó trước khi thực hiện phân loại sử dụng đất, các dữ liệu ảnh viễn thám cần phải trải qua công đoạn tiền xử lý ảnh Tiền

xử lý ảnh là công đoạn được áp dụng nhằm giảm sự khác biệt giữa các ảnh trong phân tích đa thời gian [Chander và Markham, 2003; Ruelland và nnk, 2008], công đoạn này bao gồm các bước như hiệu chỉnh ảnh, nội suy và tái chia mẫu, và cắt ảnh:

a Hiệu chỉnh ảnh :

Mục đích của việc hiệu chỉnh hình học ảnh là việc đưa ảnh vệ tinh về trạng thái ban đầu để loại bỏ ảnh hưởng của khí quyển và độ cong của trái đất trên ảnh Việc hiệu chỉnh bao gồm các bước sau:

- Hiệu chỉnh hình học: hiệu chỉnh sự biến dạng hình ảnh do ảnh hưởng bởi yếu tố địa hình;

- Hiệu chỉnh ảnh hưởng do khí quyển gây ra: các bức xạ được các cảm biến gắn trên vệ tinh thu nhận được là kết quả phản xạ của các bức xạ phản chiếu bởi các mục tiêu trên mặt đất (đối tượng chụp ảnh) và bởi khí quyển Mục đích của hiệu chỉnh phổ ảnh là để loại trừ ảnh hưởng của khí quyển và đưa ra một số đo thực tế của các phản xạ của đối tượng được điều tra Mỗi hình ảnh được hiệu chỉnh bởi hai biến đổi liên tiếp

+ Thứ nhất: Phép biến đổi đầu tiên chuyển đổi các giá trị số của ảnh (có giá trị từ 0-255) sang giá trị bức xạ của các cảm biến (có giá trị từ 0-1,0) Sự biến đổi này được dựa trên các thông số hiệu chỉnh cảm biến khác nhau đã được công bố Ví dụ hiệu chỉnh phổ cho ảnh MSS sử dụng các thông số trong nghiên cứu của Robinove, 1982; Markham và Barker, 1986; hiệu chỉnh cho ảnh TM, sử dụng các thông số hiệu chỉnh được công bố trong các nghiên cứu của Chander và Markham, 2003; Chander vànnk, 2007] Trong nghiên cứu này, việc hiệu chỉnh khí quyển đối với ảnh Landsat 8 OLI_TIRS, chúng tôi sử dụng các thông số hiệu chỉnh dựa trên nghiên cứu của Richter và Schlapfer, 2014.Việc hiệu chỉnh bức xạ còn giúp giảm thiểu sự khác biệt khi ghép các ảnh với nhau

+Thứ hai: là để thay đổi từ phản xạ phổ sang bức xạ của cảm biến nhằm chuẩn hóa sự ảnh hưởng góc nghiêng mặt trời lên ảnh [Ruelland và nnk, 2008]

b Cắt ảnh:

Đối với ảnh Landsat, kích thước ảnh rất lớn (180 km x 180 km), trong khi

đó khu vực nghiên cứu chỉ chiếm một phần nhỏ đối với cả cảnh ảnh Landsat sử dụng Do đó, để thuận tiện cho việc phân loại ảnh cần phải cắt ảnh theo ranh giới khu vực nghiên cứu

2.1.3 Xây dựng bảng phân loại sử dụng đât

Một bản đồ sử dụng đất thể hiện lớp phủ sinh học, vật lý quan sát được trên trên bề mặt của khu vực nghiên cứu, và được giới hạn để mô tả thực vật và các công trình xây dựng của con người [Coq, 2007]

Các bản đồ sử dụng đất được thành lập từ ảnh viễn thám là một là dạng bản đồ được phát triển trên cơ sở của một bản đồ ảnh không gian đã được xử lý hoặc từ một ảnh thô (ảnh gốc) [Coq, 2007] Nguyên tắc chung để phân loại các lớp sử dụng đất trên từ ảnh viễn thám là xác định các điểm ảnh có cùng thuộc tính phù hợp với một lớp loại hình sử dụng đất đã được định nghĩa Trong trường hợp của loại phân loại có giám sát, các lớp sử dụng đất (bảng chú giải bản đồ) phải được xác định trước Bảng chú giải này phải được thể hiện theo một tiêu chuẩn chung, ngôn ngữ chung, nhưng nó cũng phải có các tiêu chí khoa học và phục vụ mục tiêu của nghiên cứu [Hardy và Anderson,1973]

Nói chung, trong trường hợp sử dụng viễn thám để thành lập bản đồ sử dụng đất, việc xác định (định nghĩa) các loại (hạng mục) sử dụng đất phải đáp ứng các điều kiện nhất định:

- Mục tiêu nghiên cứu: Trong nghiên cứu này, một trong những mục tiêu chính là xây dựng được bản đồ sử dụng đất theo hướng tiếp cận lớp phủ, trên đó phải thể hiện được các loại hình sử dụng đất cơ bản như lớp phủ rừng, đất nông nghiệp, dân cư và cơ sở hạ tầng, hệ thống thủy văn,

- Điều kiện thực tế trong khu vực nghiên cứu: bảng chú giải phải đại diện cho các đặc điểm của hiện trạng sử dụng đất đối với khu vực nghiên cứu Tỉnh Bình Dương, được biết đến là tỉnh có diện tích trồng cao su lớn của cả nước; có nhiều diện tích đất trồng cây ăn quả, nhiều khu công nghiệp Ngoài ra, khu vực nghiên cứu còn có đất nông nghiệp (lúa nước, hoa màu, cây trồng hàng năm), khu dân cư nông thôn, khu vực đô thị, đất mặt nước và đất ngập nước Do đó trong bảng chú giải của bản đồ sử dụng đất cần dựa vào các đặc điểm trên để xây dựng sao cho phù hợp

- Các điều kiện kỹ thuật của ảnh vệ tinh: những điều kiện này được thể hiện trong các nghiên cứu của Anderson và nnk, (1971 và 1976), bao gồm:

+) Độ chính xác tối thiểu của việc xác định các lớp sử dụng đất và các lớp che phủ đất từ dữ liệu viễn thám Độ chính xác yêu cầu đạt đượccủa bản đồ sử dụng đất được thành lập từ ảnh viễn thám phải cao hơn 85%;

+) Độ chính xác riêng của các lớp sử dụng đất khác nhau phải tương đối như nhau, không có lớp nào có độ chính xác sau phân loại quá thấp;

+) Hệ thống phân loại thích hợp để phân tích đa thời gian của dữ liệu vệ tinh; +) Có khả năng sử dụng kết hợp với các dữ liệu khảo sát mặt đất, hoặc từ các bản đồ tỷ lệ lớn hơn nhằm cải thiện kết quả phân loại;

- Căn cứ các tài liệu có tính chất pháp quy đã được ban hành: Căn cứ vào Quyết định số: 23/2007/QĐ-BTNMT về việc Ban hành Ký hiệu bản đồ hiện trạng sử dụng đất và bản đồ quy hoạch sử dụng đất Trong đó quy định

kỹ thuật xây dựng bản đồ hiện trạng sử dụng đất và bản đồ quy hoạch sử dụng đât dạng số với bảng hệ thống phân loại lớp phủ mặt đất để sử dụng với dữ liệu viễn thám

2.1.4 Phân loại có giám sát với thuật toán Maximum Likelihood

a Xây dựng mẫu ảnh phân loại sử dụng đất

Đối với phương pháp phân loại có giám sát, mẫu phân loại ảnh được định nghĩa bởi các lớp đối tượng, ký hiệu là ROI (Region Of Interest); các lớp đối tượng này đã được xác định từ trước dựa trên các nguyên tắc đã trình bày trong phần trên (mục 2.1.3) Mỗi ROI sẽ đại diện cho một lớp sử dụng đất, nó có thể bao gồm một hoặc là nhiều mẫu được xây dựng Đây là những chìa khóa giải đoán ảnh quan trọng; nó được xác định dựa trên cơ sở các dữ liệu quan sát thực địa, dữ liệu phụ trợ và kiến thức tổng quan về sử dụng đất về khu vực nghiên cứucủa bản thân người thực hiện Trong mỗi lớp đã định nghĩa, bao gồm rất nhiều các vùng mẫu được xác định bởi người thực hiện Những mẫu này có thể

là dạng điểm, dạng đường hoặc dạng vùng Thông thường các mẫu phân loại dạng vùng (polygol) thường được sử dụng và chúng thường không có hình dạng

cố định Các mẫu phân loại dạng vùng cũng thường được sử dụng để trích xuất

dữ liệu thống kê trong quá trình phân loại

b Đánh giá mẫu

Mẫu giải đoán ảnh là một tập hợp dữ liệu rất quan trọng trong việc phân loại có giám sát Các mẫu này sẽ được sử dụng trước tiên để ước lượng chất lượng của kết quả trước khi phân loại và tiếp theo là cung cấp dữ liệu tệp mẫu để

xử lý đến khi kết thúc quá trình phân loại Vì vậy, cần phải phân tích độ chính xác của phương pháp lấy mẫu, xác định số lượng mẫu và đánh giá chất lượng mẫu giải đoán Độ chính xác này sẽ góp phần tối ưu hóa quá trình phân loại và đảm bảo chất lượng cho các kết quả phân loại [Srigg và Flasse, 2001; Ge et nnk, 2007]

Việc đánh giá chất lượng của các mẫu giải đoán ảnh được tính toán dựa trên các chỉ số tách bạch quang phổ giữa lớp đối sử dụng đất [ITT Inc, 2008]

Trong nghiên cứu này, hai chỉ số của Richards (1999) đề xuất đã được chúng tôi

sử dụng, bao gồm: Chuyển đổi phân kỳ (Transformed Divergence, được viết tắt

là TD) và Jeffries-Matusita (JM) Các giá trị của hai chỉ số này thay đổi trong khoảng 0,0-2,0 [Richards, 1999] Giá trị của chỉ số này lớn hơn 1,9 cho thấy một sự tách bạch (khác biệt) rất tốt giữa các mẫu giải đoán của lớp sử dụng đất được lựa chọn; trong khi giá trị này thấp hơn 1,0 cho thấy sự phân tách phổ giữa các lớp sử dụng đất được đánh giá là yếu (mẫu giải đoán của 02 lớp có phổ gần nhau), khi đó khả năng nhầm lẫn lớp trong quá trình phân loại là rất lớn Trong trường hợp các giá trị TD và JM của các mẫu giải đoán thấp (dưới 1.0), cần phải chọn lại mẫu giải đoán [ITT Inc, 2008] Các tiêu chí đánh giá đối với các chỉ số

TD và JM của các mẫu gải đoán được trình bày trong Bảng 2.1

Bảng 2 1: Chỉ tiêu đánh giá chất lượng mẫu giải đoán ảnh

c Phân loại theo thuật toán Maximum likelihood

Sau bước trên, nếu tất cả các mẫu giải đoán ảnh đảm bảo độ chính xác, có thể tiến hành lựa chọn thuật toán phù hợp để phân loại Trong nghiên cứu này, chúng tôi đã phân tích sơ bộ tính hiệu quả của một số thuật toán phân loại cơ bản (mục 1.3.3) và đã chọn thuật toán Xác xuất cực đại (Maximum Likelihood , viết tắt là ML)

Thuật toán ML được dựa trên lý thuyết xác xuất của Bayer; nó là một thuật toán được sử dụng rộng rãi trong phân loại sử dụng đất từ ảnh viễn thám đa phổ

[Eastman, 2003] Nó sử dụng các mẫu giải đoán ảnh để xác định các đặc tính của các loại sử dụng đất như là trung tâm trong không gian đa phổ Nói cách khác, thay vì việc gán một vector phổ để một lớp với trọng tâm là gần nhất, nó được dựa trên một phân tích thống kê về sự phân bố của các vectơ phổ mẫu để xác định các khu vực có xác suất nhất xung quanh các trung tâm này Xác suất thuộc về mỗi lớp được tính cho mỗi vector quang phổ và các vector được gán cho các lớp có xác suất cao nhất

Phân loại với thuật toán ML được dựa trên nguyên tắc quyết định xác xuất tối

đa của Bayer [Richards, 1999 ; Bartels và Wei., 2006 ; Richards và Jia, 2006] Nguyên tắc này được thể hiện theo công thức (1) [Hasyim et al, 2011] :

Trong đó,

Cj là ma trận hiệp phương sai của lớp wj với kích thước ρ; μj là véc tơ của lớp wj; x là véc tơ của ma trận ; P [xi│wj] là xác suất của sự tồn tại của véc tơ x

và véc tơ w ; [xi- μj]T là véc tơ chuyển vị của véc tơ [xi- μj]

Với việc áp dụng công thức trên, một mẫu giải đoán ảnh sẽ được gán cho một lớp nào đó, nếu khoảng cách giữa các giá trị tham số mẫu và giá trị trung bình của lớp đó là tối đa Nguyên tắc này không dựa trên cơ chế vật lý của sự phân tán và cho phép phân loại các hình ảnh độc lập [Richards và Jia, 2006]

2.1.5 Đánh giá độ chính xác kết quả phân loại

Sau khi phân loại kết thúc, cần thiết phải tiến hành đánh giá độ chính xác kết quả sau phân loại nhằm kiểm tra chất lượng Để thực hiện việc đánh giá này, kết quả phân loại sử dụng đất sẽ được so sánh với các dữ liệu tham khảo (dữ liệu thực địa, tài liệu hỗ trợ)

(1)

Việc đánh giá độ chính xác của kết quả phân loại sử dụng đất dựa trên ma trận nhầm lẫn Ma trận này được sử dụng để xác định độ chính xác chung của kết quả phân loại (tổng số điểm ảnh được phân loại một cách chính xác, hệ số Kappa) và độ chính xác riêng của từng lớp sử dụng đất được phân loại Kết quả phân loại sử dụng đất được coi là chấp nhận được nếu tổng số điểm ảnh được phân loại một cách chính xác lớn hơn 85% [Anderson và nnk., 1971], và hệ số Kappa là trên 0,80 [Tso và Mather, 2001; Mather, 2004; ITT Inc., 2008]

2.2 Ứng dụng mô hình LCM để thành lập bản đồ dự báo biến động sử dụng đất tỉnh Bình Dương

Biến động sử dụng đất là một quá trình phức tạp Nó là một kết quả của

sự tương tác phức tạp giữa các yếu tố tự nhiên và con người [Oñate-Valdivieso

và nnk, năm 2010; Huang và nnk, 2010 ; trong đó yếu tố tự nhiên có thể bao gồm địa hình, khí tượng, hệ thống thủy văn,… và yếu tố con người có thể bao gồm các hoạt động canh tác nông nghiệp, khai thác rừng, đường giao thông, đô thị hóa, vv

Việc xây dựng các kịch bản sử dụng đất có thể được thực hiện trên cơ sở phân tích đa thời gian những biến động nội tại sử dụng đất, nhưng nó cũng có thể dựa trên những đánh giá về mối tương quan giữa biến động sử dụng đất và các yếu tố tự nhiên/con người (được gọi là các biến giải thích)

2.2.1 Phương pháp mô hình hóa dự báo biến động sử dụng đất

Mô hình dự đoán về biến động sử dụng đất có vai trò hết sức quan trọng, trước tiên nó cho thấy được những thay đổi về mặt không gian và thời gian của

sử dụng đất trong quá khứ ; mặt khác nó cho phép xác định các yếu tố ảnh hưởng đến những thay đổi này và xác định mối tương quan của chúng ; và cuối cùng, xây dựng các kịch bản sử dụng đất (bản đồ dự báo sử biến động sử dụng đất) nhằm dự đoán trong tương lai diện mạo bề mặt của vùng lãnh thổ nào đó

Độ tin cậy của các kịch bản sử dụng đất tùy thuộc vào số lượng cững như chất lượng các biến giải thích đưa vào trong mô hình, nó có thể bao gồm các thông số

về kinh tế-xã hội, khí hậu, môi trường, vv [Corgne., 2004]

Các bước mô hình hóa dự báo biến động sử dụng đất dựa trên mô hình LCM được tóm tắt trong hình 2.2 Trong quy trình trên, trước tiên sự biến động lịch sử về sử dụng đất được xác định dựa trên việc phân tích đa thời gian của các bản đồ hiện trạng sử dụng đất; tiếp theo, các yếu tố thực sự có ảnh hưởng (các biến giải thích) đến sự biến động trên được đánh giá và xác định Những biến động lịch sử về sử dụng đất và các nguồn thông tin mô tả các biến giải thích được tích hợp vào mô hình LCM để xây dựng các kịch bản sử dụng đất với thuật toán hồi quy logistic (Logistic Regression, viết tắt là LogReg) hoặc mạng thần kinh đa lớp (Multi-Layer Perceptron, viết tắt là PMC); bước thứ 3 là áp dụng chuỗi Markov để xây 01 bản đồ dự báo sử dụng đất ở một thời điểm hiện tại nhằm hiệu chỉnh mô hình; bước thứ 4 là tiến hành đánh giá kết quả hiệu chỉnh

mô hình bằng cách so sánh bản đồ dự báo sử dụng đất với bản đồ tài liệu ở cùng thời điểm; cuối cùng là xây dựng các kịch bản sử dụng đất trong ngắn hạn, trung hạn và dài hạn