Judul A novel cellular automata model integrated with deep learning for dynamic
spatio-temporal land use change simulation
Latar Ekspansi kota perubahan penggunaan lahan yang pesat terjadi di Dongguan
Belakang sejak tahun 2000 karena perkembangan ekonomi yang pesat. Aksebilitasi
antar kota menjadi lebih nyaman dan seiring dengan perkembangan jalan raya
dan rel kereta api. Semua model LUC berbasis CA tradisional ini pada
umumnya didasarkan pada hipotesis Markov, dan mengasumsikan bahwa
status sel tertentu di langkah waktu berikutnya hanya relevan dalam hal status
langkah waktu terakhir.
Namun, karena LUC adalah proses jangka panjang, ketergantungan data
temporal jangka panjang sering diabaikan dan seringkali menyebabkan
prediksi yang tidak akurat. Oleh karena itu, fitur spasial laten ini penting dan
harus dipertimbangkan saat merepresentasikan efek lingkungan. Baru-baru
ini, deep learning methods telah dikembangkan dan diterapkan dalam
pemodelan LUC. Recurrent neural network (RNN) dicirikan karena mekanisme
rekurennya, yang dapat mentransfer informasi historis antar langkah
waktu. keduanya menggunakan memori jangka pendek dengan gambar deret
waktu panjang untuk secara efektif mempelajari ketergantungan temporal
jangka panjang dan membuat klasifikasi tutupan lahan yang tepat.
Selain itu, LUC adalah proses jangka panjang dan tipe LU di sebagian besar
wilayah tetap tidak berubah dalam waktu singkat, yang akan menyebabkan
sejumlah besar wilayah yang tidak berubah. Namun demikian, masalah
sampel yang tidak seimbang jarang disebutkan dalam studi LUC yang
ada, yang seharusnya ditangani sebelum simulasi. Dalam model DL-CA
ini, RNN dan CNN diintegrasikan untuk mendapatkan probabilitas transisi
kompleks yang menjadi sandaran model LUC-CA.
Tujuan Tujuan dalam penelitian ini yaitu menyajikan metode deep learning-based (DL-
CA) yang baru untuk secara efektif mempelajari ketergantungan spasial-
temporal dan secara tepat mensimulasikan dinamika Perubahan Penggunaan
Lahan di Kota Dongguan dari tahun 2000-2014, Cina.
Metodologi
Study area and datasets
Area penelitian ini di Kota Dongguan yang terletak di pusat Provinsi
Guangdong di Cina Selatan,yang berbatasan dengan ibu kota provinsi
Guangzhou di utara, Huizhou di timur laut, Shenzhen di selatan, dan Sungai
Mutiara di barat. Wilayah ini meliputi lintang 22 ° 39′-23 ° 09 ′ LU dan 113 °
31′-114 ° 15 ′ BT, dengan luas wilayah 2.465 km2. Semua dataset yang
digunakan dalam studi ini tercantum dalam tabel dibawah ini .
Time Spatial
Data Type Data Source Span Resolution Purpose
2000–
Points Administration 2014 1:1000 Factors driving LUC
2000–
Polylines Road networks 2014 1:1000 as distance
measurements
2000– between cells
Imagery Landsat-7 (SLC- 2003 30 m Land use map
on) 2003–
Imagery Landsat-7 (SLC- 2014 30 m
off)
Administration 2000–
DEM 2014 10 m Land surface slope
Tabel. Dataset yang digunakan dalam penelitian ini.
Gambar diatas merupahakn Lima belas citra Landsat-7 ETM+ dari tahun 2000
hingga 2014 digunakan untuk membuat peta penggunaan lahan time series
untuk Kota Dongguan. Klasifikasi terbimbing dilakukan untuk mendapatkan
peta LU time series dari citra ETM + dengan menggunakan software ERDAS
Imagine.
Faktor fisik, aksesibilitas dan karakteristik lingkungan umumnya dipilih sebagai
driving factors pada penelitian sebelumnya. empat belas driving factors
digunakan untuk membangun model LUC dalam penelitian ini. Ketinggian dan
kemiringan turunan menunjukkan kondisi permukaan tanah, sedangkan faktor
lainnya dapat dirumuskan sebagai variabel berbasis jarak, yaitu menggunakan
efek kedekatan.
Name Variable Descriptions
Numerical proportion between
LU proportion X1 different LU types
of neighborhood cells collected
by a 25 x 25 grid
Implicit spatial features of
Implicit spatial X2 neighborhood cells and
features extracted from LU maps
Elevation X3 Elevation from terrain data
Slope X4 slope from terrain data
Distance to river X5 Euclidean distance to rivers
Distance to X6 Euclidean distance to railways
railway
Distance to X7 Euclidean distance to highways
highway
Euclidean distance to first class
Distance to first X8 roads
class road
Euclidean distance to minor
Distance to minor X9 roads
road
Distance to city X10 Euclidean distance to city roads
road
Euclidean distance to railway
Distance to X11 station
railway station
Distance to bus X12 Euclidean distance to bus station
station
Euclidean distance to main POIs
Distance to main X13 including
administration, hospital and
POIs university
Distance to X14 Euclidean distance to central city
central city
Tabel. Deskripsi driving factors.
Methodology
Metode yang saya gunakan dalam penelitian ini yaitu deep learning-based CA
model (DL-CA) untuk simulasi LUC dynamics. Dibawah ini Kerangka kerja
model DL-CA yang digunakan:
Berdasarkan Alur kerja diatas dapat dijelaskan DL-CA data LU awal
digunakan untuk menghitung proporsi numerik antara berbagai jenis LU dan
mengekstrak fitur spasial laten lingkungan dengan CNN. Model RNN
mengasimilasi informasi penggunaan lahan histor-ical untuk membuat prediksi
di kedepan. Dengan menumpuk RF / CNN / RNN, hybrid deep learning
method ini dapat memodelkan ketergantungan spatio-temporal yang kompleks
dan memperoleh proba-bilitas transisi yang diperlukan untuk model CA yang
mendasarinya dan melakukan simulasi LU lebih lanjut.
Learning models for transition probability calculation
Model memori jangka pendek untuk asimilasi informasi historis
Selain itu, figure of merit (FoM) juga dipilih untuk metode evaluasi model
karena fokusnya pada perubahan antara observasi dan prediksi. Ditunjukkan
dalam Persamaan, A adalah jumlah sel kesalahan yang perubahan yang
diamati diprediksi sebagai persistensi, B adalah jumlah sel yang benar yang
perubahan yang diamati diprediksi sebagai perubahan, C adalah jumlah sel
kesalahan yang perubahan yang diamati diprediksi sebagai kategori perolehan
yang salah, dan D adalah jumlah sel kesalahan yang persistensi yang diamati
diprediksi sebagai perubahan. Nilai FoM yang lebih tinggi menunjukkan
kesepakatan tingkat sel yang lebih tinggi
Hasil dan Hasil dari penelitian ini adalah keempat model tradisional dengan LSTM-CA
Pembahasan dibandingkan untuk mengevaluasi efek ketergantungan temporal jangka
panjang dalam simulasi dinamis LUC. Untuk menilai peningkatan
preprocessing sampel yang seimbang dan ekstraksi fitur spasial
menggunakan CNN, dengan melakukan studi ablasi lebih lanjut untuk
membandingkan empat model RNN yang berbeda secara terpisah, LSTM-CA,
LSTM-RF-CA, LSTM-CNN-CA dan DL-CA. Dibandingkan dengan LSTM-CA,
model LSTM-RF-CA menambahkan forest acak untuk memecahkan masalah
sampel yang tidak seimbang selama pelatihan model, model LSTM-CNN-CA
menggunakan CNN untuk mengekstrak fitur spasial laten, dan model DL-CA
mengintegrasikan keduanya hutan acak dan CNN. Untuk menghindari
pengaruh autokorelasi spasial, hanya 50 persen dari dataset asal yang diambil
sampelnya secara acak untuk membentuk data pelatihan.
Model comparisons
Macro F1-
Model Overall accuracy score FoM
RF-CA 0.8584 0.8685 0.1763
SVM-CA 0.8703 0.8762 0.1727
LR-CA 0.8722 0.8745 0.1944
MLP-CA 0.8770 0.8823 0.2401
LSTM-CA 0.9394 0.9491 0.2701
DL-CA* 0.9586 0.9626 0.4075
Judul Pemodelan dinamika ruang spasial untuk wilayah sungai lintas batas
menggunakan pendekatan Cellular Automata dan Markov Chain yang
terintegrasi
Latar Di India, sungai lintas batas memiliki sengketa besar dalam pengelolaan
Belakang sumber daya alam karena masalah politik dan peraturan perundang-undangan
yang berpotensi mempengaruhi mata pencaharian agraria. Oleh karena itu
strategi pengelolaan lahan adaptif dan kerjasama lingkungan antar negara /
negara bagian diperlukan untuk konservasi sumber daya alam. Saat ini,
perubahan sumber daya lahan telah dianalisis dengan menggunakan
penginderaan jauh dan teknik GIS. Perubahan LU/LC sangat berdampak
signifikan dan dapat mempengaruhi hidrologi DAS lintas batas Oleh karena
itu, spatiotemporal LU/LC sangat penting untuk memantau perubahan LU/LC
untuk mitigasi dan adaptasi perubahan ,evaluasi ekosistem dan manajemen
sumber daya alam.
Dalam studi ini, analisis perubahan LU/LC historis dan kedepan dilaksanakan
di wilayah sungai lintas batas yaitu Sungai Betwa Cekungan (BRB) India
Tengah. Wilayah studi memiliki pertanian dan masalah pengelolaan sumber
daya air akibat perselisihan di keduanya wilayah Madhya Pradesh dan Negara
Bagian Uttar Pradesh.
Tujuan Menganalisis spasiotemporal dinamika LU/LC historis, dan penggunaan model
CA-MC terintegrasi untuk simulasi kedepan untuk mengidentifikasi
kemungkinan masalah sumber daya lahan di DAS Betwa. Saat ini Studi juga
menekankan perlunya memahami perubahanwilayah pertanian sesuai dengan
ketersediaan sumber daya air di India Tengah.
Metodologi
Study area and datasets
Sungai Betwa adalah anak Sungai Yamuna (yang merupakan anak Sungai
Gangga) yang terletak di India Tengah. Mengalir dari arah barat daya ke arah
timur laut. BRB terletak di antara 75 ° 05 ′ 38 ″ BT sampai 80 ° 13 ′ 48 ″ Bujur
Timur dan 22 ° 51 ′ 51 ″ LU sampai 26 ° 3 ′ 5 ″ LU, dan dalam konteks geo-
grafis Madhya Pradesh (68.90% ) dan negara bagian Uttar Pradesh (31,10%)
BRB memiliki luas sekitar 43.936,59 km
Data and methodology
Dalam studi ini, analisis perubahan LU/LC historis dilakukan dengan
menggunakan data citra satelit spasiotemporal pasca musim hujan. Citra ini
diperoleh dari situs web Global Visualization Viewer (GloVis) United States
Geological Survey (USGS) (http://glovis.usgs.gov/) untuk tahun 1972, 1976,
1991, 2001, 2010, dan 2013. Selanjutnya, Citra IRS-P6 dari sensor LISS-III
diperoleh dari National Remote Sensing Center (NRSC) Hyderabad untuk
tahun 2007. Masalah resolusi spasial yang berbeda telah dihilangkan dengan
menskalakan data citra IRS-P6 (LISS-II) dari tinggi (23.5) m) hingga resolusi
kasar (30m). Kemudian, Citra berskala ini digunakan dalam analisis
perubahan LU/LC untuk menghindari kesalahan saat memprediksi peta LU/LC
yang konsisten.
Kawasan BRB diklasifikasikan menjadi enam kelas LU/LC . Perbedaan
resolusi spektral tajuk hutan difasilitasi untuk membedakan kelas-kelas ini
dalam penelitian ini. Selanjutnya, kelas pertanian telah diklasifikasikan
termasuk luas lahan tanaman budidaya dan non budidaya. Dalam analisis
ini, titik-titik pencocokan pada peta LU/LC yang diturunkan dari satelit dan peta
referensi dilambangkan dengan nomor kelas yang sama, jika tidak maka akan
diganti dengan nomor kelas yang dikoreks. Untuk penilaian akurasi, lima ratus
titik acak dihasilkan di setiap peta LU/LC. Titik-titik ini kemudian dicek silang
dengan data referensi. Dalam studi ini, Google Earth yang terintegrasi dalam
paket perangkat lunak ERDAS Imagine telah digunakan sebagai data
referensi untuk penilaian akurasi. Titik GPS ini juga digunakan untuk penilaian
akurasi klasifikasi.
Future prediction using integrated CA-MC model
Studi ini menggunakan model CA-MC terintegrasi yang menggunakan peta
LU/LC yang diturunkan dari satelit untuk memprediksi distribusi spasial pola
LU/LC di kedepan. Dibawah ini.
Diagram Alur Penelitian
Untuk analisis, peta LU/LC kedepan yang diturunkan dari satelit untuk tahun
2001, 2007 dan 2010 digunakan untuk menghasilkan matriks area transisi dan
matriks probabilitas transisi , kemudian diikuti prosedur evaluasi multi-kriteria . untuk
menghasilkan peta kesesuaian transisi menggunakan model MC. Dinamika
perubahan TAM dan TSM dipanggil 12embali dan diproses dalam model CA-MC
dengan 10 iterasi CA dan filter kedekatan standar 5 5. Dalam studi ini, peta LU/LC
kedepan diprediksi untuk tahun 2020, 2040, 2060, 2080 dan 2100 dengan
menggunakan model CA-MC terintegrasi. Peta LU/LC di masa mendatang
disimulasikan hingga tahun 2100 untuk memahami kemungkinan tren dinamika LU/
LC. Model CA-MC divalidasi dua kali untuk tahun 2010 menggunakan input data LU/
LC tahun 2001 dan 2007, dan untuk tahun 2013 menggunakan data masukan LU/LC
tahun 2007 dan 2010 untuk memberikan keyakinan dalam pemodelan LU/LC di masa
mendatang. Modul VALIDASI IDRISI Selva telah digunakan untuk menilai tingkat
kesesuaian antara peta simulasi dan peta referensi .
Gambar diatas menunjukan bahwa hutan lebat, areal pertanian dan perairan
dapat berkurang sebesar 1,13%, 3,36% dan 0,28% untuk Madhya Pradesh,
dan 0,26%, 3,05% dan 0,43% untuk Uttar Pradesh. Namun, peningkatan
hutan yang terdegradasi, lahan tandus dan kawasan pemukiman sebesar
2,97%, 1,72% dan 0,08% untuk Madhya Pradesh, dan 1,02%, 2,51% dan
0,20% untuk Uttar Pradesh dapat terjadi selama tahun 2020–2100. Hasil
menggambarkan bahwa, LU / LC di masa depan juga dapat berubah serupa di
kedua Negara yang tercakup dalam wilayah studi.