TUGAS PENULISAN ILMIAH

Semester : 1 (Satu) Nama Dosen: Tanggal : 16 Oktober 2020

Dr.Muhammat Dimiyati M.Sc
Nama Mahasiswa : Heinrich Rakuasa NPM: 2006491342 Angkatan: 2020
Nama Penulis Artikel: Dipublikasi Pada Tanggal Jurnal : Computers and Geosciences
Weiran Xing, Yuehui Qian, Xuefeng 8 February 2020
Guan*, Tingting Yang, Huayi Wu
Akreditasi Jurnal: ELSEVIER Q1 ISSN/DOI : https://www.sciencedirect.com/scienc
http://doi.org/10.1016/j.cageo.20 e/article/pii/S0098300419307708?via
20.104430 %3Dihub

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. Peta penggunaan lahan Dongguan dari 2000 hingga 2014

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

Model memori jangka pendek untuk asimilasi informasi historis,

Sebagai varian khas dari RNN, LSTM terdiri dari unit diskrit di lapisan
tersembunyi berulang, yang berisi unit dengan koneksi mandiri untuk
menyimpan status temporal jaringan. 2, setiap unit di LSTM berisi gerbang
input, gerbang output dan gerbang lupa . Gerbang lupa digunakan untuk
menskalakan keadaan internal unit sebelum menambahkannya sebagai
masukan ke unit, oleh karena itu secara adaptif melupakan atau menyetel
ulang memori unit.
 Ekstraksi fitur spasial menggunakan jaringan saraf konvolusional
 Jaringan saraf konvolusional (CNN) dikembangkan lebih lanjut untuk
mengekstrak fitur spasial dari peta LU. Model CNN mencakup enam
lapisan, termasuk dua lapisan konvolusi, dua lapisan penyatuan maksimal,
satu lapisan yang terhubung sepenuhnya dan satu lapisan softmax. Fungsi
aktivasi yang diadopsi dalam lapisan konvolusi dan lapisan koneksi penuh
adalah Unit Linear Rektifikasi (ReLU)
 Metode bootstrap dengan hutan acak untuk sampel yang tidak seimbang
LUC adalah proses jangka panjang, sebagian besar tipe LU tidak akan
berubah dalam waktu singkat, menyebabkan distribusi tipe penggunaan
lahan yang tidak seimbang dalam sampel data yang digunakan untuk
melatih model dan dengan demikian menyebabkan masalah over-fitting dan
semakin berkurang. Untuk menghindari masalah ini, metode random forest
dipilih sebagai metode bootstrap sebelum simulasi. Sebagai metode
pembelajaran mesin yang populer, RF hampir tidak menyebabkan masalah
over-fitting dengan meningkatkan jumlah pohon keputusan.

Seperti yang ditunjukkan pada Gambar diatas, peta penggunaan lahan awal

dan faktor pendorong diproses sebagai input untuk random forest . RF akan
mengeluarkan probabilitas p untuk perubahan tipe, yang berkisar dari nol
hingga satu .
Deep learning model integration with cellular automata
Probabilitas transisi yang diperoleh dari setiap piksel akan diimpor ke CA
untuk simulasi dan prediksi LUC,Probabilitas transisi total dari satu model CA
dapat ditentukan dengan Persamaan

Dimana P adalah kemungkinan pengembangan, S enotes kesesuaian faktor

yang dipertimbangkan, C adalah kendala penggunaan lahan tertentu
mewakili dampak konfigurasi lingkungan, dan adalah gangguan stokastik
yang mencerminkan pengaruh faktor acak
 Kemungkinan transisi yang diekspor oleh model DL yang diusulkan
digabungkan dengan, dapat mewakili kesesuaian faktor pendorong dan efek
lingkungan. Persamaan diatas kemudian dapat diubah menjadi:
P = CP X C x ɑ
Dalam Persamaan, CP akan diperoleh komponen LSTM dari model DL-CA, C
akan ditentukan oleh karakteristik alami LU dan kebijakan dan ditetapkan
secara acak. Setelah menghitung nilai P, tidak ada aturan transisi eksplisit lain
yang diperlukan dalam model DL-CA.
Model Evaluation
Untuk memperkirakan prediksi LUC, kami menggunakan akurasi keseluruhan,
skor makro F1 dan figure of merit (FoM) untuk mengevaluasi kemampuan
prediksi model CA yang diusulkan (Pontius dan Millones, 2011). Metrik dan
FoM ini diekspresikan sebagai persamaan berikut:

TP menunjukkan positif benar, FP menunjukkan positif palsu, TN

menunjukkan negatif benar, FN menunjukkan negatif palsu. Dibandingkan
dengan akurasi keseluruhan, skor F1 makro mengukur kinerja klasifikasi label
positif, yang memungkinkan evaluasi khusus dari kemampuan model untuk
memprediksi transisi dari satu jenis LU ke jenis lainnya.

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

Tabel diatas merupahkan hasil prediksi rata-rata dari model CA tradisional

yang berbeda (RF-CA, SVM-CA, LR-CA, MLP-CA) dan dua model RNN
(LSTM-CA, DL-CA) pada set data pengujian (2011-2014). Sekitar 0,06–0,1
peningkatan dalam akurasi keseluruhan. Dari Tabel diatas, kita dapat
mengetahui bahwa model DL-CA mencapai akurasi prediksi keseluruhan
tertinggi daripada LSTM-CA, yang menunjukkan kekuatan yang sangat baik
dari model DL-CA yang kami usulkan dalam simulasi LUC, dan memvalidasi
kontribusi kedua CNN ekstraksi dan RF bootstrap.
Gambar dibawah ini merupahkan hasil simulasi yang dihasilkan oleh model
DL-CA yang digunakan lebih cocok dengan peta LU yang sebenarnya
dibandingkan dengan yang lain. Model DL-CA, menunjukkan keunggulannya
yang besar dalam penangkapan ketergantungan spasial-temporal jangka
panjang dan penanganan masalah pengambilan sampel yang tidak seimbang,
menggunakan komponen RNN / CNN dan RF.
 Gambar diatas merupahkan Perbandingan hasil simulasi tahun 2014 yang
dihasilkan oleh beberapa model di wilayah studi. (a) peta LU aktual pada
tahun 2014, (b) - (g) simulasi model yang berbeda.
Untuk memverifikasi keefektifan setiap komponen model DL-CA, kami
melakukan kelompok studi ablasi dengan empat model (LSTM-CA, LSTM-
CNN-CA, LSTM-RF-CA DL-CA), dan hasilnya ditampilkan dalam

Overall Macro F1-

Model accuracy score FoM
LSTM-CA
(base) 0.9394 0.9491 0.2701
LSTM-RF-CA 0.9447 0.9511 0.3163
LSTM–CNN–
CA 0.9466 0.9528 0.3211
DL-CA* 0.9586 0.9626 0.4075

Pertama-tama, model LSTM-RF-CA menggunakan RF sebagai metode

bootstrap untuk menyelesaikan pengambilan sampel data yang tidak
seimbang dan meningkatkan akurasi keseluruhan dari 0,9394 menjadi 0,9447.
Sementara itu, kami menambahkan komponen CNN untuk menangani
heterogenitas spasial dan mengekstrak fitur spasial laten dari tetangga sel,
dan kami menemukan bahwa model LSTM-CNN-CA meningkatkan akurasi
keseluruhan menjadi 0,9466. Selanjutnya, kami menambahkan RF dan CNN
untuk membangun model DL-CA kami dan hasilnya menunjukkan bahwa
penggabungan RF dan CNN secara bertahap meningkatkan akurasi
keseluruhan prediksi model DL-CA yang kami usulkan dari 0,9394 menjadi
0,9586.
Kesimpulan Penelitian ini menggunakan a novel cellular automata model yang terintegrasi
dengan deep learning methods untuk secara efektif mempelajari
ketergantungan spasial-temporal dan secara tepat mensimulasikan dinamika
LUC. Hasil penelitian ini menunjukkan bahwa model DL-CA mencapai akurasi
prediksi LUC tertinggi berbeda dengan model tradisional, dengan akurasi
 keseluruhan 0,9586, skor F1 makro 0,9626 dan indeks FoM 0,4075.
Keterbatasan juga ada dalam model DL-CA karena struktur yang muncul laten
dan informasi tentang evolusi penggunaan lahan struktural dipengaruhi oleh
resolusi kumpulan data, dan faktor pendorong yang berbeda memiliki efek
berbeda pada LUC. Pekerjaan di kedepan harus menggunakan kumpulan
data resolusi tinggi, mempertimbangkan lebih banyak faktor pendorong seperti
kebijakan penggunaan lahan, kepadatan penduduk, dan faktor spasial,
geofisika, dan sosial ekonomi, serta menganalisis pengaruh berbagai faktor.

Semester : 1 (Satu) Nama Dosen: Tanggal : 16 Oktober 2020

Dr.Muhammat Dimiyati M.Sc
Nama Mahasiswa : Heinrich Rakuasa NPM: 2006491342 Angkatan: 2020
Nama Penulis Artikel: Dipublikasi Pada Tanggal Jurnal : Applied Geography
Santosh S. Palmate; Ashish Pandey; 9 March 2017
Surendra K. Mishra Professor
Akreditasi Jurnal: ELSEVIER Q1 ISSN/DOI : https://www.sciencedirect.com/scie
https://doi.org/10.1016/j.apgeo nce/article/pii/S0143622817301054?
g.2017.03.001 via%3Dihub

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.

Model Chan/Model CA MC banyak digunakan untuk analisis spasial dan

pengineraan jauh karena kemampuan GIS secara efisien dengan
menggunakan set data karena temporal dalam model. Model ini
Mengintegrasikan Markovian dan filter spasial CA yang mamfasilitasi untuk
secara signifikan mensimulasikan peta LU/LC kedepan berdasarkan
perubahan LU/LC Historis. Oleh karena itu, CA-MC model yang digunakan
dalam penelitian ini memiliki kemampuan untuk mensimulasikan pola LU/LC
kedepan.

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 .

Hasil dan Analisis perubahan Historis LU/LC

Pembahasan LU/LC class Area under land use/land cover classification (%)
1972 1976 1991 2001 2007 2010 2013
Dense forest 23.39 21.16 18.02 14.84 11.97 12.91 14.31
Degraded/Open forest 8.54 9.68 9.15 12.65 14.46 13.91 13.37
Agriculture area 63.75 65.22 69.26 69.20 66.16 67.33 67.91
Barren land 2.98 2.42 2.55 1.31 5.96 4.45 1.27
Waterbody 1.22 1.40 0.84 1.78 1.17 1.11 2.84
Settlement 0.12 0.13 0.19 0.22 0.28 0.30 0.31
Total area (%) 100.00 100.00 100.00 100.00 100.00 100.00 100.0
0
Statistik wilayah dari kelas LU/LC yang berbeda untuk tahun 1972, 1976,
1991, 2001, 2007, 2010 dan 2013 disajikan pada Tabel diatas. Namun
demikian, areal di bawah hutan yang rusak telah meningkat dari 8,54%
menjadi 13,37%. Hasil analisis LU/LC historis ini telah diilustrasikan dan Hasil
analisis perubahan LU/LC historis telah dibedakan menjadi dua wilayah
geografis

Gambar merupahkan grafik perubahan LU/LC didaerah Madhya Pradesh, penurunan

hutan lebat dan lahan tandus masing-masing sebesar 7,67% dan 1,17% telah diamati
selama 1972–2013. Namun, hutan yang rusak, pertanian, perairan dan pemukiman
meningkat masing-masing sebesar 4,1%, 3,37%, 0,85% dan 0,16%

Future LU/LC modelling

Dalam studi ini, model terintegrasi CA-MC dan peta LU/LC digunakan untuk
memprediksi distribusi spasial LU/LC di masa depan untuk BRB. Berdasarkan
perubahan terkini, model dapat membuat simulasi; Oleh karena itu, peta
LU/LC terbaru tahun 2001, 2007, 2010 dan 2013 digunakan untuk validasi
model dan prediksi masa kedepannya. Dalam analisis ini, peta LU/LC yang
disimulasikan telah dibandingkan dengan peta yang diturunkan dari satelit
yang diatribusikan sebagai peta referensi yang mewakili kondisi tanah aktual
dari wilayah studi. Analisis validasi menunjukkan indeks Kappa yang
memuaskan, dan proses simulasi model CA-MC terverifikasi yang dapat
dijalankan untuk periode mendatang.
Simulasi LU/LC yang diturunkan dari satelit dibandingkan dengan analisis
inspeksi visual sebelum memeriksa hasil simulasi model. Gambar dibawah ini
menggambarkan bahwa hutan, pertanian, badan air, dan pemukiman yang
terdegradasi di peta LU/LC yang disimulasikan secara komparatif serupa
dengan kelas yang sesuai di peta LU/LC yang diturunkan dari satelit untuk
tahun 2010, sedangkan kelas hutan lebat dan lahan tandus disimulasikan
buruk. Namun analisis ini juga menunjukkan kesesuaian yang kuat antara peta
simulasi dan peta satelit.
Perbandingan LU/LC 2010 dan 2013. yang diturunkan dari satelit dan simulasi
untuk tahun 2010 dan 2013.
Setelah validasi berhasil, model CA-MC selanjutnya digunakan untuk
mensimulasikan pola LU/LC di masa mendatang. Tabel dibawah ini
menunjukkan persentase luas kelas LU/LC di masa depan untuk tahun 2020–
2100. Analisis selanjutnya menunjukkan bahwa peningkatan luasan hutan
terdegradasi dari 14,82% menjadi 18,82%, lahan tandus dari 5,80% menjadi
10,03% dan penurunan luas dari 0,36% menjadi 0,64% dapat terjadi di BRI
LU/LC class Area under future land use/land cover (%)
2020 2040 2060 2080 2100
Dense forest 12.16 11.26 11.01 10.59 10.77
Degraded/Open forest 14.82 16.26 17.35 18.62 18.82
Agriculture area 66.15 64.12 61.96 60.30 59.74
Barren land 5.80 7.65 9.14 9.86 10.03
Waterbody 0.72 0.25 0.06 0.01 0.01
Settlement 0.36 0.47 0.49 0.62 0.64
Total area (%) 100.00 100.00 100.00 100.00 100.00
 Peta LU / LC di masa depan untuk tahun 2020, 2040, 2060, 2080 dan 2100.

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.

Area (%) distribusi bijaksana LU / LC di masa depan di Madhya Pradesh dan

Uttar Pradesh.
Simulasi ini menunjukkan bahwa penurunan total badan air dapat menurunkan
luas pertanian sebesar 6,41%, sehingga dapat mempengaruhi produksi
pangan di skenario masa depan.
Kesimpulan Studi ini secara signifikan mengidentifikasi masalah lintas batas dan masalah lahan di
wilayah sungai. Dua Negara yaitu Madhya Pradesh dan Uttar Pradesh telah
mengalami perubahan LU/LC historis yang serupa, dan dapat memiliki pola
perubahan paralel di tahun-tahun mendatang. Sejak tahun 2007, waduk Rajghat yang
baru dibangun telah memainkan peran penting dalam menyediakan air yang cukup
untuk irigasi dan air minum. Dalam studi ini, statistik Kappa menunjukkan
kesepakatan yang kuat antara peta LU/LC yang diturunkan dari satelit dan
simulasi. Validasi model menunjukkan bahwa hutan, pertanian dan permukiman yang
terdegradasi disimulasikan dengan relatif baik dan kelas lahan tandus disimulasikan
dengan buruk karena akurasi klasifikasi yang kurang. 
Validasi model memberikan keyakinan pada pemodelan LU/LC di kedepan yang
menggunakan peta LU/LC yang diturunkan dari satelit. Citra satelit spasiotemporal
yang berbeda telah digunakan dan diskalakan ulang untuk pemodelan LU/LC. Oleh
karena itu, sebagai bagian dari penelitian kedepan disarankan untuk menggunakan
data satelit resolusi spasial tinggi dan resolusi temporal yang sama dalam penelitian
yang akan datang. Studi ini juga akan mendorong komunitas riset untuk memprediksi
LU/LC di kedepan untuk masalah ketahanan pangan di wilayah lintas batas.