Machine Translated by Google

Heliyon 6 (2020) e05092

Senarai kandungan tersedia di ScienceDirect

Heliyon

laman utama jurnal: www.cell.com/heliyon

Artikel penyelidikan

Meningkatkan pemodelan perubahan guna tanah dengan menyepadukan ANN dengan Selular
Model Rantaian Automata-Markov

Anne Gharaibeh a,*, Abdulrazzaq Shaamala a

, Rasha Obeidat b , Salman Al-Kofahi c

a
Jabatan Perancangan dan Reka Bentuk Bandar, Kolej Seni Bina dan Reka Bentuk, Universiti Sains dan Teknologi Jordan, Irbid, 22110 Jordan
b
Jabatan Sains Komputer, Kolej Teknologi Maklumat Komputer, Universiti Sains dan Teknologi Jordan, Irbid, 22110 Jordan
c
Jabatan Pengurusan Tanah dan Alam Sekitar, Fakulti Sumber Asli dan Alam Sekitar, Universiti Hashemite, Zarqa, 13133 Jordan

MAKLUMAT ARTIKEL ABSTRAK

Kata kunci: Pertumbuhan bandar dan perubahan guna tanah adalah beberapa daripada banyak faktor yang membingungkan yang mempengaruhi bandar masa
Sains persekitaran
depan kita. Mencipta simulasi yang tepat untuk perubahan tanah masa hadapan ialah proses mencabar yang memerlukan pemodelan temporal dan spatial.
Sains Komputer
Banyak kajian terbaru membangunkan dan melatih model untuk meramalkan corak pengembangan bandar menggunakan
Geografi
Artificial Intelli gen (AI). Kajian ini bertujuan untuk meningkatkan keupayaan simulasi model Cellular Automata Markov Chain (CA-
Perancangan guna tanah
MC) dalam meramalkan perubahan guna tanah. Kajian ini menyepadukan Rangkaian Neural Buatan (ANN) ke dalam CA-MC
Perubahan guna tanah
Pertumbuhan bandar
untuk menggabungkan beberapa daya penggerak yang sangat memberi kesan kepada perubahan guna tanah. Penyelidikan
Pembelajaran mesin menggunakan pembolehubah sosioekonomi, spatial dan persekitaran yang berbeza (cerun, jarak ke jalan raya, jarak ke pusat
Perancangan bandar bandar, jarak ke komersil, ketumpatan, ketinggian dan kesuburan tanah) untuk menjana peta peralihan yang berpotensi
Permodelan menggunakan model dipacu Data ANN. Peta yang dijana disalurkan kepada CA-MC sebagai input tambahan. Kami menentukur
Kecerdasan buatan CA-MC asal dan model kami untuk 2015 membandingkan silang peta simulasi dan peta sebenar yang diperoleh untuk bandar Irbid, Jordan pad
Automata Selular
Pengesahan model kami telah dinilai dan dibandingkan dengan model CA-MC menggunakan indeks Kappa termasuk perjanjian
Rantaian Markov
dari segi kuantiti dan lokasi. Keputusan menjelaskan bahawa model kami dengan ketepatan 90.04% dengan ketara mengatasi
model CA-MC (86.29%). Penambahbaikan yang kami perolehi daripada menyepadukan ANN dengan CA MC mencadangkan
bahawa pengaruh yang dikenakan oleh daya penggerak adalah perlu untuk diambil kira untuk ramalan yang lebih tepat. Sebagai
tambahan kepada ramalan model yang dipertingkatkan, ramalan peta Irbid untuk tahun 2021 dan 2027 akan membimbing pihak
berkuasa tempatan dalam pembangunan strategi pengurusan yang mengimbangi pengembangan bandar dan melindungi
kawasan pertanian. Ini akan memainkan peranan penting dalam mengekalkan keselamatan makanan Jordan.

1. Pengenalan
Pembandaran telah mempercepatkan seluruh dunia dalam beberapa dekad
kebelakangan ini, mengancam sumber semula jadi dan watak landskap (Gharaibeh et al.,
2017). Pertumbuhan bandar adalah proses kompleks yang dikaitkan dengan banyak faktor
berpengaruh yang memainkan peranan penting dalam pertumbuhan temporal (Lavalle et
al., 2001). Ini mencetuskan keperluan untuk memahami corak dan trend pertumbuhan
bandar untuk mempertimbangkan langkah-langkah mitigasi yang sesuai untuk menangani
dan mengarahkan pertumbuhan ini (Aburas et al., 2016). Ramalan arah aliran pertumbuhan
bandar menjadi konstituen asas kepada pemeliharaan ekosistem dan pembangunan
mampan (Aburas et al., 2016). Dalam simulasi pertumbuhan bandar, faktor penentu dan
kronologi pertumbuhan bandar mesti dipertimbangkan untuk memahami hubungan
temporal dan ruang dengan tepat (Musa et al., 2016; Aburas et al., 2017). Oleh itu,
penambahbaikan model simulasi untuk mengambil kira daya penggerak adalah diharapkan
meningkatkan keupayaan ramalan model. Kajian ini bertujuan untuk menambah baik
pemodelan kebolehramalan perubahan guna tanah menggunakan kaedah AI dengan
menggabungkan daya penggerak. Hasilnya dijangka meningkatkan strategi perancangan
dan mengarahkan pertumbuhan bandar dan rancangan perubahan guna tanah masa
hadapan. Ini digunakan pada kajian kes untuk mensimulasikan perubahan guna tanah masa
hadapan untuk bandar Irbid, Jordan yang berkembang pesat.
Terdapat beberapa teknik untuk mengkaji pertumbuhan bandar dan perubahan guna
tanah, seperti Remote Sensing (Arsanjani et al., 2013) dan Sistem Maklumat Geografi
(GIS). Beberapa model telah dibangunkan untuk melaksanakan ramalan perubahan guna
tanah dan jangkaan pertumbuhan bandar termasuk, tetapi tidak terhad kepada, Automaton
Selular (CA)
(Syphard et al., 2005), model CA-Markov (CA-MC) (Memarian et al., 2012), Regresi
Logistik (LR) (Hu dan Lo, 2007), dan Rangkaian Neural Buatan (ANN) (Wang dan
Mountrakis, 2011)
(Jadual 1).

* Pengarang sama.
Alamat e-mel: dr-anne@just.edu.jo (A. Gharaibeh).

https://doi.org/10.1016/j.heliyon.2020.e05092 Diterima
20 Mac 2020; Diterima dalam borang semakan 30 Jun 2020; Diterima 24 September 2020 2405-8440/© 2020
Diterbitkan oleh Elsevier Ltd. Ini ialah artikel akses terbuka di bawah lesen CC BY-NC-ND (http://creativecommons.org/licenses/by-nc-nd/4.0/) .
Machine Translated by Google

A. Gharaibeh et al. Heliyon 6 (2020) e05092

Jadual 1. Aplikasi pelbagai model untuk mensimulasikan dan meramalkan perubahan guna tanah.

Model Pengarang Kekuatan Had

CA (Vaz et al., 2012) Mempunyai struktur terbuka yang mudah disepadukan dengan Hanya bergantung pada data spatial.
(Yang et al., 2008) model berasaskan pengetahuan. Tidak sesuai untuk membuat simulasi yang realistik.

Sim-Wight (Bununu, 2017) Model yang sesuai untuk memahami hubungan antara
(Sangermano et al., 2010) pembolehubah.

SLEUTH (Saxena dan Jat, 2019) Bermanfaat untuk menilai kesan senario dasar yang berbeza. Proses simulasi dihadkan oleh faktor tetap yang tidak boleh
(Nahavandya et al., 2017) mengeram atau berubah.

Sokongan Vektor (Karimi et al., 2019) Boleh dipercayai untuk mengkaji hubungan yang kompleks. Model ini tidak menerangkan berat daya penggerak.
Mesin (SVM) (Shafizadeh-Moghadam et al., 2017a) Ia disepadukan dengan model lain dengan mudah.
CA-Markov (Aburas et al., 2017) Memodelkan dinamik spatiotemporal. Model itu tidak menangani kuasa penggerak perubahan tanah.
(Jafari et al., 2016) Keputusan ketepatan yang baik.
(Memarian et al., 2012)
Transformasi Tanah (Pijanowski et al., 2002) Keputusan tepat tinggi untuk meramalkan perubahan tanah. Model Masih memerlukan lebih banyak pembangunan agar
Model (LTM) (Pijanowski et al., 2005) mudah digunakan oleh penyelidik.

ANN (Megahed et al., 2015) Bersepadu dengan model lain dengan mudah.
(Shafizadeh-Moghadam et al., 2017b) ANN boleh mengesan potensi saling bergantung
melalui daya penggerak yang tersirat

Model berasaskan CA untuk simulasi pertumbuhan bandar mula digunakan pada
tahun 1980-an (Batty dan Xie, 1994; Sante et al., 2010). Model CA boleh mensimulasikan
pertumbuhan bandar bergantung pada anggapan bahawa corak pertumbuhan bandar
pada masa hadapan dipengaruhi oleh interaksi tempatan masa lalu antara guna tanah.
Antara kelebihan model CA ialah fleksibiliti dan kesederhanaannya. Selain itu, model
CA mempunyai fleksibiliti untuk disepadukan dengan model lain (Aburas et al., 2016).
Walau bagaimanapun, CA tradisional tidak sesuai untuk membuat simulasi
realistik untuk pertumbuhan bandar kerana batasan dalam teknik model individu di
mana ia hanya bergantung kepada data spatial (Arsanjani et al., 2013). Selain itu,
model CA adalah terhad dalam melaksanakan daya penggerak untuk perubahan guna
tanah yang sukar untuk model ini diproses (Mohammady et al., 2014). Oleh itu, adalah
disyorkan untuk mengubah suai dan mengintegrasikan model CA tradisional dengan
model kuantitatif dan spatio-temporal seperti model Markov Chain (MC) untuk mencapai
hasil yang lebih baik dan untuk mengatasi batasan ini (Couclelis, 1997; White dan
Engelen, 2000; Aburas et al., 2017).
Analisis rantaian Markov (MC) ialah pendekatan pemodelan stokastik yang telah
digunakan secara meluas dalam pemodelan pertumbuhan bandar (Halmy et al., 2015).
Ia berfungsi di bawah andaian fizik bahawa keadaan masa depan hanya bergantung
pada keadaan semasa (Bell dan Hinojosa, 1977). Kaedah MC memantau perubahan
temporal dalam jenis guna tanah bergantung kepada matriks peralihan (Guan et al.,
2011). Dalam model gabungan CA-MC, MC mengawal perubahan temporal dalam
penggunaan tanah (Guan et al., 2011), manakala perubahan spatial ditentukan oleh
penapis spatial model CA (Nouri et al., 2014). Walaupun potensi model CA-MC telah
diiktiraf oleh kajian terdahulu, simulasi realistik perlu mengambil kira daya penggerak
dari segi daya penggerak sosial, alam sekitar dan ekonomi. Atas sebab ini, model CA-
MC mungkin disepadukan dengan model lain untuk mendapatkan pemahaman yang
lebih baik tentang perubahan corak pertumbuhan dan untuk meningkatkan keupayaan
ramalan model (Aburas et al., 2017).
Akibatnya, ia menganggap arah aliran linear antara proses spatial-temporal. Oleh itu,
terdapat keperluan untuk mencipta dan melaksanakan model yang tidak menghadapi
batasan ini dan sebaliknya memperkenalkan proses perubahan tanah yang lebih
rendah dan hasil yang lebih tepat bergantung kepada Kepintaran Buatan (AI)
(Shafizadeh-Moghadam et al., 2017b).
Rangkaian Neural Buatan (ANN) ialah salah satu model paling berkuasa yang
bergantung pada kecerdasan buatan. Ia boleh ditakrifkan secara ringkas sebagai nod
atau neuron yang diuruskan dalam pelbagai lapisan (Mohammady et al., 2014).
Susunan neuron dalam lapisan dan corak sambungan dalam lapisan ini dipanggil Seni
Bina (Maithani, 2010). ANN boleh menangkap hubungan tidak linear antara faktor dan
menangani corak kompleks seperti pertumbuhan bandar dan perubahan dalam
penggunaan tanah dengan kecekapan yang tinggi.
Selain itu, penyediaan bukan linear dan keupayaannya untuk menangani data yang
hilang atau kabur juga (Aburas et al., 2019).
Rangkaian ANN melatih melalui proses pembelajaran daripada membetulkan ralat
di mana keputusan pilihan mesti diketahui; proses itu dipanggil algoritma Back
Propagation (BP) (Zhou, 1999). Algoritma BP secara rawak memilih pemberat utama
dan kemudian mengira varians antara hasil output yang dijangka dan yang dikira.
Selepas itu, pemberat diubah suai mengikut peraturan delta umum (Rumelhart et al.,
1985).
Model ini mengulangi proses penyusuan tunggal dan BP ini sehingga mencapai hasil
yang diinginkan (Pijanowski et al., 2002).
Untuk tujuan simulasi, model ANN mengenal pasti perubahan dalam guna tanah
dan corak lain menggunakan data yang menggambarkan dinamik tingkah laku
fenomena guna tanah (Mohammady et al., 2014). Oleh itu, ia boleh mengesan potensi
saling bergantung melalui daya penggerak yang tersirat (Sha fizadeh-Moghadam et al.,
2017a). Selain itu, kepentingan menggunakan model ANN ialah model tersebut
menggambarkan kesan setiap faktor pemacu yang digunakan dalam operasi simulasi
dan menentukan faktor mana yang lebih mempengaruhi perubahan tanah untuk
memberi pemahaman yang jelas tentang proses perubahan tanah (Park et al., 2011). ).

Untuk menambah baik model CA-MC, beberapa kajian telah menggabungkan
data sosioekonomi dan persekitaran untuk simulasi pertumbuhan bandar (Guan et al.,
2011). Aburas et al. (2017) bersepadu Proses Hierarki Analitikal (AHP) dan Nisbah
Kekerapan (FR) berdasarkan model CA-MC untuk model pertumbuhan bandar
simulasi. Kajian lain menyepadukan pendapat pakar atau Multi Criteria Evaluation
(MCE) dengan model CA-MC untuk meningkatkan keupayaan pra diksinya. Walau
bagaimanapun, disebabkan kerumitan mengkaji perubahan tanah, kaedah ini
mempunyai batasan yang merangkumi kelebihan pengetahuan yang tidak mencukupi
tentang bidang yang diminati, subjektiviti dalam menimbang pembolehubah, dan
kebolehpercayaan keputusan (Park et al., 2011). Tambahan pula, disebabkan
kerumitan perubahan tanah, nampaknya meragukan bahawa pakar mempunyai
pemahaman yang cukup terperinci tentang proses perubahan tanah untuk menggunakan
AHP dan MCE secara berkesan (Shafizadeh-Moghadam et al., 2017b). Satu lagi
kelemahan MCA ialah keupayaannya untuk mensimulasikan perubahan secara linear.
Memandangkan potensi ketiga-tiga model (CA, MC, dan ANN), penyelidikan ini
bertujuan untuk meningkatkan keupayaan model CA-MC dengan menggabungkannya
dengan model ANN. Ia akan meningkatkan kuasa ramalannya dengan menggabungkan
daya penggerak dan membandingkan keputusan ketepatan model ANN-CA-MC dengan
model yang bergantung pada pendapat pakar dalam kajian terdahulu.
1.1. Daya penggerak perubahan guna tanah
Pemacu utama perubahan guna tanah yang digunakan dalam model simulasi
terutamanya termasuk cerun, jarak ke jalan raya dan pusat bandar, dan kesuburan
tanah (Park et al., 2011; Guan et al., 2011; Memarian et al., 2012; Arsanjani et al.,
2013; Musa et al., 2016; Aburas et al., 2017; Shafiza deh-Moghadam et al., 2017a,b).
Berikut ialah perbincangan ringkas mengenai pemacu perubahan guna tanah ini.

2
Machine Translated by Google
A. Gharaibeh et al.
Semakin lembut cerun tanah, semakin mudah untuk melakukan perubahan guna tanah
(Jin et al., 2015; S¸ atir, 2016; Zhang et al., 2019). Ini tanpa mengira jenis perubahan.
Perubahan guna tanah daripada pertanian kepada bandar atau sebaliknya lebih
berkemungkinan berlaku dengan cerun tanah yang lebih rendah (Gharaibeh et al., 2020).
Kepadatan penduduk yang tinggi menjadi tarikan untuk pertumbuhan bandar selanjutnya
terutamanya di negara membangun dengan migrasi luar bandar ke bandar atau negara yang
mempunyai pelarian (Liu dan Yamauchi, 2014; Zhang et al., 2019; Zhou et al., 2020).
Terdapat kecenderungan untuk hidup dalam kalangan kumpulan sosial dan etnik yang
sepadan. Di samping itu, orang ramai cuba mengaitkan dengan kawasan kepunyaan saudara
mereka untuk tujuan rangkuman sosial. Di kawasan lain, kepadatan penduduk yang tinggi
bertindak sebagai penolak bagi penduduk kaya yang baru datang.
Oleh itu, tanpa mengira kesannya untuk menarik atau menolak pertumbuhan bandar, ia
merupakan faktor penting dalam perubahan guna tanah.
Kesuburan tanah (kesuburan tanah) sentiasa menarik untuk lebih banyak pengembangan
pertanian. Walau bagaimanapun, banyak negara menghadapi kemerosotan kesuburan tanah
yang memberi kesan kepada perubahan guna tanah (El-Seedy dan Saeed, 2019; Prishchepov
et al., 2020). Walau bagaimanapun, dengan ketiadaan dasar mental bandar dan persekitaran
yang kukuh, tanah berharga tersebut mungkin hilang akibat perubahan bandar (Prishchepov
et al., 2020). Isu ini amat penting dalam kajian kes kertas penyelidikan ini. Banyak tanah
berharga yang subur kini berada dalam had bandar dan dasar pemeliharaan tanah pertanian
dan subur tidak dikuatkuasakan (Gharaibeh et al., 2020).
Jarak ke jalan utama adalah pemandu guna tanah yang utama (Zhang et al., 2019).
Kebolehcapaian telah menjadi faktor yang menggalakkan perubahan guna tanah. Ia menarik
lebih banyak kegunaan bandar dan dalam beberapa kes kegunaan pertanian atau
perindustrian (Farah et al., 2019). Ia adalah pemacu pelaburan. Dengan ketiadaan dasar
yang ketat, tanah bertukar dengan cepat kepada kegunaan bandar di sepanjang jalan utama
mewujudkan bandar dan bandar linear dan menghubungkan kawasan bandar (Prishchepov
et al., 2020). Faktor ini juga memberi kesan negatif kepada watak landskap (Gharaibeh et al.,
2017).
Jarak ke komersil juga merupakan penggerak kepada perubahan tanah bandar
(Simwanda et al., 2020; Zhang et al., 2019). Dalam sesetengah kes, pembolehubah ini
merupakan pemacu kedua terkuat bagi perubahan guna tanah (Simwanda et al., 2020).
Orang ramai suka tinggal berdekatan dengan perkhidmatan komersil dan ia merupakan salah
satu keperluan kritikal bagi persekitaran hidup yang mampan. Di samping itu, penggunaan
tanah komersial biasanya dikaitkan dengan sistem pengangkutan yang lebih baik menjadikan
tanah bersebelahan dengan kegunaan komersial lebih mudah diakses secara umum. Oleh
itu, adalah dijangka bahawa penggunaan komersial akan menarik perubahan penggunaan
bersebelahan (Gharaibeh et al., 2019).
Jarak ke pusat bandar boleh menjadi pemacu perubahan yang sangat kuat di mana
lebih dekat tanah dengan pusat bandar lebih mudah untuk tanah berubah kepada kegunaan
bandar. Pembolehubah ini juga dikaitkan dengan penggunaan pengangkutan dan komersial
secara umum (Zhang et al., 2019). Dalam kajian kes kami, pembolehubah ini bersama-sama
dengan sifat jejarian pelan bandar juga dijangka memberi kesan kepada guna tanah bandar.
Walaupun rancangan itu tidak bersifat jejari, pusat bandar adalah pemacu kuat perubahan
tanah (Gharaibeh et al., 2019).
Dalam banyak kajian kes, variasi ketinggian boleh menjadi pemacu perubahan yang
besar (Zhang et al., 2019; Simwanda et al., 2020). Ini benar terutamanya di tempat yang
mempunyai rupa bumi yang lasak dan variasi penggunaan tanah.
Bahagian berikut merangkumi metodologi yang mengandungi persediaan untuk kajian
yang terdiri daripada set data dan pra-pemprosesan data, penilaian ketepatan, klasifikasi
tanah, sumber data kajian kes, model integratif (ANN-CA-MC) yang menerangkan setiap
bahagian inte pengiraan sahaja dan menerangkannya digabungkan, dan pengesahan model
pada akhir bahagian ini. Bahagian keputusan termasuk simulasi CA-MC
keputusan, keputusan simulasi ANN berasaskan CA-MC, dan pengesahan model. Bahagian
perbincangan membentangkan perbandingan model, ciri model, dan penilaian kajian kes.
2. Metodologi
2.1. Kawasan kajian
Kajian ini digunakan di bandar Irbid untuk menguji model dan ketepatan. Bandar Irbid
terletak di 32 U dan 35.51 E Jordan Utara bersebelahan
3
Heliyon 6 (2020) e05092
ke sempadan Syria. Bandar ini mempunyai 24 daerah dan meliputi kira-kira 324 km2 . Irbid
menyaksikan peningkatan
lalu disebabkan dalam populasi
ketidakstabilan dan dan
serantau pertumbuhan bandar
aliran pelarian sejak
Syria sembilan
(Al-Kofahi et tahun
al.,
2018, 2019). Disebabkan kekurangan sekatan dan ketiadaan tanah terpelihara, banyak
kampung pinggiran diserap dalam aglomerasi bandar Irbid. Ini juga termasuk dalam parameter
kajian ini juga (Rajah 1). Dalam pertumbuhan bandar dan perubahan guna tanah pada masa
hadapan, kajian kes ini juga penting untuk mengekalkan tanah pertanian yang terletak di Irbid
Governorate yang bersama-sama membentuk 15.6% daripada tanah pertanian negara dan
menghasilkan lebih daripada 30% makanan di negara ini (DOS) . , 2017).
2.2. Set data dan pra-pemprosesan
Dalam kajian ini, pengelasan tanah mengikuti klasifikasi penggunaan tanah/tutup tanah
Anderson peringkat pertama (Wang dan Hofe, 2008). Kami menggunakan tiga kategori guna
tanah: tanah bandar, tanah belum dibangunkan dan tanah pertanian (Jadual 2). Kajian kami
terhad untuk mempertimbangkan kategori ini kerana jenis guna tanah yang lain seperti
padang rumput, tanah hutan, air, tanah lembap, tundra dan salji atau ais saka, tidak terdapat
secara semula jadi di kawasan kajian.
Kami menggunakan peta kawasan kajian tahun-tahun: 2003, 2009, dan 2015 kerana
ketersediaan data peta kawasan kajian untuk tahun-tahun ini (Rajah 2). Peta 2009 diperoleh
daripada imej Landsat-7; Penderia Thematic Mapper (ETMþ) yang dipertingkatkan dengan
resolusi spatial 30 m. Ia diperoleh daripada arkib Landsat di https://earthexplorer .usgs.gov.
Nombor pengenalan untuk tabir ialah LE71740382009086ASN00. ENVI versi 5.3—yang
merupakan perisian untuk
memproses dan menganalisis imej geospatial—digunakan untuk menyediakan imej kawasan
kajian. Fail bentuk kawasan kajian digunakan untuk memilih kawasan daripada pemandangan
satelit. Kemudian kaedah pengelasan yang diselia dalam perisian ENVI digunakan untuk
mengklasifikasikan jenis guna tanah. Kajian ini menggunakan susunan gabungan jalur 3-4-1
adegan satelit. Kemudian, tiga puluh sampel ujian telah dipilih untuk setiap kelas tanah di
mana klasifikasi Kemungkinan Maksimum digunakan untuk mengklasifikasikan imej satelit.
Akhir sekali, kami menggunakan satu set operasi pelicinan dan pengagregatan untuk
melicinkan sempadan kelas dan menggabungkan kawasan piksel kecil atau terpencil dalam
imej. Kaedah ini juga diaplikasikan oleh Bhatti et al. (2019) dalam kajiannya tentang penilaian
perubahan tutupan tanah berdasarkan data satelit.
Bertujuan untuk meningkatkan ketepatan, hasil klasifikasi output disemak secara visual
berkali-kali dan kemudian dikemas kini dengan menambah lebih banyak set latihan. Tahap
pelicinan dan pengagregatan yang berbeza juga digunakan.
Kaedah pelicinan dan pengagregatan yang digunakan adalah yang digunakan dalam perisian
ENVI 5.3. Pelicinan dan pengagregatan ialah algoritma pasca pengelasan yang melicinkan
sempadan kelas dan menggabungkan kawasan piksel kecil atau terpencil.
Proses bermula dengan menentukan saiz ganjil isirong licin 3. Oleh itu, piksel tengah isirong
3 3 persegi mengambil nilai yang sepadan dengan nilai kelas majoriti dalam kernel. Kemudian
saiz agregat 9 9 piksel dipilih. Mana-mana kawasan dengan saiz kernel sama dengan atau
kurang daripada 9 9 diagregatkan ke kawasan yang lebih besar bersebelahan. Hasil keluaran
(imej raster untuk kelas tutupan tanah) dieksport ke GIS untuk menilai dan menyediakan
peta tutupan tanah dengan tepat.
Peta terperingkat lain untuk tahun 2003 dan 2015 dipetik daripada Al-Kofahi et al. (2018).
Mereka juga mengikuti proses yang sama untuk mengklasifikasikan guna tanah yang
dilaporkan dengan ketepatan klasifikasi penutup tanah keseluruhan masing-masing sebanyak
88% dan 87%.
2.2.1. Penilaian ketepatan
Sembilan puluh titik sampel telah diedarkan secara rawak ke atas imej kawasan kajian
terkelas menggunakan GIS. Imej resolusi tinggi warna sebenar telah digunakan untuk
penilaian ketepatan dan membina matriks kekeliruan. Setiap lokasi titik diperiksa berdasarkan
poligon yang dijatuhkan dan dibandingkan dengan imej rujukan untuk mengetahui sama ada
ia dikelaskan dengan betul atau tidak. Pekali Kappa (Congalton dan Green, 2009; Clevers,
2009), Ketepatan Keseluruhan, dan ketepatan Pengguna dan Pengeluar dikira berdasarkan
matriks kekeliruan (Congalton, 1991; Lali berte et al., 2004). Keputusan menunjukkan bahawa
Ketepatan Keseluruhan untuk
Machine Translated by Google

A. Gharaibeh et al. Heliyon 6 (2020) e05092

Rajah 1. Kawasan kajian bandar Irbid yang terletak di Utara Jordan.

Jadual 2. Kategori klasifikasi guna tanah berdasarkan klasifikasi guna tanah/
tutup tanah Anderson (Wang dan Hofe, 2008).
Simbol Jenis tanah Kawasan Termasuk
1 Belum dibangunkan (Tanah tandus) Tanah Tidak Dibangunkan yang tidak dibina, tidak
diusahakan, dan tanah kosong yang terbiar.
2 Tanah agrikultur Tanaman, kebun, dan tanah yang diusahakan.
3 Tanah bandar atau binaan Kawasan terbina dan rangkaian jalan
pengelasan ialah 87.78% (Jadual 3). Matriks kekeliruan mengira pekali Kappa sebanyak
81.63% untuk jadual ini.
Penyelidikan ini menggunakan perlindungan tanah untuk bandar Irbid dalam tiga
tahun berbeza; 2003 dan 2015 yang dijana oleh Al-Kofahi et al. (2018); dan 2009 yang
dihasilkan oleh penyelidik. Tiga peta (Rajah 2) telah disediakan untuk digunakan pada
peringkat seterusnya. Berdasarkan statistik yang dilakukan di Jabatan Perangkaan di
Jordan, populasi muhafazah meningkat daripada 928,292 pada tahun 2003, kepada
1,064,400 pada tahun 2007, dan juga kepada 1, 770,158 penduduk pada tahun 2015
(DOS, 2004 ; 2094 ; 209 ).
Kajian terdahulu mengenal pasti faktor penting yang menentukan potensi pertumbuhan
bandar dan perubahan guna tanah (Park et al., 2011; Guan et al., 2011; Memarian et al.,
2012; Arsanjani et al., 2013; Musa et al. , 2016; Aburas et al., 2017; Shafizadeh-
Moghadam et al., 2017a,b). Kajian-kajian ini adalah bergantung kepada pendapat yang
berpengalaman dan ulasan kajian lepas. Walau bagaimanapun, faktor utama yang
digunakan dalam model simulasi pertumbuhan bandar termasuk cerun, jarak ke jalan
raya dan pusat bandar, dan kesuburan tanah (Park et al., 2011; Guan et al., 2011;
Memarian et al.,
2012; Arsanjani et al., 2013; Musa et al., 2016; Aburas et al., 2017; Shafizadeh-Moghadam
et al., 2017a,b; Gharaibeh et al., 2020). Untuk menambah baik proses ramalan, beberapa
kajian mengesyorkan mempertimbangkan faktor seperti kepadatan penduduk sebagai
penggerak pertumbuhan bandar dan perubahan tanah (Shafizadeh-Moghadam et al.,
2017a, b). Dalam kajian ini, penyelidik menangani semua faktor di atas yang ditakrifkan
dan disyorkan oleh kebanyakan kajian simulasi.
Kebanyakan data diperoleh daripada Greater Irbid Municipality (GIM) (rangkaian
jalan raya utama, kepadatan penduduk, kesuburan tanah (MoA, 1993; MoA, 1995), pusat
bandar, ketinggian tanah (diperolehi daripada Digital Elevation Model (DEM)), komersial
pusat, cerun (Jadual 4). Jarak ke jalan utama, pusat bandar dan pusat komersial dikira
menggunakan fungsi jarak Euclidean dalam perisian TerrSet 18.21 (Rajah 3 dan 4).
Jarak Euclidean ialah jarak garis lurus antara dua titik.
Jarak Euclidean digunakan untuk mengira yang paling dekat dan paling jauh pada
peta. Dengan kaedah ini, model mengenal pasti kawasan dan mengira pengaruh setiap
faktor terhadap perubahan guna tanah berdasarkan jarak.
2.3. Model ANN-CA-Markov
ANN memudahkan penentukuran automatik model CA-MC dan
membantu penggabungan pelbagai daya penggerak dalam model (Rajah 5). Bahagian
selepas ini menerangkan setiap model (CA, MC dan ANN) secara berasingan. Kemudian
penilaian proses model yang diubah suai ini dan keupayaannya digunakan berdasarkan
carta alir metodologi (Rajah 5).

4
Machine Translated by Google

A. Gharaibeh et al. Heliyon 6 (2020) e05092

Rajah 2. Peta tutupan tanah bandar Irbid pada tahun 2003, 2015 (Al-Kofahi et al., 2018), dan 2009 oleh penulis.

Jadual 3. Matriks kekeliruan bagi keputusan klasifikasi tutupan tanah bagi Irbid 2009.

Data rujukan

Kelas Bandar pertanian Tidak dibangunkan Jumlah Baris Ketepatan Pengguna

Data Terperingkat Bandar 29 2 3 34 85.29

pertanian 2 26 2 30 86.67

Tidak dibangunkan 1 1 24 26 92.31

Jumlah Lajur 32 29 29 90 88.09

Ketepatan Pengeluar 90.63 89.66 82.76 87.78

(Ketepatan keseluruhan)

5
Machine Translated by Google
A. Gharaibeh et al.
Jadual 4. Data dan sumber data yang digunakan dalam analisis.
Data Sumber
Landsat-7 (ETMþ) laman web USGS
https://earthexplorer.usgs.gov/
Peta tutupan tanah (Al-Kofahi et al., 2018)
Model Ketinggian Digital Resolusi 30m SRTM Perbandaran Greater Irbid
Rangkaian Jalan Raya Perbandaran Greater Irbid
Kesuburan Tanah Perbandaran Greater Irbid dan Kementerian Pertanian, Jordan
Peta Topografi Perbandaran Greater Irbid
Kepadatan penduduk Perbandaran Greater Irbid
Pusat Bandar dan Komersial Perbandaran Greater Irbid
2.3.1. Automata Selular
Automata Selular (CA) ialah teknik pemodelan spatial yang telah digunakan secara
meluas dalam simulasi sistem bandar. Populariti CA datang daripada keupayaannya untuk
memodelkan kedekatan, yang dianggap sebagai elemen spatial penting yang
mencerminkan dinamik perubahan guna tanah.
CA mengandaikan bahawa wilayah mempunyai kecenderungan yang lebih tinggi untuk
menukar kepada kategori guna tanah jika wilayah jiran tergolong dalam kategori tersebut
(Memarian et al., 2012) (Rajah 6). Prinsip asas CA ialah corak pembangunan bandar yang
lalu mempengaruhi pembangunan masa depan melalui teraksi tempatan yang secara
kolektif membentuk corak pertumbuhan bandar global (Sante et al., 2010).
Dalam CA, kawasan itu dibahagikan kepada grid sel. Setiap sel adalah bersamaan
dengan piksel pada peta kawasan. Keadaan selular mewakili salah satu kategori guna
tanah. Keadaan sel dalam langkah seterusnya bergantung pada keadaan semasa sel dan
juga keadaan semasa sel sekeliling (kejiranan sel) mengikut set peraturan peralihan. Jenis
kejiranan Von Neumann dan Moore adalah dua yang paling biasa bekerja di CA (Memarian
et al., 2012). Kajian ini menggunakan penapis kejiranan 5-oleh-5 Moore untuk membina
peraturan peralihan yang akan digunakan untuk meramalkan perubahan guna tanah masa
hadapan.
2.3.2. Model Rantaian Markov dan CA-Markov
Rantaian Markov (MC) ialah proses stokastik yang menerangkan urutan peristiwa di
mana peristiwa masa depan hanya bergantung pada peristiwa semasa dan peristiwa
sebelumnya tanpa perlu menganggap keseluruhan peristiwa sebagai kisahnya. Keupayaan
untuk menyatakan perubahan temporal dari satu masa ke satu masa yang lain menjadikan
MC alat yang sesuai untuk memodelkan perubahan guna tanah, dengan itu membentuk
asas untuk meramalkan perubahan masa depan.
Model MC menerangkan kemungkinan transformasi antara penggunaan tanah yang
berbeza melalui matriks kebarangkalian peralihan. Setiap entri dalam matriks mewakili
kebarangkalian menukar keadaan piksel daripada satu guna tanah kepada yang lain.
Sekurang-kurangnya dua peta berbeza untuk kawasan yang sama untuk dua cap masa
yang berbeza diperlukan untuk mengetahui kebarangkalian peralihan antara dua tempoh
masa ini. Dalam kajian ini, penyelidik menggunakan peta bandar besar Irbid untuk tahun
2003 dan 2009. Matriks peralihan dijana menggunakan TerrSet.
Walau bagaimanapun, model MC ini tidak dapat menghasilkan perubahan model
dalam dimensi spatial, iaitu, ia tidak mengambil kira pengaruh sel jiran. Akibatnya, MC per
se jarang digunakan untuk mengkaji pembandaran dan perubahan guna tanah (Arsanjani
et al., 2013). Didorong dengan menggabungkan kekuatan CA dan MC, pendekatan CA-
MC telah dicadangkan untuk mengintegrasikan kedua-duanya dalam rangka kerja yang
bersatu (Guan et al., 2011; Arsanjani et al., 2013; Shafizadeh-Moghadam dan Helbich,
2013; Aburas et al . ., 2017). CA-MC ialah pendekatan kukuh yang mempertimbangkan
kedua-dua perubahan spatial dan temporal (Singh et al., 2015; Hamad et al., 2018). Di
samping itu, CA-MC mempunyai struktur terbuka yang memudahkan menggabungkan
pelbagai faktor sosio-ekonomi dan persekitaran luaran yang mempengaruhi
proses urbanisasi, iaitu peraturan peralihan CA boleh direka dalam pelbagai cara untuk
mengambil kira faktor-faktor ini (Sante et al., 2010). Gabungan kedua-dua CA dan MC
menjadikan ramalan lebih kuat, tetapi tidak mencukupi.
6
Heliyon 6 (2020) e05092
Tarikh Imej
2009
2003, 2015
2012
2015
2015; berdasarkan projek kesuburan tanah MoA 1993–1995
2012
2015
2015
2.3.3. Rangkaian Neural Buatan
Rangkaian Neural Buatan (ANN) ialah teknik pembelajaran mesin yang digunakan
untuk memodelkan corak dan tingkah laku yang kompleks. Kajian ini menggunakan ANN
untuk mencipta peta peralihan yang berpotensi berdasarkan penggunaan data sejarah.
Peta ini menangkap kesan pelbagai faktor persekitaran dan sosio-ekonomi terhadap
perubahan guna tanah. Beberapa kelebihan menjadikan ANN lebih kuat daripada kaedah
yang telah digunakan sebelum ini untuk menggabungkan daya penggerak dalam
mensimulasikan pertumbuhan bandar. Pertama, ia boleh memodelkan sistem kompleks
dengan cekap di mana hubungan antara pembolehubah berinteraksi adalah bukan linear.
Kedua, tiada pengetahuan awal tentang proses penjanaan data atau pengedaran data
diperlukan untuk melaksanakan dan melatih ANN (Anantwar dan Shelke, 2012). Ketiga,
sedikit sebanyak, ia dapat mengatasi data yang bising, berlebihan, dan tidak tepat (Guan
et al., 2005). Pada akhirnya, ia tidak meminta pemberat pilihan pakar dan sebaliknya
bergantung kepada pekali boleh laras yang boleh dilatih untuk mengurangkan ralat. Selain
itu, dan hasil daripada pelaksanaan kaedah ini, penyelidik akan dapat melihat hierarki
faktor-faktor yang mempengaruhi perubahan guna tanah.
Kajian ini menggunakan rangkaian neural suapan hadapan dua lapisan. Sebagai
tambahan kepada lapisan input, rangkaian mempunyai satu lapisan tersembunyi dan
lapisan output. Input ialah vektor satu dimensi bersaiz "m" yang menunjukkan nilai
pembolehubah persekitaran dan sosio-ekonomi "m".
Lapisan tersembunyi terdiri daripada nod tersembunyi "n", setiap nod ialah neuron yang
menggunakan fungsi pengaktifan bukan linear untuk mendapatkan pemetaan bukan linear
daripada input kepada output.
Lapisan output mempunyai satu nod untuk mengira kebarangkalian bahawa
penggunaan tanah bagi titik data (piksel pada peta) akan berubah kepada jenis "t".
Oleh kerana kami berurusan dengan tiga guna tanah, kami merumuskan tiga masalah
klasifikasi binari, oleh itu, kami melatih tiga rangkaian. Rangkaian tersebut
mengklasifikasikan setiap titik data masing-masing ke dalam bandar atau bukan bandar,
pertanian atau bukan pertanian dan guna tanah yang belum dibangunkan atau maju.
Seni bina ANN yang digunakan dalam kerja ini ditunjukkan dalam Rajah 7.
Garis mewakili sambungan berwajaran antara nod dalam lapisan dan lapisan seterusnya.
ANN dilatih menggunakan algoritma Backpropagation (BP) untuk mempelajari pemberat
ini menggunakan pembelajaran terselia, iaitu, menggunakan titik data yang telah
dikelaskan (Rumelhart et al., 1985). BP memilih berat awal secara rawak. Kemudian
perwakilan input titik data yang sebelumnya diklasifikasikan mengalir melalui rangkaian.
Perwakilan input telah didarab dengan pemberat dan fungsi pengaktifan boleh dibezakan
tidak linear digunakan. Output rangkaian dan kelas sebenar titik digunakan untuk mengira
ralat. Ralat meringkaskan satu set titik data yang tersalah klasifikasi. Ralat disebarkan
melalui rangkaian ke arah belakang untuk melaraskan berat rangkaian saraf. Pemberat
telah dikemas kini mengikut kadar pembelajaran menggunakan fungsi pengoptimuman
berasaskan (keturunan kecerunan) (Karayiannis, 1999). Proses ini dilakukan secara
berulang sehingga ralat stabil pada tahap yang rendah.
Data latihan adalah satu set titik (piksel) yang dipilih secara rawak daripada peta
2003. Setiap piksel diwakili oleh vektor yang terdiri daripada nilai tujuh faktor pendorong
yang dipertimbangkan dalam kajian ini (cerun, kepadatan penduduk, tanah). kesuburan,
jarak ke jalan raya, jarak ke komersial, jarak ke pusat bandar, dan ketinggian). Selain itu,
setiap piksel diperuntukkan kepada jenis guna tanah
Machine Translated by Google
A. Gharaibeh et al.
Rajah 3. Faktor yang digunakan dalam model ANN (A) ketinggian (B) cerun (C) kesuburan tanah (D) kepadatan penduduk.
diperoleh daripada peta yang sepadan 2009. Mata digunakan untuk melatih tiga
ANN; satu untuk setiap guna tanah dan pelengkapnya. Contohnya, satu ANN dilatih
untuk memutuskan sama ada setiap piksel dalam peta 2009 akan ditukar menjadi
Bandar atau bukan Bandar, dan seterusnya).
Peta kebarangkalian digunakan sebagai peta peralihan yang berpotensi untuk
menambah baik CA-MC. Fungsi Land Change Modeler (LCM) dalam perisian TerrSet ialah
7
Heliyon 6 (2020) e05092
digunakan untuk melatih ANN dan menjana peta peralihan yang berpotensi.
Melatih ANN melibatkan penalaan set hiperparameter seperti bilangan nod
tersembunyi dan kadar pembelajaran. TerrSet menggunakan kaedah automatik
untuk memilih nilai terbaik bagi hiperparameter yang menghasilkan prestasi terbaik
pada data penahanan antara set nilai yang dipilih secara rawak.
Machine Translated by Google

A. Gharaibeh et al. Heliyon 6 (2020) e05092

Rajah 4. Lebih Banyak Faktor yang digunakan dalam model ANN (E) jarak ke jalan raya (F) jarak ke pusat bandar (G) jarak ke komersial.

Dengan menggabungkan peraturan peralihan CA, matriks peralihan model MC dan
peta potensi yang dihasilkan oleh ANN, pendekatan kami ANN-CA-MC mempertimbangkan
kedua-dua dinamik spatial dan temporal pertumbuhan bandar serta menggabungkan
kesan kuasa penggerak.
2.4. Pengesahan model
peta guna tanah 2015 telah digunakan dalam pengesahan model. Kedua-dua model
CA-MC dan ANN-CA-MC akan disahkan dengan mengukur ketepatannya dan
membandingkan hasilnya. Kesahan yang memuaskan biasanya dikaitkan dengan

8
Machine Translated by Google

A. Gharaibeh et al. Heliyon 6 (2020) e05092

Rajah 5. Carta alir metodologi kajian.

Rajah 6. Pemodelan CA untuk perubahan guna tanah di kawasan kejiranan (Yang et al., 2016).

nilai lebih besar daripada 75% (Mitsova et al., 2011) atau 80% (Eastman, 2006, 2012).
Fungsi pengesahan pada perisian TerrSet digunakan menggunakan peta sebenar
2015 yang diketahui untuk mengira indeks Kappa. Model pengesahan menentukan
persetujuan dan percanggahan antara peta simulasi dan rujukan (sedia ada).
Percanggahan kuantiti berlaku apabila kuantiti sel bagi kategori peta simulasi adalah
berbeza daripada kategori yang sama dalam peta rujukan. Perselisihan lokasi berlaku
apabila lokasi sel bagi kategori peta simulasi berbeza daripada kategori yang sama
dalam peta rujukan. Metodologi ini telah dikira
berdasarkan pendekatan yang dibangunkan oleh Pontius dan Millones (2011). Selain
itu, menyeberang dan membandingkan dengan kaedah peta sebenar digunakan untuk
mengira pekali Kappa menggunakan matriks kekeliruan.
3. Keputusan
Oleh kerana tujuan penyelidikan ini adalah untuk menambah baik model ramalan
simulasi, ia akan memberi tumpuan kepada kaedah secara khusus, kemudian
menyemak keputusan ramalan. Hasilnya akan menerangkan model CA-MC

9
Machine Translated by Google

A. Gharaibeh et al. Heliyon 6 (2020) e05092

Jadual 6. Kawasan peralihan Markov dalam matriks kilometer persegi bagi tempoh dari
2003-2009.

Sel masuk Dijangka transit ke

Kelas 1 Kelas 2 Kelas 3

Kelas 1 94.990 28.203 10.182
Kelas 2 28.303 84.153 28.334
Kelas 3 20.273 32.25 62.338

untuk kawasan prospek yang berpotensi menjadi lahan pertanian, dan satu lagi untuk lahan
yang belum dikembangkan yang berpotensi menjadi kawasan perkotaan.

Kadar ketepatan untuk model ini ialah 84.98% dan berdasarkan Eastman (2006) sebarang
kadar ketepatan hendaklah sekurang-kurangnya 80% untuk menerima keputusan latihan
(Eastman, 2006, 2012) (Jadual 7). Statistik kemahiran berbeza dari -1 hingga 1 di mana
kemahiran 1 bermaksud ramalan yang sempurna, manakala kemahiran -1 bermakna lebih
buruk daripada peluang. Ukuran kemahiran dalam kajian ini mencapai 0.6997 (69.97%)
(Jadual 7). Analisis menunjukkan bahawa penggunaan pembolehubah yang sesuai
mempengaruhi ketepatan pembelajaran model, dan sebanyak 84% ketepatan model bermakna
daya pemacu membantu model untuk meramal dengan lebih tepat.

3.2.1. Memaksa pembolehubah tidak bersandar tunggal untuk dimalarkan

Rajah 7. Seni bina rangkaian neural berbilang lapisan.
proses simulasi, CA-MC berdasarkan simulasi ANN, pengesahan model dan ramalan
perubahan guna tanah untuk 2021 dan 2027.
3.1. Simulasi model CA-MC
Penentukuran model CA-MC untuk 2003–2008 untuk meramalkan tahun 2015. Keputusan
matriks kebarangkalian peralihan menggambarkan kemungkinan jenis guna tanah yang
berpotensi untuk bertukar kepada jenis guna tanah lain (Jadual 5). Dalam jadual, kelas 1, kelas
2 dan kelas 3 masing-masing membentangkan tanah yang belum dibangunkan, tanah pertanian
dan guna tanah bandar. Sebagai contoh, Kelas 2 (tanah pertanian) terdedah kepada perubahan
kepada Kelas 3 (guna tanah bandar) sebanyak 20.12% (Jadual 5) dan ini sepadan dengan
perubahan kawasan prospektif kira-kira 28.334 km2 (Jadual 6). Matriks kawasan juga
mendaftarkan piksel yang terdedah kepada perubahan daripada guna tanah/litupan kepada
yang lain dalam tempoh masa yang ditetapkan (Jadual 6).
Imej kemungkinan bersyarat menunjukkan prospek setiap kelas guna tanah yang ditemui
pada setiap piksel dalam tempoh masa (Rajah 6). Model simulasi CA-MC menunjukkan peta
unjuran untuk kawasan kajian (Rajah 7). Peta tersebut menggambarkan tiga kelas di mana
kawasan bandar dan tanah belum dibangunkan masing-masing meningkat sebanyak 33.6
km2 (3.52%) dan 22.94 km2 (3.84%), manakala tanah pertanian kehilangan kira-kira 56.55
km2 (5.91%).
(Rajah 8). Peta akhir digambarkan dalam Rajah 9.
3.2. CA-MC berdasarkan simulasi ANN
Kami melatih model menggunakan semua pembolehubah, kemudian menentukan
pembolehubah mana yang paling berpengaruh dan yang mana satu paling kurang berpengaruh.
Ini dilakukan supaya var. 1 hingga 7 ialah: 1. jarak ke jalan utama, 2. cerun, 3. jarak ke pusat
bandar, 4. jarak ke komersial, 5. Kesuburan tanah, 6. kepadatan penduduk, dan 7. ketinggian.
Sebagai contoh, Jadual 8 menunjukkan peralihan daripada tanah belum dibangunkan kepada
tanah pertanian.
Dalam ujian contoh ini, pembolehubah 2 (cerun) adalah pembolehubah yang paling
mempengaruhi peralihan daripada tanah belum dibangunkan kepada pertanian manakala
pembolehubah 1 (jarak ke jalan utama) adalah yang paling kurang berpengaruh (Jadual 8).
Model kemudian menguji setiap pasangan pembolehubah yang mungkin untuk mengetahui
pasangan mana yang mempunyai kesan paling sedikit pada kemahiran apabila dipegang
tetap. Ia diteruskan dengan cara ini, secara beransur-ansur memegang pembolehubah lain
berterusan sehingga hanya satu pembolehubah yang tinggal. Keputusan menunjukkan
ketepatan dan ukuran kemahiran bagi setiap proses pemalar pembolehubah (Jadual 9).
3.2.2. Malar berperingkat ke belakang memaksa
Analisis langkah ke belakang berfungsi dengan mengalih keluar variable yang dipilih
setiap kali dan menguji model kerana kadangkala kemahiran model meningkat sedikit apabila
beberapa pembolehubah dialih keluar. Oleh itu, tidak perlu lagi mengalih keluar mana-mana
pembolehubah (Jadual 10).
Selepas model latihan ANN selesai, model tersebut mencipta peta peralihan yang menunjukkan
kawasan berpotensi untuk pertanian (Rajah 11).
Akhirnya, langkah ini digunakan untuk tiga kelas yang lain (Rajah 12).
Model CA-MC berdasarkan ANN mencipta peta unjuran untuk kawasan kajian pada tahun
2015 (Rajah 13). Peta ini memaparkan tiga kelas di mana penyelidik menggunakan peta ini
dalam peringkat pengesahan untuk menguji ketepatan model baharu yang diubah suai.

Proses itu menghasilkan tenaga penggerak yang paling berkesan juga. Ia menunjukkan
Model ANN menunjukkan keuntungan dan kerugian antara 2003 dan 2009 bagi setiap
kepadatan penduduk, cerun, jarak ke pusat komersial dan kesuburan tanah merupakan faktor
jenis guna tanah. Analisis menggambarkan bahawa kawasan bandar (kelas 3) memperoleh
yang paling berkesan dalam proses perubahan tanah (Jadual 11).
2.49% manakala tanah pertanian (kelas 2) kehilangan kira-kira 4.20%. Di samping itu, tanah
yang belum dibangunkan (kelas 1) memperoleh kira-kira 1.70% daripada jumlah keluasan
(Rajah 10). Apabila ANN dilaksanakan untuk memodelkan peta peralihan untuk kelas tanah
yang belum dibangunkan, terdapat dua peta sebagai hasilnya; yang pertama ialah 3.3. Pengesahan model

Keputusan peta CA-MC yang disahkan menunjukkan bahawa Kappastander ialah 86.29%
Jadual 5. Matriks kebarangkalian peralihan Markov bagi tempoh dari 2003 hingga 2009. yang merupakan hasil yang boleh diterima untuk model simulasi (Pontius, 2000), apabila

Sel masuk Kappano ialah 89.25%. Oleh itu Kappalocation adalah 91.13%. Sebaliknya, pengesahan peta
Dijangka transit ke
model CA-MC-ANN untuk 2015 menunjukkan bahawa Kappastander adalah cemerlang pada
Kelas 1 Kelas 2 Kelas 3
90.04% manakala Kappano dan Kappalocation masing-masing adalah 92.19% dan 93.11%.
Kelas 1 0.7122 0.2115 0.0763
Rajah 14 menunjukkan kejayaan dan kesilapan simulasi. Keputusan pengesahan
Kelas 2 0.2010 0.5977 0.2012
menggambarkan bahawa penyepaduan
Kelas 3 0.2362 0.0376 0.7262

10
Machine Translated by Google

A. Gharaibeh et al. Heliyon 6 (2020) e05092

Rajah 8. Kebarangkalian bersyarat Markov ialah (A) kelas 1 (B) kelas 2 (C) kelas 3 pada tahun 2015.

ANN dengan model CA-MC telah berjaya meningkatkan model dari segi
ketepatan.
Di samping itu, pekali kappa dikira untuk membandingkan ketepatan
model ini dengan keputusan kajian terdahulu. Peta Google Earth dari 2015
telah digunakan untuk menilai percanggahan dalam peta yang diunjurkan,
yang direkodkan dalam matriks kekeliruan. Pekali kappa, ketepatan
keseluruhan, dan ketepatan pengguna dan pengeluar dikira menggunakan
matriks kekeliruan (Jadual 12). Keputusan menunjukkan bahawa ketepatan
keseluruhan untuk peta unjuran ialah 94.44% apabila pekali Kappa yang
dikira ialah 94.00% (Jadual 11).

Rajah 9. Unjuran peta guna tanah 2015 menggunakan CA-Markov.

11
Machine Translated by Google

A. Gharaibeh et al. Heliyon 6 (2020) e05092

Jadual 10. Daya malar berperingkat ke belakang.

Model Pembolehubah termasuk Ketepatan (%) Ukuran kemahiran

Dengan semua pembolehubah Semua pembolehubah 84.98 0.6997

Langkah 1: var.[1] tetap [2,3,4,5,6,7] 85.02 0.7005

Langkah 2: var.[1,7] pemalar [2,3,4,5,6] 85.02 0.7005

Langkah 3: pemalar var.[1,7,6]. [2,3,4,5] 84.93 0.6987

Langkah 4: pemalar var.[1,7,6,3]. [2,4,5] 84.60 0.6920

Langkah 5: pemalar var.[1,7,6,3,4]. [2,5] 83.43 0.6685

Langkah 6: var.[1,7,6,3,4,2] pemalar [5] 78.65 0.5730

3.4. Meramalkan perubahan guna tanah untuk 2021 dan 2027

Rajah 10. Keuntungan dan kerugian tanah antara 2003 dan 2009 mengikut peratusan Model CA-MC yang diubah suai berdasarkan ANN kemudiannya ditentukur kepada
keluasan. meramalkan pertumbuhan bandar dan perubahan tanah bagi kawasan kajian pada tahun
2021 dan 2027. Pengkaji meramalkan peta masa hadapan berdasarkan andaian bahawa
corak perubahan tanah akan mengikut corak yang sama seperti masa lalu dan ia akan
dipengaruhi oleh faktor yang sama pada tahap yang sama (Rajah 15).

Jadual 7. Parameter dan prestasi model.

Peta ramalan untuk tahun 2027 menggambarkan kawasan bandar akan meningkat
Neuron lapisan input 7 daripada 57.1 km2 pada tahun 2003 kepada 144.7 km2 pada tahun 2027 menunjukkan
Neuron lapisan tersembunyi 7 peningkatan kawasan sebanyak 87.6 74.7
sebanyak km2 km2
. Sebaliknya, tanahyang
apabila tanah pertanian
belumakan berkurangan
dibangunkan
Neuron lapisan output 2 juga akan berkurangan sebanyak 12.8 km2 apabila membandingkan tahun 2003 dengan
Sampel yang diminta setiap kelas 10,000 ramalan 2027 (Jadual 13). Ramalan masa depan bagi perubahan tanah Irbid menunjukkan
Kadar pembelajaran akhir 0.0003 bahawa tanah pertanian akan kehilangan kira-kira 23.07% daripada keluasannya
Faktor momentum 0.5 berbanding tahun 2003. Sebaliknya, jumlah kawasan bandar pada tahun 2027 dijangka

Pemalar sigmoid 1 berubah sebanyak 27.03% berbanding tahun 2003 mengubah peratusannya daripada
0.01 17.63% kepada 44.66% (Rajah 16).
RMS yang boleh diterima

Lelaran 10,000

Latihan RMS 0.3242

4. Perbincangan
Menguji RMS 0.3275

Kadar ketepatan 84.98%

Ukuran kemahiran þ0.6997

Tujuan penyelidikan ini adalah untuk membangunkan model AI yang mensimulasikan
perubahan guna tanah, iaitu model CA dan MC. Penyelidikan ini menyepadukan model ini
dengan ANN untuk meningkatkan ketepatan ramalan perubahan guna tanah masa
hadapan, menggabungkan lebih banyak daya penggerak untuk membantu dalam mencapai
ramalan yang lebih bermakna, dan membandingkan keputusan ketepatan model MC ANN-
Jadual 8. Keputusan memaksa pembolehubah bebas tunggal untuk dimalarkan.
CA dengan model lain yang bergantung kepada pakar. pendapat yang diperolehi daripada
Menguji peralihan daripada tanah belum dibangunkan kepada tanah pertanian.
kajian kes terdahulu seperti AHP. Ini dijangka akan membantu mengatasi kelemahan
Model Ketepatan (%) Ukuran kemahiran Perintah pengaruh
model individu dengan menggabungkannya dalam model hibrid yang mempunyai potensi
Dengan semua pembolehubah 84.98 þ0.6997 T/A yang lebih baik untuk meramalkan perubahan guna tanah. Bahagian berikut akan
Var. 1 pemalar 85.02 þ0.7005 7 (paling tidak berpengaruh) membandingkan model, menerangkan ciri-ciri mereka, dan membincangkan penemuan
Var. 2 tetap 75.75 þ0.5150 1 (paling berpengaruh) kajian kes.
Var. 3 tetap 85.00 þ0.7001 6

Var. 4 pemalar 79.64 þ0.5929 3

Var. 5 pemalar 78.02 2

4.1. Perbandingan model
þ0.5605

Var. 6 tetap 84.96 þ0.6993 4

Shafizadeh-Moghadam et al. (2017b) menggunakan model ANN, Weight of Evi dence
Var. 7 tetap 84.98 þ0.6997 5
(WOE) dan Fuzzy Multi-Criteria Evaluation untuk meramalkan penggunaan tanah masa
hadapan di mana mereka mencapai ketepatan 85%, 75% dan 73%, masing-masing. Selain
itu, Maithani (2010) melaksanakan Model Regresi Logistik dan mencapai ketepatan 81%.
Dalam kajian yang lebih terkini yang dilakukan di Addis Ababa menggunakan model CA-
MC, ketepatan keseluruhan menunjukkan 86%, 87%, dan 87% untuk tahun 2005, 2011,
Jadual 9. Keputusan memaksa semua pembolehubah bebas kecuali satu menjadi
tetap. dan 2015, masing-masing (Mohamed dan Worku, 2020). Walau bagaimanapun, dalam
penyelidikan kami, penggunaan ANN dengan model CA-MC menghasilkan ketepatan
Model Ketepatan (%) Ukuran kemahiran
keseluruhan yang lebih tinggi (90.04%).
Dengan semua pembolehubah 84.98 þ0.6997

Semua tetap tetapi var. 1 56.26 þ0.1252

Shafizadeh-Moghadam dan Helbich (2013) menggunakan model CA-Markov, dengan
Semua tetap tetapi var. 2 73.52 þ0.4704 MCE untuk menutup batasan pelaksanaan daya pemacu model asal dan melaporkan
Semua tetap tetapi var. 3 44.40 -0.1119 tahap ketepatan 83%. Aburas et al. (2017) menggunakan model CA-MC berdasarkan AHP
Semua tetap tetapi var. 4 67.60 þ0.3519 dan FR untuk mensimulasikan pertumbuhan bandar di Seremban, Malaysia. Model mereka
Semua tetap tetapi var. 5 78.65 þ0.5730 berjaya dari segi menangani faktor terpenting yang mengawal pertumbuhan bandar di
Semua tetap tetapi var. 6 48.88 -0.0224 bandar dan masing-masing mencapai tahap ketepatan 88.1% dan 88.2%. Bagaimana pun
Semua tetap tetapi var. 7 49.71 -0.0057 mereka memasukkan pemberat subjektif pembolehubah yang membuat

12
Machine Translated by Google

A. Gharaibeh et al. Heliyon 6 (2020) e05092

Rajah 11. Kawasan berpotensi untuk peralihan daripada tanah yang belum dibangunkan kepada tanah pertanian.

Rajah 12. Kawasan peralihan yang berpotensi kepada (A) tanah belum dibangunkan (B) tanah pertanian (C) kawasan bandar.

13
Machine Translated by Google

A. Gharaibeh et al. Heliyon 6 (2020) e05092

Rajah 13. Unjuran peta guna tanah untuk tahun 2015 menggunakan Model CA-MC berdasarkan ANN.

menimbang pembolehubah seperti yang digunakan dalam AHP. Terdapat batasan model
Jadual 11. Pengaruh kuasa penggerak terhadap perubahan guna tanah. yang, tidak boleh menggabungkan pembolehubah tak linear dan kualitatif juga. ANN
menggantikan kedua-dua kelemahan.
Model Perintah pengaruh
Secara lebih terperinci, mengaplikasikan AHP dan MCE untuk membangunkan
Kepadatan penduduk 1 (paling berpengaruh) model CA Markov tradisional berjaya dalam menutup had menangani kuasa penggerak.
Cerun 2
Kaedah ini adalah fleksibel dan boleh digabungkan dengan mudah dengan model dan
Jarak ke pusat Komersial 3 membolehkan penyelidik menggunakan pendapat yang berbeza dan mencapai matlamat
Kesuburan tanah 4 akhir dengan lebih cekap. Walau bagaimanapun, tinjauan soal selidik diperlukan dalam
Jarak ke Pusat Bandar 5 kajian sedemikian untuk mengira berat daya penggerak yang biasanya sangat subjektif
Jarak ke Jalan Utama 6 kerana AHP bergantung pada pendapat pakar subjektif. Terdapat had bahawa apabila
Ketinggian 7 (paling tidak berpengaruh) menggunakan AHP keputusan mungkin tidak dapat diulang, terutamanya jika pakar
ditukar setiap kali (Cannemi et al., 2014; Labib, 2019).

keputusan sukar untuk dihasilkan semula apabila menggunakan pakar lain untuk
menimbang daya penggerak (Park et al., 2011). Tambahan pula, disebabkan kerumitan
perubahan tanah, nampaknya meragukan bahawa pakar mempunyai kefahaman yang
cukup terperinci tentang proses perubahan tanah untuk menggunakan AHP dan MCE
secara berkesan (Cannemi et al., 2014; Shafizadeh-Moghadam et al., 2017b. ).
Oleh itu, walaupun terdapat usaha yang meluas untuk meminimumkan kesilapan,
nampaknya terdapat kelemahan yang terhasil daripada kaedah subjektif
Kaedah ini juga menunjukkan batasan apabila tidak mencukupi
pengetahuan tentang bidang yang diminati atau apabila mereka gagal dalam merangkumi semua
aspek dan pembolehubah yang mempengaruhi perubahan guna tanah. Walaupun menambah lebih
banyak pembolehubah adalah lebih baik kerana ia dijangka dapat mengurangkan ralat, sesetengah
data mungkin tidak boleh diakses sepanjang masa.
Sebaliknya, ANN bertindak secara bebas tanpa mengira pengedaran data statistik,
atau kekurangan statistik untuk pembolehubah tertentu (Zhou

14
Machine Translated by Google

A. Gharaibeh et al. Heliyon 6 (2020) e05092

tenaga penggerak. Berbeza dengan kaedah lain, ANN membenarkan pengesanan

potensi saling bergantung. Ini dilakukan melalui daya penggerak tersirat yang tertakluk
kepada penyesuaian dalam setiap kajian kes yang penting (Shafizadeh-Moghadam et
al., 2017b).
Menambah ANN pada model CA-MC boleh mengira pemberat secara dalaman
dalam lapisan tersembunyi dengan memasukkan pembolehubah tak linear dan kualitatif.
Penyepaduan CA-MC dengan ANN membolehkan model menangkap pembolehubah
dan dinamik yang berbeza di sebalik transformasi tanah, yang meningkatkan
keupayaan ramalan model CA-MC dengan ketara. Oleh itu, ANN boleh dianggap
sebagai alat tidak berat sebelah yang sesuai untuk menetapkan pemberat yang
diperoleh dengan ralat ramalan minimum. Akibatnya, adalah adil untuk mengatakan
bahawa pendekatan ANN mengurangkan ketidaktepatan serta kemungkinan bias
pakar.

4.2. Ciri model

Rajah 14. Komponen persetujuan dan ketidaksetujuan untuk model CA-MC

berdasarkan ANN.
et al., 2017). Telah dilaporkan bahawa dengan latihan dataset yang sedikit untuk
model ANN, keputusan ujian yang tepat adalah mungkin (Lee et al., 2004; Paola dan
Schowengerdt, 2007; Park et al., 2011). Hasil kajian ini menyokong keupayaan ANN
untuk latihan walaupun dengan input temporal yang terhad dan
Secara ringkasnya, model CA berguna dalam pemodelan perubahan spatial,
model MC mendayakan pemodelan perubahan temporal, manakala ANN
mengurangkan ralat ramalan dan menggabungkan daya penggerak dengan pemberat
yang mencapai proses pengoptimuman yang paling tepat. Hasilnya, penyelidikan ini
(ANN-CA-MC) membolehkan tahap ketepatan yang lebih tinggi di mana ketepatan
ketepatannya mencapai 90.04% manakala model lain gagal mencapai tahap ketepatan
ini dan kurang kebolehpercayaan kerana bergantung pada pilihan pakar. Ia

Jadual 12. Matriks kekeliruan untuk peta unjuran 2015.

Data rujukan

Kelas Bandar pertanian Tidak dibangunkan Jumlah Baris Ketepatan Pengguna

Data Terperingkat Bandar 27 0 1 28 96.43

pertanian 0 33 2 35 94.29

Tidak dibangunkan 2 0 25 27 92.59

Jumlah Lajur 29 33 28 90 94.44

Ketepatan Pengeluar 93.10 100.00 89.29 94.44 (Ketepatan Keseluruhan)

Rajah 15. Unjuran peta guna tanah untuk 2021 dan 2027.

15
Machine Translated by Google
A. Gharaibeh et al.
Jadual 13. Kawasan pertukaran tanah; sebenar dan diramalkan.
Tanah belum dibangunkan km2 Tanah pertanian km2
2003 106.4 160.4
2009 120.1 126.7
2015 104.1 123.5
2021* 98.7 104.5
2027* 93.6 85.7
* Kawasan yang diramalkan.
Rajah 16. Perubahan kawasan tanah dari tahun 2003 kepada tahun ramalan 2027. Kelabu: tanah belum
dibangunkan, Hijau: tanah pertanian, Kuning: tanah bandar.
perlu dinyatakan bahawa peningkatan dalam prestasi model ANN-CA-MC tidak terhad kepada
ketepatan output, tetapi juga melebihi itu kepada penggabungan daya penggerak semasa proses
ramalan.
Menggunakan model sedemikian memastikan anggaran yang tepat untuk kerugian guna tanah
yang diramalkan dan keuntungan guna tanah dalam setiap guna tanah dari segi peratusan, keluasan
dan lokasi (Jadual 13, Rajah 15 dan 16). Ia juga membolehkan perbandingan antara daya penggerak
untuk menunjukkan yang mana lebih berkesan pada perubahan dalam setiap senario. Di mana
model tersebut menggambarkan bahawa kepadatan penduduk, cerun, jarak ke pusat komersial,
dan kesuburan tanah masing-masing merupakan daya penggerak yang paling berkesan dalam
proses perubahan tanah dalam kes bandar Irbid. Model ini adalah fleksibel dan bertolak ansur
dengan penggabungan faktor sosioekonomi masa depan yang lain seperti nilai tanah dan
pendapatan penduduk. Menambah lebih atau kurang daya penggerak biasanya adalah khusus
tapak atau sensitif huruf. Model kami dibuat supaya pembolehubah yang paling penting digabungkan.
Kajian kes ini hanya mempunyai tiga jenis guna tanah. Walau bagaimanapun, kajian kes lain
mungkin mempunyai lebih banyak variasi dalam penggunaan tanah seperti tanah terpelihara, badan
air, dan penggunaan tanah mengehadkan lain yang pasti akan memperkayakan model tersebut.
Batasan ini adalah berdasarkan ciri kajian kes yang ada tetapi ia bukanlah kelemahan penyelidikan.
Apabila menggunakan model ini pada kajian kes lain, adalah mudah untuk menambahkan lebih
banyak jenis guna tanah pada model penyelidikan. Adalah dijangkakan bahawa mana-mana kajian
akan datang perlu menyesuaikan model untuk memanfaatkan sepenuhnya keupayaannya untuk
meramalkan perubahan guna tanah. Model ini dibuat umum untuk berfungsi sebagai templat yang
sesuai dengan kes lain di seluruh dunia. Akhir sekali, kajian ini akan membantu perancang untuk
meramalkan perubahan guna tanah dengan lebih tepat dan juga memberi mereka pemahaman
yang lebih terperinci tentang transformasi tanah.
proses.
4.3. Penilaian kajian kes
Berdasarkan ramalan perubahan guna tanah bagi tahun 2027 di bandar Irbid, tanah pertanian
akan berkurangan sebanyak 46.6% mengubah keluasan keseluruhannya daripada 49.52% pada
tahun 2003 kepada 26.45% pada tahun 2027 (- 74.7 km2 ) (Jadual 13, Rajah 16).
Kawasan bandar dengan cepat memakan tanah pertanian, walau bagaimanapun, masih diragui
bahawa populasi akan bertambah untuk memenuhi jangkaan pertumbuhan kawasan tanah bandar
sebanyak 153.4% (þ87.6 km2 ) (Jadual 13, Rajah 16). Berdasarkan model tersebut, daya penggerak
yang dipilih berjaya menyumbang kepada kapasiti pra dictability guna tanah masa hadapan
memandangkan tahap ketepatan adalah lebih tinggi.
16
Heliyon 6 (2020) e05092
Kawasan bandar km2 Jumlah keluasan km2
57.1 324
77.1 324
96.4 324
120.7 324
144.7 324
daripada 90%. Hasilnya menyerlahkan kuasa utama yang menyumbang kepada perubahan
terutamanya kepadatan penduduk, cerun, jarak ke pusat komersial, dan kesuburan Tanah.
Kepadatan penduduk merupakan faktor yang memberi kesan yang tidak boleh diabaikan
terutamanya dalam kes ini menghadapi banyak migrasi masuk secara perlahan seperti banyak
tempat di seluruh dunia (Liu dan Yamauchi, 2014; Zhang et al., 2019; Zhou et al., 2020). Walau
bagaimanapun, hubungan antara unjuran penduduk dan pertumbuhan hartanah merupakan isu
yang patut disiasat.
Model ini menunjukkan pertumbuhan bandar yang ketara yang mungkin memberi kesan kepada
keseimbangan guna tanah.
Kedua-dua cerun yang lembut dan sederhana boleh menarik kepada perubahan guna tanah
(Jin et al., 2015; S¸ atir, 2016; Zhang et al., 2019; Gharaibeh et al., 2020). Peta cerun menunjukkan
rupa bumi yang lembut di bahagian barat dan selatan bandar Irbid. Di kawasan-kawasan ini,
bangunan menjadi lebih menarik bagi sesetengah orang untuk mempunyai pandangan yang baik
dari dataran ke arah timur. Di samping itu, tempat dengan peratusan cerun yang rendah lebih
mudah ditanam dan oleh itu, ia mengalami perubahan besar daripada guna tanah pertanian kepada
guna tanah bandar. Terutama dengan ketiadaan dasar berkuatkuasa, ini semakin tidak terkawal di
bandar dan masa depan yang diramalkan tidak lebih baik daripada keadaan semasa (Gharaibeh et
al., 2020).
Ini adalah status yang membimbangkan untuk rancangan komprehensif masa depan bandar
daripada Irbid.
Tanah pertanian akan terancam dan dasar perlu menumpukan pada mengehadkan perubahan
guna tanah yang dijangka ini (Prishchepov et al., 2020). Penumpuan pada dasar perlindungan
ekologi dan pertanian harus diberi keutamaan di bandar untuk mengehadkan perubahan spatial
yang membawa kepada rebakan bandar. Kehilangan tanah pertanian dan subur yang tidak
dirancang akan menyebabkan kemerosotan tanah seperti yang dialami di banyak bahagian dunia
(El-Seedy dan Saeed, 2019; Prishchepov et al., 2020). Keselamatan makanan merupakan isu
utama di bandar Irbid kerana tanah pertanian ini merupakan ladang gandum yang memberi makan
kepada negara (Gharaibeh et al., 2020).
Jika dilihat dari peta, kawasan yang bersebelahan dengan rangkaian jalan utama lebih terdedah
kepada perubahan ke kawasan bandar. Keputusan ini turut dikongsi oleh penyelidikan terdahulu
yang memfokuskan kepada pembolehubah ini sebagai pemacu perubahan (Farah et al., 2019;
Zhang et al., 2019). Isu ini juga dikaitkan dengan jarak kepada guna tanah komersial memandangkan
jenis guna tanah ini lazimnya terletak di rangkaian jalan utama (Simwanda et al., 2020; Zhang et al.,
2019). Dengan dasar bandar yang longgar, ini boleh membawa kepada mewujudkan bandar dan
bandar yang berkembang dan bersambung secara linear (Prishchepov et al., 2020). Ini juga
menjejaskan watak landskap terutamanya perjalanan dari satu tempat ke tempat lain (Gharaibeh et
al., 2017). Tanah pertanian masa depan akan bertopeng oleh kawasan bandar linear yang terletak
di jalan utama yang menghalang pandangan trav elars. Bentuk muka bumi yang mudah dengan
kebanyakan tanah rata mungkin menyumbang kepada kemudahan pengembangan mendatar ini
serta perubahan (Jin et al., 2015; S¸ atir, 2016; Zhang et al., 2019).
5. Kesimpulan
Kajian ini meningkatkan keupayaan model CA-MC dalam simulasi dan ramalan transformasi
tanah. Prestasi model bertambah baik selepas menyepadukannya dengan model ANN. Pendekatan
bersepadu dilaksanakan untuk menutup batasan model asal CA-MC yang tidak menggunakan
faktor yang mendorong proses pertukaran tanah. Sebaliknya, model ANN boleh mengesan potensi
saling bergantung
Machine Translated by Google
A. Gharaibeh et al.
melalui daya penggerak yang tersirat, yang menjadikannya pilihan yang ideal untuk
penyepaduan ini. Pelbagai data dan daya penggerak yang paling banyak boleh digunakan
dalam menyepadukan ANN dengan CA-MC asal. Berdasarkan model pengesahan, model
asal CA-MC dan ANN-CA-MC masing-masing mencapai 86.29% dan 90.04%. Model
ANN-CA-MC memperbaik model asal dari segi prestasi tanpa pengehadan yang boleh
dikesan dan hasil yang lebih tepat. ANN-CA-MC telah ditentukur untuk mensimulasikan
pertumbuhan bandar untuk tahun 2021 dan 2027 di Irbid. Akhir sekali, model ANN-CA-
MC akan membantu perancang dan pembuat keputusan untuk meramalkan pertumbuhan
bandar dan memberi mereka pemahaman yang lebih terperinci tentang bagaimana tahap
dan corak proses perubahan guna tanah berlaku. Ia pastinya akan menyokong usaha
pihak berkuasa untuk mengekalkan keselamatan makanan dengan melindungi tanah
subur dan ladang pertanian.
Pengisytiharan
Penyata sumbangan pengarang
A. Gharaibeh: Mengandung dan mereka bentuk eksperimen; disumbangkan
reagen, bahan, alat analisis atau data; menulis kertas itu.
A. Shaamala: Mengandung dan mereka bentuk eksperimen; Melakukan eksperimen;
Menganalisis dan mentafsir data; Ejen semula yang disumbangkan, bahan, alat analisis
atau data; menulis kertas itu.
R. Obeidat: Mengandung dan mereka bentuk eksperimen; Menganalisis dan mentafsir
data; Reagen, bahan, alat analisis atau data yang disumbangkan; menulis kertas itu.
S. Al-Kofahi: Sumbangan reagen, bahan, alat analisis atau data; menulis kertas itu.
Penyata pembiayaan
Kerja ini disokong oleh pembiayaan TA daripada Universiti Sains dan Teknologi
Jordan. Nombor projek penyelidikan 675–2018 (No. Geran Penyelidikan: 20190014) Ke
Arah Persekitaran Serantau Berdaya Tahan Responsif untuk Bandar Irbid.
Penyata minat bersaing
Penulis mengisytiharkan tiada konflik kepentingan.
Maklumat tambahan
Tiada maklumat tambahan tersedia untuk kertas ini.
Ucapan terima kasih
Penyelidikan ini menerima pembiayaan TA daripada Universiti Sains dan Teknologi
Jordan. Nombor projek penyelidikan 675–2018 (No. Geran Penyelidikan: 20190014) Ke
Arah Persekitaran Serantau Berdaya Tahan Responsif untuk Bandar Irbid.
Rujukan
Aburas, MM, Ahamad, MSS, Omar, NQ, 2019. Simulasi spatio-temporal dan
ramalan perubahan guna tanah menggunakan model pembelajaran konvensional dan mesin: kajian
semula. alam sekitar. Monit. Menilai. 191, 205.
Aburas, MM, Ho, YM, Ramli, MF, Ash'aari, ZH, 2016. Simulasi dan ramalan trend pertumbuhan bandar spatio-
temporal menggunakan model automata selular: kajian semula. Int.
J. Appl. Earth Obs. Geoinf. 52, 380–389.
Aburas, MM, Ho, YM, Ramli, MF, Ash'aari, ZH, 2017. Meningkatkan keupayaan model CA-Markov
bersepadu untuk mensimulasikan trend pertumbuhan bandar spatio-temporal menggunakan proses
hierarki analisis dan nisbah kekerapan. Int. J. Appl. Earth Obs. Geoinf. 59, 65–78.
Al-Kofahi, SD, Hammouri, N., Sawalhah, MN, Al-Hammouri, AA, Aukour, FJ, 2018.
Penilaian ke atas kawasan bandar di tanah pertanian dua majlis perbandaran utama di Jordan
menggunakan teknik pengelasan yang diselia. Arab. J. Geosci. 11.
Al-Kofahi, SD, Gharaibeh, AA, Bsoul, EY, Othman, YA, Hilaire, RS, 2019.
Menyiasat kepadatan taman domestik, taburan ruang dan jenis di kalangan daerah bandar. Ekosis
Bandar. 22 (3), 567–581.
17
Heliyon 6 (2020) e05092
Anantwar, SG, Shelke, RR, 2012. Pendekatan mudah ANN: kekuatan dan kelemahan.
Int. J. Eng. berinovasi. Technol. 1, 73–77.
Arsanjani, JJ, Helbich, M., Kainz, W., Boloorani, AD, 2013. Integrasi logistik
regresi, rantai Markov dan model automata selular untuk mensimulasikan pengembangan bandar.
Int. J. Appl. Earth Obs. Geoinf. 21, 265–275.
Bhatti, NB, Siyal, AA, Qureshi, AL, Bhatti, IA, 2019. Penilaian perubahan liputan tanah selepas pembinaan
empangan kecil berdasarkan data satelit. Civil Eng. J. 5, 810–818.
Batty, M., Xie, Y., 1994. Pemodelan di dalam GIS: Bahagian 1. Struktur model, analisis data spatial
penerokaan dan pengagregatan. Int. J. Geogr. Inf. Syst. 8, 291–307.
Bell, EJ, Hinojosa, R., 1977. Analisis Markov tentang perubahan guna tanah: masa berterusan dan proses
pegun. Soc. Ekon. Rancang. Sci. 11, 13–17.
Bununu, YA, 2017. Penyepaduan analisis rantai Markov dan algoritma pembelajaran mesin berasaskan
contoh berwajaran persamaan (SimWeight) untuk mensimulasikan pengembangan bandar. Int. J.
Unity Sci. 21, 217–237.
Cannemi, M., García-melon, M., Aragon es-beltran, P., 2014. Memodelkan membuat keputusan sebagai alat
sokongan untuk membuat dasar mengenai pembangunan tenaga boleh diperbaharui. Pol Tenaga. 67,
127–137.
Clevers, JG, 2009. Russell G. Congalton dan kass green, menilai ketepatan
data deria jauh —prinsip dan amalan. Int. J. Appl. Earth Obs. Geoinf. 11, 448–449.
Congalton, RG, 1991. Kajian menilai ketepatan klasifikasi dari jauh
data yang dirasai. Persekitaran Sens Jauh. 37 (1), 35–46.
Congalton, RG, Green, K., 2009. Ketepatan tematik. Menilai. Accur. Jauh. Data Sens: Amalan Prinsip. 55–61.
Couclelis, H., 1997. Dari automata selular kepada model bandar: prinsip baru untuk pembangunan dan
pelaksanaan model. alam sekitar. Rancang. Rancang. Des. 24, 165–174.
DOS, 2004. Jabatan perangkaan, Jordan, keputusan am banci. http://www.dos.go v.jo/dos_home_e/main/
population/census2004/group3/table_36.pdf. (Diakses pada 25 Mei 2020).
DOS, 2009. Jabatan Perangkaan, Jordan, Jordan dalam laporan angka. http://dosweb.dos .gov.jo/DataBank/
JordanInFigures/2009.pdf. (Diakses pada 25 Mei 2020).
DOS, 2015. Jabatan Perangkaan, Jordan, Keputusan Am Banci, Penduduk Kerajaan Mengikut Bahagian
Pentadbiran, Menurut Banci Am Penduduk dan Keputusan Perumahan 2015. https://www.citypopulation.de/
en/jordan/ iklan min/. (Diakses pada 25 Mei 2020).
DOS, 2017. Ringkasan Banci Pertanian di Jordan, 2017. Jabatan Perangkaan.
Diperoleh pada 17 Ogos 2020, daripada. https://ammanchamber.org.jo/UploadedFile s/201891111538.pdf.
Eastman, JR, 2006. IDRISI Andes. Universiti Clark, Worcester, MA.
Eastman, JR, 2012. Idrisi Selva Tutorial, 45. Idrisi Production, Clark Labs-Clark University, ms 51–63.
El-Seedy, ME, Saeed, MA, 2019. Mengesan perubahan dalam kesuburan tanah di Delta Nil Utara, Mesir
menggunakan teknik GIS. J. Sci Tanah. pertanian. En. 10 (10), 627–635.
Farah, N., Khan, IA, Maan, AA, Shahbaz, B., Cheema, JM, 2019. Faktor pendorong penukaran tanah pertanian
di antara muka luar bandar-bandar di Punjab, Pakistan. J. Agric.
Res. 57 (1), 55–62. https://apply.jar.punjab.gov.pk/upload/1554058591_135_9. _1353.pdf.
Gharaibeh, AA, Shaamala, AH, Ali, MH, 2020. Penilaian Pelbagai Kriteria untuk
pertumbuhan bandar yang mampan di an-Nuayyimah, Jordan; kajian pasca perang. Proc. pembuatan. 44,
156–163.
Gharaibeh, AA, Jaradat, RA, Okour, YF, Al-Rawabdeh, AM, 2017. Landskap
persepsi dan perubahan landskap bagi bandar Irbid, Jordan. J. Arkitek. Rancang. 29 (1), 89–104. https://
cap.ksu.edu.sa/sites/cap.ksu.edu.sa/files/imce_images/jap_ksu_ jan2017_e1.pdf. (Diakses Januari 2020).
Gharaibeh, AA, Zu'bi, A., Esra'a, M., Abuhassan, LB, 2019. Amman (city of waters);
dasar, penggunaan tanah dan perubahan watak. Tanah 8 (12), 195.
Guan, D., Li, H., Inohae, T., Su, W., Nagaie, T., Hokao, K., 2011. Memodelkan perubahan guna tanah bandar
dengan penyepaduan model Automaton selular dan Markov. Ecol. Model. 222, 3761–3772.
Guan, Q., Wang, L., Clarke, KC, 2005. Model CA terhalang berasaskan saraf tiruan, untuk mensimulasikan
pertumbuhan bandar. Cartogr. Geogr. Inf. Sci. 32, 369–380.
Halmy, MWA, Gessler, PE, Hicke, JA, Salem, BB, 2015. Pengesanan dan ramalan perubahan guna tanah/
Litupan tanah di gurun pantai barat laut Mesir menggunakan Markov CA. Appl. Geogr. 63, 101–112.
Hamad, R., Balzter, H., Kolo, K., 2018. Meramalkan perubahan guna tanah/litupan tanah menggunakan model
CA-Markov di bawah dua senario berbeza. Kemampanan 10, 3421.
Hu, Z., Lo, C., 2007. Memodelkan pertumbuhan bandar di Atlanta menggunakan regresi logistik. Pengiraan.
alam sekitar. Sistem Perbandaran. 31 (6), 667–688. Dalam isu ini.
Jafari, M., Majedi, H., Monavari, SM, Alesheikh, AA, Zarkesh, MK, 2016. Simulasi dinamik pengembangan
bandar melalui kajian kes model CA-Markov: wilayah Hyrcanian, Gilan, Iran. Eur. J. Remote Sens 49,
513–529.
Jin, G., Li, Z., Lin, Q., Shi, C., Liu, B., Yao, L., 2015. Penilaian kesesuaian guna tanah di kawasan berbukit
bercerun rendah di bawah kesan pembandaran di Yunnan, China. Adv.
Meteorol. 2015, 1–9.
Karayiannis, NB, 1999. Rangkaian neural asas jejari yang dirumus semula yang dilatih oleh keturunan
kecerunan. IEEE Trans. Rangkaian neural. 10, 657–671.
Karimi, F., Sultana, S., Babakan, AS, Suthaharan, S., 2019. Model mesin vektor sokongan yang
dipertingkatkan untuk ramalan pengembangan bandar. Pengiraan. alam sekitar. Sistem
Perbandaran. 75, 61–75.
Labib, SM, 2019. Penyiasatan kemungkinan infrastruktur hijau (GI)
peningkatan di sepanjang laluan air linear atau di tapak terbiar (DS) menggunakan
pembelajaran mesin. alam sekitar. Model. Perisian 118, 146–165.
Laliberte, AS, Rango, A., Havstad, KM, Paris, JF, Beck, RF, McNeely, R., Gonzalez, AL,
2004. Analisis imej berorientasikan objek untuk pemetaan pencerobohan pokok renek
dari 1937 hingga 2003 di selatan New Mexico. Persekitaran Sens Jauh. 93 (1-2), 198–210.
Machine Translated by Google
A. Gharaibeh et al.
Lavalle, C., Demicheli, L., Turchini, M., Casals-Carrasco, P., Niederhuber, M., 2001.
Memantau megacities: pendekatan murbandy/moland. Dev. Berlatih. 11, 350–357.
Lee, S., Ryu, J.-H., Won, J.-S., Park, H.-J., 2004. Penentuan dan penggunaan
pemberat untuk pemetaan kerentanan tanah runtuh menggunakan rangkaian saraf tiruan. En.
Geol. 71, 289–302.
Liu, Y., Yamauchi, F., 2014. Kepadatan penduduk, migrasi dan pulangan kepada modal insan dan tanah:
cerapan dari Indonesia. Makanan Pol. 48, 182–193.
Maithani, S., 2010. Model pertumbuhan bandar berasaskan rangkaian saraf bagi bandar India.
J. Indian Soc. Sens Jauh 37, 363–376.
Megahed, Y., Cabral, P., Silva, J., Caetano, M., 2015. Analisis pemetaan litupan tanah dan pemodelan
pertumbuhan bandar menggunakan teknik penderiaan jauh di wilayah Cairo yang lebih besar Mesir.
Int. J. Geo-Informat. 4, 1750–1769.
Memarian, H., Kumar Balasundram, S., Bin Talib, J., Teh Boon Sung, C., Mohd Sood, A., Abbaspour, K.,
2012. Validation of CA-Markov for simulation of land-use and cover perubahan di lembangan langat,
Malaysia. J. Geogr. Inf. Syst. 4, 542–554.
Mitsova, D., Shuster, W., Wang, X., 2011. Model automata selular perubahan penutup tanah untuk
mengintegrasikan pertumbuhan bandar dengan pemuliharaan ruang terbuka. Landsc. Rancangan Bandar. 99 (2),
141–153.
MoA (Kementerian Pertanian, Jordan), 1993. The Soils of Jordan: Level 1
(Tinjauan Peninjau), Peta Tanah Negara dan Projek Guna Tanah. Kementerian Pertanian, Jordan.
MoA (Kementerian Pertanian, Jordan), 1995. Laporan Utama. The Soils of Jordan, Laporan Peta Tanah
Negara dan Projek Guna Tanah, 2. Kementerian Pertanian, Amman, Jordan.
Mohamed, A., Worku, H., 2020. Mensimulasikan dinamik guna tanah dan tutupan bandar menggunakan
automata selular dan pendekatan rantai Markov di Addis Ababa dan sekitarnya.
Clim Bandar. 31, 1–17, 100545.
Mohammady, S., Delavar, MR, Pahlavani, P., 2014. Pemodelan pertumbuhan bandar menggunakan
rangkaian saraf tiruan Kajian kes bandar sanandaj, Iran. Dalam: ISPRS - Arkib Antarabangsa
Fotogrametri, Penderiaan Jauh dan Sains Maklumat Spatial, XL-2/W3, ms 203–208.
Musa, SI, Hashim, M., Reba, MNM, 2016. Kajian semula model pertumbuhan bandar berasaskan geospatial
dan inisiatif pemodelan. Geocarto Int. 32, 813–833.
Nahavandya, SK, Kumar, L., Ghamisi, P., 2017. Menggunakan model pertumbuhan bandar SLEUTH untuk
mensimulasikan kesan senario dasar masa hadapan terhadap penggunaan tanah bandar di kawasan
metropolitan Tehran di Iran. https://arxiv.org/abs/1708.01089v1. (Diakses pada 29 Januari 2020).
Nouri, J., Gharagozlou, A., Arjmandi, R., Faryadi, S., Adl, M., 2014. Meramalkan perubahan guna tanah
bandar menggunakan model CA–Markov. Arab J. Sci. En. 39, 5565–5573.
Paola, JD, Schowengerdt, RA, 2007. Kajian dan analisis rangkaian neural perambatan balik untuk pengelasan
imejan berbilang spektrum deria jauh. Int. J. Rem.
Sen. 16, 3033–3058.
Park, S., Jeon, S., Kim, S., Choi, C., 2011. Ramalan dan perbandingan pertumbuhan bandar dengan
pemetaan indeks kesesuaian tanah menggunakan GIS dan RS di Korea Selatan. Landsc. Rancangan
Bandar . 99, 104–114.
Pijanowski, BC, Brown, DG, Shellito, BA, Manik, GA, 2002. Menggunakan rangkaian saraf dan GIS untuk
meramalkan perubahan guna tanah: model transformasi tanah. Pengiraan. alam sekitar.
Sistem Perbandaran. 26, 553–575.
Pijanowski, BC, Pithadia, S., Shellito, BA, Alexandridis, K., 2005. Menentukur model perubahan bandar
berasaskan rangkaian saraf untuk dua kawasan metropolitan di bahagian atas barat tengah Amerika
Syarikat. Int. J. Geogr. Inf. Sci. 19, 197–215.
Pontius Jr., RG, 2000. Ralat kuantifikasi berbanding ralat lokasi dalam perbandingan peta kategori.
Fotogram. En. Rem. Sen. 66, 1011–1016.
Pontius Jr., RG, Millones, M., 2011. Kematian kepada kappa: kelahiran ketidaksetujuan kuantiti dan
perselisihan peruntukan untuk penilaian ketepatan. Int. J. Rem. Sen. 32, 4407–4429.
18
Heliyon 6 (2020) e05092
Prishchepov, AV, Schierhorn, F., Dronin, N., Ponkina, EV, Müller, D., 2020. 800 tahun perubahan guna tanah
pertanian di Asia (Timur) Rusia. In: KULUNDA: Pertanian Pintar Iklim. Springer, Cham, ms 67–87.
Rumelhart, DE, Hinton, GE, Williams, RJ, 1985. Mempelajari Perwakilan Dalaman melalui Penyebaran Ralat.
California Univ San Diego La Jolla Inst untuk Sains Kognitif.
Sangermano, F., Eastman, JR, Zhu, H., 2010. Berasaskan contoh wajaran persamaan
pembelajaran untuk penjanaan potensi peralihan dalam pemodelan perubahan guna tanah.
Trans. GIS 14, 569–580.
Sante, I., García, AM, Miranda, D., Crecente, R., 2010. Model automata selular untuk simulasi proses bandar
dunia sebenar: kajian dan analisis. Landsc. Rancangan Bandar. 96, 108–122.
S¸ atir, O., 2016. Memetakan Kesesuaian Guna Tanah untuk Penyebaran Bandar Menggunakan Penderiaan
Jauh dan GIS di bawah Senario Berbeza. InTech: Horwich, UK, hlm. 205–226.
Saxena, A., Jat, MK, 2019. Menangkap pertumbuhan bandar yang heterogen menggunakan model SLEUTH.
Rem. Sens Appl.: Soc. alam sekitar. 13, 426–434.
Shafizadeh-Moghadam, H., Helbich, M., 2013. Proses pembandaran spatiotemporal di megacity Mumbai,
India: model pertumbuhan bandar automata rantaian Markov . Appl. Geogr. 40, 140–149.
Shafizadeh-Moghadam, H., Tayyebi, A., Ahmadlou, M., Delavar, MR, Hasanlou, M.,
2017a. Integrasi algoritma genetik dan regresi vektor sokongan berbilang kernel untuk memodelkan
pertumbuhan bandar. Pengiraan. alam sekitar. Sistem Perbandaran. 65, 28–40.
Shafizadeh-Moghadam, H., Tayyebi, A., Helbich, M., 2017b. Peta indeks peralihan untuk simulasi
pertumbuhan bandar: aplikasi rangkaian saraf tiruan, berat bukti dan penilaian berbilang kriteria kabur.
alam sekitar. Monit. Menilai. 189, 300.
Simwanda, M., Murayama, Y., Ranagalage, M., 2020. Memodelkan pemacu perubahan guna tanah bandar
di Lusaka, Zambia menggunakan penilaian berbilang kriteria: pendekatan proses rangkaian analitik.
Pol Guna Tanah. 92, 104441.
Singh, SK, Mustak, S., Srivastava, PK, Szabo, S., Islam, T., 2015. Meramalkan perubahan LULC spatial dan
dekad melalui model rantai Markov automata selular menggunakan set data cerapan bumi dan maklumat
geo. alam sekitar. Proses. 2, 61–78.
Syphard, AD, Clarke, KC, Franklin, J., 2005. Menggunakan model Automaton selular untuk
meramalkan kesan pertumbuhan bandar pada corak Habitat di selatan California. Ecol.
Kompleks. 2, 185–203.
Vaz, EDN, Nijkamp, P., Painho, M., Caetano, M., 2012. Ramalan pelbagai senario perubahan bandar:
kajian tentang pertumbuhan bandar di algarve. Landsc. Rancangan Bandar. 104, 201–211.
Wang, J., Mountrakis, G., 2011. Ramalan pelbagai senario perubahan bandar: kajian tentang pertumbuhan
bandar di algarve. Int. J. Geogr. Inf. Sci. 25, 229–253.
Wang, X., Hofe, R., 2008. Kaedah Penyelidikan dalam Perancangan Bandar dan Wilayah. Sains Springer &
Media Perniagaan. http://www.dos.gov.jo/dos_home_a/main/population/ census2015/
No_of_pop_depand_on_GOV.pdf. (Diakses pada 25 Mei 2020).
White, R., Engelen, G., 2000. Pemodelan bersepadu spatial resolusi tinggi
dinamik sistem bandar dan wilayah. Pengiraan. alam sekitar. Sistem Perbandaran. 24, 383–400.
Yang, J., Su, J., Chen, F., Xie, P., Ge, Q., 2016. Model automata selular persaingan guna tanah
tempatan dan aplikasinya. ISPRS Int. J. Geo-Inf. 5 (7), 106.
Yang, Q., Li, X., Shi, X., 2008. Automata selular untuk mensimulasikan perubahan guna tanah berdasarkan
menyokong mesin vektor. Pengiraan. Geosci. 34, 592–602.
Zhang, D., Liu, X., Wu, X., Yao, Y., Wu, X., Chen, Y., 2019. Pelbagai simulasi guna tanah intra-bandar dan
analisis faktor pendorong: kajian kes di Huicheng , China. GIScience Remote Sens. 56 (2), 282–308.
Zhou, Q., Shao, Q., Zhang, X., Chen, J., 2020. Adakah harga perumahan menggalakkan jumlah faktor
produktiviti? Bukti daripada model data panel spatial dalam menjelaskan peranan pengantara
kepadatan penduduk. Pol Guna Tanah. 91, 104410.
Zhou, W., 1999. Pengesahan ciri bukan parametrik perambatan balik
rangkaian saraf untuk klasifikasi imej. IEEE Trans. Geosci. Rem. Sen. 37, 771–779.
Zhou, Y., Zhang, F., Du, Z., Ye, X., Liu, R., 2017. Mengintegrasikan automata selular dengan rangkaian
kepercayaan mendalam untuk mensimulasikan pertumbuhan bandar. Kelestarian 9, 1786.