Professional Documents
Culture Documents
Bahan 14 Bi
Bahan 14 Bi
Heliyon
Artikel penyelidikan
Meningkatkan pemodelan perubahan guna tanah dengan menyepadukan ANN dengan Selular
Model Rantaian Automata-Markov
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
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 meningkatkan keupayaan ramalan model. Kajian ini bertujuan untuk menambah baik
pemodelan kebolehramalan perubahan guna tanah menggunakan kaedah AI dengan
Pembandaran telah mempercepatkan seluruh dunia dalam beberapa dekad menggabungkan daya penggerak. Hasilnya dijangka meningkatkan strategi perancangan
kebelakangan ini, mengancam sumber semula jadi dan watak landskap (Gharaibeh et al., dan mengarahkan pertumbuhan bandar dan rancangan perubahan guna tanah masa
2017). Pertumbuhan bandar adalah proses kompleks yang dikaitkan dengan banyak faktor hadapan. Ini digunakan pada kajian kes untuk mensimulasikan perubahan guna tanah masa
berpengaruh yang memainkan peranan penting dalam pertumbuhan temporal (Lavalle et hadapan untuk bandar Irbid, Jordan yang berkembang pesat.
al., 2001). Ini mencetuskan keperluan untuk memahami corak dan trend pertumbuhan Terdapat beberapa teknik untuk mengkaji pertumbuhan bandar dan perubahan guna
bandar untuk mempertimbangkan langkah-langkah mitigasi yang sesuai untuk menangani tanah, seperti Remote Sensing (Arsanjani et al., 2013) dan Sistem Maklumat Geografi
dan mengarahkan pertumbuhan ini (Aburas et al., 2016). Ramalan arah aliran pertumbuhan (GIS). Beberapa model telah dibangunkan untuk melaksanakan ramalan perubahan guna
bandar menjadi konstituen asas kepada pemeliharaan ekosistem dan pembangunan tanah dan jangkaan pertumbuhan bandar termasuk, tetapi tidak terhad kepada, Automaton
mampan (Aburas et al., 2016). Dalam simulasi pertumbuhan bandar, faktor penentu dan Selular (CA)
kronologi pertumbuhan bandar mesti dipertimbangkan untuk memahami hubungan (Syphard et al., 2005), model CA-Markov (CA-MC) (Memarian et al., 2012), Regresi
temporal dan ruang dengan tepat (Musa et al., 2016; Aburas et al., 2017). Oleh itu, Logistik (LR) (Hu dan Lo, 2007), dan Rangkaian Neural Buatan (ANN) (Wang dan
penambahbaikan model simulasi untuk mengambil kira daya penggerak adalah diharapkan 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
Jadual 1. Aplikasi pelbagai model untuk mensimulasikan dan meramalkan perubahan guna tanah.
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 Akibatnya, ia menganggap arah aliran linear antara proses spatial-temporal. Oleh itu,
tahun 1980-an (Batty dan Xie, 1994; Sante et al., 2010). Model CA boleh mensimulasikan terdapat keperluan untuk mencipta dan melaksanakan model yang tidak menghadapi
pertumbuhan bandar bergantung pada anggapan bahawa corak pertumbuhan bandar batasan ini dan sebaliknya memperkenalkan proses perubahan tanah yang lebih
pada masa hadapan dipengaruhi oleh interaksi tempatan masa lalu antara guna tanah. rendah dan hasil yang lebih tepat bergantung kepada Kepintaran Buatan (AI)
Antara kelebihan model CA ialah fleksibiliti dan kesederhanaannya. Selain itu, model (Shafizadeh-Moghadam et al., 2017b).
CA mempunyai fleksibiliti untuk disepadukan dengan model lain (Aburas et al., 2016). Rangkaian Neural Buatan (ANN) ialah salah satu model paling berkuasa yang
bergantung pada kecerdasan buatan. Ia boleh ditakrifkan secara ringkas sebagai nod
Walau bagaimanapun, CA tradisional tidak sesuai untuk membuat simulasi atau neuron yang diuruskan dalam pelbagai lapisan (Mohammady et al., 2014).
realistik untuk pertumbuhan bandar kerana batasan dalam teknik model individu di Susunan neuron dalam lapisan dan corak sambungan dalam lapisan ini dipanggil Seni
mana ia hanya bergantung kepada data spatial (Arsanjani et al., 2013). Selain itu, Bina (Maithani, 2010). ANN boleh menangkap hubungan tidak linear antara faktor dan
model CA adalah terhad dalam melaksanakan daya penggerak untuk perubahan guna menangani corak kompleks seperti pertumbuhan bandar dan perubahan dalam
tanah yang sukar untuk model ini diproses (Mohammady et al., 2014). Oleh itu, adalah penggunaan tanah dengan kecekapan yang tinggi.
disyorkan untuk mengubah suai dan mengintegrasikan model CA tradisional dengan Selain itu, penyediaan bukan linear dan keupayaannya untuk menangani data yang
model kuantitatif dan spatio-temporal seperti model Markov Chain (MC) untuk mencapai hilang atau kabur juga (Aburas et al., 2019).
hasil yang lebih baik dan untuk mengatasi batasan ini (Couclelis, 1997; White dan Rangkaian ANN melatih melalui proses pembelajaran daripada membetulkan ralat
Engelen, 2000; Aburas et al., 2017). di mana keputusan pilihan mesti diketahui; proses itu dipanggil algoritma Back
Propagation (BP) (Zhou, 1999). Algoritma BP secara rawak memilih pemberat utama
Analisis rantaian Markov (MC) ialah pendekatan pemodelan stokastik yang telah dan kemudian mengira varians antara hasil output yang dijangka dan yang dikira.
digunakan secara meluas dalam pemodelan pertumbuhan bandar (Halmy et al., 2015). Selepas itu, pemberat diubah suai mengikut peraturan delta umum (Rumelhart et al.,
Ia berfungsi di bawah andaian fizik bahawa keadaan masa depan hanya bergantung 1985).
pada keadaan semasa (Bell dan Hinojosa, 1977). Kaedah MC memantau perubahan Model ini mengulangi proses penyusuan tunggal dan BP ini sehingga mencapai hasil
temporal dalam jenis guna tanah bergantung kepada matriks peralihan (Guan et al., yang diinginkan (Pijanowski et al., 2002).
2011). Dalam model gabungan CA-MC, MC mengawal perubahan temporal dalam Untuk tujuan simulasi, model ANN mengenal pasti perubahan dalam guna tanah
penggunaan tanah (Guan et al., 2011), manakala perubahan spatial ditentukan oleh dan corak lain menggunakan data yang menggambarkan dinamik tingkah laku
penapis spatial model CA (Nouri et al., 2014). Walaupun potensi model CA-MC telah fenomena guna tanah (Mohammady et al., 2014). Oleh itu, ia boleh mengesan potensi
diiktiraf oleh kajian terdahulu, simulasi realistik perlu mengambil kira daya penggerak saling bergantung melalui daya penggerak yang tersirat (Sha fizadeh-Moghadam et al.,
dari segi daya penggerak sosial, alam sekitar dan ekonomi. Atas sebab ini, model CA- 2017a). Selain itu, kepentingan menggunakan model ANN ialah model tersebut
MC mungkin disepadukan dengan model lain untuk mendapatkan pemahaman yang menggambarkan kesan setiap faktor pemacu yang digunakan dalam operasi simulasi
lebih baik tentang perubahan corak pertumbuhan dan untuk meningkatkan keupayaan dan menentukan faktor mana yang lebih mempengaruhi perubahan tanah untuk
ramalan model (Aburas et al., 2017). memberi pemahaman yang jelas tentang proses perubahan tanah (Park et al., 2011). ).
Memandangkan potensi ketiga-tiga model (CA, MC, dan ANN), penyelidikan ini
Untuk menambah baik model CA-MC, beberapa kajian telah menggabungkan bertujuan untuk meningkatkan keupayaan model CA-MC dengan menggabungkannya
data sosioekonomi dan persekitaran untuk simulasi pertumbuhan bandar (Guan et al., dengan model ANN. Ia akan meningkatkan kuasa ramalannya dengan menggabungkan
2011). Aburas et al. (2017) bersepadu Proses Hierarki Analitikal (AHP) dan Nisbah daya penggerak dan membandingkan keputusan ketepatan model ANN-CA-MC dengan
Kekerapan (FR) berdasarkan model CA-MC untuk model pertumbuhan bandar model yang bergantung pada pendapat pakar dalam kajian terdahulu.
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 1.1. Daya penggerak perubahan guna tanah
mempunyai batasan yang merangkumi kelebihan pengetahuan yang tidak mencukupi
tentang bidang yang diminati, subjektiviti dalam menimbang pembolehubah, dan Pemacu utama perubahan guna tanah yang digunakan dalam model simulasi
kebolehpercayaan keputusan (Park et al., 2011). Tambahan pula, disebabkan terutamanya termasuk cerun, jarak ke jalan raya dan pusat bandar, dan kesuburan
kerumitan perubahan tanah, nampaknya meragukan bahawa pakar mempunyai tanah (Park et al., 2011; Guan et al., 2011; Memarian et al., 2012; Arsanjani et al.,
pemahaman yang cukup terperinci tentang proses perubahan tanah untuk menggunakan 2013; Musa et al., 2016; Aburas et al., 2017; Shafiza deh-Moghadam et al., 2017a,b).
AHP dan MCE secara berkesan (Shafizadeh-Moghadam et al., 2017b). Satu lagi Berikut ialah perbincangan ringkas mengenai pemacu perubahan guna tanah ini.
kelemahan MCA ialah keupayaannya untuk mensimulasikan perubahan secara linear.
2
Machine Translated by Google
Semakin lembut cerun tanah, semakin mudah untuk melakukan perubahan guna tanah ke sempadan Syria. Bandar ini mempunyai 24 daerah dan meliputi kira-kira 324 km2 . Irbid
(Jin et al., 2015; S¸ atir, 2016; Zhang et al., 2019). Ini tanpa mengira jenis perubahan. menyaksikan peningkatan
lalu disebabkan dalam populasi
ketidakstabilan dan dan
serantau pertumbuhan bandar
aliran pelarian sejak
Syria sembilan
(Al-Kofahi et tahun
al.,
Perubahan guna tanah daripada pertanian kepada bandar atau sebaliknya lebih 2018, 2019). Disebabkan kekurangan sekatan dan ketiadaan tanah terpelihara, banyak
berkemungkinan berlaku dengan cerun tanah yang lebih rendah (Gharaibeh et al., 2020). 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
Kepadatan penduduk yang tinggi menjadi tarikan untuk pertumbuhan bandar selanjutnya hadapan, kajian kes ini juga penting untuk mengekalkan tanah pertanian yang terletak di Irbid
terutamanya di negara membangun dengan migrasi luar bandar ke bandar atau negara yang Governorate yang bersama-sama membentuk 15.6% daripada tanah pertanian negara dan
mempunyai pelarian (Liu dan Yamauchi, 2014; Zhang et al., 2019; Zhou et al., 2020). menghasilkan lebih daripada 30% makanan di negara ini (DOS) . , 2017).
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 2.2. Set data dan pra-pemprosesan
merupakan faktor penting dalam perubahan guna tanah.
Kesuburan tanah (kesuburan tanah) sentiasa menarik untuk lebih banyak pengembangan Dalam kajian ini, pengelasan tanah mengikuti klasifikasi penggunaan tanah/tutup tanah
pertanian. Walau bagaimanapun, banyak negara menghadapi kemerosotan kesuburan tanah Anderson peringkat pertama (Wang dan Hofe, 2008). Kami menggunakan tiga kategori guna
yang memberi kesan kepada perubahan guna tanah (El-Seedy dan Saeed, 2019; Prishchepov tanah: tanah bandar, tanah belum dibangunkan dan tanah pertanian (Jadual 2). Kajian kami
et al., 2020). Walau bagaimanapun, dengan ketiadaan dasar mental bandar dan persekitaran terhad untuk mempertimbangkan kategori ini kerana jenis guna tanah yang lain seperti
yang kukuh, tanah berharga tersebut mungkin hilang akibat perubahan bandar (Prishchepov padang rumput, tanah hutan, air, tanah lembap, tundra dan salji atau ais saka, tidak terdapat
et al., 2020). Isu ini amat penting dalam kajian kes kertas penyelidikan ini. Banyak tanah secara semula jadi di kawasan kajian.
berharga yang subur kini berada dalam had bandar dan dasar pemeliharaan tanah pertanian Kami menggunakan peta kawasan kajian tahun-tahun: 2003, 2009, dan 2015 kerana
dan subur tidak dikuatkuasakan (Gharaibeh et al., 2020). 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
Jarak ke jalan utama adalah pemandu guna tanah yang utama (Zhang et al., 2019). resolusi spatial 30 m. Ia diperoleh daripada arkib Landsat di https://earthexplorer .usgs.gov.
Kebolehcapaian telah menjadi faktor yang menggalakkan perubahan guna tanah. Ia menarik Nombor pengenalan untuk tabir ialah LE71740382009086ASN00. ENVI versi 5.3—yang
lebih banyak kegunaan bandar dan dalam beberapa kes kegunaan pertanian atau merupakan perisian untuk
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 memproses dan menganalisis imej geospatial—digunakan untuk menyediakan imej kawasan
mewujudkan bandar dan bandar linear dan menghubungkan kawasan bandar (Prishchepov kajian. Fail bentuk kawasan kajian digunakan untuk memilih kawasan daripada pemandangan
et al., 2020). Faktor ini juga memberi kesan negatif kepada watak landskap (Gharaibeh et al., satelit. Kemudian kaedah pengelasan yang diselia dalam perisian ENVI digunakan untuk
2017). mengklasifikasikan jenis guna tanah. Kajian ini menggunakan susunan gabungan jalur 3-4-1
Jarak ke komersil juga merupakan penggerak kepada perubahan tanah bandar adegan satelit. Kemudian, tiga puluh sampel ujian telah dipilih untuk setiap kelas tanah di
(Simwanda et al., 2020; Zhang et al., 2019). Dalam sesetengah kes, pembolehubah ini mana klasifikasi Kemungkinan Maksimum digunakan untuk mengklasifikasikan imej satelit.
merupakan pemacu kedua terkuat bagi perubahan guna tanah (Simwanda et al., 2020). Akhir sekali, kami menggunakan satu set operasi pelicinan dan pengagregatan untuk
Orang ramai suka tinggal berdekatan dengan perkhidmatan komersil dan ia merupakan salah melicinkan sempadan kelas dan menggabungkan kawasan piksel kecil atau terpencil dalam
satu keperluan kritikal bagi persekitaran hidup yang mampan. Di samping itu, penggunaan imej. Kaedah ini juga diaplikasikan oleh Bhatti et al. (2019) dalam kajiannya tentang penilaian
tanah komersial biasanya dikaitkan dengan sistem pengangkutan yang lebih baik menjadikan perubahan tutupan tanah berdasarkan data satelit.
tanah bersebelahan dengan kegunaan komersial lebih mudah diakses secara umum. Oleh
itu, adalah dijangka bahawa penggunaan komersial akan menarik perubahan penggunaan Bertujuan untuk meningkatkan ketepatan, hasil klasifikasi output disemak secara visual
bersebelahan (Gharaibeh et al., 2019). berkali-kali dan kemudian dikemas kini dengan menambah lebih banyak set latihan. Tahap
Jarak ke pusat bandar boleh menjadi pemacu perubahan yang sangat kuat di mana pelicinan dan pengagregatan yang berbeza juga digunakan.
lebih dekat tanah dengan pusat bandar lebih mudah untuk tanah berubah kepada kegunaan Kaedah pelicinan dan pengagregatan yang digunakan adalah yang digunakan dalam perisian
bandar. Pembolehubah ini juga dikaitkan dengan penggunaan pengangkutan dan komersial ENVI 5.3. Pelicinan dan pengagregatan ialah algoritma pasca pengelasan yang melicinkan
secara umum (Zhang et al., 2019). Dalam kajian kes kami, pembolehubah ini bersama-sama sempadan kelas dan menggabungkan kawasan piksel kecil atau terpencil.
dengan sifat jejarian pelan bandar juga dijangka memberi kesan kepada guna tanah bandar. Proses bermula dengan menentukan saiz ganjil isirong licin 3. Oleh itu, piksel tengah isirong
Walaupun rancangan itu tidak bersifat jejari, pusat bandar adalah pemacu kuat perubahan 3 3 persegi mengambil nilai yang sepadan dengan nilai kelas majoriti dalam kernel. Kemudian
tanah (Gharaibeh et al., 2019). saiz agregat 9 9 piksel dipilih. Mana-mana kawasan dengan saiz kernel sama dengan atau
Dalam banyak kajian kes, variasi ketinggian boleh menjadi pemacu perubahan yang kurang daripada 9 9 diagregatkan ke kawasan yang lebih besar bersebelahan. Hasil keluaran
besar (Zhang et al., 2019; Simwanda et al., 2020). Ini benar terutamanya di tempat yang (imej raster untuk kelas tutupan tanah) dieksport ke GIS untuk menilai dan menyediakan
mempunyai rupa bumi yang lasak dan variasi penggunaan tanah. peta tutupan tanah dengan tepat.
Bahagian berikut merangkumi metodologi yang mengandungi persediaan untuk kajian
yang terdiri daripada set data dan pra-pemprosesan data, penilaian ketepatan, klasifikasi Peta terperingkat lain untuk tahun 2003 dan 2015 dipetik daripada Al-Kofahi et al. (2018).
tanah, sumber data kajian kes, model integratif (ANN-CA-MC) yang menerangkan setiap Mereka juga mengikuti proses yang sama untuk mengklasifikasikan guna tanah yang
bahagian inte pengiraan sahaja dan menerangkannya digabungkan, dan pengesahan model dilaporkan dengan ketepatan klasifikasi penutup tanah keseluruhan masing-masing sebanyak
pada akhir bahagian ini. Bahagian keputusan termasuk simulasi CA-MC 88% dan 87%.
keputusan, keputusan simulasi ANN berasaskan CA-MC, dan pengesahan model. Bahagian 2.2.1. Penilaian ketepatan
perbincangan membentangkan perbandingan model, ciri model, dan penilaian kajian kes. 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
2. Metodologi 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,
2.1. Kawasan kajian 2009), Ketepatan Keseluruhan, dan ketepatan Pengguna dan Pengeluar dikira berdasarkan
matriks kekeliruan (Congalton, 1991; Lali berte et al., 2004). Keputusan menunjukkan bahawa
Kajian ini digunakan di bandar Irbid untuk menguji model dan ketepatan. Bandar Irbid Ketepatan Keseluruhan untuk
terletak di 32 U dan 35.51 E Jordan Utara bersebelahan
3
Machine Translated by Google
2012; Arsanjani et al., 2013; Musa et al., 2016; Aburas et al., 2017; Shafizadeh-Moghadam
Jadual 2. Kategori klasifikasi guna tanah berdasarkan klasifikasi guna tanah/ et al., 2017a,b; Gharaibeh et al., 2020). Untuk menambah baik proses ramalan, beberapa
tutup tanah Anderson (Wang dan Hofe, 2008). kajian mengesyorkan mempertimbangkan faktor seperti kepadatan penduduk sebagai
Simbol Jenis tanah Kawasan Termasuk penggerak pertumbuhan bandar dan perubahan tanah (Shafizadeh-Moghadam et al.,
1 Belum dibangunkan (Tanah tandus) Tanah Tidak Dibangunkan yang tidak dibina, tidak 2017a, b). Dalam kajian ini, penyelidik menangani semua faktor di atas yang ditakrifkan
diusahakan, dan tanah kosong yang terbiar. dan disyorkan oleh kebanyakan kajian simulasi.
2 Tanah agrikultur Tanaman, kebun, dan tanah yang diusahakan.
3 Tanah bandar atau binaan Kawasan terbina dan rangkaian jalan 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
pengelasan ialah 87.78% (Jadual 3). Matriks kekeliruan mengira pekali Kappa sebanyak pusat, cerun (Jadual 4). Jarak ke jalan utama, pusat bandar dan pusat komersial dikira
81.63% untuk jadual ini. menggunakan fungsi jarak Euclidean dalam perisian TerrSet 18.21 (Rajah 3 dan 4).
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 Jarak Euclidean ialah jarak garis lurus antara dua titik.
dihasilkan oleh penyelidik. Tiga peta (Rajah 2) telah disediakan untuk digunakan pada Jarak Euclidean digunakan untuk mengira yang paling dekat dan paling jauh pada
peringkat seterusnya. Berdasarkan statistik yang dilakukan di Jabatan Perangkaan di peta. Dengan kaedah ini, model mengenal pasti kawasan dan mengira pengaruh setiap
Jordan, populasi muhafazah meningkat daripada 928,292 pada tahun 2003, kepada faktor terhadap perubahan guna tanah berdasarkan jarak.
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 2.3. Model ANN-CA-Markov
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- ANN memudahkan penentukuran automatik model CA-MC dan
Moghadam et al., 2017a,b). Kajian-kajian ini adalah bergantung kepada pendapat yang membantu penggabungan pelbagai daya penggerak dalam model (Rajah 5). Bahagian
berpengalaman dan ulasan kajian lepas. Walau bagaimanapun, faktor utama yang selepas ini menerangkan setiap model (CA, MC dan ANN) secara berasingan. Kemudian
digunakan dalam model simulasi pertumbuhan bandar termasuk cerun, jarak ke jalan penilaian proses model yang diubah suai ini dan keupayaannya digunakan berdasarkan
raya dan pusat bandar, dan kesuburan tanah (Park et al., 2011; Guan et al., 2011; carta alir metodologi (Rajah 5).
Memarian et al.,
4
Machine Translated by Google
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
pertanian 2 26 2 30 86.67
(Ketepatan keseluruhan)
5
Machine Translated by Google
Model Ketinggian Digital Resolusi 30m SRTM Perbandaran Greater Irbid 2012
Kesuburan Tanah Perbandaran Greater Irbid dan Kementerian Pertanian, Jordan 2015; berdasarkan projek kesuburan tanah MoA 1993–1995
6
Machine Translated by Google
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 digunakan untuk melatih ANN dan menjana peta peralihan yang berpotensi.
ANN; satu untuk setiap guna tanah dan pelengkapnya. Contohnya, satu ANN dilatih Melatih ANN melibatkan penalaan set hiperparameter seperti bilangan nod
untuk memutuskan sama ada setiap piksel dalam peta 2009 akan ditukar menjadi tersembunyi dan kadar pembelajaran. TerrSet menggunakan kaedah automatik
Bandar atau bukan Bandar, dan seterusnya). untuk memilih nilai terbaik bagi hiperparameter yang menghasilkan prestasi terbaik
Peta kebarangkalian digunakan sebagai peta peralihan yang berpotensi untuk pada data penahanan antara set nilai yang dipilih secara rawak.
menambah baik CA-MC. Fungsi Land Change Modeler (LCM) dalam perisian TerrSet ialah
7
Machine Translated by Google
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 2.4. Pengesahan model
peta potensi yang dihasilkan oleh ANN, pendekatan kami ANN-CA-MC mempertimbangkan
kedua-dua dinamik spatial dan temporal pertumbuhan bandar serta menggabungkan peta guna tanah 2015 telah digunakan dalam pengesahan model. Kedua-dua model
kesan kuasa penggerak. 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
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). berdasarkan pendekatan yang dibangunkan oleh Pontius dan Millones (2011). Selain
Fungsi pengesahan pada perisian TerrSet digunakan menggunakan peta sebenar itu, menyeberang dan membandingkan dengan kaedah peta sebenar digunakan untuk
2015 yang diketahui untuk mengira indeks Kappa. Model pengesahan menentukan mengira pekali Kappa menggunakan matriks kekeliruan.
persetujuan dan percanggahan antara peta simulasi dan rujukan (sedia ada).
Percanggahan kuantiti berlaku apabila kuantiti sel bagi kategori peta simulasi adalah 3. Keputusan
berbeza daripada kategori yang sama dalam peta rujukan. Perselisihan lokasi berlaku
apabila lokasi sel bagi kategori peta simulasi berbeza daripada kategori yang sama Oleh kerana tujuan penyelidikan ini adalah untuk menambah baik model ramalan
dalam peta rujukan. Metodologi ini telah dikira simulasi, ia akan memberi tumpuan kepada kaedah secara khusus, kemudian
menyemak keputusan ramalan. Hasilnya akan menerangkan model CA-MC
9
Machine Translated by Google
Jadual 6. Kawasan peralihan Markov dalam matriks kilometer persegi bagi tempoh dari
2003-2009.
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.
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
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 yang direkodkan dalam matriks kekeliruan. Pekali kappa, ketepatan
ketepatan. keseluruhan, dan ketepatan pengguna dan pengeluar dikira menggunakan
Di samping itu, pekali kappa dikira untuk membandingkan ketepatan matriks kekeliruan (Jadual 12). Keputusan menunjukkan bahawa ketepatan
model ini dengan keputusan kajian terdahulu. Peta Google Earth dari 2015 keseluruhan untuk peta unjuran ialah 94.44% apabila pekali Kappa yang
telah digunakan untuk menilai percanggahan dalam peta yang diunjurkan, dikira ialah 94.00% (Jadual 11).
11
Machine Translated by Google
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).
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
12
Machine Translated by Google
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
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 Kaedah ini juga menunjukkan batasan apabila tidak mencukupi
menimbang daya penggerak (Park et al., 2011). Tambahan pula, disebabkan kerumitan pengetahuan tentang bidang yang diminati atau apabila mereka gagal dalam merangkumi semua
perubahan tanah, nampaknya meragukan bahawa pakar mempunyai kefahaman yang aspek dan pembolehubah yang mempengaruhi perubahan guna tanah. Walaupun menambah lebih
cukup terperinci tentang proses perubahan tanah untuk menggunakan AHP dan MCE banyak pembolehubah adalah lebih baik kerana ia dijangka dapat mengurangkan ralat, sesetengah
secara berkesan (Cannemi et al., 2014; Shafizadeh-Moghadam et al., 2017b. ). data mungkin tidak boleh diakses sepanjang masa.
Oleh itu, walaupun terdapat usaha yang meluas untuk meminimumkan kesilapan, Sebaliknya, ANN bertindak secara bebas tanpa mengira pengedaran data statistik,
nampaknya terdapat kelemahan yang terhasil daripada kaedah subjektif atau kekurangan statistik untuk pembolehubah tertentu (Zhou
14
Machine Translated by Google
Data rujukan
pertanian 0 33 2 35 94.29
Rajah 15. Unjuran peta guna tanah untuk 2021 dan 2027.
15
Machine Translated by Google
Tanah belum dibangunkan km2 Tanah pertanian km2 Kawasan bandar km2 Jumlah keluasan km2
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
Rajah 16. Perubahan kawasan tanah dari tahun 2003 kepada tahun ramalan 2027. Kelabu: tanah belum
rupa bumi yang lembut di bahagian barat dan selatan bandar Irbid. Di kawasan-kawasan ini,
dibangunkan, Hijau: tanah pertanian, Kuning: tanah bandar.
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
perlu dinyatakan bahawa peningkatan dalam prestasi model ANN-CA-MC tidak terhad kepada mudah ditanam dan oleh itu, ia mengalami perubahan besar daripada guna tanah pertanian kepada
ketepatan output, tetapi juga melebihi itu kepada penggabungan daya penggerak semasa proses guna tanah bandar. Terutama dengan ketiadaan dasar berkuatkuasa, ini semakin tidak terkawal di
ramalan. bandar dan masa depan yang diramalkan tidak lebih baik daripada keadaan semasa (Gharaibeh et
Menggunakan model sedemikian memastikan anggaran yang tepat untuk kerugian guna tanah al., 2020).
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 Ini adalah status yang membimbangkan untuk rancangan komprehensif masa depan bandar
untuk menunjukkan yang mana lebih berkesan pada perubahan dalam setiap senario. Di mana daripada Irbid.
model tersebut menggambarkan bahawa kepadatan penduduk, cerun, jarak ke pusat komersial, Tanah pertanian akan terancam dan dasar perlu menumpukan pada mengehadkan perubahan
dan kesuburan tanah masing-masing merupakan daya penggerak yang paling berkesan dalam guna tanah yang dijangka ini (Prishchepov et al., 2020). Penumpuan pada dasar perlindungan
proses perubahan tanah dalam kes bandar Irbid. Model ini adalah fleksibel dan bertolak ansur ekologi dan pertanian harus diberi keutamaan di bandar untuk mengehadkan perubahan spatial
dengan penggabungan faktor sosioekonomi masa depan yang lain seperti nilai tanah dan yang membawa kepada rebakan bandar. Kehilangan tanah pertanian dan subur yang tidak
pendapatan penduduk. Menambah lebih atau kurang daya penggerak biasanya adalah khusus dirancang akan menyebabkan kemerosotan tanah seperti yang dialami di banyak bahagian dunia
tapak atau sensitif huruf. Model kami dibuat supaya pembolehubah yang paling penting digabungkan. (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).
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 Jika dilihat dari peta, kawasan yang bersebelahan dengan rangkaian jalan utama lebih terdedah
air, dan penggunaan tanah mengehadkan lain yang pasti akan memperkayakan model tersebut. kepada perubahan ke kawasan bandar. Keputusan ini turut dikongsi oleh penyelidikan terdahulu
Batasan ini adalah berdasarkan ciri kajian kes yang ada tetapi ia bukanlah kelemahan penyelidikan. yang memfokuskan kepada pembolehubah ini sebagai pemacu perubahan (Farah et al., 2019;
Apabila menggunakan model ini pada kajian kes lain, adalah mudah untuk menambahkan lebih Zhang et al., 2019). Isu ini juga dikaitkan dengan jarak kepada guna tanah komersial memandangkan
banyak jenis guna tanah pada model penyelidikan. Adalah dijangkakan bahawa mana-mana kajian jenis guna tanah ini lazimnya terletak di rangkaian jalan utama (Simwanda et al., 2020; Zhang et al.,
akan datang perlu menyesuaikan model untuk memanfaatkan sepenuhnya keupayaannya untuk 2019). Dengan dasar bandar yang longgar, ini boleh membawa kepada mewujudkan bandar dan
meramalkan perubahan guna tanah. Model ini dibuat umum untuk berfungsi sebagai templat yang bandar yang berkembang dan bersambung secara linear (Prishchepov et al., 2020). Ini juga
sesuai dengan kes lain di seluruh dunia. Akhir sekali, kajian ini akan membantu perancang untuk menjejaskan watak landskap terutamanya perjalanan dari satu tempat ke tempat lain (Gharaibeh et
meramalkan perubahan guna tanah dengan lebih tepat dan juga memberi mereka pemahaman al., 2017). Tanah pertanian masa depan akan bertopeng oleh kawasan bandar linear yang terletak
yang lebih terperinci tentang transformasi tanah. di jalan utama yang menghalang pandangan trav elars. Bentuk muka bumi yang mudah dengan
kebanyakan tanah rata mungkin menyumbang kepada kemudahan pengembangan mendatar ini
proses. serta perubahan (Jin et al., 2015; S¸ atir, 2016; Zhang et al., 2019).
Berdasarkan ramalan perubahan guna tanah bagi tahun 2027 di bandar Irbid, tanah pertanian 5. Kesimpulan
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). Kajian ini meningkatkan keupayaan model CA-MC dalam simulasi dan ramalan transformasi
Kawasan bandar dengan cepat memakan tanah pertanian, walau bagaimanapun, masih diragui tanah. Prestasi model bertambah baik selepas menyepadukannya dengan model ANN. Pendekatan
bahawa populasi akan bertambah untuk memenuhi jangkaan pertumbuhan kawasan tanah bandar bersepadu dilaksanakan untuk menutup batasan model asal CA-MC yang tidak menggunakan
sebanyak 153.4% (þ87.6 km2 ) (Jadual 13, Rajah 16). Berdasarkan model tersebut, daya penggerak faktor yang mendorong proses pertukaran tanah. Sebaliknya, model ANN boleh mengesan potensi
yang dipilih berjaya menyumbang kepada kapasiti pra dictability guna tanah masa hadapan saling bergantung
memandangkan tahap ketepatan adalah lebih tinggi.
16
Machine Translated by Google
Anantwar, SG, Shelke, RR, 2012. Pendekatan mudah ANN: kekuatan dan kelemahan.
melalui daya penggerak yang tersirat, yang menjadikannya pilihan yang ideal untuk
Int. J. Eng. berinovasi. Technol. 1, 73–77.
penyepaduan ini. Pelbagai data dan daya penggerak yang paling banyak boleh digunakan Arsanjani, JJ, Helbich, M., Kainz, W., Boloorani, AD, 2013. Integrasi logistik
dalam menyepadukan ANN dengan CA-MC asal. Berdasarkan model pengesahan, model regresi, rantai Markov dan model automata selular untuk mensimulasikan pengembangan bandar.
Int. J. Appl. Earth Obs. Geoinf. 21, 265–275.
asal CA-MC dan ANN-CA-MC masing-masing mencapai 86.29% dan 90.04%. Model
Bhatti, NB, Siyal, AA, Qureshi, AL, Bhatti, IA, 2019. Penilaian perubahan liputan tanah selepas pembinaan
ANN-CA-MC memperbaik model asal dari segi prestasi tanpa pengehadan yang boleh empangan kecil berdasarkan data satelit. Civil Eng. J. 5, 810–818.
dikesan dan hasil yang lebih tepat. ANN-CA-MC telah ditentukur untuk mensimulasikan Batty, M., Xie, Y., 1994. Pemodelan di dalam GIS: Bahagian 1. Struktur model, analisis data spatial
pertumbuhan bandar untuk tahun 2021 dan 2027 di Irbid. Akhir sekali, model ANN-CA- 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
MC akan membantu perancang dan pembuat keputusan untuk meramalkan pertumbuhan
pegun. Soc. Ekon. Rancang. Sci. 11, 13–17.
bandar dan memberi mereka pemahaman yang lebih terperinci tentang bagaimana tahap Bununu, YA, 2017. Penyepaduan analisis rantai Markov dan algoritma pembelajaran mesin berasaskan
dan corak proses perubahan guna tanah berlaku. Ia pastinya akan menyokong usaha contoh berwajaran persamaan (SimWeight) untuk mensimulasikan pengembangan bandar. Int. J.
Unity Sci. 21, 217–237.
pihak berkuasa untuk mengekalkan keselamatan makanan dengan melindungi tanah
Cannemi, M., García-melon, M., Aragon es-beltran, P., 2014. Memodelkan membuat keputusan sebagai alat
subur dan ladang pertanian. 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.
Pengisytiharan
Congalton, RG, 1991. Kajian menilai ketepatan klasifikasi dari jauh
Penyata sumbangan pengarang 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.
A. Gharaibeh: Mengandung dan mereka bentuk eksperimen; disumbangkan Couclelis, H., 1997. Dari automata selular kepada model bandar: prinsip baru untuk pembangunan dan
pelaksanaan model. alam sekitar. Rancang. Rancang. Des. 24, 165–174.
reagen, bahan, alat analisis atau data; menulis kertas itu.
DOS, 2004. Jabatan perangkaan, Jordan, keputusan am banci. http://www.dos.go v.jo/dos_home_e/main/
A. Shaamala: Mengandung dan mereka bentuk eksperimen; Melakukan eksperimen; population/census2004/group3/table_36.pdf. (Diakses pada 25 Mei 2020).
Menganalisis dan mentafsir data; Ejen semula yang disumbangkan, bahan, alat analisis
DOS, 2009. Jabatan Perangkaan, Jordan, Jordan dalam laporan angka. http://dosweb.dos .gov.jo/DataBank/
atau data; menulis kertas itu.
JordanInFigures/2009.pdf. (Diakses pada 25 Mei 2020).
R. Obeidat: Mengandung dan mereka bentuk eksperimen; Menganalisis dan mentafsir DOS, 2015. Jabatan Perangkaan, Jordan, Keputusan Am Banci, Penduduk Kerajaan Mengikut Bahagian
data; Reagen, bahan, alat analisis atau data yang disumbangkan; menulis kertas itu. Pentadbiran, Menurut Banci Am Penduduk dan Keputusan Perumahan 2015. https://www.citypopulation.de/
en/jordan/ iklan min/. (Diakses pada 25 Mei 2020).
S. Al-Kofahi: Sumbangan reagen, bahan, alat analisis atau data; menulis kertas itu.
DOS, 2017. Ringkasan Banci Pertanian di Jordan, 2017. Jabatan Perangkaan.
Diperoleh pada 17 Ogos 2020, daripada. https://ammanchamber.org.jo/UploadedFile s/201891111538.pdf.
El-Seedy, ME, Saeed, MA, 2019. Mengesan perubahan dalam kesuburan tanah di Delta Nil Utara, Mesir
Kerja ini disokong oleh pembiayaan TA daripada Universiti Sains dan Teknologi
menggunakan teknik GIS. J. Sci Tanah. pertanian. En. 10 (10), 627–635.
Jordan. Nombor projek penyelidikan 675–2018 (No. Geran Penyelidikan: 20190014) Ke Farah, N., Khan, IA, Maan, AA, Shahbaz, B., Cheema, JM, 2019. Faktor pendorong penukaran tanah pertanian
Arah Persekitaran Serantau Berdaya Tahan Responsif untuk Bandar Irbid. 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
Penyata minat bersaing 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
Penulis mengisytiharkan tiada konflik kepentingan. 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).
Maklumat tambahan 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
Tiada maklumat tambahan tersedia untuk kertas ini.
dengan penyepaduan model Automaton selular dan Markov. Ecol. Model. 222, 3761–3772.
Ucapan terima kasih 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/
Penyelidikan ini menerima pembiayaan TA daripada Universiti Sains dan Teknologi Litupan tanah di gurun pantai barat laut Mesir menggunakan Markov CA. Appl. Geogr. 63, 101–112.
Jordan. Nombor projek penyelidikan 675–2018 (No. Geran Penyelidikan: 20190014) Ke
Hamad, R., Balzter, H., Kolo, K., 2018. Meramalkan perubahan guna tanah/litupan tanah menggunakan model
Arah Persekitaran Serantau Berdaya Tahan Responsif untuk Bandar Irbid.
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.
Rujukan 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.
Aburas, MM, Ahamad, MSS, Omar, NQ, 2019. Simulasi spatio-temporal dan
Jin, G., Li, Z., Lin, Q., Shi, C., Liu, B., Yao, L., 2015. Penilaian kesesuaian guna tanah di kawasan berbukit
ramalan perubahan guna tanah menggunakan model pembelajaran konvensional dan mesin: kajian
bercerun rendah di bawah kesan pembandaran di Yunnan, China. Adv.
semula. alam sekitar. Monit. Menilai. 191, 205.
Meteorol. 2015, 1–9.
Aburas, MM, Ho, YM, Ramli, MF, Ash'aari, ZH, 2016. Simulasi dan ramalan trend pertumbuhan bandar spatio-
Karayiannis, NB, 1999. Rangkaian neural asas jejari yang dirumus semula yang dilatih oleh keturunan
temporal menggunakan model automata selular: kajian semula. Int.
kecerunan. IEEE Trans. Rangkaian neural. 10, 657–671.
J. Appl. Earth Obs. Geoinf. 52, 380–389.
Karimi, F., Sultana, S., Babakan, AS, Suthaharan, S., 2019. Model mesin vektor sokongan yang
Aburas, MM, Ho, YM, Ramli, MF, Ash'aari, ZH, 2017. Meningkatkan keupayaan model CA-Markov
dipertingkatkan untuk ramalan pengembangan bandar. Pengiraan. alam sekitar. Sistem
bersepadu untuk mensimulasikan trend pertumbuhan bandar spatio-temporal menggunakan proses Perbandaran. 75, 61–75.
hierarki analisis dan nisbah kekerapan. Int. J. Appl. Earth Obs. Geoinf. 59, 65–78.
Labib, SM, 2019. Penyiasatan kemungkinan infrastruktur hijau (GI)
peningkatan di sepanjang laluan air linear atau di tapak terbiar (DS) menggunakan
Al-Kofahi, SD, Hammouri, N., Sawalhah, MN, Al-Hammouri, AA, Aukour, FJ, 2018.
pembelajaran mesin. alam sekitar. Model. Perisian 118, 146–165.
Penilaian ke atas kawasan bandar di tanah pertanian dua majlis perbandaran utama di Jordan
Laliberte, AS, Rango, A., Havstad, KM, Paris, JF, Beck, RF, McNeely, R., Gonzalez, AL,
menggunakan teknik pengelasan yang diselia. Arab. J. Geosci. 11.
2004. Analisis imej berorientasikan objek untuk pemetaan pencerobohan pokok renek
Al-Kofahi, SD, Gharaibeh, AA, Bsoul, EY, Othman, YA, Hilaire, RS, 2019.
dari 1937 hingga 2003 di selatan New Mexico. Persekitaran Sens Jauh. 93 (1-2), 198–210.
Menyiasat kepadatan taman domestik, taburan ruang dan jenis di kalangan daerah bandar. Ekosis
Bandar. 22 (3), 567–581.
17
Machine Translated by Google
Lavalle, C., Demicheli, L., Turchini, M., Casals-Carrasco, P., Niederhuber, M., 2001. Prishchepov, AV, Schierhorn, F., Dronin, N., Ponkina, EV, Müller, D., 2020. 800 tahun perubahan guna tanah
Memantau megacities: pendekatan murbandy/moland. Dev. Berlatih. 11, 350–357. pertanian di Asia (Timur) Rusia. In: KULUNDA: Pertanian Pintar Iklim. Springer, Cham, ms 67–87.
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. Rumelhart, DE, Hinton, GE, Williams, RJ, 1985. Mempelajari Perwakilan Dalaman melalui Penyebaran Ralat.
Geol. 71, 289–302. California Univ San Diego La Jolla Inst untuk Sains Kognitif.
Liu, Y., Yamauchi, F., 2014. Kepadatan penduduk, migrasi dan pulangan kepada modal insan dan tanah: Sangermano, F., Eastman, JR, Zhu, H., 2010. Berasaskan contoh wajaran persamaan
cerapan dari Indonesia. Makanan Pol. 48, 182–193. pembelajaran untuk penjanaan potensi peralihan dalam pemodelan perubahan guna tanah.
Maithani, S., 2010. Model pertumbuhan bandar berasaskan rangkaian saraf bagi bandar India. Trans. GIS 14, 569–580.
J. Indian Soc. Sens Jauh 37, 363–376. Sante, I., García, AM, Miranda, D., Crecente, R., 2010. Model automata selular untuk simulasi proses bandar
Megahed, Y., Cabral, P., Silva, J., Caetano, M., 2015. Analisis pemetaan litupan tanah dan pemodelan dunia sebenar: kajian dan analisis. Landsc. Rancangan Bandar. 96, 108–122.
pertumbuhan bandar menggunakan teknik penderiaan jauh di wilayah Cairo yang lebih besar Mesir.
Int. J. Geo-Informat. 4, 1750–1769. S¸ atir, O., 2016. Memetakan Kesesuaian Guna Tanah untuk Penyebaran Bandar Menggunakan Penderiaan
Memarian, H., Kumar Balasundram, S., Bin Talib, J., Teh Boon Sung, C., Mohd Sood, A., Abbaspour, K., Jauh dan GIS di bawah Senario Berbeza. InTech: Horwich, UK, hlm. 205–226.
2012. Validation of CA-Markov for simulation of land-use and cover perubahan di lembangan langat, Saxena, A., Jat, MK, 2019. Menangkap pertumbuhan bandar yang heterogen menggunakan model SLEUTH.
Malaysia. J. Geogr. Inf. Syst. 4, 542–554. Rem. Sens Appl.: Soc. alam sekitar. 13, 426–434.
Mitsova, D., Shuster, W., Wang, X., 2011. Model automata selular perubahan penutup tanah untuk Shafizadeh-Moghadam, H., Helbich, M., 2013. Proses pembandaran spatiotemporal di megacity Mumbai,
mengintegrasikan pertumbuhan bandar dengan pemuliharaan ruang terbuka. Landsc. Rancangan Bandar. 99 (2), India: model pertumbuhan bandar automata rantaian Markov . Appl. Geogr. 40, 140–149.
141–153.
MoA (Kementerian Pertanian, Jordan), 1993. The Soils of Jordan: Level 1 Shafizadeh-Moghadam, H., Tayyebi, A., Ahmadlou, M., Delavar, MR, Hasanlou, M.,
(Tinjauan Peninjau), Peta Tanah Negara dan Projek Guna Tanah. Kementerian Pertanian, Jordan. 2017a. Integrasi algoritma genetik dan regresi vektor sokongan berbilang kernel untuk memodelkan
pertumbuhan bandar. Pengiraan. alam sekitar. Sistem Perbandaran. 65, 28–40.
MoA (Kementerian Pertanian, Jordan), 1995. Laporan Utama. The Soils of Jordan, Laporan Peta Tanah Shafizadeh-Moghadam, H., Tayyebi, A., Helbich, M., 2017b. Peta indeks peralihan untuk simulasi
Negara dan Projek Guna Tanah, 2. Kementerian Pertanian, Amman, Jordan. pertumbuhan bandar: aplikasi rangkaian saraf tiruan, berat bukti dan penilaian berbilang kriteria kabur.
alam sekitar. Monit. Menilai. 189, 300.
Mohamed, A., Worku, H., 2020. Mensimulasikan dinamik guna tanah dan tutupan bandar menggunakan Simwanda, M., Murayama, Y., Ranagalage, M., 2020. Memodelkan pemacu perubahan guna tanah bandar
automata selular dan pendekatan rantai Markov di Addis Ababa dan sekitarnya. di Lusaka, Zambia menggunakan penilaian berbilang kriteria: pendekatan proses rangkaian analitik.
Clim Bandar. 31, 1–17, 100545. Pol Guna Tanah. 92, 104441.
Mohammady, S., Delavar, MR, Pahlavani, P., 2014. Pemodelan pertumbuhan bandar menggunakan Singh, SK, Mustak, S., Srivastava, PK, Szabo, S., Islam, T., 2015. Meramalkan perubahan LULC spatial dan
rangkaian saraf tiruan Kajian kes bandar sanandaj, Iran. Dalam: ISPRS - Arkib Antarabangsa dekad melalui model rantai Markov automata selular menggunakan set data cerapan bumi dan maklumat
Fotogrametri, Penderiaan Jauh dan Sains Maklumat Spatial, XL-2/W3, ms 203–208. geo. alam sekitar. Proses. 2, 61–78.
Syphard, AD, Clarke, KC, Franklin, J., 2005. Menggunakan model Automaton selular untuk
Musa, SI, Hashim, M., Reba, MNM, 2016. Kajian semula model pertumbuhan bandar berasaskan geospatial meramalkan kesan pertumbuhan bandar pada corak Habitat di selatan California. Ecol.
dan inisiatif pemodelan. Geocarto Int. 32, 813–833. Kompleks. 2, 185–203.
Nahavandya, SK, Kumar, L., Ghamisi, P., 2017. Menggunakan model pertumbuhan bandar SLEUTH untuk Vaz, EDN, Nijkamp, P., Painho, M., Caetano, M., 2012. Ramalan pelbagai senario perubahan bandar:
mensimulasikan kesan senario dasar masa hadapan terhadap penggunaan tanah bandar di kawasan kajian tentang pertumbuhan bandar di algarve. Landsc. Rancangan Bandar. 104, 201–211.
metropolitan Tehran di Iran. https://arxiv.org/abs/1708.01089v1. (Diakses pada 29 Januari 2020).
Wang, J., Mountrakis, G., 2011. Ramalan pelbagai senario perubahan bandar: kajian tentang pertumbuhan
Nouri, J., Gharagozlou, A., Arjmandi, R., Faryadi, S., Adl, M., 2014. Meramalkan perubahan guna tanah bandar di algarve. Int. J. Geogr. Inf. Sci. 25, 229–253.
bandar menggunakan model CA–Markov. Arab J. Sci. En. 39, 5565–5573. Wang, X., Hofe, R., 2008. Kaedah Penyelidikan dalam Perancangan Bandar dan Wilayah. Sains Springer &
Paola, JD, Schowengerdt, RA, 2007. Kajian dan analisis rangkaian neural perambatan balik untuk pengelasan Media Perniagaan. http://www.dos.gov.jo/dos_home_a/main/population/ census2015/
imejan berbilang spektrum deria jauh. Int. J. Rem. No_of_pop_depand_on_GOV.pdf. (Diakses pada 25 Mei 2020).
Sen. 16, 3033–3058. White, R., Engelen, G., 2000. Pemodelan bersepadu spatial resolusi tinggi
Park, S., Jeon, S., Kim, S., Choi, C., 2011. Ramalan dan perbandingan pertumbuhan bandar dengan dinamik sistem bandar dan wilayah. Pengiraan. alam sekitar. Sistem Perbandaran. 24, 383–400.
pemetaan indeks kesesuaian tanah menggunakan GIS dan RS di Korea Selatan. Landsc. Rancangan Yang, J., Su, J., Chen, F., Xie, P., Ge, Q., 2016. Model automata selular persaingan guna tanah
Bandar . 99, 104–114. tempatan dan aplikasinya. ISPRS Int. J. Geo-Inf. 5 (7), 106.
Pijanowski, BC, Brown, DG, Shellito, BA, Manik, GA, 2002. Menggunakan rangkaian saraf dan GIS untuk Yang, Q., Li, X., Shi, X., 2008. Automata selular untuk mensimulasikan perubahan guna tanah berdasarkan
meramalkan perubahan guna tanah: model transformasi tanah. Pengiraan. alam sekitar. menyokong mesin vektor. Pengiraan. Geosci. 34, 592–602.
Sistem Perbandaran. 26, 553–575. Zhang, D., Liu, X., Wu, X., Yao, Y., Wu, X., Chen, Y., 2019. Pelbagai simulasi guna tanah intra-bandar dan
Pijanowski, BC, Pithadia, S., Shellito, BA, Alexandridis, K., 2005. Menentukur model perubahan bandar analisis faktor pendorong: kajian kes di Huicheng , China. GIScience Remote Sens. 56 (2), 282–308.
berasaskan rangkaian saraf untuk dua kawasan metropolitan di bahagian atas barat tengah Amerika
Syarikat. Int. J. Geogr. Inf. Sci. 19, 197–215. Zhou, Q., Shao, Q., Zhang, X., Chen, J., 2020. Adakah harga perumahan menggalakkan jumlah faktor
Pontius Jr., RG, 2000. Ralat kuantifikasi berbanding ralat lokasi dalam perbandingan peta kategori. produktiviti? Bukti daripada model data panel spatial dalam menjelaskan peranan pengantara
Fotogram. En. Rem. Sen. 66, 1011–1016. kepadatan penduduk. Pol Guna Tanah. 91, 104410.
Pontius Jr., RG, Millones, M., 2011. Kematian kepada kappa: kelahiran ketidaksetujuan kuantiti dan Zhou, W., 1999. Pengesahan ciri bukan parametrik perambatan balik
perselisihan peruntukan untuk penilaian ketepatan. Int. J. Rem. Sen. 32, 4407–4429. 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.
18