Mạng nơ ron (ANN)

(1)

ỨNG DỤNG MẠNG NƠ RON NHÂN TẠO VÀ GIS TRONG ĐÁNH GIÁ TÀI NGUYÊN ĐẤT ĐAI,

XÃ TÂN THÀNH - HUYỆN ĐỨC TRỌNG -TỈNH LÂM ĐỒNG

Lê Cảnh Định

Phân viện Quy hoạch và Thiết kế Nông nghiệp Email: [email protected]

TÓM TẮT

:

Đánh giá tiềm năng đất đai là công việc cực kỳ quan trọng không thể thiếu trong các dự án phát triển nông nghiệp, nông thôn và đặc biệt là trong quy hoạch sử dụng đất. Với mục tiêu ứng dụng công nghệ thông tin vào đánh giá tiềm năng đất đai. Trong nghiên cứu này đã ứng dụng mạng nơ ron và GIS để đánh giá đất đai theo phương pháp của FAO. Mạng nơ ron được thiết kế có 3 lớp:

lớp đầu vào (có 5 nơ ron), lớp ẩn (có 6 nơ ron), lớp đầu ra (có 4 nơ ron). Bộ dữ liệu mẫu đầu vào (Xi) được xây dựng trên nền GIS, bộ dữ liệu mẫu đầu ra (Yi) là bảng phân cấp thích nghi của từng loại hình sử dụng đất. Tiến hành huấn luyện ANN với các bộ dữ liệu mẫu (Xi,Yi) cho từng LUT cần đánh giá. Kết quả thu được 6 BlackBox có khả năng đánh giá thích nghi đất đai cho 6 LUT theo phương pháp FAO, kết quả liên kết GIS để xây dựng bản đồ thích nghi đất đai xã Tân Thành (kết quả này khá phù hợp với kết quả của phương pháp truyền thống).

1. ĐẶT VẤN ĐỀ

Đánh giá tài nguyên đất đai (gọi tắt là đánh giá đất đai) nhằm mục tiêu cung cấp thông tin về sự thuận lợi và khó khăn trong việc sử dụng các vùng đất, làm căn cứ để ra quyết định về quản lý và sử dụng hợp lý tài nguyên đất đai.

Trong những năm gần đây, công nghệ thông tin được ứng dụng khá thành công trong đánh giá đất đai. GIS được ứng dụng để xây dựng cơ sở dữ liệu không gian (bản đồ đơn tính, bản đồ đơn vị đất đai). Việc đối chiếu (matching) các tính chất đất đai (LC) với yêu cầu sử dụng đất (LUR) để tính toán khả năng thích nghi thường sử dụng công cụ phát triển trong GIS hoặc phần mềm đánh giá đất đai ALES (Automated Land Evaluation system).

Mạng nơ ron nhân tạo (Atificial Neural Network-ANN) có thể mô phỏng quá trình đối chiếu giữa LC và LUR thông qua việc học (tranning) và lưu trữ tri thức để sử dụng trong đánh giá đất đai. Trong bài báo này, Chúng tôi nghiên cứu thiết kế và huấn luyện ANN tích hợp với GIS trong đánh giá khả năng thích nghi đất đai xã Tân Thành –huyện Đức Trọng - tỉnh Lâm Đồng.

2. PHƯƠNG PHÁP

Mô hình tích hợp ANN và GIS trong đánh giá thích nghi đất đai thể hiện ở hình 1, tiến trình cụ thể như sau:

(1). Xây dựng cơ sở dữ liệu (CSDL) GIS về tài nguyên đất đai, trong đó bao gồm các loại bản đồ: hiện trạng sử dụng đất, thổ nhưỡng, độ dốc, tầng dày tầng đất mặt, khả năng tưới,…

(2). Từ CSDL GIS, chọn các bản đồ đơn tính (bản đồ đất, bản đồ tầng dày, …), chồng xếp

(2)

(4). Nhập (input) vào hệ thống mạng nơ ron được thiết kế với số nơ ron lớp nhập bằng số tính chất hoặc chất lượng đất đai của bản đồ đơn vị đất đai.

(5). Kết hợp các tính chất đất đai với yêu cầu sử dụng đất của từng LUT để xây dựng bộ dữ liệu mẫu về thích nghi đất đai dùng trong việc huấn luyện mạng nơ ron.

(6). Lớp ra (output layer) của mạng có 4 nơ ron tương ứng với 4 mức thích nghi (S1, S2, S3, N), kết quả liên kết với GIS để thể hiện bản đồ khả năng thích nghi đất đai cho từng LUT.

(7). Chồng xếp các bản đồ thích nghi từng LUT, xây dựng bản đồ thích nghi đất đai.

Hình 1: Mô hình tích hợp ANN và GIS trong đánh giá thích nghi đất đai

2.1. Mạng nơ ron nhân tạo (ANN)

Mạng nơ ron nhân tạo (ANN) là một mô hình tính toán nhằm mô phỏng theo khả năng nhận biết của con người. ANN bao gồm các nút (nơ ron) liên kết truyền thông với nhau theo một cấu trúc nhất định để giải quyết vấn đề cụ thể. ANN giống như con người, được đào tạo (trainning) và lưu trữ những hiểu biết để sử dụng trong những tình huống phù hợp.

Để xây dựng một mạng cần xác định thông tin cấu trúc mạng và thông tin các trọng số của từng nơ ron trong mạng [1]. Mạng nơ ron dùng trong đánh giá đất đai gồm nhiều lớp lan truyền thẳng được mô tả như hình 2, trong đó:

(1). Cấu trúc (architecture) mạng nơ ron: gồm 3 lớp, cụ thể như sau:

- Lớp vào (input layer): Có 5 nơ ron tương ứng với 5 tính chất đất đai.

- Lớp ra (output layer): Có 4 nơ ron tương ứng với 4 lớp thích nghi (S1, S2, S3, N).

- Lớp ẩn (hidden layer): Lớp ẩn kết nối giữa lớp vào và lớp ra, một mạng nơ ron có thể dùng nhiều lớp ẩn, tuy nhiên LiMin Fu (1994) đã chứng minh được rằng chỉ cần một lớp ẩn của mạng là đủ mô hình hóa một hàm bất kỳ. Không có nguyên tắc nào hướng dẫn lớp ẩn có bao nhiêu nơ ron, việc xác định này dựa trên kinh nghiệm hoặc phép thử và sai. Trong trường hợp này, Chúng tôi thiết kế lớp ẩn có 6 nơ ron.

...

CSDL GIS

Mạng nơ ron (ANN)

Bản đồ thích nghi đất đai Loại hình sử

dụng đất (LUT) Chuyên

gia Yêu cầu sử

dụng đất (LUR)

Bản đồ đơn vị đất đai

(LC/LQ) (1)

(2)

(3)

(4)

(5)

(6)

Thích nghi từng LUT ⁽⁷⁾

(3)

IIIII IIIIII IIII

(So): 1

(Sl): 1

(De): 1

(Co): 2

(Ir): 1

1 (S1)

0 (S2)

0 (S3)

0 (N)

ớ à ớ ẩ ớ

Hình 2: ANN trong đánh giá thích nghi đất đai (2). Xác định trọng số của từng nơ ron:

Phương pháp xác định truyền thống là áp dụng giải thuật lan truyền ngược (Back – Propagation). Giải thuật học này được xem như giải thuật học có thầy (supervised learning), nghĩa là để mạng có thể học được thì phải có bộ dữ liệu mẫu: dữ liệu đầu vào (X_i) là các tính chất đất đai, dữ liệu kết quả mong muốn đầu ra (Yi) (gọi là Target value) là cấp thích nghi.

Với mỗi cặp dữ liệu (Xi,Yi) giải thuật thực hiện có hai pha:

- Pha 1: Xi được nhập vào mạng và được lan truyền trong mạng để thu được đầu ra Oi. - Pha 2: Hàm sai số E_i = (Y_i –O_i)² lan truyền ngược lại đầu vào nhằm cập nhật trọng số của

mạng.

Để thu được kết quả tốt, mạng phải thực hiện hàng ngàn vòng lặp, cuối cùng thu được bộ trọng số sao cho sai số E là nhỏ nhất.

2.2. Huấn luyện mạng nơ ron (Training Neural Network)

Mạng nơ ron được huấn luyện mô phỏng theo phương pháp đánh giá đất đai của FAO (hình 3). Thực chất đây là quá trình điều chỉnh giá trị bộ trọng số sao cho giá trị xuất phù hợp với giá trị mong muốn. Khi Cấu trúc được xác định, khả năng xử lý của mạng nơ ron phụ thuộc

(4)

Hình 3: Huấn luyện mạng nơ ron cho đánh giá thích nghi đất đai

Sau khi mạng nơ ron đã được huấn luyện, ta được một BlackBox, có khả năng nhận biết và đánh giá thích nghi đất đai.

3. KẾT QUẢ NGHIÊN CỨU

Trên địa bàn xã Tân Thành, chọn 6 loại hình sử dụng đất (LUT) có triển vọng để đánh giá thích nghi đất đai: lúa nước (LUT1), rau (LUT2), màu (LUT3), Chè (LUT4), Cà phê (LUT5), Dâu tằm (LUT6).

Để mạng nơ ron có khả năng đánh giá thích nghi cho các LUT, chúng ta phải xây dựng bộ dữ liệu mẫu (Xi,Yi) và huấn luyện mạng nơ ron cho từng LUT.

(1). Xây dựng bộ dữ liệu mẫu (training data):

Dữ liệu mẫu đầu vào (Xi) là các tính chất đất đai của bản đồ đơn vị đất đai. Nó được xây dựng trên cơ sở chồng xếp 5 bản đồ đơn tính: loại đất (ký hiện là So, chia thành 9 nhóm), độ dốc (Sl, chia 5 cấp), tầng dày (De, chia 3 cấp), thành phần cơ giới (Co, chia 2 cấp), điều kiện tưới (Ir, chia 4 cấp). Kết quả, toàn xã có 20 đơn vị đất đai (bảng 1).

Dữ liệu mẫu đầu vào (X_i) là ma trận (trong khung in đậm - bảng 1) gồm 5 hàng (tương ứng 5 tính chất, bằng số nơ ron ở lớp đầu vào), 20 cột (tương ứng với 20 đơn vị đất đai.

Phương pháp đánh giá của FAO

Mạng nơ ron (ANN)

Tính chất đất đai (LC)

Lớp thích nghi (S1, S2, S3, N) Training

Mạng đã huấn luyện (BlackBox)

Xi Yi

(5)

Bảng 1: Mô tả tính chất các đơn vị đất đai – xã Tân Thành

LMU 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20

So 1 1 1 1 2 2 2 2 2 2 2 3 4 4 5 6 7 8 9 9

Sl 1 2 2 3 1 1 2 3 3 4 5 1 3 5 1 3 5 1 1 2

De 1 1 1 2 1 2 1 1 2 2 2 1 3 2 1 1 2 2 2 1

Co 2 2 2 2 2 2 2 2 2 2 2 2 1 1 2 1 1 2 2 2

Tính chất đất đai

Ir 1 1 3 1 2 1 1 4 2 4 2 1 4 4 3 4 1 1 1 1

Trên cơ sở yêu cầu sử dụng đất (LUR) của từng LUT và tính chất đất đai của từng đơn vị đất đai, xây dựng được bảng thích nghi đất đai của từng LUT (bảng 2 là một ví dụ phân cấp thích nghi cây cà phê đã chuẩn hoá cấu trúc dữ liệu theo đầu ra của ANN).

Bảng 2: Phân cấp thích nghi cây cà phê – xã Tân Thành

LMU 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20

S1 ¹ ¹ ⁰ ⁰ ¹ ¹ ¹ ⁰ ⁰ ⁰ ⁰ ⁰ ⁰ ⁰ ⁰ ⁰ ⁰ ⁰ ⁰ ⁰

S2 ⁰ ⁰ ¹ ¹ ⁰ ⁰ ⁰ ⁰ ¹ ⁰ ⁰ ¹ ⁰ ⁰ ¹ ⁰ ⁰ ¹ ⁰ ⁰

S3 ⁰ ⁰ ⁰ ⁰ ⁰ ⁰ ⁰ ¹ ⁰ ¹ ⁰ ⁰ ⁰ ⁰ ⁰ ¹ ⁰ ⁰ ⁰ ⁰

N ⁰ ⁰ ⁰ ⁰ ⁰ ⁰ ⁰ ⁰ ⁰ ⁰ ¹ ⁰ ¹ ¹ ⁰ ⁰ ¹ ⁰ ¹ ¹

Dữ liệu mẫu (Yi) giá trị mong muốn (target value) đạt được trong quá trình huấn luyện, là ma trận (trong khung in đậm - bảng 2) gồm 4 hàng (tương ứng với 4 cấp thích nghi, bằng số nơ ron ở lớp đầu ra), 20 cột (tương ứng với 20 đơn vị đất đai) được mã hóa tương ứng theo cấp thích nghi (ví dụ: xem bảng 2, cây cà phê thích nghi S1 trên LMU1, S2/LMU3, S3/LMU16, N/LMU20).

Quá trình huấn luyện hệ thống mạng nơ ron cho các LUT có cùng một bộ dữ liệu mẫu đầu vào (Xi), mỗi LUT sẽ có riêng một bộ dữ liệu (Yi). Như vậy, có bao nhiêu LUT cần đánh giá thích nghi đất đai thì có bấy nhiêu BlackBox_LUTj (đối với xã Tân Thành: j=1,2,...6).

(2) Huấn luyện mạng nơ ron (training):

Sau đây mô tả quá trình huấn luyện mạng nơ ron cho đánh giá thích nghi cây cà phê (hình 4).

Sau khi đã xây dựng xong bộ dữ liệu mẫu (Xi, Yi), dùng chương trình NNTool trong MABLAT 7.0 để huấn luyện mạng nơ ron (hình 4). Mô tả tóm tắt như sau:

- Khai báo các thông số của hệ thống mạng nơ ron : dùng thuật toán lan truyền ngược, khai báo số lớp, số nơ ron trong mỗi lớp.

- Trong hộp thoại inputs: nhập dữ liệu đầu vào Xi. - Trong hộp thoại Targets: nhập dữ liệu Y_i.

- Huấn luyện: click vào Train để huấn luyện, kết thúc quá trình huấn luyện thu được giá trị đầu ra ở ô output (là giá trị đầu ra Oi ) và giá trị sai số ở ô Errors (bộ sai số Ei = (Yi –Oi)² đạt giá trị nhỏ nhất).

(6)

Hình 4 : Huấn luyện mạng nơ ron (trong MATLAB 7.0)

Sử dụng ANN đã huấn luyện, kết quả thích nghi liên kết với GIS để xây dựng bản đồ khả năng thích nghi đất đai cho từng LUT, chồng xếp các bản đồ này thu được bản đồ khả năng thích nghi đất đai, kết quả thể hiện ở bảng 3.

Bảng 3: Kết quả đánh giá khả năng thích nghi đất đai –xã Tân Thành

Đơn vị đất đai LUT 1 LUT 2 LUT 3 LUT 4 LUT 5 LUT 6 D.Tích Tỷ lệ CODE (Lúa) (Rau) (Màu) (Chè) (Cà phê) (D. tằm) (ha) (%)

So1 Sl1 De1 Co2 Ir1 N S2 S1 S2 S1 S2 257 11,7

So1 Sl2 De1 Co2 Ir3 N N S1 S3 S2 S2 111 5,0

So2 Sl4 De2 Co2 Ir4 N N N S3 S3 N 92 4,2

So2 Sl5 De2 Co2 Ir2 N N N N N N 126 5,7

So4 Sl3 De3 Co1 Ir4 N N S3 N N S3 141 6,4

So6 Sl3 De1 Co1 Ir4 N N S3 N S3 S3 31 1,4

So8 Sl1 De2 Co2 Ir1 S2 S2 S2 S2 S2 S2 58 2,6

So9 Sl1 De2 Co2 Ir1 S1 S2 S1 N N N 81 3,7

So9 Sl2 De1 Co2 Ir1 S2 S2 S1 N N N 59 2,7

Sông suối, hồ đập 143 6,5

Tổng diện tích tự nhiên 2200 100,0

Dữ liệu input (Xi)

Dữ liệu (Yi)

Mạng nơ ron được huấn luyện

với bộ dữ liệu mẫu

(Xi,Yi)

Giá trị đầu ra (Oi)

Giá trị sai số (Ei)

(7)

Ứng dụng GIS và ANN trong đánh giá đất đai xã Tân Thành cho kết quả (bảng 3) phù hợp với kết quả đánh giá thích nghi đất đai theo phương pháp truyền thống.

4. KẾT LUẬN

Mạng nơ ron có thể được huấn luyện để mô phỏng theo phương pháp đánh giá đất đai của FAO. GIS là công cụ rất hữu ích trong phân tích dữ liệu không gian, nó cung cấp thông tin trực quan, kịp thời và chính xác. Tích hợp ANN và GIS trong đánh giá đất đai sẽ tiết kiệm thời gian, nâng cao năng suất lao động, kết quả hỗ trợ rất tốt cho các nhà quản lý trong quá trình ra quyết định.

Mô hình tích hợp ANN và GIS trong đánh giá thích nghi đất đai đã được kiểm chứng ở nhiều địa phương, nhiều cấp và ở nhiều tỷ lệ khác nhau, kết quả tương đối phù hợp với phương pháp cổ điển. Do đó, có thể nhân rộng mô hình này cho đánh giá đất đai ở các địa phương khác trong toàn quốc.

5. TÀI LIỆU THAM KHẢO

[1]. Bùi Công Cường, Nguyễn Doãn Phước (2006), Hệ mờ - mạng nơ ron và ứng dụng, NXB Khoa học Kỹ thuật (in lần thứ hai).

[2]. Ben Kroese, Patrick Van der Smagt (1996), An introduction Neural Network, The University of Amsterdam, The Netherlands.

[3]. FAO (1976), A framework for land evaluation, soils bulletin 32, Rome, Italy.

[4]. Martin T. Hagan, Howard B. Dmuth (1996), Neural Network Design, PWS Publishing Company, USA.

APPLIED ARTIFICIAL NEURAL NETWORK AND GIS IN LAND EVALUATION RESOURCES FOR TAN THANH VILLAGE –DUC

TRONG DISTRICT – LAM DONG PROVINCE

Le Canh Dinh

Sub-National Institute for Agricultural Planning and Projection (Sub-NIAPP in the South) Email: [email protected].

ABSTRACT: Objective of this study is applied information technology in land evaluation resources.

We design an ANN that has 3 layers: input layer has 5 neurons; hidden layer has 6 neurons; output layer has 4 neurons. An error back-propagation was used for training a neural network system. Result of training is a BlackBox. GIS is applied for building a Land Mapping Unit by using overlay function to unite some Land Characteristics. Attribute file of LMU has been imported into BlackBox.

BlackBox were stored the knowledge base as “a FAO framework for land evaluation” for each land use type (LUT). BlackBox can calculate land evaluation and transfer the result to GIS to display the suitability map. The model case study of Tan Thanh village has given a good result that is similar to that of conventional method.

Keywords: Artificial Neural network, GIS, Land evaluation resources.