Tóm tắt Luận án Tiến sĩ Quản lý đất đai: Nghiên cứu ảnh hưởng của một số yếu tố tự nhiên, kinh tế - xã hội đến biến động sử dụng đất trên địa bàn tỉnh Hưng Yên

Chia sẻ: _ _ | Ngày: | Loại File: PDF | Số trang:27

Thêm vào BST

Báo xấu

3
lượt xem 2
download

Download Vui lòng tải xuống để xem tài liệu đầy đủ

Tóm tắt Luận án Tiến sĩ Quản lý đất đai "Nghiên cứu ảnh hưởng của một số yếu tố tự nhiên, kinh tế - xã hội đến biến động sử dụng đất trên địa bàn tỉnh Hưng Yên" được nghiên cứu với mục tiêu: Nghiên cứu ảnh hưởng của một số yếu tố tự nhiên, kinh tế - xã hội đến biến động sử dụng đất nông nghiệp trên địa bàn tỉnh Hưng Yên; Dự báo xu hướng biến động sử dụng đất nông nghiệp trên địa bàn tỉnh Hưng Yên giai đoạn 2022 - 2032 và đề xuất một số giải pháp nâng cao hiệu quả quản lý biến động sử dụng đất nông nghiệp tỉnh Hưng Yên.

Chủ đề:

Bình luận(0) Đăng nhập để gửi bình luận!

Lưu

Nội dung Text: Tóm tắt Luận án Tiến sĩ Quản lý đất đai: Nghiên cứu ảnh hưởng của một số yếu tố tự nhiên, kinh tế - xã hội đến biến động sử dụng đất trên địa bàn tỉnh Hưng Yên

HỌC VIỆN NÔNG NGHIỆP VIỆT NAM LÊ THỊ LAN NGHIÊN CỨU ẢNH HƯỞNG CỦA MỘT SỐ YẾU TỐ TỰ NHIÊN, KINH TẾ - XÃ HỘI ĐẾN BIẾN ĐỘNG SỬ DỤNG ĐẤT TRÊN ĐỊA BÀN TỈNH HƯNG YÊN Ngành: Quản lý đất đai Mã số: 9 85 01 03 TÓM TẮT LUẬN ÁN TIẾN SĨ NHÀ XUẤT BẢN HỌC VIỆN NÔNG NGHIỆP – 2024
Công trình được hoàn thành tại: HỌC VIỆN NÔNG NGHIỆP VIỆT NAM Người hướng dẫn: PGS.TS. Trần Quốc Vinh PGS.TS. Phạm Quý Giang Phản biện 1: PGS.TS. Trần Thị Phượng Trường Đại học Nông lâm, Đại học Huế Phản biện 2: PGS.TS. Lê Văn Thơ Trường Đại học Nông lâm, Đại học Thái Nguyên Phản biện 3: TS. Nguyễn Bá Long Tường Đại học Lâm Nghiệp Luận án sẽ được bảo vệ trước Hội đồng đánh giá luận án cấp Học viện họp tại: Có thể tìm hiểu Luận án tại: - Thư viện Quốc gia Việt Nam - Trung tâm Thông tin - Thư viện Lương Định Của, Học viện Nông nghiệp Việt Nam
PHẦN 1: MỞ ĐẦU 1.1. TÍNH CẤP THIẾT CỦA ĐỀ TÀI Trong quá trình phát triển của xã hội, sử dụng đất (SDĐ) và biến động SDĐ là điều tất yếu của lịch sử. Kết quả của quá trình biến động SDĐ vừa mang lại lợi ích trong phát triển kinh tế xã hội (KTXH) vừa gây ra những hậu quả không mong muốn cho con người nói riêng và trái đất nói chung. Biến động SDĐ là kết quả tổng hợp giữa các nhân tố bao gồm cả yếu tố sinh, địa lý và yếu tố KTXH cũng như mối quan hệ tương tác giữa chúng (Van Asselen & Verburg, 2013). Do đó có thể xếp nguyên nhân gây ra sự biến động SDĐ thành 2 nhóm gồm: (1) Các yếu tố tự nhiên và (2) Các yếu tố KTXH. Mỗi nhóm yếu tố đều đóng vai trò quan trọng khác nhau chỉ ra những nguyên nhân dẫn đến sự biến động trong quá trình SDĐ của con người. Việc nghiên cứu xác định được các yếu tố tác động đến biến động SDĐ là cần thiết nhằm cung cấp thêm cơ sở khoa học cho việc xây dựng phương án quy hoạch, chuyển đổi mục đích SDĐ và tầm nhìn SDĐ trong tương lai cho các địa phương với những điều kiện xác định cụ thể. Tỉnh Hưng Yên có vị trí cửa ngõ phía đông của thủ đô Hà Nội, thuộc khu vực đồng bằng sông Hồng, địa hình bằng phẳng, đất đai màu mỡ, phì nhiêu, nằm trong vùng trọng điểm kinh tế phía Bắc, trung tâm của tam giác phát triển Hà Nội - Hải Phòng - Quảng Ninh. Tổng diện tích tự nhiên của Hưng Yên là 93.019,8 ha với mật độ dân số trung bình đứng thứ 4 cả nước (1.400 người/km2), có tốc độ tăng trưởng GRDP đứng thứ 5 toàn quốc (13,5%) trong năm 2023 (Cục Thống kê tỉnh Hưng Yên, 2023). Với tốc độ đô thị hóa, công nghiệp hóa mạnh mẽ như hiện nay, quá trình biến động SDĐ đặc biệt là biến động SDĐ nông nghiệp đang diễn ra rất đa dạng và phức tạp trên toàn tỉnh. Quá trình này chịu sự chi phối của rất nhiều yếu tố về tự nhiên, KTXH xung quanh và mối quan hệ giữa các yếu tố này. Vì vậy việc thực hiện đề tài “Nghiên cứu ảnh hưởng của một số yếu tố tự nhiên, kinh tế - xã hội đến biến động sử dụng đất trên địa bàn tỉnh Hưng Yên” nhằm góp phần phục vụ công tác quản lý Nhà nước đối với đất đai được hiệu quả hơn, đặc biệt là để bảo vệ được diện tích đất nông nghiệp phì nhiêu, màu mỡ của Hưng Yên nói riêng và khu vực Đồng bằng sông Hồng nói chung. 1.2. MỤC TIÊU CỦA ĐỀ TÀI - Nghiên cứu ảnh hưởng của một số yếu tố tự nhiên, kinh tế - xã hội đến BĐSDĐ nông nghiệp trên địa bàn tỉnh Hưng Yên. - Dự báo xu hướng BĐSDĐ nông nghiệp trên địa bàn tỉnh Hưng Yên giai đoạn 2022 - 2032 và đề xuất một số giải pháp nâng cao hiệu quả quản lý BĐSDĐ nông nghiệp tỉnh Hưng Yên. 1.3. ĐỐI TƯỢNG VÀ PHẠM VI NGHIÊN CỨU 1.3.1. Đối tượng nghiên cứu - Tình hình biến động SDĐ nông nghiệp trên địa bàn tỉnh Hưng Yên. - Các yếu tố tự nhiên, KTXH ảnh hưởng đến biến động SDĐ nông nghiệp trên địa bàn tỉnh Hưng Yên. 1.3.2. Phạm vi nghiên cứu - Phạm vi về không gian: Luận án thực hiện trên địa bàn tỉnh Hưng Yên; - Phạm vi thời gian nghiên cứu: Luận án nghiên cứu SDĐ và phân tích biến động SDĐ nông nghiệp giai đoạn 2012 - 2022. 1
1.4. NHỮNG ĐÓNG GÓP MỚI CỦA ĐỀ TÀI - Luận án xác định được ảnh hưởng của một số yếu tố tự nhiên, kinh tế - xã hội đến biến động sử dụng đất nông nghiệp tỉnh Hưng Yên. Ở vùng phía Bắc tỉnh Hưng Yên, yếu tố ảnh hưởng lớn đến biến động sử dụng đất nông nghiệp theo thứ tự là yếu tố chính sách đất đai, yếu tố kinh tế, yếu tố phát triển cơ sở hạ tầng và yếu tố vị trí. Ở vùng phía nam tỉnh Hưng Yên, yếu tố ảnh hưởng lớn đến biến động sử dụng đất nông nghiệp theo thứ tự là yếu tố chính sách đất đai, yếu tố phát triển cơ sở hạ tầng, yếu tố kinh tế và yếu tố vị trí. - Dự báo được xu hướng biến động sử dụng đất nông nghiệp tỉnh Hưng Yên, giai đoạn 2022 - 2032 trên địa bàn tỉnh bằng mô hình mạng nơron học sâu đa lớp MLP, dựa trên định lượng thực tế mức độ ảnh hưởng của các yếu tố tự nhiên, kinh tế - xã hội đến biến động sử dụng đất trên địa bàn khu vực nghiên cứu. 1.5. Ý NGHĨA KHOA HỌC VÀ THỰC TIỄN CỦA ĐỀ TÀI 1.5.1. Ý nghĩa khoa học - Kết quả nghiên cứu của đề tài đã luận giải và góp phần làm rõ những yếu tố ảnh hưởng đến biến động SDĐ nông nghiệp của khu vực nghiên cứu giai đoạn 2012 - 2022 và dự báo biến động SDĐ nông nghiệp theo kịch bản SDĐ của địa phương đến năm 2032. - Mức độ ảnh hưởng một số yếu tố tự nhiên, kinh tế - xã hội đến biến động sử dụng đất nông nghiệp trên địa bàn khu vực nghiên cứu mà luận án xác định được sẽ là cơ sở khoa học phục vụ xây dựng chính sách quản lý sử dụng đất, phương án quy hoạch sử dụng đất hiệu quả, tiết kiệm trong điều kiện cụ thể ở tỉnh Hưng Yên và các tỉnh đồng bằng sông Hồng. 1.5.2. Ý nghĩa thực tiễn - Kết quả nghiên cứu của luận án cung cấp thông tin, bản đồ, số liệu về biến động sử dụng đất nông nghiệp của khu vực nghiên cứu theo thời gian và không gian giúp cho cơ quan quản lý đất đai nắm được diễn biến và xu hướng biến động sử dụng đất nông nghiệp của khu vực nghiên cứu. Luận án góp phần bổ sung cơ sở thực tiễn trong nghiên cứu đánh giá biến động sử dụng đất bằng công nghệ Viễn thám, phân tích không gian và ứng dụng mô hình mạng nơ ron học sâu đa lớp MLP để mô phỏng biến động sử dụng đất của khu vực nghiên cứu. - Luận án đã đề xuất một số giải pháp nhằm nâng cao hiệu quả quản lý biến động sử dụng đất nông nghiệp trên địa bàn tỉnh Hưng Yên. PHẦN 2: TỔNG QUAN TÀI LIỆU 2.1. CƠ SỞ LÝ LUẬN CỦA VẤN ĐỀ NGHIÊN CỨU 2.1.1. Tổng quan về biến động sử dụng đất và các yếu tố ảnh hưởng đến biến động sử dụng đất 2.1.1.1. Các khái niệm liên quan về sử dụng đất, biến động sử dụng đất a. Đất đai Theo Công ước chống sa mạc hoá của Liên hợp quốc (2018), đất đai được định nghĩa là một khu vực có thể phân định của bề mặt Trái đất, bao gồm tất cả các thuộc tính của sinh quyển ngay phía trên hoặc bên dưới bề mặt này, bao gồm các thuộc tính của khí hậu bề mặt, dạng đất và địa đình, thuỷ văn bề mặt (bao gồm các hồ nông, sông, đầm lầy), các lớp trầm tích bề mặt và dự trữ nước ngầm liên quan, quần thể thực vật và động vật (đa dạng sinh học), mô hình định cư của con người và kết quả vật lý của hoạt động của con người trong quá khứ và hiện tại (ruộng bậc thang, công trình lưu trữ nước hoặc thoát nước, đường xá, toà nhà …) (FAO, 2022). 2
b. Đất nông nghiệp Ðất nông nghiệp được hiểu là diện tích đất canh tác, trồng cây lâu năm hoặc là những đồng cỏ lâu dài. Ðất canh tác bao gồm đất trồng cây hàng năm; đất trồng cây lâu năm là đất trồng các loại cây lâu dài và không cần trồng lại sau mỗi vụ thu hoạch; đồng cỏ lâu dài là đất được sử dụng từ 5 năm trở lên để làm thức ăn gia súc, bao gồm cả cây tự nhiên và cây trồng (OECD, 2022). c. Sử dụng đất và sử dụng đất nông nghiệp Tổ chức Lương thực và Nông nghiệp Liên Hợp Quốc (FAO) định nghĩa sử dụng đất như sau: "Sử dụng đất đề cập đến các sắp xếp, hoạt động và đầu vào mà con người thực hiện trên một loại lớp phủ đất nhất định để sản xuất, thay đổi hoặc duy trì nó" (FAO, 2022). Sử dụng đất nông nghiệp là các hoạt động của con người với công cụ sản xuất tác động vào đất đai nhằm tạo ra các sản phẩm nông nghiệp phục vụ cho mục đích của mình. Kết quả sử dụng đất nông nghiệp tuỳ thuộc vào trình độ của con người, công nghệ áp dụng và cơ chế chính sách (Nguyễn Thị Kim Yến, 2016). 2.1.1.2. Biến động sử dụng đất Biến động sử dụng đất là những sự thay đổi trong việc sử dụng hoặc quản lý đất đai của con người. Sự phát triển của kinh tế xã hội, sự gia tăng dân số đã tác động lớn đến tình hình sử dụng đất, làm đất đai biến động lớn và thay đổi theo thời gian. Biến động sử dụng đất là không chỉ bao gồm các thay đổi về diện tích, hình dạng mà còn bao gồm cả những thay đổi về đa dạng sinh học, chất lượng đất, dòng chảy và tốc độ bồi tụ cùng các thuộc tính khác trên mặt đất của trái đất (Pachauri, 2007). Biến động SDĐ thường được chia thành hai loại chính: chuyển đổi và sửa đổi, Muller & Zeller (2002), trong đó: - Chuyển đổi: Là sự thay đổi từ một loại hình sử dụng đất này sang một loại hình khác (ví dụ: từ rừng sang đồng cỏ hoặc từ đất nông nghiệp sang đất ở). - Sửa đổi: Là sự thay đổi nội tại trong một loại hình sử dụng đất, thể hiện qua việc thay đổi các thuộc tính vật lý hoặc chức năng của nó (ví dụ: chuyển từ rừng tự nhiên sang rừng trồng hoặc áp dụng thâm canh tăng vụ). Có thể thấy biến động SDĐ là một quá trình phức tạp. Biến động SDĐ làm thay đổi về hình dạng, diện tích, chất lượng đất, đa dạng sinh học và các thuộc tính khác của lớp phủ trái đất (Lê Thị Thu Hà, 2016). Biến động SDĐ còn liên quan đến sự gia tăng dân số, phát triển thị trường, sự phát triển khoa học công nghệ và sự thay đổi thể chế, chính sách (Nguyễn Thị Thu Hiền, 2014). Biến động SDĐ nông nghiệp là quá trình các hoạt động của con người làm thay đổi mục đích SDĐ nông nghiệp được thúc đẩy bởi các khuyến khích kinh tế nhằm đảm bảo sự tồn tại của con người (Appelt & cs, 2022). Biến động SDĐ nông nghiệp gồm: (1) thay đổi diện tích đất nông nghiệp, (2) thay đổi cơ cấu cây trồng vật nuôi và (3) sự suy giảm chất lượng đất nông nghiệp. 2.1.2.3. Hệ thống phân loại sử dụng đất a. Một số hệ thống phân loại sử dụng đất trên Thế giới - Hệ thống phân loại SDĐ của FAO: thường có xu hướng tập trung hơn vào hệ thống phân loại đất nông nghiệp bởi lĩnh vực quan tâm chủ yếu của FAO là lương thực. Hệ thống phân loại lớp phủ mặt đất FAOLCC chia ra theo 3 cấp chính: (1) Cấp 1 (Level 1): Phân ra thành 2 3
loại theo đặc điểm có hay không có lớp phủ thực vật của bề mặt đất; (2) Cấp 2 (Level 2): Phân ra thành 4 loại theo nguyên tắc chia các loại của cấp 1 theo đặc điểm ngập nước hay không ngập nước của bề mặt đất và (3) Cấp 3 (Level 3): Phân ra thành 8 loại theo nguyên tắc chia các loại của cấp 2 theo tính chất tự nhiên hay nhân tạo của bề mặt đất. - Hệ thống phân loại sử dụng đất của Mỹ: Hệ thống phân loại SDĐ cơ bản của Mỹ do Cơ quan Khảo sát Địa chất Hoa Kỳ (USGS) phát triển có nhiều cấp độ phân loại khác nhau: Cấp I là phân loại tổng hợp gồm các loại SDĐ cơ bản; Cấp II là loại SDĐ và che phủ ở mức độ chi tiết; Cấp III, cấp IV là các lớp chi tiết hơn loại SDĐ và che phủ theo mức độ, được lấy làm cơ sở để xây dựng bản đồ (Lagro J. A. Jr., 2005). - Hệ thống phân loại sử dụng đất CORINE (Châu Âu) chia ra theo 3 cấp: (1) Cấp 1 (Level 1): Phân ra thành 5 loại theo trạng thái bề mặt tổng thể của trái đất là lớp phủ nhân tạo, đất nông nghiệp, rừng và các vùng bán tự nhiên, đất ẩm ướt, mặt nước phù hợp với bản đồ tỷ lệ nhỏ phủ trùm toàn cầu; (2) Cấp 2 (Level 2): Phân ra thành 15 loại theo đặc điểm che phủ của thực vật; và (3) Cấp 3 (Level 3): Phân ra thành 44 loại chi tiết hơn tuỳ theo đặc điểm của đối tượng cũng như khu vực nghiên cứu. Thực tế cho thấy rằng không có phân loại quốc tế về SDĐ và độ che phủ đất được sử dụng thống nhất cho mọi quốc gia. Tuy nhiên hệ thống phân loại SDĐ CORINE được xây dựng dựa trên cơ sở nguyên tắc của FAOLCC có sự điều chỉnh cho phù hợp với đặc điểm của khu vực nên được coi là hệ thống phân loại SDĐ phổ biến nhất. b. Hệ thống phân loại sử dụng đất ở Việt Nam Theo Điều 9 Luật đất đai 2024 và Điều 4 Nghị định số 102/2024/NĐ-CP hướng dẫn thi hành luật đất đai, đất đai được chia thành 3 nhóm: nông nghiệp, phi nông nghiệp và chưa sử dụng. Hệ thống phân loại này được xây dựng và hoàn thiện dựa trên các đặc điểm tự nhiên và xã hội của Việt Nam, do đó phản ánh tốt hơn tình hình sử dụng đất trong nước, giúp cho việc quản lý đất đai, quy hoạch sử dụng đất. Tuy nhiên, so với các hệ thống phân loại quốc tế như FAOLCC, hệ thống của Việt Nam khó tương thích, gây khó khăn trong việc so sánh dữ liệu giữa các quốc gia đồng thời việc phân loại đất ở cấp địa phương gặp khó khăn do sự đa dạng về điều kiện tự nhiên và xã hội. Hệ thống phân loại này chưa tận dụng được tối đa công nghệ thông tin và GIS, gây hạn chế trong việc khảo sát hiện trạng thường xuyên và cập nhật hệ thống phân loại có thể gặp nhiều thách thức, đặc biệt trong bối cảnh biến đổi khí hậu và biến động sử dụng đất diễn ra mạnh mẽ. 2.1.1.4. Các yếu tố ảnh hưởng đến biến động sử dụng đất nông nghiệp a. Nhóm các yếu tố tự nhiên Các yếu tố tự nhiên như vị trí địa lý, địa hình, khí hậu, thổ nhưỡng... và các quá trình tự nhiên có tác động trực tiếp đến biến động SDĐ hoặc tương tác với các quá trình ra quyết định của con người dẫn đến biến động SDĐ (Briassoulis, 2002). Mỗi khu vực địa lý khác nhau có đặc điểm khác nhau về điều kiện tự nhiên nên ảnh hưởng đến hiệu quả SDĐ khác nhau. Khí hậu là một trong những nhân tố liên quan đến sự hình thành đất và hệ sinh thái vì thế nó ảnh hưởng đến SDĐ và biến động SDĐ bởi sự phân bố và phát triển cây trồng vật nuôi phụ thuộc vào điều kiện ngoại cảnh. Địa hình và thổ nhưỡng đều ảnh hưởng đến việc chuyển đổi SDĐ (trong nội bộ đất nông nghiệp hoặc từ đất nông nghiệp sang đất phi nông nghiệp) nên cũng là nhân tố tác động lớn đến biến động SDĐ. Yếu tố thủy văn ảnh hưởng trực tiếp tới khả năng cung cấp nước cho các yêu cầu SDĐ của từng loại SDĐ khác nhau nên ở những khu vực gần 4
nguồn nước biến động SDĐ và lớp phủ diễn ra mạnh hơn. Thảm thực vật cũng là nhân tố tác động mạnh đến biến động SDĐ bởi lớp phủ trên bề mặt đất mà thảm thực vật tạo ra sẽ tác động đến nguồn nước và yếu tố khác của đất đai. Ngoài ra, các tai biến thiên nhiên như cháy rừng, sâu bệnh, trượt lở đất, lũ lụt, hạn hán... cũng tác động đến biến động SDĐ (IPCC, 2019). b. Nhóm các yếu tố kinh tế - xã hội Các yếu tố KTXH có ảnh hưởng trực tiếp đến biến động SDĐ bao gồm yếu tố đô thị hoá, công nghiệp hoá, yếu tố nhân khẩu học, công nghệ, chính sách kinh tế, thể chế và văn hóa. Sự ảnh hưởng của mỗi yếu tố thay đổi khác nhau theo từng khu vực và từng quốc gia (Lijuan Li & cs., 2023). Yếu tố đô thị hoá và công nghiệp hoá có tác động mạnh mẽ đến BĐSDĐ, không chỉ qua sự thay đổi về mặt không gian, mà còn ảnh hưởng sâu rộng đến các yếu tố kinh tế - xã hội khác như gia tăng dân số, sự phát triển mạnh mẽ của cơ sở hạ tầng, nhu cầu sử dụng đất tăng... Sự gia tăng hoặc suy giảm dân số sẽ tác động trực tiếp đến quá trình SDĐ và biến động đất đai do thay đổi nhu cầu đặc biệt là ở khu vực nhiệt đới và cận nhiệt đới. Bên cạnh đó, các yếu tố về kinh tế và trình độ phát triển khoa học công nghệ cũng là nhân tố góp phần làm cho quá trình SDĐ biến động mạnh mẽ như các chính sách kinh tế, GDP, thị trường tiêu thụ, hệ thống CSHT, trình độ phát triển của khoa học công nghệ kỹ thuật mới... Không chỉ vậy, hệ thống chính sách pháp luật và thể chế chính trị cũng là nhân tố tác động mạnh mẽ tới quá trình SDĐ và sự biến động SDĐ bởi có nhiều quy định ràng buộc. Các yếu tố về văn hóa, xã hội cũng là yếu tố ảnh hưởng tới quá trình SDĐ và biến động SDĐ bởi chúng tác động đến quyết định SDĐ của con người. 2.1.2. Phương pháp mô hình hóa dự báo biến động sử dụng đất 2.1.2.1. Khái niệm mô hình, mô hình hóa và mô hình hóa không gian Mô hình là một công cụ quan trọng trong nhiều lĩnh vực nghiên cứu, là một đại diện, một hình ảnh hoặc ý niệm phản ánh một sự vật hoặc quá trình có thực đang tồn tại hoặc có thể xuất hiện trong tương lai. Mô hình này thể hiện các thuộc tính cơ bản, các nguyên lý chính, và những đặc điểm nổi bật của đối tượng hoặc quá trình nghiên cứu, được trình bày một cách tinh giản, khái quát và dễ hiểu. Theo Đặng Thành Hưng (2017), mô hình không chỉ giúp ta hình dung về thế giới xung quanh mà còn đóng vai trò quan trọng trong việc nghiên cứu và thực nghiệm, giúp con người tìm ra các quy luật vận hành của sự vật, hiện tượng. Mô hình hóa không gian (Spatial modeling): Là quá trình mô hình hóa sử dụng những thông tin không gian làm dữ liệu đầu vào. Thông qua thuộc tính của các dạng dữ liệu, việc khái quát hóa và mô phỏng thế giới thực dựa trên các hàm toán cụ thể. Với lợi thế về mô phỏng thông tin không gian, kết quả của quá trình mô hình hóa không gian sẽ cho hình ảnh trực quan cũng như quy luật vận động, thay đổi của một đối tượng nhất định trong thực tế (Grayson & cs., 2000). 2.1.2.2. Mô hình hóa dự báo biến động sử dụng đất Việc thay đổi SDĐ không phải lúc nào cũng đem lại lợi ích cho cuộc sống con người. Để giảm những tác động tiêu cực từ BĐSDĐ, tiếp cận một cách hệ thống là một quá trình mà con người dự định BĐSDĐ dựa trên các mục tiêu đề ra kết hợp với các chức năng của hệ thống SDĐ hiện tại. Để dự báo tình hình SDĐ chính xác phục vụ định hướng việc sắp xếp hợp lý các loại SDĐ, nâng cao hiệu quả về mặt kinh tế, không ảnh hưởng đến môi trường thì việc ứng dụng các mô hình hóa, phương pháp là rất cần thiết. Mô phỏng và dự báo SDĐ trong tương lai giúp các nhà quy hoạch đô thị và các nhà hoạch định chính sách dự đoán và quản lý sự phát triển và mở rộng đô thị. Bằng cách mô phỏng các kịch bản khác nhau, họ có thể đánh giá tác động tiềm tàng của 5
những thay đổi trong việc SDĐ trong tương lai đối với CSHT, giao thông và môi trường. Thông tin này có thể hỗ trợ việc phát triển các chính sách và kế hoạch phát triển đô thị bền vững (Hafiz Usman Ahmed, 2023). Nhiều mô hình nghiên cứu BĐSDĐ đã được được tạo ra và mỗi mô hình đều có những ưu điểm và nhược điểm riêng, cụ thể: a. Mô hình Markov: là một trong những mô hình nổi tiếng, được sử dụng phổ biến và đáng tin cậy để theo dõi và lập mô hình sinh thái, đồng thời mô phỏng các thay đổi, xu hướng và dự đoán kịch bản tương lai ở quy mô không gian đa dạng (Ahmed, 2023). Hạn chế chính của mô hình này là nó không thể phân bổ không gian các BĐSDĐ cũng như đưa các yếu tố ảnh hưởng đến BĐSDĐ vào mô hình dự báo. b. Máy tự động di động (CA- cellular automata): CA là một kỹ thuật động có thể mô tả và quản lý các xu hướng không gian phức tạp và phi tuyến. Nó cung cấp sự hiểu biết rõ ràng về cách BĐSDĐ chuyển từ hành vi xã hội sang các mô hình phổ quát. Loại vùng lân cận, kích thước vùng lân cận, kích thước ô và quy tắc chuyển tiếp chiếm phần lớn trong mô hình CA. Những cài đặt này tạo ra kết quả mô phỏng tốt nhất. Quy tắc chuyển đổi, điều khiển mô hình là quy tắc thông số quan trọng nhất trong mô hình này. Điều kiện của mỗi bước tiếp theo phụ thuộc vào trạng thái hiện tại của ô đó và các ô lân cận xung quanh nó được gọi là quy tắc chuyển tiếp. Quy tắc chuyển đổi cho thấy mức độ phức tạp về mặt địa lý và thời gian của lớp phủ mặt đất phát triển theo thời gian như thế nào (Meng & cs., 2019). Mô hình này có một lỗ hổng lớn ở chỗ nó không thể tính đến các động lực ở quy mô vĩ mô, chẳng hạn như các yếu tố xã hội, kinh tế và văn hóa trong khi đó đây là các yếu tố chính tác động đến BĐSDĐ và sự mở rộng đô thị. c. Mô hình mạng nơ ron học sâu đa lớp MLP: loại mô hình mạng nơ-ron nhân tạo (artificial neural network). MLP là một kiến trúc mạng nơ-ron feedforward, trong đó các nơ-ron được tổ chức thành các lớp liên kết theo chiều tiến (feedforward) từ lớp đầu vào đến lớp đầu ra. Mỗi nơ-ron trong một MLP được kết nối với các nơ-ron trong lớp trước đó và lớp sau đó. Các kết nối này có trọng số và mỗi nơ-ron tính tổng trọng số đầu vào của nó, áp dụng một hàm kích hoạt phi tuyến (nonlinear activation function) và truyền kết quả đến các nơ-ron trong lớp tiếp theo. MLP được sử dụng rộng rãi trong lĩnh vực học máy (machine learning) và trong các nhiệm vụ như phân loại (classification), dự đoán (prediction) và xử lý dữ liệu. Mô hình này có khả năng học các hàm phi tuyến phức tạp và có khả năng xấp xỉ bất kỳ hàm liên tục nào thông qua việc điều chỉnh trọng số của các kết nối nơ-ron. Thường thì MLP có ít nhất hai lớp ẩn (hidden layers) giữa lớp đầu vào và lớp đầu ra. Các lớp ẩn này giúp mô hình học được các biểu diễn tương đối phức tạp của dữ liệu đầu vào. MLP là một trong những mô hình mạng nơ-ron phổ biến nhất và đã được áp dụng thành công trong nhiều lĩnh vực khác nhau của học máy và trí tuệ nhân tạo. MLP cho bài toán dự báo: MLP có thể được sử dụng cho bài toán dự báo trong học máy. Các bước sử dụng mô hình MLP cho bài toán dự báo bao gồm: + Chuẩn bị dữ liệu: Chuẩn bị dữ liệu dự báo bao gồm việc xác định dữ liệu đầu vào và đầu ra. Dữ liệu đầu vào có thể là các biến độc lập (features) mà người dùng sử dụng để dự báo, trong khi dữ liệu đầu ra là giá trị mà người dùng muốn dự đoán. + Chuẩn hóa dữ liệu: Đối với MLP, thường cần chuẩn hóa dữ liệu để đảm bảo các biến đầu vào nằm trong khoảng giá trị thích hợp (ví dụ: từ 0 đến 1 hoặc -1 đến 1). Điều này giúp tăng tốc độ huấn luyện và giảm khả năng bị ảnh hưởng bởi các biến có giá trị lớn hơn. 6
+ Xây dựng mô hình MLP: Xác định kiến trúc của MLP bằng cách xác định số lượng lớp ẩn, số lượng nơ-ron trong mỗi lớp ẩn và hàm kích hoạt cho mỗi nơ-ron. Thông thường, người dùng có thể sử dụng các lớp ẩn có số nơ-ron từ 1 đến vài chục, tùy thuộc vào độ phức tạp của bài toán và kích thước dữ liệu. + Huấn luyện mô hình: Sử dụng dữ liệu huấn luyện để huấn luyện mô hình MLP. Quá trình huấn luyện bao gồm lan truyền tiến (forward propagation) để tính toán đầu ra dự đoán và lan truyền ngược (backpropagation) để điều chỉnh trọng số và ngưỡng của các nơ-ron dựa trên hàm mất mát (loss function). Quá trình này được lặp lại qua nhiều vòng lặp cho đến khi mô hình hội tụ và hàm mất mát đạt giá trị tối thiểu. + Đánh giá và sử dụng mô hình: Sau khi mô hình được huấn luyện, người dùng có thể đánh giá hiệu suất dự báo của nó bằng cách sử dụng dữ liệu kiểm tra hoặc dữ liệu không được sử dụng trong quá trình huấn luyện (dữ liệu kiểm tra). Người dùng cũng có thể sử dụng mô hình để dự đoán giá trị cho các mẫu dữ liệu mới. Cần lưu ý rằng việc xây dựng và huấn luyện mô hình MLP có thể phức tạp và yêu cầu điều chỉnh các tham số như learning rate, số lượng vòng lặp, số lượng nơ-ron trong mỗi lớp ẩn, và hàm kích hoạt. Các phương pháp tối ưu hóa như suy giảm độ dốc (gradient descent) và các biến thể của nó thường được sử dụng để tối thiểu hóa hàm mất mát và tìm ra các trọng số tối ưu cho mô hình MLP.  Ưu điểm và nhược điểm của mô hình MLP: Mô hình Multilayer Perceptron có những ưu điểm và nhược điểm khi được sử dụng trong bài toán dự báo. Dưới đây là một số ưu điểm và nhược điểm quan trọng: Ưu điểm: + Khả năng học biểu diễn phi tuyến: MLP có khả năng học các biểu diễn phi tuyến phức tạp, cho phép nắm bắt mối quan hệ phi tuyến giữa các biến đầu vào và đầu ra. Điều này làm cho MLP linh hoạt và mạnh mẽ trong việc mô hình hóa các dữ liệu không tuyến tính. + Xử lý đa chiều: MLP có thể xử lý các bài toán dự báo đa chiều, trong đó có nhiều biến đầu vào và đầu ra. Điều này hữu ích khi người dùng cần dự báo một tập hợp các giá trị đầu ra dựa trên nhiều biến đầu vào. + Tính linh hoạt về kiến trúc: MLP cho phép người dùng tùy chỉnh kiến trúc mô hình bằng cách thay đổi số lượng lớp ẩn, số lượng nơ-ron trong mỗi lớp và hàm kích hoạt. Điều này giúp tùy chỉnh mô hình để phù hợp với độ phức tạp của bài toán và kích thước dữ liệu. Nhược điểm: + Dễ bị overfitting: MLP có xu hướng dễ bị overfitting khi kích thước dữ liệu huấn luyện nhỏ hoặc khi mô hình quá phức tạp so với độ phức tạp thực tế của bài toán. Overfitting xảy ra khi mô hình học “quá nhớ” dữ liệu huấn luyện và không thể tổng quát hóa tốt cho dữ liệu mới. + Yêu cầu lượng dữ liệu lớn: MLP thường yêu cầu lượng dữ liệu huấn luyện lớn để đạt được hiệu suất tốt. Với ít dữ liệu, mô hình có thể gặp khó khăn trong việc học các mẫu và tổng quát hóa tốt cho dữ liệu mới. + Tính chất tốn thời gian: Quá trình huấn luyện mô hình MLP có thể tốn thời gian và tài nguyên tính toán, đặc biệt là với các kiến trúc phức tạp và lượng dữ liệu lớn. Điều này có thể làm giảm hiệu suất và đòi hỏi sự tinh chỉnh cẩn thận của các tham số huấn luyện. + Đòi hỏi điều chỉnh tham số: MLP có nhiều tham số cần được điều chỉnh, bao gồm số 7
lượng lớp ẩn, số lượng nơ-ron, hàm kích hoạt và tham số tối ưu hóa. Việc điều chỉnh tham số này có thể tốn thời gian và kỹ năng để tìm ra cấu hình tốt nhất cho bài toán cụ thể. Tóm lại, MLP có ưu điểm về khả năng học biểu diễn phi tuyến và xử lý đa chiều, và là một trong những mô hình mạng nơ - ron phổ biến nhất và đã được áp dụng thành công trong nhiều lĩnh vực khác nhau của học máy và trí tuệ nhân tạo trong đó nghiên cứu biến động bề mặt trái đất, tài nguyên thiên nhiên đã được minh chứng là đem lại kết quả tốt (Fattah & cs., 2021; AI- Hameedi & cs., 2021; Devi & cs., 2023). 2.2. CƠ SỞ THỰC TIỄN CỦA VẤN ĐỀ NGHIÊN CỨU 2.2.1. Sử dụng đất và biến động sử dụng đất trên thế giới và Việt Nam 2.2.1.1. Hiện trạng sử dụng đất trên thế giới Theo số liệu thống kê của FAO, tổng diện tích đất liền trên thế giới là khoảng 13 tỷ ha, không bao gồm Nam Cực và vùng nước nội địa. Năm 2021, diện tích đất nông nghiệp trên toàn thế giới là 4,8 tỷ ha trong khi diện tích đất lâm nghiệp và đất khác là 4,1 tỷ ha (FAOSTAT, 2021). Trong đất nông nghiệp, đất trồng trọt chiếm 1,6 tỷ ha (12% tổng diện tích đất thế giới), trong khi diện tích đồng cỏ cố định và đồng cỏ là 3,2 tỷ ha (25% tổng diện tích đất thế giới) trong đó đất canh tác chiếm 1,4 tỷ ha (88% tổng diện tích) và đất trồng cây lâu năm là 183 triệu ha (12%). 2.2.1.2. Tình hình biến động sử dụng đất trên thế giới Trong hơn 2 thập kỷ vừa qua, tình hình SDĐ trên thế giới có nhiều thay đổi, quá trình đô thị hóa, sự gia tăng dân số, các công ước bảo vệ rừng, bảo tồn các nguồn tài nguyên thiên nhiên đã làm thay đổi SDĐ và lớp phủ bề mặt. Nhiều nơi biến động SDĐ xảy ra theo chiều hướng tích cực nhưng có nhiều khu vực thì tình hình ngược lại. Trung bình mỗi năm diện tích đất rừng mất khoảng 7,3 triệu ha trên toàn thế giới do mở rộng sản xuất nông nghiệp, tăng diện tích đồng cỏ và đất đô thị (FAOSTAT, 2021) trong khi đó, đất đồng cỏ tăng lên khoảng 2,4 triệu ha. Một điều đáng mừng là diện tích đất trồng trọt đã tăng lên 6% trong vòng 20 năm nhưng do dân số tăng mạnh nên diên tích đất trồng trọt bình quân đầu người hiện nay là 0,2ha/người, giảm 18% so với năm 2000 (FAOSTAT, 2021). Đối với đất đô thị, tốc độ mở rộng đô thị toàn cầu khoảng 2,0 triệu ha mỗi năm, hầu hết đều được lấy từ đất nông nghiệp (khoảng 80% cho đất sản xuất nông nghiệp). Sự biến động này rất mạnh mẽ đặc biệt là ở những quốc gia đang phát triển. 2.2.2.3. Hiện trạng sử dụng đất ở Việt Nam Theo số liệu thống kê năm 2023, Việt Nam có tổng diện tích là 33.134.482 ha, trong đó đất nông nghiệp là 28.002.574 ha (chiếm 84,5%), đất phi nông nghiệp là 3.961.324 ha (chiếm 12%) và đất chưa sử dụng là 1.170.584 ha (chiếm 3,5%) tổng diện tích tự nhiên (Bộ TNMT, 2023). Về hiện trạng SDĐ cả nước theo các vùng địa lý tự nhiên - kinh tế tính đến ngày 31/12/2022: Vùng Trung du và Miền núi phía Bắc 9.518.413 ha; Vùng Đồng bằng sông Hồng 2.127.865 ha; Vùng Bắc Trung Bộ và Duyên hải miền Trung 9.586.061 ha; Vùng Tây Nguyên 5.454.831 ha; Vùng Đông Nam Bộ 2.355.141 ha; Vùng Đồng bằng sông Cửu Long 4.092.171 ha. Bình quân diện tích đất theo đầu người 3.027 m2 (Bộ TNMT, 2023) xếp thứ 68 trên thế giới. Tuy nhiên, bình quân diện tích đất canh tác trên đầu người rất thấp. 2.2.2.4. Tình hình biến động sử dụng đất ở Việt Nam Đối với nhóm đất nông nghiệp: Tính đến ngày 31/12/2022, tổng diện tích đất nông nghiệp là 28.002,5 nghìn ha, tăng 1.631,1 nghìn ha (gấp 1,07 lần) so với năm 2012 và tăng 7063 nghìn ha so với năm 2000. Như vậy, trung bình mỗi năm diện tích đất nông nghiệp tăng 321 nghìn ha. Có thể thấy diện tích đất nông nghiệp đang không ngừng được mở rộng trong đó 8
chủ yếu là đất sản xuất nông nghiệp và đất lâm nghiệp. Đối với nhóm đất phi nông nghiệp: Tính đến 31/12/2022, tổng diện tích đất phi nông nghiệp là 3.961,3 nghìn ha, chiếm 11,4% tổng diện tích tự nhiên, tăng 1052,2 nghìn ha so với năm 2012, tăng 1.209,1 nghìn ha (gấp1,37 lần) so với năm 2000. Trong đó biến động nhiều nhất là đất chuyên dùng và đất ở. Đối với đất chưa sử dụng: Đến năm 2022, tổng diện tích đất chưa sử dụng là 1.171 nghìn ha (chiếm 3,5% tổng diện tích tự nhiên), giảm 1.777,2 nghìn ha so với năm 2012, giảm 10.026,094 nghìn ha so với năm 2000. Điều này cho thấy thực tế sau 20 năm biến động, quỹ đất chưa sử dụng của nước ta còn lại không nhiều. 2.3. CÁC CÔNG TRÌNH NGHIÊN CỨU LIÊN QUAN TRÊN THẾ GIỚI VÀ VIỆT NAM 2.3.1. Các công trình nghiên cứu về biến động sử dụng đất và mối quan hệ với các yếu tố tự nhiên, kinh tế xã hội trên thế giới Trên thế giới có nhiều công trình nghiên cứu của các tác giả như Zdeněk năm 2013; Lambin năm 2006; Jan Kabrda năm 2004 và năm 2007; Ataollah Kelarestaghi và cộng sự năm 2011; Wijitkosum năm 2012; Suzanchi and Kaur năm 2011; Chawla năm 2012; Douangsavanh năm 2011;…. đều chỉ ra những nguyên nhân khác nhau ảnh hưởng tới quá trình SDĐ và biến động SDĐ ở các khu vực khác nhau trên thế giới từ châu Âu đến Châu Á, đến châu Mỹ,….. 2.3.2. Các công trình nghiên cứu về biến động sử dụng đất và mối quan hệ với các yếu tố tự nhiên, kinh tế xã hội ở Việt Nam Phần lớn các công trình nghiên cứu về biến động SDĐ và mối quan hệ với các yếu tố tự nhiên, KTXH ở Việt Nam đều nghiên cứu tổng hợp ảnh hưởng của các yếu tố, chưa có nhiều nghiên cứu đi vào xác định cụ thể mức độ ảnh hưởng từng yếu tố hay tập trung chuyên sâu cho một nhóm yếu tố nào. Có thể kể đến một vài công trình trong lĩnh vực này như: Nghiên cứu chuyên đề của chương trình Hệ thống nông nghiệp miền núi của Castella và Đặng Đình Quang (2002); Chương trình Hỗ trợ Sinh thái Nhiệt đới của Tổ chức Phát triển Cộng hòa Liên bang Đức của tác giả Muller (2003); Nghiên cứu “trở thành đô thị, cách thức đô thị hóa ảnh hưởng đến mất đất nông nghiệp” của nhóm tác giả Phạm Thị Thanh Hiền (1993, 2000, 2007); Nghiên cứu ứng dụng mô hình tác tố nhằm mô phỏng các tác động của chính sách đến biến động SDĐ của Ngô Thế Ân (2011); Chương trình nghiên cứu về biến động SDĐ dưới tác động của hoạt động KTXH và biến đổi khí hậu toàn cầu tại Việt Nam của Trung tâm Quốc tế nghiên cứu biến đổi khí hậu toàn cầu (ICARGC);… 2.3.3. Nhận xét chung về tình hình nghiên cứu có liên quan đến biến động sử dụng đất và mối quan hệ với các yếu tố tự nhiên, kinh tế xã hội Qua kết quả tổng hợp các công trình nghiên cứu đã được thực hiện có liên quan đến biến động SDĐ và mối quan hệ với các yếu tố tự nhiên, KTXH cho thấy: các nghiên cứu được thực hiện các quy mô khác nhau, địa phương và các thời điểm khác nhau với các phương pháp đánh giá biến động và các yếu tố ảnh hưởng khác nhau nhưng đều khẳng định rằng các yếu tố tự nhiên và KTXH đều tác động đến quá trình SDĐ, biến động SDĐ và lớp phủ. 2.4. TÓM TẮT TỔNG QUAN VÀ ĐỊNH HƯỚNG NGHIÊN CỨU Ở Việt Nam, những nghiên cứu mối quan hệ giữa biến động SDĐ với một số yếu tố tự nhiên hoặc KTXH đã được quan tâm và thực hiện nhưng vẫn còn nhiều hạn chế. Các nghiên cứu thường mới chỉ tập trung ở những khu vực có những đặc trưng về điều kiện tự nhiên hoặc đối với những 9
khu vực có tốc độ đô thị hoá nhanh mạnh, đồng thời cũng mới chỉ dừng lại nghiên cứu mối quan hệ giữa biến động SDĐ đến từng nhóm yếu tố riêng lẻ. Chính vì vậy, luận án này sẽ tập trung thực hiện nghiên cứu đi từ ứng dụng GIS và viễn thám để đánh giá biến động SDĐ, xác định ảnh hưởng một số yếu tố tự nhiên, KTXH đến BĐSDĐ bằng phân tích thống kê tương quan hồi quy chặt chẽ, đồng thời nghiên cứu sẽ tiến hành dự báo SDĐ tỉnh Hưng Yên bằng mô hình mạng nơron đa lớp MLP nhằm từ đó nghiên cứu đề xuất các giải pháp SDĐ hợp lý phù hợp với xu hướng phát triển KTXH của địa phương. PHẦN 3: NỘI DUNG VÀ PHƯƠNG PHÁP NGHIÊN CỨU 3.1. NỘI DUNG NGHIÊN CỨU + Khái quát điều kiện tự nhiên, KTXH và tình hình quản lý, SDĐ trên địa bàn tỉnh Hưng Yên. + Nghiên cứu biến động SDĐ tỉnh Hưng Yên giai đoạn 2012 - 2022. + Nghiên cứu ảnh hưởng của các yếu tố tự nhiên, kinh tế - xã hội đến biến động sử dụng đất nông nghiệp trên địa bàn tỉnh Hưng Yên. + Dự báo biến động sử dụng đất nông nghiệp và đề xuất giải pháp nâng cao hiệu quả quản lý biến động sử dụng đất nông nghiệp tại tỉnh Hưng Yên. 3.2. PHƯƠNG PHÁP NGHIÊN CỨU 3.2.1. Phương pháp điều tra thu thập số liệu thứ cấp Tiến hành thu thập các số liệu, tài liệu, bản đồ, văn bản liên quan đến thống kê về đất đai, điều kiện tự nhiên, KTXH giai đoạn 2012 - 2022 của tỉnh Hưng Yên tại các cơ quan quản lý Nhà nước. Bên cạnh đó, thu thập ảnh vệ tinh LandSat 5, 7, 8 (thu nhận năm 2012, 2017, 2022) độ phân giải 30m của khu vực nghiên cứu được khai thác online trên nền tảng điện toán đám mây Google Earth Engine được cung cấp bởi Copernicus là thành phần Quan sát Trái đất trong chương trình không gian của Liên minh Châu Âu. 3.2.2. Phương pháp phân vùng nghiên cứu Toàn tỉnh Hưng Yên có 8 huyện, 01 thành phố và 01 thị xã. Căn cứ vào vị trí địa lý của các huyện, hiện trạng SDĐ, định hướng quy hoạch phát triển KTXH trên địa bàn tỉnh, ý kiến của lãnh đạo, chuyên gia, đề tài tiến hành điều tra phỏng vấn toàn bộ các đơn vị cấp huyện trên địa bàn và chia toàn tỉnh thành 02 vùng (vùng phía Bắc - vùng phía Nam) để thực hiện. 3.2.3. Phương pháp điều tra thu thập số liệu sơ cấp 3.2.3.1. Phương pháp lấy mẫu thực địa Sử dụng máy GPS cầm tay điều tra khảo sát ngoài thực địa xác định vị trí phục vụ công tác chọn mẫu các loại hình SDĐ, xây dựng khoá giải đoán ảnh, thu thập thông tin về các loại hình SDĐ và mẫu đánh giá độ chính xác phân loại ảnh. Tổng số điểm khảo sát lấy mẫu là 700 điểm cho 5 loại SDĐ chính trên địa bàn nghiên cứu. 3.2.3.2. Phương pháp điều tra phỏng vấn Việc điều tra, phỏng vấn nhanh chuyên gia và nông hộ (PRA) nhằm xác định các yếu tố tự nhiên, kinh tế - xã hội và mức độ ảnh hưởng của các yếu tố đến biến động sử dụng đất ở tỉnh Hưng Yên, do đó phương pháp điều tra phỏng vấn là rất cần thiết và quan trọng trong nghiên cứu này. Cách thức xác định cỡ mẫu điều tra theo nghiên cứu của Hair & cs., (2009), cỡ mẫu cho phương pháp phân tích yếu tố (EFA) tối thiểu gấp 5 lần tổng số biến quan sát. Qua quá trình khảo sát sơ bộ thực địa, phỏng vấn nhanh các cán bộ am hiểu tình hình biến động sử dụng đất ở địa 10
phương, nghiên cứu đã đề xuất 44 biến khảo sát với số mẫu điều tra là 440 phiếu (tương ứng tại mỗi vùng Bắc - vùng Nam cơ mẫu điều tra là 220 phiếu), cỡ mẫu điều tra gấp 10 lần tổng số biến quan sát. Như vậy, số liệu sơ cấp được thu thập thông qua việc lựa chọn ngẫu nhiên người sử dụng đất (gồm cả hộ có biến động và không có biến động) và các cán bộ địa phương với tổng số phiếu là 440 phiếu cho cả 02 vùng là hoàn toàn đảm bảo. 3.2.3.3. Phương pháp thảo luận nhóm Phương pháp thảo luận nhóm được thực hiện theo hướng dẫn của Simelton & cs., (2013), được thực hiện với đại diện cán bộ các cấp và người sử dụng đất trên địa bàn khu vực nghiên cứu. Mỗi huyện mời 01 nhóm 12 người gồm 05 người sử dụng đất, 05 cán bộ xã, 02 cán bộ phòng Tài nguyên và VPĐKĐĐ để xác định các yếu tố ảnh hưởng đến biến động sử dụng đất. sử dụng bản đồ sử dụng đất 2012, 2022 và bản đồ biến động sử dụng đất 2012 - 2022 dạng giấy tỉ lệ 1/25000 (sản phẩm từ ảnh vệ tinh) khoanh vùng và xác định các vị trí biến động sử dụng đất sau đó sử dụng công cụ cây vấn đề, liệt kê các yếu tố tự nhiên (khoảng cách, loại đất, độ dốc, độ cao,…), kinh tế - xã hội (chính sách, thu nhập, dân số …) mà họ cho là có ảnh hưởng đến biến động sử dụng đất nông nghiệp, đồng thời giải thích lý do vì sao những yếu tố đó có ảnh hưởng và mức độ ảnh hưởng là bao nhiêu (theo 5 cấp độ Likert). Nghiên cứu đã tiến hành tổ chức 10 cuộc thảo luận nhóm ở 10 đơn vị cấp huyện, làm căn cứ xây dựng và hoàn thiện các tiêu chí trên phiếu điều tra. 3.2.4. Phương pháp xử lý dữ liệu viễn thám Phương pháp giải đoán ảnh viễn thám trên nền tảng điện toán đám mây Google Earth Engine (GEE) 3.2.4.1. Xử lý ảnh: Ảnh vệ tinh thu thập được trên GEE là ảnh đã được hiệu chỉnh phổ và hiệu chỉnh hình học, tiến hành lọc mây, cắt ảnh đảm bảo có dữ liệu tốt nhất 3.2.4.2. Xây dựng bộ mẫu giải đoán: Trước khi phân loại ảnh cần lựa chọn các lớp phủ SDĐ và xây dựng tệp mẫu cho các loại lớp phủ SDĐ. Từ số liệu điều tra thực địa và bảng mẫu giải đoán, tiến hành chọn mẫu phân loại bằng cách khoanh vẽ trực tiếp lên trên ảnh cần phân loại. Trong quá trình nghiên cứu, tác giả sử dụng thuật toán SVM để tính toán, phân loại lớp phủ SDĐ với dữ liệu đầu vào là ảnh vệ tinh Landsat. Đồng thời kết hợp phương pháp trí tuệ nhân tạo (AI) để nhận dạng đối tượng SDĐ dựa trên các thuật toán học máy và sử dụng dữ liệu ảnh vệ tinh trên nền tảng dữ liệu điện toán đám mây nhằm thao tác với khối lượng dữ liệu lớn mà không cần sự hỗ trợ của con người. 3.2.4.3. Huấn luyện mẫu Phương pháp trí tuệ nhân tạo (AI) được sử dụng trong nghiên cứu để nhận dạng đối tượng sử dụng đất dựa trên các thuật toán học máy và sử dụng dữ liệu ảnh vệ tinh trên nền tảng dữ liệu điện toán đám mây. 3.2.4.4. Phân loại ảnh: Với sự hỗ trợ của mô hình AI, áp dụng cho việc tính toán, phân loại đất từ ảnh vệ tinh, trong nghiên cứu này đã sử dụng thuật toán học máy - Support Vector Machine (SVM). 3.2.4.5. Phương pháp đánh giá độ chính xác Phương pháp đánh giá độ chính xác ảnh phân loại trong nghiên cứu này được thực hiện trên nền tảng của GEE thông qua ma trận nhầm lẫn (Confusion Matrix) với hàm errorMatrix. 3.2.4.6. Điều tra bổ sung ngoại nghiệp Điều tra bổ sung ngoại nghiệp nhằm kiểm tra kết quả phân loại ảnh và tách chiết thông tin nội nghiệp. Xác minh các đối tượng còn nghi vấn ở công tác nội nghiệp; Bổ sung các đối tượng không thể phân loại được trong nội nghiệp; Thu thập các tài liệu địa danh, địa giới và 11
các thông tin khác không có trên ảnh hoặc không thể xác định được trên ảnh. 3.2.5 Phương pháp phân tích không gian trong GIS và thành lập bản đồ sử dụng đất, bản đồ biến động sử dụng đất nông nghiệp Sử dụng phần mềm ArcGIS.10 tiến hành thực hiện các bước cụ thể để phục vụ nghiên cứu. 3.2.6. Phương pháp xử lý, phân tích số liệu Để xử lý, phân tích số liệu, luận án sử dụng một số phần mềm thống kê như SPSS, sử dụng hệ số tương quan Pearson (r), phương pháp phân tích yếu tố khám phá (EFA), phương pháp phân tích hồi quy Binary Logistic,... 3.2.7. Phương pháp mô hình mạng nơron học sâu đa lớp MLP trong dự báo biến động sử dụng đất Mô hình mạng nơron nhân tạo đa lớp MLP được sử dụng để mô hình hoá biến động SDĐ trên địa bàn tỉnh Hưng Yên giai đoạn 2012 - 2022 dựa trên định lượng thực tế mối quan hệ giữa hiện trạng SDĐ và các nhân tố liên quan đến sự thay đổi SDĐ. 3.2.8. Phương pháp SWOT: Sử dụng khung phân tích điểm mạnh, điểm yếu, cơ hội và thách thức (SWOT - Strenghs, Weaknesses, Opportunities, Threats) đối với biến động SDĐ tỉnh Hưng Yên nhằm làm rõ hơn nội dung nghiên cứu. PHẦN 4: KẾT QUẢ NGHIÊN CỨU 4.1. KHÁI QUÁT ĐIỀU KIỆN TỰ NHIÊN, KINH TẾ XÃ HỘI VÀ TÌNH HÌNH QUẢN LÝ SỬ DỤNG ĐẤT TẠI TỈNH HƯNG YÊN 4.1.1. Điều kiện tự nhiên, kinh tế xã hội tỉnh Hưng Yên Hưng Yên là một tỉnh thuộc vùng đồng bằng sông Hồng, nằm trong vùng Kinh tế trọng điểm Bắc Bộ, không có biển, không có rừng, có 10 đơn vị hành chính bao gồm thành phố Hưng Yên, thị xã Mỹ Hào và 8 huyện lỵ. Vị trí địa lý của tỉnh Hưng Yên có nhiều lợi thế để phát triển kinh tế theo hướng công nghiệp hóa và đô thị hóa trong hiện tại và tương lai. Năm 2022, Hưng Yên có 1.290.852 người, chiếm 5,54% dân số vùng Đồng bằng sông Hồng và 1,30% dân số của cả nước. Về kinh tế, Hưng Yên vẫn duy trì mức tăng trưởng cao so với mức bình quân chung của cả nước, đạt bình quân 13,5%/năm (Cục Thống kê tỉnh Hưng Yên, 2023). 4.1.2. Tình hình quản lý nhà nước về đất đai tỉnh Hưng Yên Trong những năm qua, công tác quản lý nhà nước về đất đai trên địa bàn tỉnh Hưng Yên đã đạt được những thành tựu ổn định, góp phần thúc đẩy sự phát triển KTXH của địa phương theo định hướng chiến lược đã được UBND tỉnh đề ra. 4.1.3. Hiện trạng sử dụng đất tỉnh Hưng Yên Theo số liệu thống kê đất đai tính đến 31/12/2022, tổng diện tích tự nhiên toàn tỉnh Hưng Yên là 93.019,8 ha. Trong đó đất nông nghiệp là 57.463,4 ha (chiếm 61,78%), đất phi nông nghiệp là 35.426,1 ha (chiếm 38,08%), còn lại đất chưa sử dụng là 130,3 ha (chiếm 0,14% tổng diện tích tự nhiên). 4.2. NGHIÊN CỨU BIẾN ĐỘNG SỬ DỤNG ĐẤT TỈNH HƯNG YÊN GIAI ĐOẠN 2012 - 2022 4.2.1. Thành lập bản đồ sử dụng đất tỉnh Hưng Yên năm 2012, 2017, 2022 4.2.1.1. Thu thập và xử lý ảnh viễn thám Dữ liệu sử dụng trong nghiên cứu là ảnh vệ tinh Landsat được tổng hợp từ các ảnh Landsat 5, 7, 8, thu thập trên GEE là ảnh đã được hiệu chỉnh phổ và hiệu chỉnh hình học. Tác giả đã xác định được 5 loại SDĐ chính trên địa bàn tỉnh Hưng Yên gồm: Đất trồng lúa, đất trồng cây 12
hàng năm khác, đất trồng cây lâu năm, đất xây dựng, đất mặt nước. 4.2.1.2. Giải đoán ảnh viễn thám trên nền tảng Google Earth Engine (GEE) Luận án thực hiện đánh giá độ chính xác phân loại ảnh trên nền GEE với hàm errorMatrix ở cả ba thời điểm (bảng 4.1.). Bảng 4.1. So sánh diện tích kết quả giải đoán với số liệu thống kê các năm Diện tích Diện tích Chênh lệch STT Loại lớp phủ thống kê giải đoán Ha % Năm 2012 Diện tích tự nhiên 92.602,89 93.019,70 416,81 0,45 1 Đất trồng lúa 41.545,87 41.534,74 -11,13 -0,03 2 Đất trồng cây hàng năm khác 6.462,07 6.511,07 49,0 0,76 3 Đât trồng lâu năm 5.860,76 5.828,2 -32,56 -0,56 4 Đất mặt nước 9.750,78 9.691,95 -58,83 -0,60 5 Đất xây dựng 28.983,41 29.453,74 470,33 1,62 Năm 2017 Diện tích tự nhiên 93.022,44 93.019,70 -2,74 0,00 1 Đất trồng lúa 37.176,32 37.142,53 -33,79 -0,09 2 Đất trồng cây hàng năm khác 5.771,10 5.805,62 34,52 0,6 3 Đât trồng lâu năm 12.607,00 12.550,93 -56,07 -0,44 4 Đất mặt nước 9.139,46 9.053,86 -85,60 -0,94 5 Đất xây dựng 28.328,56 28.466,76 138,20 0,49 Năm 2022 Diện tích tự nhiên 93.019,80 93.019,70 -0,10 0,00 1 Đất trồng lúa 30.845,60 30.767,35 -78,25 -0,25 2 Đất trồng cây hàng năm khác 6.207,90 6.301,89 93,99 1,51 3 Đât trồng lâu năm 15.701,20 15.637,30 -63,90 -0,41 4 Đất mặt nước 8.808,30 8.819,08 10,78 -0,12 5 Đất xây dựng 31.456,8 31.494,08 37,28 0,12 Kết quả các độ chính xác sau phân loại được tính toán từ ma trận nhầm lẫn bao gồm các thông tin cơ bản là độ chính xác tổng thể (OA) và hệ số Kappa tại ba thời điểm đều đạt kết quả rất tốt. Tiếp đó tác giả đã tiến hành lấy mẫu để đánh giá bổ sung tại 10 khu vực (tương ứng với 10 đơn vị cấp huyện) ngoài thực địa với sự hỗ trợ của GPS cầm tay kết hợp với bản đồ hiện trạng SDĐ để đối soát loại SDĐ trên ảnh phân loại. Tiếp đó chuyển đổi sang định dạng vectơ, đồng thời sử dụng các công cụ trên phần mềm GIS để tiến hành biên tập bản đồ và thống kê diện tích các loại đất. Tiến hành so sánh với diện tích thống kê các năm tương ứng để xác định độ chênh lệch về diện tích, được thể hiện ở bảng 4.1: Có rất nhiều nguyên nhân dẫn đến sự sai lệch về diện tích: Do phương pháp thống kê (cộng từ hồ sơ, sổ sách) không đồng nhất với diện tích trên bản đồ; độ sai lệnh của ảnh vệ tính; ...Từ đó xây dựng được bản đồ SDĐ của khu vực nghiên cứu tại các thời điểm 2012, 2017, 2022. 4.2.2. Đánh giá biến động sử dụng đất nông nghiệp tỉnh Hưng Yên giai đoạn 2012 - 2017, 2017 - 2022, 2012 – 2022 Từ kết quả xây dựng bản đồ hiện trạng SDĐ tại thời điểm năm 2012, 2017 và 2022, sử dụng các chức năng công cụ phân tích không gian trong phần mềm ArcGIS để chồng xếp bản đồ SDĐ tại các thời điểm, kết quả thu được bản đồ biến động SDĐ tỉnh Hưng Yên giai đoạn 2012 - 2017, 2017 13
- 2022 và số liệu biến động của các giai đoạn được thể hiện trên hình 4.1 và bảng 4.2 như sau: (a) (b) Hình 4.1. Sơ đồ biến động sử dụng đất nông nghiệp tỉnh Hưng Yên giai đoạn 2012 - 2017 (a) và giai đoạn 2017 - 2022 (b) Bảng 4.2. Biến động sử dụng đất nông nghiệp giai đoạn 2012 - 2017; 2017 - 2022; 2012 - 2022 ĐVT: ha Năm 2017 Năm 2012 Biến động STT Loại SDĐ Mã loại đất (ha) (ha) (ha) +/- Tổng diện tích 93.019,70 93.019,7 0 1 Đất trồng lúa LUC 37.142,53 41.534,74 -4392,21 2 Đất trồng cây hàng năm khác HNK 5.805,62 6.511,07 -705,45 3 Đất trồng cây lâu năm CLN 12.550,93 5.828,2 6.722,73 4 Đất mặt nước DMN 9.053,86 9.691,95 -638,09 5 Đất xây dựng DXD 28.466,76 29.453,74 -986,98 Năm 2022 Năm 2017 Biến động STT Loại SDĐ Mã loại đất (ha) (ha) (ha) +/- Tổng diện tích 93.019,70 93.019,70 0 1 Đất trồng lúa LUC 30.767,35 37.142,53 -6.375,18 2 Đất trồng cây hàng năm khác HNK 6.301,89 5.805,62 496,27 3 Đất trồng cây lâu năm CLN 15.637,30 12.550,93 3.086,37 4 Đất mặt nước DMN 8.819,08 9.053,86 -234,78 5 Đất xây dựng DXD 31.494,08 28.466,76 3.027,32 STT Loại SDĐ Mã loại đất Năm 2022 Năm 2012 Biến động Tổng diện tích 93.019,70 (ha) 93.019,7 (ha) 0 (ha) +/- 1 Đất trồng lúa LUC 30.767,35 41.534,74 -10767,39 2 Đất trồng cây hàng năm khác HNK 6.301,89 6.511,07 -209,18 3 Đất trồng cây lâu năm CLN 15.637,30 5828,2 9.809,10 4 Đất mặt nước DMN 8.819,08 9.691,95 -872,87 5 Đất xây dựng DXD 31.494,08 29.453,74 2.040,34 14
Qua số liệu có thể thấy, diện tích biến động cả giai đoạn 2012 - 2022 trên địa bàn tỉnh Hưng Yên có xu hướng biến động chủ yếu là giảm diện tích đất trồng lúa giảm 209,18 ha, đất mặt nước giảm 234,78 ha; tuy nhiên diện tích đất trồng cây lâu năm tăng nhiều với 3.086,37 ha, đất xây dựng tăng 3.027,32ha. Kết quả biến động lớp phủ SDĐ từ ảnh vệ tinh Landsat trên nền tảng điện toán đám mây GEE khá tương đồng với kết quả thống kê đất đai hàng năm của UBND tỉnh Hưng Yên. 4.3. NGHIÊN CỨU MỐI QUAN HỆ GIỮA BIẾN ĐỘNG SỬ DỤNG ĐẤT NÔNG NGHIỆP VỚI MỘT SỐ YẾU TỐ TỰ NHIÊN, KINH TẾ XÃ HỘI TRÊN ĐỊA BÀN TỈNH HƯNG YÊN 4.3.1. Xác định các yếu tố tự nhiên, kinh tế xã hội ảnh hưởng đến biến động sử dụng đất nông nghiệp tại khu vực nghiên cứu Qua việc tham vấn ý kiến từ 440 đối tượng tham gia khảo sát vùng phía Bắc và phía Nam của tỉnh Hưng Yên, tác giả đã ban đầu xác định được 08 nhóm yếu tố ảnh hưởng bao gồm: (i) Vị trí; (ii) Tự nhiên; (iii) Cá biệt; (iv) Nhân khẩu học; (v) Chất lượng môi trường sống; (vi) Trình độ phát triển CSHT; (vii) Chính sách của Nhà nước về quản lý SDĐ và (viii) Kinh tế. Để đánh giá độ tin cậy thang đo của các nhân tố trong mô hình, nghiên cứu đã sử dụng hệ số Cronbach’s Alpha để loại các biến quan sát không đạt yêu cầu, hay các thang đo chưa đạt yêu cầu trong phân tích ban đầu. Kết quả là có 32 biến được giữ lại ở mỗi vùng phía Bắc và Nam để đưa vào phân tích nhân tố khám phá (EFA). Việc chạy kiểm định cho cả hai vùng phía Bắc và Nam với các nhân tố còn lại trong mô hình có hệ số lần lượt KMO = 0,724 (Bắc); KMO = 0,736 (Nam); cả hai hệ số này đều nằm trong phạm vi [0; 1], từ đó có thể kết luận kết quả của quá trình phân tích nhân tố EFA phù hợp với dữ liệu thực tế. 4.3.2. Phân tích mức độ ảnh hưởng của các yếu tố ảnh hưởng đến biến động sử dụng đất nông nghiệp trên địa bàn tỉnh Hưng Yên Từ kết quả điều tra sơ bộ ban đầu, sau khi chạy EFA, có được 8 nhân tố chính ảnh hưởng đến biến động SDĐ trên địa bàn nghiên cứu, thể hiện trong bảng 4.3: Bảng 4.3. Bảng tổng hợp các nhân tố đại diện sau phân tích EFA Biến đại Nhân tố Biến quan sát Tên nhân tố diện 1 VT1, VT2, VT3, VT4 Vị trí VT 2 TN1, TN2, TN3 Tự nhiên TN 3 CB1, CB2, CB3 Cá biệt CB 4 NK1, NK2, NK3, NK4, NK5, NK6 Nhân khẩu học NK 5 CLMT1, CLMT2, CLMT3 Chất lượng môi trường sống CLMT 6 CSHT1, CSHT2, CSHT3 Phát triển CSHT CSHT CSNN3, CSNN4, CSNN5 Chính sách của Nhà nước về CSNN 7 quản lý SDĐ 8 KT1, KT2, KT3, KT4, KT5, KT6, KT7 Kinh tế KT Qua phân tích, các biến độc lập VT, CB, CLMT, CSHT, CSNN, KT tác động thuận chiều đến biến động SDĐ trên địa bàn tỉnh Hưng Yên đủ điều kiện để thực hiện phân tích hồi quy. 15
Kết quả phân tích hồi quy các yếu tố ảnh hưởng cho hai vùng Bắc và Nam tỉnh Hưng Yên được thể hiện trong bảng 4.4 và 4.5: Bảng 4.4. Kết quả phân tích hồi quy các yếu tố ảnh hưởng ở vùng phía Bắc Ước lượng khoảng Biến độc Hệ số hồi STT Wald Sig. Exp (β) 95% của EXP(B) lập quy (β) Cận dưới Cận trên 1 (Hằng số) -24,345 30,469 0,000 0,000 1,347 6,320 2 VT 1,071 7,368 0,007 2,917 0,983 4,936 3 CB 0,790 3,677 0,055 2,202 0,737 4,395 4 CLMT 0,588 1,664 0,197 1,800 2,039 10,206 5 CSHT 1,518 13,652 0,000 4,562 3,389 15,112 6 CSNN 1,968 26,623 0,000 7,156 2,539 13,583 7 KT 1,770 17,126 0,000 5,873 1,347 6,320 -2 Log likelihood = 72,766 Cox & Snell R Square = 0,627 Initial -2 Log Likelihood = 289,512 Nagelkerke R Square = 0,856 Biến phụ thuộc: BĐ (Biến động SDĐ) Bảng 4.5. Kết quả phân tích hồi quy các yếu tố ảnh hưởng ở vùng phía Nam Ước lượng khoảng Biến độc Hệ số hồi STT Wald Sig. Exp(β) 95% của EXP(B) lập quy (β) Cận dưới Cận trên 1 (Hằng số) -16,889 35,953 0,000 0,000 7 VT 0,872 6,894 0,009 2,391 1,247 4,583 3 TN 0,466 2,086 0,149 1,593 0,847 2,998 4 CLMT 0,403 1,286 0,257 1,496 0,746 3,001 2 CSHT 1,154 12,373 0,000 3,171 1,667 6,031 6 CSNN 1,453 26,464 0,000 4,276 2,458 7,437 5 KTT 1,096 11,522 0,001 2,993 1,589 5,637 -2 Log likelihood = 102,409 Cox & Snell R Square = 0,556 Initial -2 Log Likelihood = 280,981 Nagelkerke R Square = 0,771 Biến phụ thuộc: BĐ (Biến động SDĐ) Như vậy từ kết quả phân tích hồi quy các yếu tố, được mô hình ảnh hưởng theo vùng phía Bắc và phía Nam như sau: * Đối với vùng phía Bắc: Giá trị Exp(β) cho ta biết mức độ tác động của các biến độc lập lên khả năng BĐSDĐ nông nghiệp trên địa bàn tỉnh Hưng Yên. Nếu VT tăng lên 1 thì khả năng BĐSDĐ nông nghiệp tăng lên 2,917 lần. Tương tự đối với CSHT, CSNN, KT lần lượt tăng lên 1 thì khả năng biến động sử dụng lần lượt tăng lên 3,389; 2,539; 1,347 lần. Như vậy, nghiên cứu có được phương trình hồi quy Binary Logistic như sau: 𝑝𝑖 𝑙𝑛 ( ) = -24,345 + 1,071 * VT + 1,518 * CSHT + 1,968 * CSNN + 1,770 KT + 𝑒 𝑖 1−𝑝 𝑖 16
Với 𝑒 𝑖 là phần dư (ước lượng của các yếu tố ngẫu nhiên). * Đối với vùng phía Nam: Giá trị Exp(β) cho ta biết mức độ tác động của các biến độc lập lên khả năng BĐSDĐ nông nghiệp trên địa bàn tỉnh Hưng Yên. Nếu VT tăng lên 1 thì khả năng BĐSDĐ tăng lên 2,391 lần. Tương tự đối với CSHT, CSNN, KT lần lượt tăng lên 1 thì khả năng BĐSDĐ nông nghiệp lần lượt tăng lên 3,171; 4,276; 2,993 lần. Như vậy, chúng ta có được phương trình hồi quy Binary Logistic như sau: 𝑝𝑖 𝑙𝑛 ( ) = -16.889+ 0,872 * VT + 1,154 * CSHT + 1,453 * CSNN + 1,096 KT + 𝑒 𝑖 1−𝑝 𝑖 Qua kết quả phân tích tương quan và xây dựng mô hình hồi quy có thể thấy mức độ ảnh hưởng của các nhân tố TN, KT - XH đến BĐSDĐ nông nghiệp ở phía Bắc tỉnh Hưng Yên được sắp xếp theo thứ tự từ mạnh nhất đến yếu nhất như sau: (1) Nhân tố Chính sách của Nhà nước về quản lý sử dụng đất với β =1,968, (2) Nhân tố Kinh tế với β =1,770, (3) Nhân tố Phát triển cơ sở hạ tầng với β =1,518, (4) Nhân tố Vị trí với β =1,071. Nghiên cứu xác định được một số yếu tố tự nhiên, kinh tế - xã hội tác động đến biến động sử dụng đất nông nghiệp tại tỉnh Hưng Yên tại 02 vùng (Bắc - Nam): ở 2 vùng thì nhóm yếu tố Chính sách đất đai đều ảnh hưởng nhiều nhất đến BĐSDĐ của tỉnh (phía Bắc có hệ số β =1,968; phía Nam có hệ số β =1,453). Các nhân tố còn lại có thứ tự ảnh hưởng ở từng vùng đến BĐSDĐ nông nghiệp là khác nhau: Đối với vùng phía Bắc với đặc trưng là vùng trọng điểm phát triển kinh tế, nhân tố Kinh tế có ảnh hưởng đứng thứ 2 (với β =1,770) sau đó đến nhân tố Phát triển cơ sở hạ tầng có ảnh hưởng thứ 3 (với β =1,518), nhân tố Vị trí đứng thứ 4 (với β =1,071); Đối với vùng phía Nam với đặc trưng là có đất nông nghiệp chiếm diện tích lớn, tập trung cho đầu tư cơ sở hạ tầng xây dựng đổi mới và phát triển vùng phía Nam tương xứng với cả tỉnh, nhân tố Phát triển cơ sở hạ tầng có ảnh hưởng đứng thứ 2 (với β =1,154), nhân tố Kinh tế có ảnh hưởng thứ 3 (với β =1,096), nhân tố Vị trí đứng thứ 4 (với β =0,872). 4.4. DỰ BÁO BIẾN ĐỘNG SỬ DỤNG ĐẤT NÔNG NGHIỆP VÀ ĐỀ XUẤT GIẢI PHÁP NÂNG CAO HIỆU QUẢ QUẢN LÝ BIẾN ĐỘNG SỬ DỤNG ĐẤT NÔNG NGHIỆP TỈNH HƯNG YÊN 4.4.1. Thiết lập số liệu đầu vào cho mô hình mạng nơron học sâu đa lớp MLP, dự báo biến động sử dụng đất tỉnh Hưng Yên Ðể mô hình hoá sự biến động SDÐ, mô hình MLP yêu cầu đầu vào gồm 02 ảnh sau phân loại của khu vực nghiên cứu và các yếu tố ảnh hưởng đến biến động SDĐ. Theo nghiên cứu, các lớp dữ liệu đầu vào cho mô hình MLP gồm: (1) KC_GT (khoảng cách tới đường giao thông chính); (2) KC_TT (Khoảng cách đến trung tâm huyện và các đô thị); (3) KC_KDC (khoảng cách tới khu dân cư, ĐVT là mét); (4) KC_KCN (khoảng cách tới khu công nghiệp) và (5) Pop (Mật độ dân số lấy từ niên giám thống kê của tỉnh). 4.4.2. Mô hình hóa biến động SDĐ nông nghiệp tại tỉnh Hưng Yên Mô hình biến động SDĐ nông nghiệp trên địa bàn tỉnh Hưng Yên được tạo ra theo mô hình mạng nơ ron học sâu đa lớp MLP với cấu trúc ở hình 4.2: 17
Ảnh sau phân loại năm 2012 Khoảng cách tới đường giao thông chính Mật độ dân số Ảnh sau phân loại năm 2017 Khoảng cách tới trung tâm huyện lỵ Khoảng cách tới khu dân cư Khoảng cách tới khu công nghiệp Hình 4.2. Sơ đồ mô hình MLP dự báo biến động sử dụng đất, tỉnh Hưng Yên 4.4.3. Đánh giá độ chính xác của bản đồ dự báo từ mô hình MLP Kết quả kiểm chứng với hai ảnh sau phân loại trên cho hệ số Kappa 0,74 và độ chính xác tổng thể đạt 78,36%, thuộc mức tốt, thể hiện trong bảng 4.8: Bảng 4.8. Ma trận nhầm lẫn giữa ảnh dự báo từ mô hình MLP và ảnh phân loại từ ảnh vệ tinh Số liệu diện tích từ ảnh sau phân loại từ ảnh vệ tinh) (ĐV:%) Loại SDĐ LUC HNK CLN DXD DMN Ðất trồng lúa 78,9 1,4 5,1 0,0 14,2 Số liệu diện tích từ ảnh Ðất trồng cây 2,8 64,2 19,4 0,8 1,8 hàng năm khác dự báo Ðất trồng cây 0,9 19,8 69,3 9,8 0,2 lâu năm Ðất xây dựng 0,5 0,0 4,1 76,7 0,0 Ðất mặt nước 17,3 0,0 0,0 1,0 69,8 Nguồn: Phân tích, xử lý số liệu (2024) Để tăng độ chính xác của mô hình, luận án đã so sánh diện tích các loại đất trên bản đồ dự báo từ mô hình với diện tích các loại hình SDĐ từ bản đồ SDĐ năm 2022 từ giải đoán ảnh vệ tinh và so sánh với kết quả thống kê đất đai năm 2022, thể hiện trong bảng 4.8: Qua bảng 4.9, Số liệu diện tích các loại hình sử dụng đất giữa bản đồ phân loại sử dụng đất năm 2022 và bản đồ mô phỏng sử dụng đất 2022 có sự chênh lệch tương đối. Mặc dù vậy, mô hình kiểm chứng 2022 có độ chính xác tốt so với bản đồ giải đoán nên đây là cơ sở quan trọng để sử dụng mô hình mô phỏng BĐSDĐ cho những năm tiếp theo. Như vậy, mô hình MLP có thể sử dụng để dự báo SDÐ nông nghiệp đến năm 2032. 18