address the complex relationship be

address the complex relationship between urban growth and wetland
conservation, one of the best approaches is the comparison of
probable future scenarios (Geneletti, 2012; Thapa and Murayama,
2012; Trisurat et al., 2010; Verburg et al., 2002; Zacharias et al.,
2005). These scenarios can be exploratory and/or normative, and
are typically developed based on criteria such as relevance, credibility,
legitimacy, and creativity (Kok and Van Vliet, 2011; Kok et al.,
2011). However, in the development of scenarios it is vital to keep in
mind that they should allow for a comparison with alternatives and
the implication of uncertainties associated with probable future
urban growth around the wetland or other concerned ecosystems,
so that they can contribute to the spatial urban planning system
(Geneletti, 2012; Kok and Van Vliet, 2011).
At the same time, the selection of models for projecting future
land use is also crucial, and to this end, various land change models
have been developed to mimic the dynamic process of land
use/land cover (LULC) change (Agarwal et al., 2002; Brown et al.,
2004; Silva and Wu, 2012; Mas et al., 2014). Generally, these models
can be classified as: (1) empirical and statistical models, such as
Markov Chain (MC), regression model, etc. (Bell, 1974; Clark, 1965);
(2) dynamic models, such as cellular automata (CA) model, agentbased
model, weights of evidence, artificial neural network (ANN),
system dynamic (SD) models, etc. (Dai et al., 2005; Matthews et al.,
2007; Mohmand et al., 2011; Pijanowski et al., 2002; Thapa and
Murayama, 2011; Ti-yan et al., 2007); (3) integrated models, such
as CLUE (conversion of land use and its effects) and DynaCLUE,
etc. (Verburg et al., 2002; Verburg and Overmars, 2009). Among
these, integrated models are capable of accurately representing
the complex phenomenon of land use change. Nevertheless, as
pointed by Mas et al. (2014), these models do not incorporate
the past changes in the calibration, since they are typically based
on the logistic regression between the LULC and explanatory factors.
Secondly, some integrated models produce poor goodness of
fit if the change potential function is not sigmoidal (Mas et al.,
2014). Therefore, in recent years, several hybrid models composed
of empirical/statistical and dynamic models, such as ANN and MC
(Thapa and Murayama, 2012), MC, CA, and regression (Arsanjani
et al., 2013), MC and regression (Geneletti, 2012), CA and fuzzy
logic (Wu, 1998), CLUE and SD (Luo et al., 2010), etc. have been
integrated to depict the complex phenomenon of urban growth.
The non-linear spatial–temporal relationship between land
use types and driving factors encompasses many components
such as population growth, geographic conditions, policies, socioeconomic
interventions, topography, economy, morphology, etc.
Such non-linear relationships can be addressed smartly by an ANN
framework as evidenced by Thapa and Murayama (2012), Pérez-
Vega et al. (2012), etc. ANN employs a machine learning approach,
which uses model-free functions, and are able to handle complex
non-linear functions with the consideration of complex relationship
between variables. Such approaches are expected to produce
a better fitting between the change potential and explanatory variables,
since they utilizes 50% of the samples for calibration and 50%
for validation, until the expected accuracy is obtained. While ANN
is able to answer “which pixels to change” based on the network
developed from land use change and driving factors, it is unable to
decide “how much to change”. Therefore, specific land use demands
have been estimated by empirical and dynamic models such as MC,
SD, etc. in several previous studies (Luo et al., 2010; Ti-yan et al.,
2007). However, as land use trends also change forward, backward,
left or right, most of the studies reveal deficiencies in considering
and comparing uncertainties in land use demands. After all,
Geneletti (2012) included two different land use change rates and
compared zoning policies; however, no accuracy estimation was
presented in this case.
The current study addresses the issues of integration of land
use modelling and wetland planning through a case study in

ผลลัพธ์ (ไทย) 1:

ที่อยู่ความสัมพันธ์ที่ซับซ้อนระหว่างเจริญเติบโตในเมืองและพื้นที่ชุ่มน้ำอนุรักษ์ วิธีที่ดีที่สุดอย่างใดอย่างหนึ่งเป็นการเปรียบเทียบสถานการณ์ในอนาคตน่าเป็น (Geneletti, 2012 บี้และแคน2012 Trisurat et al. 2010 Verburg et al. 2002 Zacharias et al.,2005) . สถานการณ์เหล่านี้สามารถสำรวจ หรือ กฎเกณฑ์ และโดยทั่วไปพัฒนาขึ้นตามเกณฑ์เช่นความเกี่ยวข้อง ความน่าเชื่อถือชอบธรรม และการสร้างสรรค์ (โคกและ Van Vliet, 2011 Kok et al.,2011) . อย่างไรก็ตาม ในการพัฒนาของสถานการณ์ เป็นเรื่องสำคัญที่เก็บไว้ในทราบว่าพวกเขาควรอนุญาตให้เปรียบเทียบกับทางเลือก และความหมายของความไม่แน่นอนเกี่ยวข้องกับอนาคตน่าเป็นเจริญเติบโตในเมืองพื้นที่ชุ่มน้ำหรือระบบนิเวศที่เกี่ยวข้องอื่น ๆเพื่อให้พวกเขาสามารถนำไปสู่ระบบการวางแผนเชิงพื้นที่ในเมือง(Geneletti, 2012 กกและ Van Vliet, 2011)ในเวลาเดียวกัน การเลือกโมเดลโปรเจคในอนาคตใช้ที่ดินก็มีความสำคัญ และด้วยเหตุนี้ ต่าง ๆ ที่ดินเปลี่ยนรุ่นได้ถูกพัฒนาขึ้นเพื่อเลียนแบบกระบวนการแบบไดนามิกของที่ดินใช้/ที่ดินเปลี่ยนปก (LULC) (Agarwal et al. 2002 น้ำตาล et al.,2004 Silva และวู 2012 นศ et al. 2014) โดยทั่วไป รุ่นเหล่านี้สามารถแบ่งได้เป็น: (1) สถิติ และเชิงประจักษ์รุ่น เช่นMarkov Chain (MC), แบบจำลองถดถอย ฯลฯ (Bell, 1974 คลาร์ก 1965);(2) รุ่นแบบไดนามิก เช่นแบบเซลลูลาร์ออโตมาตา (CA) agentbasedนางแบบ น้ำหนักของหลักฐาน โครงข่ายประสาทเทียม (แอน),ระบบแบบไดนามิก (SD) รุ่น ฯลฯ (Dai et al. 2005 แมธธิวส์ et al.,2007 Mohmand et al. 2011 Pijanowski et al. 2002 บี้ และแคน 2011 Ti-yan et al. 2007); (3) รวมรุ่น ดังกล่าวเงื่อนงำ (แปลงการใช้ที่ดินและผลกระทบ) และ DynaCLUEฯลฯ (Verburg et al. 2002 Verburg และ Overmars, 2009) ในหมู่เหล่านี้ รวมรุ่นจะสามารถแสดงได้อย่างถูกต้องปรากฏการณ์ที่ซับซ้อนของการเปลี่ยนแปลงการใช้ที่ดิน อย่างไรก็ตาม เป็นชี้โดย Mas et al. (2014), รุ่นเหล่านี้ไม่ได้รวมการเปลี่ยนแปลงที่ผ่านมาเทียบ เนื่องจากพวกเขาขึ้นอยู่โดยทั่วไปในการถดถอยโลจิสติกระหว่าง LULC และอธิบายปัจจัยประการที่สอง บางรุ่นรวมผลิตดีไม่ดีของพอดีถ้าไม่ sigmoidal ฟังก์ชันการเปลี่ยนแปลง (Mas et al.,2014) . ดังนั้น ในปี หลายไฮบริดประกอบด้วยรุ่นเชิงประจักษ์และเชิงสถิติ และแบบไดนามิก เช่น ANN และ MC(บี้และแคน 2012), MC, CA และการถดถอย (Arsanjaniet al. 2013), MC และถดถอย (Geneletti, 2012), CA และพร่าเลือนตรรกะ (Wu, 1998), เงื่อนงำและ SD (Luo et al. 2010), ฯลฯ ได้รวมการแสดงปรากฏการณ์ซับซ้อนของการเติบโตในเมืองความสัมพันธ์ spatial – temporal สมบัติระหว่างที่ดินประเภทการใช้และขับขี่ครอบคลุมส่วนประกอบมากมายเช่นอัตราการเติบโต เศรษฐกิจ นโยบาย สภาพทางภูมิศาสตร์แทรกแซง ภูมิประเทศ เศรษฐกิจ สัณฐานวิทยา ฯลฯความสัมพันธ์ดังกล่าวไม่ใช่เชิงเส้นสามารถจัดการอย่างชาญฉลาด โดยมีแอนกรอบทลายบี้และแคน (2012), วัว-Vega et al. (2012) ฯลฯ แอนน์ใช้เครื่องจักรการเรียนรู้วิธีการที่ใช้รุ่นฟรีฟังก์ชั่น และสามารถจัดการซับซ้อนฟังก์ชันไม่เชิงเส้นกับการพิจารณาความสัมพันธ์ที่ซับซ้อนระหว่างตัวแปร แนวทางดังกล่าวคาดว่าจะผลิตการติดตั้งดีกว่าระหว่างการเปลี่ยนแปลงอาจเกิดขึ้น และอธิบายตัวแปรตั้งแต่พวกเขาใช้ 50% ของตัวอย่างสำหรับสอบเทียบและ 50%สำหรับการตรวจสอบ จนกว่าความถูกต้องที่คาดว่าจะได้รับ ในขณะที่แอนสามารถที่จะตอบ "พิกเซลซึ่งการเปลี่ยนแปลง" อิงจากเครือข่ายพัฒนาขึ้นจากการเปลี่ยนแปลงการใช้ที่ดิน และปัจจัยในการขับขี่ ไม่สามารถเลือก "จำนวนการเปลี่ยนแปลง" ดังนั้น ใช้ความต้องการเฉพาะที่ดินมีการประมาณ โดยรุ่นเชิงประจักษ์ และแบบไดนามิกเช่น MCSD ฯลฯ ในหลายการศึกษาก่อนหน้า (Luo et al. 2010 Ti yan et al.,2007) . อย่างไรก็ตาม เป็นที่ดินใช้แนวโน้มยังเปลี่ยนแปลงไปข้างหน้า ย้อน หลังซ้าย หรือ ขวา ส่วนใหญ่ของการศึกษาแสดงให้เห็นข้อบกพร่องในการพิจารณาและเปรียบเทียบความไม่แน่นอนในความต้องการใช้ที่ดิน ท้ายที่สุดGeneletti (2012) รวมราคาเปลี่ยนใช้ที่ดินแตกต่างกันสอง และเปรียบเทียบนโยบาย กำหนดเขต อย่างไรก็ตาม การประเมินความถูกต้องไม่ได้นำเสนอในกรณีนี้ปัจจุบันศึกษาอยู่ปัญหาของรวมที่ดินใช้สร้างแบบจำลองและการวางแผนผ่านกรณีศึกษาพื้นที่ชุ่มน้ำ

ผลลัพธ์ (ไทย) 2:

ที่อยู่ในความสัมพันธ์ที่ซับซ้อนระหว่างการเจริญเติบโตของเมืองและพื้นที่ชุ่มน้ำ
อนุรักษ์หนึ่งในวิธีที่ดีที่สุดคือการเปรียบเทียบ
สถานการณ์ในอนาคตน่าจะเป็น (Geneletti 2012; Thapa และ Murayama,
2012; Trisurat et al, 2010;. Verburg, et al., 2002; เศคาริยา et al.,
2005) สถานการณ์เหล่านี้จะสามารถสำรวจและ / หรือกฎเกณฑ์และ
มักจะพัฒนาตามเกณฑ์เช่นความสัมพันธ์กัน, ความน่าเชื่อถือ,
ความถูกต้องและความคิดสร้างสรรค์ (กกและ Van Vliet 2011. โคก, et al,
2011) อย่างไรก็ตามในการพัฒนาของสถานการณ์ก็มีความสำคัญที่จะเก็บไว้ใน
ใจว่าพวกเขาควรอนุญาตให้มีการเปรียบเทียบกับทางเลือกและ
ความหมายของความไม่แน่นอนที่เกี่ยวข้องกับการที่น่าจะเป็นอนาคต
การเติบโตของเมืองรอบพื้นที่ชุ่มน้ำหรือระบบนิเวศที่เกี่ยวข้องอื่น ๆ
เพื่อให้พวกเขาสามารถนำไปสู่อวกาศ ระบบการวางผังเมือง
(Geneletti 2012; กกและ Van Vliet 2011).
ในเวลาเดียวกันการเลือกของแบบจำลองสำหรับการฉายภาพอนาคต
การใช้ประโยชน์ที่ดินยังเป็นสิ่งสำคัญและเพื่อการนี้แบบจำลองการเปลี่ยนแปลงดินแดนต่าง ๆ
ได้รับการพัฒนาเพื่อเลียนแบบไดนามิก กระบวนการของที่ดิน
ใช้ / ปกที่ดิน (LULC) เปลี่ยนแปลง (Agarwal, et al., 2002; บราวน์, et al.,
2004; ซิลวาและวู, 2012. Mas et al, 2014) โดยทั่วไปรูปแบบเหล่านี้
สามารถจำแนกเป็น (1) แบบจำลองเชิงประจักษ์และสถิติเช่น
มาร์คอฟเชน (MC) แบบการถดถอย ฯลฯ (เบลล์ 1974; คลาร์ก, 1965);
(2) รูปแบบไดนามิกเช่น automata ถือ (CA) รุ่น agentbased
รุ่นน้ำหนักของหลักฐานเครือข่ายประสาทเทียม (ANN)
ระบบแบบไดนามิก (SD) รุ่น ฯลฯ (Dai et al, 2005;. แมตทิวส์, et al.,
2007. Mohmand et al, 2011; Pijanowski, et al., 2002; Thapa และ
Murayama 2011; Ti-Yan, et al, 2007). (3) รูปแบบบูรณาการดังกล่าว
เป็นเบาะแส (แปลงของการใช้ที่ดินและผลกระทบของมัน) และ DynaCLUE,
ฯลฯ (Verburg, et al., 2002; Verburg และ Overmars 2009) ท่ามกลาง
เหล่านี้รูปแบบบูรณาการที่มีความสามารถอย่างถูกต้องเป็นตัวแทนของ
ปรากฏการณ์ที่ซับซ้อนของการเปลี่ยนแปลงการใช้ที่ดิน แต่เป็น
ชี้ Mas et al, (2014) รูปแบบเหล่านี้ไม่รวม
การเปลี่ยนแปลงที่ผ่านมาในการสอบเทียบเนื่องจากพวกเขาจะตามปกติ
ในการถดถอยโลจิสติกระหว่าง LULC และปัจจัยที่อธิบาย.
ประการที่สองบางรุ่นแบบบูรณาการผลิตความดีที่น่าสงสารของ
พอดีถ้าการเปลี่ยนแปลงฟังก์ชั่นที่มีศักยภาพไม่ sigmoidal (MAS et al.,
2014) ดังนั้นในปีที่ผ่านมาหลายรูปแบบไฮบริดประกอบ
การเชิงประจักษ์ / สถิติและแบบไดนามิกรุ่นเช่น ANN และ MC
(Thapa และ Murayama 2012), MC, CA, และการถดถอย (Arsanjani
et al., 2013), MC และการถดถอย ( Geneletti 2012), แคลิฟอร์เนียและคลุมเครือ
ตรรกะ (Wu, 1998) เบาะแสและ SD (Luo et al., 2010), ฯลฯ ได้รับการ
แบบบูรณาการเพื่อให้เห็นภาพปรากฏการณ์ที่ซับซ้อนของการเติบโตของเมือง.
ไม่ใช่เชิงเส้นความสัมพันธ์มิติสัมพันธ์ระหว่าง ที่ดิน
ประเภทและปัจจัยผลักดันการใช้งานครอบคลุมองค์ประกอบหลายอย่าง
เช่นการเติบโตของประชากร, สภาพทางภูมิศาสตร์นโยบายทางเศรษฐกิจและสังคม
การแทรกแซงภูมิประเทศเศรษฐกิจสัณฐานวิทยาและอื่น ๆ
ความสัมพันธ์ที่ไม่ใช่เชิงเส้นดังกล่าวสามารถได้รับการแก้ไขอย่างชาญฉลาดโดย ANN
กรอบเป็นหลักฐานโดย Thapa และ Murayama ( 2012) Pérez-
Vega et al, (2012) ฯลฯ ANN พนักงานวิธีการเรียนรู้เครื่อง
ที่ใช้ฟังก์ชั่นรุ่นฟรีและสามารถที่จะจัดการกับความซับซ้อน
ฟังก์ชั่นที่ไม่ใช่เชิงเส้นกับการพิจารณาของความสัมพันธ์ที่ซับซ้อน
ระหว่างตัวแปร วิธีการดังกล่าวคาดว่าจะมีการผลิต
ที่เหมาะสมที่ดีระหว่างศักยภาพการเปลี่ยนแปลงและตัวแปรอธิบาย
ตั้งแต่พวกเขาใช้ 50% ของกลุ่มตัวอย่างสำหรับการสอบเทียบและ 50%
สำหรับการตรวจสอบจนกว่าจะมีความถูกต้องคาดว่าจะได้รับ ในขณะที่แอน
คือสามารถที่จะตอบ "ซึ่งพิกเซลเปลี่ยน" ขึ้นอยู่กับเครือข่าย
ที่พัฒนามาจากการเปลี่ยนแปลงการใช้ที่ดินและปัจจัยผลักดันก็ไม่สามารถที่จะ
ตัดสินใจ "เท่าไหร่ที่จะเปลี่ยน" ดังนั้นความต้องการใช้ที่ดินที่เฉพาะเจาะจง
ได้รับการประเมินโดยแบบจำลองเชิงประจักษ์และแบบไดนามิกเช่น MC,
SD, ฯลฯ ในการศึกษาหลายครั้งก่อนหน้า (Luo et al, 2010;.. Ti-Yan, et al,
2007) อย่างไรก็ตามในขณะที่แนวโน้มการใช้ประโยชน์ที่ดินยังเปลี่ยนข้างหน้าข้างหลัง
ซ้ายหรือขวาส่วนใหญ่ของการศึกษาแสดงให้เห็นข้อบกพร่องในการพิจารณา
และเปรียบเทียบความไม่แน่นอนในความต้องการของการใช้ประโยชน์ที่ดิน หลังจากที่ทุก
Geneletti (2012) รวมถึงสองการใช้ประโยชน์ที่ดินที่แตกต่างกันอัตราการเปลี่ยนแปลงและ
นโยบายการแบ่งเขตเมื่อเทียบ; อย่างไรก็ตามยังไม่มีการประมาณค่าความถูกต้องถูก
นำเสนอในกรณีนี้.
การศึกษาในปัจจุบันที่อยู่ในประเด็นของการรวมกลุ่มของที่ดิน
การสร้างแบบจำลองการใช้งานและการวางแผนพื้นที่ชุ่มน้ำผ่านกรณีศึกษา

ผลลัพธ์ (ไทย) 3:

ที่อยู่ของความสัมพันธ์ที่ซับซ้อนระหว่างการเจริญเติบโตของเมืองและพื้นที่ชุ่มน้ำการอนุรักษ์ หนึ่งในวิธีที่ดีที่สุดคือการเปรียบเทียบของในอนาคตน่าจะเป็นสถานการณ์ ( geneletti , 2012 ; และ มุรายามะ ธาปา ,2012 ; ไตรสุรัตน์ et al . , 2010 ; verburg et al . , 2002 ; Zacharias et al . ,2005 ) สถานการณ์เหล่านี้สามารถสำรวจ และ / หรือ มาตรฐาน และโดยพัฒนาบนพื้นฐานของเกณฑ์ เช่น ความเกี่ยวข้อง เงินความถูกต้องและความคิดสร้างสรรค์ ( กก และ ฟาน ฟลีต , 2011 ; กก et al . ,2011 ) อย่างไรก็ตาม ในการพัฒนาของสถานการณ์เป็นสิ่งสำคัญที่จะเก็บในจิตใจที่พวกเขาควรอนุญาตให้มีการเปรียบเทียบกับทางเลือกและความหมายของความไม่แน่นอนที่เกี่ยวข้องกับอนาคต น่าจะเป็นการเจริญเติบโตของเมืองรอบๆ บึง หรืออื่น ๆที่เกี่ยวข้อง ระบบนิเวศเพื่อให้พวกเขาสามารถสนับสนุนระบบการวางผังเมืองเชิงพื้นที่( geneletti , 2012 ; กก และ ฟาน ฟลีต , 2011 )ในเวลาเดียวกัน , การเลือกรูปแบบการฉายในอนาคตการใช้ที่ดินเป็นสำคัญ และการสิ้นสุดนี้ แบบจำลองการเปลี่ยนแปลงดินแดนต่าง ๆได้ถูกพัฒนาขึ้นเพื่อเลียนแบบกระบวนการแบบไดนามิกของที่ดินการใช้ที่ดินป่าไม้ ( lulc ) เปลี่ยนแปลง ( กลางวัน et al . , 2002 ; สีน้ำตาล et al . ,2004 ; ซิลวาและ Wu , 2012 ; แต่ et al . , 2010 ) โดยทั่วไปรูปแบบเหล่านี้สามารถจำแนกเป็น ( 1 ) แบบจำลองเชิงประจักษ์ และทางสถิติ เช่นลูกโซ่มาร์คอฟ ( MC ) , การวิเคราะห์การถดถอย , ฯลฯ ( ระฆัง , 1974 ; คลาร์ก , 1965 )( 2 ) แบบไดนามิก เช่น เซลล์ จำกัด ( CA ) รุ่น agentbasedรุ่น น้ำหนักของหลักฐาน โครงข่ายประสาทเทียม ( ANN )ระบบแบบไดนามิก ( SD ) รุ่น ฯลฯ ( ได et al . , 2005 ; แมทธิว et al . ,2007 ; โม มันด์ et al . , 2011 ; pijanowski et al . , 2002 ; ธาปา และมุรายาม่า , 2011 ; Ti ยัน et al . , 2007 ) ; ( 3 ) แบบบูรณาการ เช่นเป็นร่องรอย ( การใช้ที่ดินและผลกระทบ และ dynaclue ) ,ฯลฯ ( verburg et al . , 2002 ; verburg และ โอเวอร์มาร์ส , 2009 ) ระหว่างเหล่านี้แบบบูรณาการสามารถเป็นตัวแทนอย่างถูกต้องปรากฏการณ์ที่ซับซ้อนของการเปลี่ยนแปลงการใช้ประโยชน์ที่ดิน . อย่างไรก็ตามชี้โดย Mas et al . ( 2014 ) รุ่นนี้ไม่รวมการเปลี่ยนแปลงที่ผ่านมาในการสอบเทียบตั้งแต่พวกเขามักจะตามในการถดถอยโลจิสติกระหว่าง lulc และปัจจัยที่อธิบาย .ประการที่สอง บางรุ่นที่ผลิตไม่ดี ความดีแบบบูรณาการพอดีว่าเปลี่ยนศักยภาพการทำงานไม่ sigmoidal ( Mas et al . ,2014 ) ดังนั้น ในปีล่าสุด หลายรุ่นไฮบริด ประกอบด้วยแบบจำลองเชิงประจักษ์ / สถิติ และแบบไดนามิก เช่น แอน พิธีกร( น่า และ มุรายามะ , 2012 ) , MC , CA และถดถอย ( arsanjaniet al . , 2013 ) , MC และถดถอย ( geneletti , 2012 ) , CA และฟัซซี่ตรรกะ ( Wu , 1998 ) , เบาะแสและ SD ( Luo et al . , 2010 ) , ฯลฯ ได้รับแบบบูรณาการเพื่อแสดงถึงปรากฏการณ์ที่ซับซ้อนของการเจริญเติบโตของเมืองการใช้พื้นที่และความสัมพันธ์ระหว่างที่ดินจำกัดประเภทการใช้และปัจจัยการขับรถครอบคลุมองค์ประกอบหลายเช่นการเจริญเติบโตของประชากรทางภูมิศาสตร์ เงื่อนไข นโยบาย สภาพเศรษฐกิจ สังคมการแทรกแซง ภูมิประเทศ เศรษฐกิจ การศึกษา ฯลฯความสัมพันธ์เชิงเส้นดังกล่าวสามารถ addressed อย่างชาญฉลาดโดยแอนกรอบเป็น evidenced โดยมุรายาม่า ( 2012 ) และ ธาปา เปเรซ -เวก้า et al . ( 2012 ) ฯลฯ แอนใช้เครื่องเรียนรู้วิธีการซึ่งใช้ฟังก์ชั่นแบบฟรี และสามารถจัดการที่ซับซ้อนฟังก์ชันเชิงเส้น ด้วยการพิจารณาความสัมพันธ์ที่ซับซ้อนระหว่างตัวแปร วิธีการดังกล่าว คาดว่าจะผลิตดีกว่าที่เหมาะสมระหว่างการเปลี่ยนแปลงที่อาจเกิดขึ้นและการอธิบายตัวแปรเนื่องจากพวกเขาจะใช้ 50% ของตัวอย่างสำหรับการสอบเทียบ 50%สำหรับการตรวจสอบความถูกต้องจนคาดว่าจะได้รับ ขณะที่ แอนสามารถตอบ " พิกเซลซึ่งจะเปลี่ยน " ตามเครือข่ายพัฒนาขึ้นจากการเปลี่ยนแปลงการใช้ที่ดิน และปัจจัยการขับรถ มันไม่สามารถตัดสินใจ " เปลี่ยน " มาก ดังนั้น การใช้ประโยชน์ที่ดิน ความต้องการที่เฉพาะเจาะจงได้ถูกประเมินโดยแบบจำลองเชิงประจักษ์ และแบบไดนามิกเช่นพิธีกรSD , ฯลฯ ในการศึกษาก่อนหน้านี้หลาย ( Luo et al . , 2010 ; Ti ยัน et al . ,2007 ) อย่างไรก็ตาม แนวโน้มการใช้ที่ดินและการเปลี่ยนแปลงไปข้างหน้า ถอยหลังซ้าย หรือ ขวา ที่สุดของการศึกษาเปิดเผยข้อพิจารณาการเปรียบเทียบความต้องการและความไม่แน่นอนในการใช้ที่ดิน หลังจากทั้งหมดgeneletti ( 2012 ) รวมทั้งสองที่แตกต่างกันการเปลี่ยนแปลงการใช้ประโยชน์ที่ดิน อัตราและการเปรียบเทียบนโยบาย อย่างไรก็ตาม ไม่มีประมาณ คือความถูกต้องเสนอในกรณีนี้การศึกษาปัจจุบันประเด็นของการรวมแผ่นดินและใช้แบบจำลองการวางแผนพื้นที่ชุ่มน้ำผ่านกรณีศึกษา