Keperluan aliran kerja yang tepat untuk pemetaan kesesuaian tapak pelupusan baru adalah penting dalam perancangan pembangunan sistem pengurusan sisa pepejal perbandaran. Kesesuaian pemilihan tapak pelupusan boleh melindungi alam sekitar dan kesihatan awam. Namun demikian, wujud kerumitan dalam proses pemetaan kesesuaian tapak apabila usaha untuk mengintegrasikan maklumat atau keputusan dari bidang kepakaran berbeza yang akhirnya memberi kesan kepada keputusan pemodelan pemilihan tapak pelupusan yang tidak cekap. Terdapat beberapa kaedah Perlombongan Data Spatial (SDM) dan alir kerja Analisis Keputusan Pelbagai Kriteria (MCDA), tetapi aplikasinya dalam pemilihan tapak pelupusan adalah terhad dan menampilkan beberapa kelemahan. Dalam kajian ini, peningkatan model SDM dibangunkan untuk memenuhi empat tujuan: 1) alir kerja baru dalam penghasilan peta-peta kesesuaian berskala regional untuk perancangan tapak pelupusan sisa pepejal menggunakan Rangkaian Neural; 2) metodologi untuk memilih kriteria input yang relevan untuk model tapak pelupusan GIS berdasarkan Analisis Kaedah Multi-Variat untuk prestasi maksimum; 3) rangkaian hibrid yang menggabungkan rangkaian neural berulang lapisan dan rangkaian neural lata hadapan untuk mencapai prestasi tinggi tanpa keperluan pengetahuan manusia; dan 4) mengautomasi kotak alatan perlombongan data ruang berangkaian neural ArcGIS untuk pemetaan kesesuaian tapak pelupusan berskala regional. Kes kajian kesesuaian tapak pelupusan dijalankan di empat negeri bahagian utara Malaysia untuk menunjukkan kesahihan model SDM. Sejumlah 31 kriteria telah di proses awal untuk menetapkan set data input untuk pemodelan NN. Sejumlah 22 kriteria telah diambil sebagai set data input selepas semakan awal kekolinearan berbilang. Rangkaian dipelajari telah digunakan untuk mendapatkan pemberat kriteria. Struktur optima cadangan rangkaian dipilih menggunakan 600,000 kes terpakai. Enam kaedah MVA digunakan untuk memilih kriteria yang relevan. Rangkaian neural hibrid digunakan sebagai kaedah penilaian dalam pemilihan kaedah optima dan algoritma latihan optima. Penggunaan kotak alat automatik adalah proses jelas dan mudah dibina dari lapan sub-alatan untuk menyedia, melatih dan memproses data. Ketepatan 99.2% telah dicapai untuk set data ujian. Struktur rangkaian terlatih yang akhir digunakan untuk menghasilkan peta indeks kesesuaian. Hasil menunjukkan fungsi latihan LM dengan kaedah pemilihan 'Consistency-Subset-Eval' telah mengenal pasti secara effisien 14 kriteria pada ketepatan prestasi 99.2%. Di samping itu, lima daripada enam kaedah telah memilih tujuh kriteria seiras yang paling relevan. Aliran kerja didapati mampu mengurangkan interferens manusia dalam penjanaan peta-peta boleh percaya. Rangkaian yang dibangunkan dan cadangan aliran kerja menunjukkan keteguhan dan kebolehgunaan NN dalam menjana peta kesesuaian tapak pelupusan dan kebolehlaksanaan pengintegrasian dengan aliran kerja MCDA yang ada. Hasil kajian menunjukkan bahawa kaedah pemilihan dan pemeringkatan kriteria adalah lebih cepat, berekonomi, dan tepat. Ia boleh menjadi satu alternatif kepada kaedah sedia yang memakan masa dalam pemilihan kriteria yang relevan. Akhir sekali, model automatik yang dijanakan sudah tentu boleh menyediakan platform yang efektif kepada pembuat keputusan melaksanakan hasil aliran kerja dan metodologi termasuk rangkaiannya. Kesimpulannya, model SDM dibangunkan adalah disyorkan untuk perancangan jangka panjang pengurusan sisa pepejal dan untuk menghasilkan peta kesesuaian untuk tapak pelupusan baru. __________________________________________________________________________________
It is very crucial to have a precise suitability mapping workflow for new landfill sites in the development planning of municipal solid waste management systems. An appropriate siting of landfill sites will protect both environment and public health. However, the complexity in the process of suitability mapping that arises from the attempt to integrate information or decisions from different disciplines has affected the results and leads to inefficient landfill siting model. There are several Spatial Data Mining (SDM) methods and Multi Criteria Decision Analysis (MCDA) workflows that are currently available, but their application in landfill sites selection is limited and reveals a number of drawbacks. In this study, the enhancement of the SDM model was constructed to serve four purposes; (1) new workflow in creating suitability maps at the regional scale for solid waste planning based on neural network (NN); 2) a hybrid network that combines layer-recurrent network and cascade forward neural network to achieve high performance without requiring prior human knowledge; 3) a methodology for selecting the relevant input criteria for landfill GIS model based on multivariate analysis (MVA) methods for maximal performance; and 4) automating an ArcGIS neural network spatial data mining toolbox for mapping the suitability of landfill sites at a regional scale. A case study on landfill site selection in four northern states of Malaysia was conducted to demonstrate the validity of the new SDM model. A total of 31 criteria were pre-processed to establish the input dataset for NN modeling. From these, 22 criteria were adopted as input datasets after pre-checking for multicollinearity. The learned network was used to acquire the weights of the criteria. The optimum structure of the proposed network was selected using 600,000 use cases. Six MVA methods were employed to select the relevant criteria. Hybrid neural network was utilized as an evaluation method to select the optimal selection method and optimal training algorithm. The employment of automated toolbox is a straightforward process constructed from eight sub-tools to prepare, train, and processes the data. An accuracy of 99.2% was achieved for the test dataset. The final structure of the trained network was used to produce the suitability index map. The result showed that the LM training function with ‘Consistency-Subset-Eval’ selection method has efficiently identified 14 criteria with a performance accuracy of 99.2%. In addition, five out of the six methods has selected seven identical criteria that were most relevant. The workflow was found to be capable of reducing human interference to generate highly reliable maps. The developed network and the proposed workflow reveal the robust and the applicability of NN in generating landfill suitability maps and the feasibility of integrating them with existing MCDA workflows. The research outcomes show that the methodology of selecting and ranking criteria is quicker, economical, and precise. It can be an alternative to the existing time-consuming methodologies for selecting relevant criteria. Lastly, the automated model generated can certainly and effectively provides platform for decision makers to implement the developed workflow and methodology as well as the network. In conclusion, developed SDM model is recommended for long-term planning of solid waste management and to produce suitability maps for new landfill sites.
Spatial data mining model for landfill sites suitability mapping based on neural networks and multivariate analysis_Sohaib K. M. Abujayyab_A9_2017_MYMY