Bài viết trình bày ứng dụng trí tuệ nhân tạo (AI), phân loại lớp phủ trên ảnh vệ tinh phục vụ theo dõi biến động sử dụng đất đô thị tại khu vực Từ Liêm, Hà Nội giai đoạn 2013-2021. Kết quả của nghiên cứu đã cho thấy tốc độ suy giảm hàng năm lớp thực phủ thực vật, đất nông nghiệp là 0,91 % ngược lại, tốc độ tăng trung bình của các khu vực có nhà cửa, công trình xây dựng đạt tới 1,07 %.
ỨNG DỤNG TRÍ TUỆ NHÂN TẠO (AI), PHÂN LOẠI LỚP PHỦ TRÊN ẢNH VỆ TINH PHỤC VỤ THEO DÕI BIẾN ĐỘNG SỬ DỤNG ĐẤT ĐÔ THỊ TẠI KHU VỰC TỪ LIÊM, HÀ NỘI GIAI ĐOẠN 2013 - 2021 Đặng Thanh Tùng Trường Đại học Tài nguyên Môi trường Hà Nội Tóm tắt Việc ứng dụng trí tuệ nhân tạo (AI - Artificial Intelligence) ngày phát triển sâu rộng, có nghiên cứu sử dụng thuật tốn phân loại lớp phủ từ ảnh vệ tinh dựa việc học máy Các nghiên cứu đem lại hiệu cao công chuyển đổi số nhiều lĩnh vực, có lĩnh vực quản lý đất đai Nghiên cứu sử dụng thuật toán Classification and regression tree (Cart) để phân loại, giám sát lớp phủ bề mặt sử dụng đất khu vực Từ Liêm, Hà Nội giai đoạn 2013 - 2021 Kết nghiên cứu cho thấy tốc độ suy giảm hàng năm lớp thực phủ thực vật, đất nông nghiệp 0,91 % ngược lại, tốc độ tăng trung bình khu vực có nhà cửa, cơng trình xây dựng đạt tới 1,07 % Từ khóa: Lớp phủ sử dụng đất; Giám sát; Google Earth Engine; Thuật toán Cart Abstract Application of Artificial Intelligence, classify land covers on satellite images for monitoring urban land use changes in Tu Liem, Hanoi area, in the period 2013 - 2021 The application of Artificial Intelligence (AI) is increasingly developing, there have been studies using algorithms to classify the land cover of satellite images based on machine learning These studies are very effective in digital transformation in many fields, including land administration This study uses the Classification and regression tree (Cart) algorithm to classify and monitor the land use, and land cover in the Tu Liem area, period 2013 - 2021 The results of the study showed that the annual rate of decline in vegetation and agricultural covers was 0.91 %, in contrast, the average growth rate of the built-up areas reached 1.07 % Keywords: Land use; Land cover; Monitoring; Google Earth Engine; Cart algorithms Mở đầu Chuyển đổi số yêu cầu quan trọng đáp ứng phát triển kinh tế xã hội ngành khoa học, kỹ thuật Lĩnh vực viễn thám ngành Quản lý đất đai từ trước có nhiều nghiên cứu, ứng dụng phục vụ phân tích, theo dõi, đánh giá biến động lớp phủ sử dụng đất, biến động đô thị, thành lập đồ trạng sử dụng đất, thống kê, kiểm kê đất đai Trước đây, từ năm 1850 - 1860 nhà khoa học tiến hành công tác chụp ảnh bề mặt trái đất từ khinh khí cầu Đến năm đầu kỷ XX, phát triển công nghệ chụp ảnh từ máy bay (từ năm 1903) loại ảnh tương tự (analog) Giai đoạn 1960 - 1970 giới bắt đầu sử dụng thuật ngữ viễn thám Việc phát triển mạnh mẽ phương pháp xử lý ảnh số ảnh số (digital) thực giai đoạn 1970 - 1980 Hiện nay, phương pháp khai thác xử lý ảnh trực tuyến dựa hệ thống mạng Internet toàn cầu có bước phát triển vượt bậc đem lại nhiều lợi ích to lớn cho nhiều ngành ứng dụng khác nhau, có ngành quản lý đất đai Song hành với phát triển công nghệ viễn thám, phương pháp xây dựng thông tin phục vụ phân tích, đánh giá quản lý đất đai, thị hóa ngày có hiệu cao Các thuật toán áp dụng phân loại lớp phủ từ ảnh vệ tinh đem lại kết có độ tin cậy cao, 50 Hội thảo Quốc gia 2022 trình xử lý nhanh Google Earth Engine (GEE) tảng điện tốn đám mây, có khả xử lý liệu viễn thám online đáp ứng kịp thời yêu cầu cung cấp thông tin, liệu phục vụ trình chuyên đổi số quản lý đất đai Trong nghiên cứu này, tác giả sử dụng thuật toán Classification and regression tree (Cart) áp dụng cho việc học máy (Machine Learning) lĩnh vực thuộc trí tuệ nhân tạo (AI - Artificial Intelligence) để viết chương trình tự động hóa việc phân loại, giám sát biến động lớp phủ sử dụng đất dựa tảng điện tốn đám mây GEE Trước đây, có nghiên cứu sử dụng số thuật toán Maximum Likelihood Classifier (MLC), Minimum Distance Classifier (MDC), K-Nearest Neighbor (KNN), Support Vector Machine (SVM), Random Forest (RF) Classification and regression tree (Cart) [1 - 4] dựa phần mềm thương mại chuyên dụng để phân loại lớp phủ bề mặt đất từ ảnh vệ tinh [5, 6] Các hệ thống phần mềm chứng minh hiệu mình, nhiên kinh phí lớn khả xử lý trực tuyến chưa thuận lợi Nghiên cứu sử dụng thuật toán học máy xử lý liệu trực tuyến (online) dựa hệ thống mã nguồn mở với ngơn ngữ lập trình JavaSript, Python sử dụng hồn tồn miễn phí bao gồm liệu ảnh vệ tinh Landsat, Sentinel, Modis, Đây ưu điểm lớn xu phát triển mạnh thời kỳ công nghệ 4.0 Dữ liệu khu vực nghiên cứu Khu vực huyện Từ Liêm trước có diện tích khoảng 76 km², dân số 553.308 người, mật độ dân số đạt 7.316 người/km², từ cuối năm 2013 chia tách thành hai đơn vị hành cấp quận Nam Từ Liêm Bắc Từ Liêm [7] Từ khu vực huyện Từ Liêm trở thành quận Nam Từ Liêm Bắc Từ Liêm nay, với nhiều nguồn kinh phí đầu tư phát triển sở hạ tầng, có biến động rõ rệt loại hình sử dụng đất, góp phần vào phát triển kinh tế, xã hội khu vực Hình minh họa vị trí khu vực nghiên cứu Hình 1: Hình ảnh, vị trí khu vực nghiên cứu Trong nghiên cứu này, tác giả sử dụng tư liệu ảnh vệ tinh Landsat Sentinel - khai thác trực tuyến tảng GEE Các liệu ảnh vệ tinh lựa chọn đảm bảo có chất lượng rõ ràng, độ phủ mây thấp Kết lựa chọn ảnh Landsat Sentinel - giai đoạn 2013 đến Trong ảnh Landsat mức 1T có độ phân giải khơng gian 30 m, ảnh Sentinel - 2A 1T có độ phân giải không gian 10 m Các loại ảnh vệ tinh khu vực nghiên cứu thời điểm từ đầu năm 2022 đến (tháng năm 2022) hầu hết có lượng mây che phủ lớn trung bình Hội thảo Quốc gia 2022 51 70 %, có thời điểm lượng mây che phủ đến 100 %, liệu ảnh vệ tinh khai thác sử dụng có đến năm 2021 Các thông tin liệu ảnh vệ tinh trinh bày Bảng đây: Bảng Thông tin liệu ảnh vệ tinh khu vực nghiên cứu Thời gian thu nhận ảnh 02-12-2013 07-10-2016 30-09-2019 03-01-2021 Loại ảnh LandSat LandSat LandSat Sentinel - Độ phủ mây 0,05 % 0,12 % 1,53 % 0,73 % Phương pháp nghiên cứu Sử dụng thuật tốn Cart, để tính toán, phân loại lớp phủ bề mặt cho liệu đầu vào ảnh vệ tinh Landsat 8, Sentinel - Việc phân loại ảnh theo thực ngơn ngữ lập trình JavaScript tảng liệu điện toán đám mây GEE Trong nghiên cứu khu vực này, tác giả lựa chọn lớp phủ để phân loại bao gồm: 1) Lớp phủ Đất trống, 2) Lớp phủ Mặt nước, 3) Lớp phủ Thực vật, 4) Lớp phủ Cơng trình xây dựng Các lớp phủ lựa chọn để phân loại trạng thời điểm thu nhận ảnh, với lớp Đất trống điểm lấy mẫu phân loại chọn khu vực bãi đất, cát, bãi bồi, khu vực san lấp, khu vực đất trống san lấp chuẩn bị xây dựng Lớp phủ Mặt nước gồm khu vực ao hồ, sông suối, kênh mương Lớp phủ Thực vật bao gồm khu vực có cối, bãi cỏ, ruộng vườn thời điểm thu nhận ảnh có trồng Lớp phủ Cơng trình xây dựng gồm nhà cửa, cơng trình xây dựng độc lập khu vực nhà cửa, cơng trình xây dựng làng mạc, khu chung cư, tòa nhà cao tầng Tổng số lượng điểm lấy mẫu 350 điểm cho lớp phủ tồn khu vực nghiên cứu Hình 2: Kết thực chương trình GEE Sau lấy mẫu cụ thể cho loại lớp phủ, tiến hành việc huấn luyện chương trình học ghi nhận thông tin mẫu cho loại lớp phủ Trong ngôn ngữ JavaScript, sử dụng lệnh lựa chọn kênh ảnh image.select(bands) hàm lấy mẫu sampleRegions để thực việc huấn luyện mẫu Kết thúc trình huấn luyện, sử dụng hàm ee.Classifier smileCart để tiến hành phân loại lớp phủ theo thuật toán Cart khu vực nghiên cứu 52 Hội thảo Quốc gia 2022 Hình thể kết chương trình GEE Các bước phân loại tiến hành theo hình minh họa (Hình 3) Trong bao gồm: Thu thập liệu ảnh Landsat 8, Sentinel - dựa tảng liệu điện toán đám mây GEE; Lọc lựa chọn ảnh có độ phủ mây thấp nhất; Lấy mẫu theo vị trí để phục vụ phân loại; Tạo mẫu huấn luyện máy học Phân loại lớp phủ ảnh vệ tinh theo thuật toán Cart; Thu nhận kết ảnh phân loại theo thuật toán Cart; Đánh giá độ xác kết phân loại ảnh Sau có kết phân loại ảnh, tiến hành bước phân tích, theo dõi biến động lớp phủ sử dụng đất phân tích mối tương quan lớp phủ sử dụng đất giai đoạn 2013 - 2021 khu vực nghiên cứu Hình thể sơ đồ tổng quan quy trình nghiên cứu Hình 3: Sơ đồ quy trình phân loại ảnh 3.1 Thuật toán Cart Thuật toán Cart thuật tốn học máy có giám sát hệ thống phân loại dựa định (Decision tree) sử dụng mẫu huấn luyện để xác định, nhận dạng, phân loại đối tượng ảnh viễn thám Cart sử dụng rộng rãi để phân loại viễn thám, cịn gọi phân loại hồi quy [8] Thuật tốn Cart chia khơng gian n chiều thành hình chữ nhật khơng chồng lên phép đệ quy Đầu tiên, biến độc lập Xi chọn, sau xác định giá trị Ui tương ứng Không gian n chiều chia thành hai phần Một số điểm thỏa mãn Xi ≤ Ui, điểm khác thỏa mãn Xi > Ui Đối với biến khơng liên tục, có hai giá trị không Trong trình xử lý đệ quy, hai phần dựa vào bước để chọn lại thuộc tính tiếp tục phân vùng chia hết không gian n chiều Các thuộc tính có giá trị hệ số GINI tối thiểu sử dụng làm mục phân vùng Đối với tập liệu D, hệ số GINI xác định sau: GINI∗(D)=∑i=1kPi∗(1−Pi)=1−∑i=1kP2i (1) Hội thảo Quốc gia 2022 53 Trong đó, k số loại mẫu Pi biểu thị xác suất mẫu xếp vào loại i Giá trị GINI nhỏ có nghĩa chất lượng mẫu cao hiệu ứng phân loại tốt Cây định bao gồm nút nhiều cấp nhiều Các nút tối đa đề cập đến số lượng tối đa quần thể tối thiểu số lượng nút tối thiểu tạo cho tập huấn luyện Để xây dựng phù hợp, phải tạo đủ nút nhánh Giá trị nút tối đa khơng giới hạn khơng định 3.2 Phương pháp đánh giá độ xác Sau có kết phân loại, cần thiết phải đánh giá độ xác, nghiên cứu việc đánh giá tiến hành thông qua ma trận nhầm lẫn (Confusion Matrix) Ma trận nhầm lẫn phương pháp quan trọng phổ biến sử dụng để đánh giá độ xác, mơ tả độ xác phân loại nhầm lẫn lớp đối tượng Các thống kê cho ma trận nhầm lẫn có đánh giá độ xác tổng thể (Overall Accuracy - OA) hệ số Kappa Trong hệ số Kappa có giá trị từ 0,4 đến 0,6 đánh giá đạt kết trung bình, giá trị từ lớn 0,6 đến 0,8 tốt 0,8 đến 1,0 tốt [9] Thực đánh giá GEE vệc sử dụng hàm errorMatrix, sử dụng 70 % số lượng mẫu dùng để phân loại ảnh 30 % số lượng mẫu dùng để kiểm tra đánh giá Kết nghiên cứu thảo luận Sau xử lý liệu, phân loại ảnh, kết nghiên cứu có sản phẩm ảnh sau phân loại theo thuật toán Cart Mỗi ảnh sau phân loại bao gồm lớp phủ lớp phủ Đất trống, lớp phủ Mặt nước, lớp phủ Thực vật, lớp phủ Cơng trình xây dựng Hình minh họa sản phẩm ảnh sau phân loại khu vực nghiên cứu theo ba thuật toán nêu a b 2013 a Ảnh RGB 2016 2019 b Phân loại theo Cart 2021 Hình 4: a Ảnh RGB; b Phân loại theo Cart năm 2013, 2016, 2019, 2021 54 Hội thảo Quốc gia 2022 Ảnh sau phân loại thể rõ ràng theo thuật tốn Cart Trong lớp phủ chiếm đa số lớp phủ Thực vật lớp phủ Cơng trình xây dựng Hai lớp phủ có độ che phủ từ khoảng 30 % đến gần 50 % cho cho lớp Các lớp phủ lại lớp Đất trống lớp Mặt Nước có độ che phủ từ khoảng % đến 10 % Kết phân bố lớp phủ thể phù hợp với đặc điểm tự nhiên, phân bố dân cư, tập quán canh tác phát triển kinh tế, xã hội khu vực Từ Liêm, Hà Nội Kết giám sát biến động lớp phủ sử dụng đất giai đoạn 2013 - 2021 khu vực Từ Liêm, Hà Nội cho thấy lớp phủ Đất trống Mặt nước có biến động so với lớp phủ cịn lại Trong đó, lớp phủ Mặt nước có xu hướng giảm khơng nhiều, cụ thể 8,88 % năm 2013 giảm 8,33 % vào năm 2021 Có nghĩa sau khoảng năm phát triển quận khu vực Từ Liêm, lớp Mặt nước có diện tích giảm 0,53 % tương đương khoảng 403 hecta Như vậy, lớp phủ Mặt nước, năm giảm trung bình khoảng 0,07 % so với tổng diện tích tự nhiên Đối với lớp phủ Đất trống, có xu hướng giảm, nhiên không rõ rệt Kết giảm độ che phủ lớp đất trống từ 10,86 % vào năm 2013 xuống 10,13 % vào năm 2021 Tuy nhiên vào năm 2019, kết cho thấy lớp Đất trống có độ che phủ thấp nhất, đạt 9,91 % so với tổng diện tích tự nhiên, tương đương khoảng 754 hecta Kết thấy có giảm diện tích, năm 2021, diện tích lớp phủ Đất trống cao so với năm 2019 0,22 % tương đương khoảng 1,67 hecta Điều ngược với xu hướng phát triển khu vực đơn nhìn nhận số liệu tăng giảm diện tích che phủ Ngun nhân thời điểm thu nhận ảnh, chất lượng ảnh, độ phân giải khơng gian tạo nên tính tốn tồn sai lệch phân loại Ngồi ra, nguyên nhân chênh lệch tăng đất trống năm 2021 2019 đến năm 2021, nhiều khu vực tiếp tục tiến hành thi cơng dự án, cơng trình xây dựng tạo trạng tương ứng với phân loại lớp đất trống ảnh vệ tinh Tổng thể, từ năm 2013 đến 2021, xu hướng giảm diện tích lớp phủ Đất trống Mặt nước không nhiều rõ ràng Theo kết phân tích, trung bình hàng năm giai đoạn này, tốc độ suy giảm diện tích lớp Đất trống Mặt nước tương ứng 0,09 % 0,07 % Hình thể biểu đồ số liệu biến động lớp phủ sử dụng đất khu vực Từ Liêm, Hà Nội Hình 5: Kết phân loại lớp phủ sử dụng đất so với tổng diện tích tự nhiên Đối với lớp phủ Cơng trình xây dựng lớp phủ Thực vật, kết cho thấy có tương quan tăng giảm diện tích hai lớp giai đoạn nghiên cứu Cụ thể diện tích Hội thảo Quốc gia 2022 55 lớp phủ Thực vật có xu hướng giảm trung bình 0,91 % năm, ngược lại lớp phủ Cơng trình xây dựng có xu hướng tăng 1,07 % năm Trong giai đoạn từ 2013 đến 2021, lớp phủ Thực vật giảm diện tích 7,28 % (tương đương giảm khoảng gần 600 hecta), diện tích lớp phủ Cơng trình xây dựng tăng 8,57 % (tương đương tăng khoảng 650 hecta) Như vậy, thấy sau thời gian năm phát triển thành cấp quận, tốc độ đô thị hóa khu vực quận Bắc Từ Liêm Nam Từ Liêm tương đối cao thể rõ ràng phát triển, mở rộng diện tích nhanh chóng khu vực khu dân cư, khu chung cư, khu vực nhà cửa thương mại, khu vực đất canh tác nông nghiệp có diện tích suy giảm rõ rệt Kết phân tích mối quan hệ lớp phủ cho thấy hệ số tương quan r Pearson đạt giá trị -0,995 Điều cho thấy lớp phủ thực vật lớp phủ cơng trình xây dựng có mối tương quan cao mối tương quan nghịch Có nghĩa gia tăng lớp phủ cơng trình xây dựng chủ yếu bù đắp suy giảm diện tích lớp thực phủ Phục vụ cơng tác đánh giá độ xác, nghiên cứu sử dụng 118 điểm mẫu lựa chon ngẫu nhiên tổng số 350 điểm mẫu xây dựng kiểm định thành lập ma trận nhầm lẫn Tỷ lệ điểm kiểm tra tổng số điểm lấy mẫu 30 % 70 % Kết độ xác sau phân loại tính tốn từ ma trận nhầm lẫn bao gồm thông tin độ xác tổng thể (OA) hệ số Kappa thể Bảng Trong đó, độ xác tổng thể OA thấp 0,86, cao 0,96, đồng thời hệ số Kappa đạt từ 0,81 đến 0,92 Theo đánh giá giá trị hệ số Kappa đạt từ 0,41 đến 0,60 có độ xác trung bình; Kappa từ 0,61 đến 0,80 có độ xác tốt; Kappa từ 0,81 đến 1,0 tốt, 0,40 độ xác Kết nghiên cứu cho thấy độ xác ảnh sau phân loại cao nên kết đảm bảo độ tin cậy để đưa thống kê, phân tích lớp phủ sử dụng đất giai đoạn 2013 - 2021 khu vực Từ Liêm, Hà Nội Bảng Độ xác phân loại ảnh 2021 2019 2016 2013 OA 0,96 0,91 0,86 0,86 Kappa 0,92 0,85 0,85 0,81 Độ xác phân loại ảnh phụ thuộc vào chất lượng ảnh chất lượng mẫu huấn luyện Trong nghiên cứu này, chất lượng ảnh thu nhận qua năm tương đối đồng đều, độ phủ mây thấp, ảnh có hình ảnh thông tin vật lý rõ ràng nên theo kết đánh giá tất ảnh sau phân loại từ 2013 đến 2022 có độ tin cậy cao Kết luận đề xuất Việc chuyển đổi phương pháp khai thác, phân tích liệu ảnh vệ tinh trực tuyến đánh giá xử lý thông tin phục vụ công tác quản lý đất đai ngày tỏ hiệu Điều góp phần tích cực vào cơng chuyển đổi số nói chung ngành Quản lý đất đai nói chung Phương pháp nghiên cứu đưa kết cách nhanh chóng, đảm bảo độ tin cậy liệu phân tích thường có thời gian gần Kết cho thấy rõ ràng phát triển, thị hóa khu vực Từ Liêm, Hà Nội Cụ thể số liệu phân loại ảnh cho thấy tốc độ mở rộng khu vực Cơng trình xây dựng đạt 1,07 % hàng năm, sau năm theo dõi từ 2013 đến 2021, diện tích lớp phủ Cơng trình xây dựng tăng thêm 8,57 % (tương đương tăng khoảng 650 hecta), diện tích lớp thực vật có độ suy giảm gần tương đương 56 Hội thảo Quốc gia 2022 Các kết phân loại ảnh đánh giá thể độ tin cậy, nhiên để có thực tế nữa, nghiên cứu sau nên có so sánh với loại đồ đồ trạng sử dụng đất qua thời kỳ Từ có đánh giá tốt hơn, có so sánh cụ thể đồ trạng thực trạng lớp phủ sử dụng đất phân loại từ ảnh vệ tinh Ngoài ra, kết nghiên cứu phân tích giám sát biến động số lớp phủ sử dụng đất bản, đưa kết xu hướng mối tương qua lớp phủ với tốc độ đo thị hóa khu vực nghiên cứu Để nâng cao hiệu sử dụng kết để tính tốn, dự báo kết tăng giảm lớp phủ sử dụng đất cho giai đoạn thông qua thuật tốn phù hợp ví dụ thuật tốn Markov CA cho dự báo xu hướng phát triển lớp sử dụng đất TÀI LIỆU THAM KHẢO [1] Phạm Minh Hải cộng (2019) Nghiên cứu sở khoa học ứng dụng tuật toán Radom Forest phân loại ảnh vệ tinh Spot với khu vực thực nghiệm tỉnh Cà Mau Kỷ yếu Hội nghị: Nghiên cứu “Khoa học Trái đất Môi trường” 361 [2] Lewis, R J (2000) An introduction to classification and regression tree (CART) analysis In Annual meeting of the society for academic emergency medicine in San Francisco, California (Vol 14) Citeseer [3] Breiman L J M l.l (2001) Random forests Kluwer Academic Publishers Manufactured in The Netherlands 45, [4] Cortes C and V Vapnikl (1995) Support - vector networks J Machine learning, Kluwer Academic Publishers, Boston Manufactured in The Netherlands 20, 273 [5] Ngo, T P T., Ngo, L H., Nguyen, K Q., Bui, T T., Van Tran, P., Nhu, H V., & Nguyen, Y H T (2020) Applying Random Forest approach in forecasting flash flood susceptibility area in Lao Cai region. Journal of Mining and Earth Sciences, 61(5), 30 - 42 [6] Le, H T D., Pham, L H., Hoang, T T., & Dinh, T Q (2021) Land - cover classification using Random Forest and incorporating NDVI time - series and topography: A case study of Thanh Hoa province, Vietnam. Science & Technology development Journal - Science of The Earth & Environment, 5(S3), 40 53 [7] https://baochinhphu.vn/tach-huyen-tu-liem-ha-noi-thanh-2-quan-102154360.htm [8] Breiman L and R Ihaka (1984) Nonlinear discriminant analysis via scaling and ACE Department of Statistics, University of California, Technical Report 40, [9] Visa S., B Ramsay, A L Ralescu, and E J M Van Der Knaapl (2011) Confusion matrix - based feature selection 710, 120 BBT nhận bài: 31/8/2022; Chấp nhận đăng: 31/10/2022 Hội thảo Quốc gia 2022 57 ... xã hội khu vực Từ Liêm, Hà Nội Kết giám sát biến động lớp phủ sử dụng đất giai đoạn 2013 - 2021 khu vực Từ Liêm, Hà Nội cho thấy lớp phủ Đất trống Mặt nước có biến động so với lớp phủ cịn lại... biểu đồ số liệu biến động lớp phủ sử dụng đất khu vực Từ Liêm, Hà Nội Hình 5: Kết phân loại lớp phủ sử dụng đất so với tổng diện tích tự nhiên Đối với lớp phủ Cơng trình xây dựng lớp phủ Thực vật,... trạng lớp phủ sử dụng đất phân loại từ ảnh vệ tinh Ngoài ra, kết nghiên cứu phân tích giám sát biến động số lớp phủ sử dụng đất bản, đưa kết xu hướng mối tương qua lớp phủ với tốc độ đo thị hóa khu