Untitled ĐẠI HỌC QUỐC GIA HÀ NỘI TRƯỜNG ĐẠI HỌC CÔNG NGHỆ BẾ HUY DƯỠNG PHÂN LOẠI LỚP PHỦ ĐÔ THỊ CHO THỦ ĐÔ VIÊN CHĂN LÀO, SỬ DỤNG ẢNH COMPOSITE LANDSAT 8 LUẬN VĂN THẠC SĨ NGÀNH HỆ THỐNG THÔNG TIN Hà N[.]
ĐẠI HỌC QUỐC GIA HÀ NỘI TRƯỜNG ĐẠI HỌC CÔNG NGHỆ - BẾ HUY DƯỠNG PHÂN LOẠI LỚP PHỦ ĐÔ THỊ CHO THỦ ĐÔ VIÊN CHĂN - LÀO, SỬ DỤNG ẢNH COMPOSITE LANDSAT-8 LUẬN VĂN THẠC SĨ NGÀNH HỆ THỐNG THÔNG TIN Hà Nội - 2019 ĐẠI HỌC QUỐC GIA HÀ NỘI TRƯỜNG ĐẠI HỌC CÔNG NGHỆ - BẾ HUY DƯỠNG PHÂN LOẠI LỚP PHỦ ĐÔ THỊ CHO THỦ ĐÔ VIÊN CHĂN - LÀO SỬ DỤNG ẢNH COMPOSITE LANDSAT-8 KHOA: CÔNG NGHỆ THÔNG TIN CHUYÊN NGÀNH: HỆ THỐNG THÔNG TIN MÃ SỐ: 8480104.01 LUẬN VĂN THẠC SĨ NGÀNH HỆ THỐNG THÔNG TIN HƯỚNG DẪN KHOA HỌC: TS BÙI QUANG HƯNG Hà Nội - 2019 LỜI CAM ĐOAN Tôi xin cam đoan nội dung luận văn: “Phân loại lớp phủ đô thị cho thủ đô Viêng Chăn - Lào, sử dụng ảnh Composite Landsat 8” nghiên cứu thực định hướng Tiến sĩ Bùi Quang Hưng hướng dẫn trực tiếp NCS Phạm Tuấn Dũng Trong toàn nội dung luận văn, trình bày tơi học hỏi phát triển từ nghiên cứu trước Tất tài liệu tham khảo trích dẫn rõ ràng hợp pháp Nếu phát gian lận nào, hoàn toàn chịu trách nhiệm nội dung luận văn Hà nội, ngày tháng năm 2019 Học viên Bế Huy Dưỡng LỜI CẢM ƠN Lời đầu tiên, cho phép tơi bày tỏ lịng biết ơn sâu sắc tới TS Bùi Quang Hưng người định hướng, hướng dẫn nhiệt tình giúp đỡ tơi thực hồn thành luận văn thạc sĩ Tơi xin trân trọng cảm ơn thầy cô giáo giảng dạy, truyền đạt giúp nâng cao kiến thức chuyên ngành thời gian học tập khoa Công nghệ Thông tin, trường Đại học Công Nghệ, ĐHQG Hà Nội, đặc biệt đào tạo, giúp đỡ thầy cô chuyên ngành Hệ thống thông tin Qua đây, xin gửi lời cảm ơn chân thành tới PGS TS Nguyễn Thị Nhật Thanh, NCS Phạm Tuấn Dũng, NCS Mẫn Đức Chức, ThS Phan Anh, anh chị nhóm nghiên cứu thuộc Trung tâm Cơng nghệ tích hợp liên ngành Giám sát trường ủng hộ, chia sẻ kiến thức tạo điều kiện giúp đỡ tơi hồn thành luận văn Cuối cùng, xin gửi lời cảm ơn đến gia đình, bạn bè đồng nghiệp ủng hộ, quan tâm chia sẻ khó khăn với tơi suốt q trình học tập nghiên cứu Dù nhận giúp đỡ nhiệt tình trình độ cịn hạn chế nên luận văn chắn không tránh khỏi thiếu sót, mong nhận đóng góp quý thầy cô bạn đồng nghiệp để luận văn hoàn thiện Xin chân thành cảm ơn! Hà Nội, ngày tháng năm 2019 Học viên Bế Huy Dưỡng MỤC LỤC MỞ ĐẦU CHƯƠNG TỔNG QUAN NGHIÊN CỨU Khái quát toán nghiên cứu Khái quát viễn thám phân loại lớp phủ mặt đất Viễn thám .8 3.1 Khái niệm viễn thám .8 3.2 Phân loại hệ thống viễn thám 10 3.3 Các quang phổ thường sử dụng hệ thống thống viễn thám 12 Ảnh vệ tinh 13 4.1 Nhận thức chung ảnh vệ tinh 13 4.2 Ảnh Landsat 16 Google Earth Engine 21 CHƯƠNG PHƯƠNG PHÁP PHÂN LOẠI LỚP PHỦ ĐÔ THỊ SỬ DỤNG ẢNH VỆ TINH LANDSAT 23 Các phương pháp kết hợp ảnh 23 Các thuật toán thường sử dụng phân loại lớp phủ .25 2.1 Support Vector Machine 26 2.2 XGBoost 28 Phương pháp đánh giá kết phân lớp 30 CHƯƠNG THỰC NGHIỆM PHÂN LOẠI LỚP PHỦ 34 CHO THỦ ĐÔ VIÊNG CHĂN - LÀO VÀ KẾT QUẢ 34 Khu vực nghiên cứu: 34 Tập liệu ảnh Landsat 36 Tạo ảnh Composite 38 Dữ liệu huấn luyện liệu kiểm thử .41 Phân loại lớp phủ đô thị .42 Kết 43 6.1 Kết trình kết hợp ảnh 43 6.2 Kết trình phân lớp 46 6.3 Đánh giá kết 46 KẾT LUẬN 51 TÀI LIỆU THAM KHẢO 53 DANH SÁCH BẢNG BIỂU Bảng 1.1 Bảng thơng tin bước sóng tương ứng với màu sắc 13 Bảng 1.2 Bảng so sánh số đặc tính ảnh vệ tinh 15 Bảng 1.3 Đặc điểm ảnh vệ tinh LDCM (Landsat 8) 18 Bảng 2.1 Các phương pháp kết hợp ảnh 25 Bảng 2.2 Ví dụ Ma trận nhầm lẫn 31 Bảng 2.3 Ví dụ Hệ số Kappa 33 Bảng 3.1 Danh sách quận trực thuộc thủ đô Viêng Chăn - Lào 35 Bảng 3.2 Tập liệu ảnh Landsat 37 Bảng 3.3 Tổng hợp số Year score, DOY score, Opacity score, Distance to cloud/cloud shadow trình kết hợp ảnh L8SR 39 Bảng 3.4 Tập điểm mẫu để xây dựng tập liệu huấn luyện liệu kiểm thử 41 Bảng 3.5 Kết phân loại lớp phủ đô thị Viêng Chăn năm 2018 47 Bảng 3.6 Bảng tổng hợp so sánh kết phân loại lớp phủ đô thị Viêng Chăn 48 DANH SÁCH HÌNH VẼ Hình 1.1 Thủ Viêng Chăn - Lào Hình 1.2 Quá trình thu nhận liệu viễn thám Hình 1.3 Giới thiệu hệ thống viễn thám điển hình Hình 1.4 Hệ thống cảm biến bị động (trái) cảm biến chủ động (phải) 10 Hình 1.5 Vệ tinh địa tĩnh (trái) Vệ tinh quỹ đạo cực (phải) 11 Hình 1.6 Các bước sóng thường sử dụng viễn thám 12 Hình 1.7 Ví dụ hiển thị ảnh viễn thám 14 Hình 1.8 Ví dụ hiển thị ảnh Landsat kết hợp kênh ảnh 15 Hình 1.9 Các hệ vệ tinh Landsat 16 Hình 1.10 Hình ảnh vệ tinh Landsat 17 Hình 1.11 Minh họa góc nhìn tạo vệ tinh (Viewing Zenith Angle) góc nhìn tạo mặt trời với phương thẳng đứng (Solar Zenith Angle) 20 Hình 1.12 Ví dụ kết hợp màu tự nhiên liệu ảnh Level (trái) ảnh Surface Reflectance (phải) 20 Hình 1.13 Kiến trúc tổng thể Google Earth Engine 21 Hình 2.1 Ý tưởng SVM 27 Hình 2.2 Ý tưởng XGBoost 28 Hình 3.1 Sơ đồ tổng quan cho trình thực nghiệm 34 Hình 3.2 Địa lý thủy văn Thủ Viêng Chăn - Lào 35 Hình 3.3 Hình ảnh ghép cho khu vực thủ Viêng Chăn - Lào 37 Hình 3.4 Sơ đồ tính NDVI Score 40 Hình 3.5 Ảnh đại diện cho DOY 15 với tổ hợp màu giả thị (Kênh 7-6-4) 43 Hình 3.6 Ảnh đại diện cho DOY 75 với tổ hợp màu giả đô thị (Kênh 7-6-4) 43 Hình 3.7 Ảnh đại diện cho DOY 135 với tổ hợp màu giả đô thị (Kênh 7-6-4) 44 Hình 3.8 Ảnh đại diện cho DOY 195 với tổ hợp màu giả đô thị (Kênh 7-6-4) 44 Hình 3.9 Ảnh đại diện cho DOY 255 với tổ hợp màu giả đô thị (Kênh 7-6-4) 45 Hình 3.10 Ảnh đại diện cho DOY 315 với tổ hợp màu giả đô thị (Kênh 7-6-4) 45 Hình 3.11 Bản đồ lớp phủ thị Viêng Chăn, năm 2018 46 Hình 3.12 Bản đồ lớp phủ Viêng Chăn 1995 49 Hình 3.13 Bản đồ lớp phủ Viêng Chăn 2005 50 DANH SÁCH THUẬT NGỮ TIẾNG ANH VÀ CÁC TỪ VIẾT TẮT Ý nghĩa Thuật ngữ Viết tắt Land use and land cover classification Phân lớp che phủ đất sử dụng đất LULCC Geographic Information System Hệ thống thông tin địa lý GIS Geostationary satellite Vệ tinh địa tĩnh Polar orbital satellite Vệ tinh quỹ đạo cực Visible Light Ánh sáng nhìn thấy Near Infrared Cận hồng ngoại Middle Infrared Hồng ngoại trung bình Thermal Infrared Hồng ngoại nhiệt Microwave Siêu cao tần Pixel Điểm ảnh Band Kênh ảnh United States Geological Survey Cục Khảo sát Địa chất Hoa Kỳ USGS National Aeronautics and Space Administration Cơ quan Hàng không Vũ trụ Hoa NASA Kỳ Landsat Data Continuity Mission Vệ tinh Landsat thứ LDCM Operational Land Imager Bộ thu nhận ảnh mặt OLI Thermal Infrared Sensor Bộ cảm biến hồng ngoại nhiệt TIRS Digital Number Dạng số nguyên DN Landsat Surface Reflectance LaSRC Code Viewing zenith angle Góc nhìn tạo vệ tinh phương thẳng đứng Solar zenith angle Góc mặt trời phương thẳng đứng Google Earth Engine GEE Best-Available-Pixel Phương pháp lựa chọn điểm ảnh tốt BAP Normalized Difference Vegetation Index Chỉ số khác biệt thực vật NDVI MỞ ĐẦU Thủ đô Viêng Chăn (hay Viên Chăn, Vientiane), thành phố thủ nước Cộng hịa Dân chủ Nhân dân Lào, có tiềm phát triển kinh tế dân số lớn Do đó, nhiều khả cao khu vực đô thị thành phố mở rộng nhanh chóng vùng ngoại dọc theo tuyến đường huyết mạch với sở hạ tầng không đầy đủ Điều tạo thành phố với nhiều vấn đề ngổn ngang, điều kiện sống tồi tệ, dịch vụ xã hội không phù hợp, đồng thời phá hỏng thiên nhiên ban tặng cho nơi Trước thực trạng này, quyền thủ Viêng Chăn kêu gọi chuyên gia, nhà khoa học, nhà nghiên cứu giúp đỡ đóng góp vào kế hoạch phát triển thủ Viêng Chăn Để đối phó với vấn đề này, biện pháp tính tốn hợp lý cần thực dựa kế hoạch phát triển thị tồn diện Chính quyền thủ đô Viêng Chăn người dân thành phố cần xem xét cẩn thận vấn đề lựa chọn đường lối phát triển hợp lý cho thủ Viêng Chăn nhằm mục đích vừa phát triển thành phố kinh tế, dân số, giữ gìn nét sắc vốn có để Viêng Chăn trở thành thành phố thu hút với nhân dân Lào với khách du lịch nước Mục tiêu đề tài phân loại lớp phủ đô thị cho thủ đô Viêng Chăn, đồng thời xây dựng đồ lớp phủ đô thị cho thủ đô Viêng Chăn năm 2018 Để xây dựng đồ lớp phủ đô thị, luận văn áp dụng phương pháp xử lý kết hợp ảnh Landsat8 sử dụng thuật toán phân lớp để phân loại lớp phủ đô thị cho thủ đô Viêng Chăn - Lào Việc xây dựng đồ lớp phủ đô thị, đồng thời giám sát thay đổi lớp phủ đô thị qua nhiều năm giúp quyền địa phương người dân nơi có thêm liệu để lựa chọn phương hướng phát triển tồn diện cho thủ Viêng Chăn tương lai Luận văn chia làm 05 phần - Phần Mở đầu: Giới thiệu thực trạng phát triển Viêng Chăn cần thiết việc nghiên cứu phân loại lớp phủ đô thị cho Viêng Chăn 43 Trong nghiên cứu này, để xây dựng thêm số dựa giá trị NDVI, có tính tương đồng với số DOY, Year, Opacity Distance to Cloud/Cloud Shadow sẵn có, NDVI Score tính theo cơng thức sau: Score 𝑁𝐷𝑉𝐼 = − Trong đó, 𝑀𝑎𝑥 (𝑁𝐷𝑉𝐼𝑉𝑎𝑙𝑢𝑒 ) − 𝑁𝐷𝑉𝐼 𝑉𝑎𝑙𝑢𝑒 (23) - ScoreNDVI có giá trị khoảng [-1, 1] - NDVI Value giá trị NDVI điểm ảnh cần xem xét - Max(NDVIValue) giá trị NDVI lớn tập điểm ảnh khu vực ảnh DOY ảnh nằm khoảng 30 ngày so với ngày mục tiêu Ngoài ra, giá trị Max(NDVIValue) tính tốn dựa tập ảnh ứng viên, tập ảnh xây dựng dựa yếu tố: khu vực ảnh (dựa thông tin file ảnh) DOY ảnh lấy theo quy tắc xây dựng số DOY nói Cuối cùng, điểm ảnh ứng viên có số cuối tổng số nêu trên, tọa độ xem xét, điểm ảnh có tổng số cao lựa chọn để tạo thành ảnh kết hợp cuối đặc trưng theo ngày mục tiêu khu vực Viêng Chăn 3.4 Dữ liệu huấn luyện liệu kiểm thử Lớp phủ (Land cover) bề mặt trái đất có nhiều loại, thực vật, hạ tầng thị, nước, đất trồng hay loại khác Trong luận văn tập trung nghiên cứu phân loại lớp phủ đô thị Urban lớp khác gom chung thành lớp Others Training Testing Urban 1059 49 Others 5265 498 Tổng cộng 6324 547 Bảng 3.4 Tập điểm mẫu để xây dựng tập liệu huấn luyện liệu kiểm thử 44 Tập liệu điểm mẫu lựa chọn ngẫu nhiên điểm tồn khu vực thủ Viêng Chăn - Lào dựa trình thực địa đồng thời kiểm tra ảnh có độ phân giải cao Google Earth, tập điểm mẫu gán nhãn phân chia vào 02 lớp tương ứng Bảng 3.4 Tổng số lượng điểm liệu huấn luyện liệu kiểm thử 6324 547 điểm, tỉ lệ thực tế lớp phủ thị so với tồn diện tích thủ Viêng Chăn nhỏ nên số lượng điểm gán nhãn lớp Urban so với tổng số lượng điểm mẫu chiếm tỉ lệ tương đương Dựa tọa độ tập liệu điểm mẫu, giá trị kênh ảnh điểm ảnh ảnh kết hợp (kết phần nêu trên) ghi thành file với định dạng CSV Trong nghiên cứu này, ảnh đại diện cho file CSV với định dạng cột dòng, cột tương ứng với số kênh ảnh (bao gồm kênh ảnh sử dụng), dòng tương ứng với điểm ảnh, ô chứa liệu giá trị kênh tương ứng điểm tập điểm mẫu Các file tập liệu huấn luyện liệu kiểm thử dùng q trình phân loại lớp phủ sau 3.5 Phân loại lớp phủ đô thị Scikit-learn [32] thư viện học máy viết ngôn ngữ Python với công cụ mạnh mẽ giao diện dễ sử dụng, hữu dụng việc xử lý ảnh vệ tinh kết hợp với thư viện xử lý ảnh khác Numpy GDAL Thư viện bao gồm phân lớp có XGBoost, phần thực nghiệm này, thư viện sử dụng lại (https://scikit-learn.org/) thuật toán XGBoost lựa chọn để phân loại điểm ảnh thuộc lớp Urban lớp Others kết ghi file ảnh đồ lớp phủ đô thị cho Viêng Chăn - Lào năm 2018 45 3.6 Kết 3.6.1 Kết trình kết hợp ảnh Hình 3.5 Ảnh đại diện cho DOY 15 với tổ hợp màu giả thị (Kênh 7-6-4) Hình 3.6 Ảnh đại diện cho DOY 75 với tổ hợp màu giả đô thị (Kênh 7-6-4) 46 Hình 3.7 Ảnh đại diện cho DOY 135 với tổ hợp màu giả đô thị (Kênh 7-6-4) Hình 3.8 Ảnh đại diện cho DOY 195 với tổ hợp màu giả thị (Kênh 7-6-4) 47 Hình 3.9 Ảnh đại diện cho DOY 255 với tổ hợp màu giả thị (Kênh 7-6-4) Hình 3.10 Ảnh đại diện cho DOY 315 với tổ hợp màu giả đô thị (Kênh 7-6-4) 48 3.6.2 Kết trình phân lớp Hình 3.11 Bản đồ lớp phủ thị Viêng Chăn, năm 2018 3.7 Đánh giá kết Các ảnh kết hợp giả màu đô thị thể hình 3.5, hình 3.6, hình 3.7, hình 3.8, hình 3.9 hình 3.10) Có thể dễ dàng quan sát ảnh cịn gần khơng cịn ảnh hưởng đám mây Các hình ảnh hiển thị với tổ hợp màu giả đô thị làm bật khu vực đô thị, khu đông dân cư với tông màu vàng sẫm có gam màu ánh hồng Các yếu tố thủy văn nhận biết rõ với màu đen xanh nước biển (Blue) Các yếu tố có màu xanh (Green) khu vực rừng vùng thực vật khác Hơn nữa, ảnh hiển thị thay đổi khu vực Viêng Chăn qua thời điểm năm Riêng với khu vực liên quan đến lớp đô thị (Urban) chiếm tỉ lệ nhỏ có ổn định khu vực liên quan đến nông nghiệp thực vật khu vực khơng bị ảnh hưởng yếu tố mùa vụ 49 Sau trình phân lớp, kết phân lớp thể Ma trận nhầm lẫn sau: Dự đoán lớp Others Dự đoán lớp Urban Tổng số Đúng lớp Others 486 12 498 Đúng lớp Urban 44 49 491 56 547 Tổng số Bảng 3.5 Kết phân loại lớp phủ đô thị Viêng Chăn năm 2018 - Xét lớp Urban 44 = 0.79 44 + 12 44 Recall = = 0.90 44 + 0.79 ∗ 0.9 𝐹1 = ∗ ≈ 0.84 0.79 + 0.9 Precision = - Xét lớp Others 486 ≈ 0.99 486 + 486 ≈ 0.98 Recall = 486 + 12 0.99 ∗ 0.98 𝐹1 = ∗ ≈ 0.98 0.99 + 0.98 Precision = - Hệ số Kappa 486 + 44 ≈ 0.9689 547 486 + 486 + 12 𝑥 ≈ 0.8172 𝑃𝑂𝑡ℎ𝑒𝑟𝑠 = 547 547 + 44 12 + 44 𝑃𝑈𝑟𝑏𝑎𝑛 = 𝑥 ≈ 0.0092 547 547 𝑃𝑒 = 0.8172 + 0.0092 ≈ 0.8264 𝑃𝑜 = - 𝐾= Độ xác tổng thể OA = 0.9689 − 0.8264 ≈ 0.82 − 0.8264 486 + 44 ≈ 0.9689 = 96.89% 547 50 Kết phân loại lớp phủ dùng ảnh vệ tinh Landsat cho khu vực Viêng Chăn cho kết hệ số Kappa 𝐾 = 0.82 độ xác tổng thể 𝑂𝐴 = 96.89% Dựa vào đồ lớp phủ đô thị Viêng Chăn 2018, diện tích lớp phủ thị khoảng: 213.6km2, chiếm khoảng 5.5% diện tích tồn khu vực, tỉ lệ ỏi so với nhiều thành phố khác giới Trước thực nghiệm theo phương pháp kể trên, phương pháp mà nhóm tác giả Mẫn Đức Chức, Nguyễn Thanh Thủy, Bùi Quang Hưng, Kristofer Lasko Nguyễn Thị Nhật Thanh thực cho khu vực Hà Nội [17] thực nghiệm lại Tập ảnh Landsat SR khu vực Viêng Chăn sử dụng nguồn liệu đầu vào, kết hợp với số DOY, Year, Opacity, Distance to Cloud/Cloud Shadow Score để tạo ảnh kết hợp đại diện cho TargetDOY Sau đó, từ tập điểm mẫu, tập liệu huấn luyện tập liệu kiểm thử xây dựng thực trình phân lớp sử dụng XGBoost Ngồi ra, q trình thực nghiệm, thuật toán SVM sử dụng thay XGBoost để đánh giá kết Kết cuối tổng hợp bảng 3.6: Urban PP Precision Recall Others F1 Score Precision Recall F1 Kappa OA Score (1) 62% 67% 0.65 97% 96% 0.96 0.61 93.41% (2) 61% 69% 0.65 97% 96% 0.96 0.61 93.23% (3) 75% 88% 0.81 99% 97% 0.98 0.79 96.34% (4) 79% 90% 0.84 99% 98% 0.98 0.82 96.89% (1) Là phương pháp kết hợp ảnh với số DOY, Year, Opacity, Distance to Cloud/Cloud Shadow Score thuật toán phân lớp SVM (2) Là phương pháp kết hợp ảnh với số DOY, Year, Opacity, Distance to Cloud/Cloud Shadow Score, NDVI Score thuật toán phân lớp SVM (3) Là phương pháp kết hợp ảnh với số DOY, Year, Opacity, Distance to Cloud/Cloud Shadow Score thuật toán phân lớp XGBoost (4) Là phương pháp kết hợp ảnh với số DOY, Year, Opacity, Distance to Cloud/Cloud Shadow Score, NDVI Score thuật toán phân lớp XGBoost Bảng 3.6 Bảng tổng hợp so sánh kết phân loại lớp phủ đô thị Viêng Chăn 51 Theo bảng tổng hợp 3.6, thuật toán phân lớp XGBoost cho kết vượt trội so với thuật toán phân lớp SVM Phương pháp kết hợp ảnh với số DOY, Year, Opacity, Distance to Cloud/Cloud Shadow Score, NDVI Score thuật toán phân lớp XGBoost cho kết cao Phương pháp kết hợp ảnh với số DOY, Year, Opacity, Distance to Cloud/Cloud Shadow Score thuật tốn phân lớp XGBoost Ngồi ra, thời gian xử lý thuật toán phân lớp XGBoost tỏ nhanh vượt trội so với thuật toán phân lớp SVM, q trình thực nghiệm nay, với máy tính xử lý, tập liệu, khoảng thời gian thuật toán SVM xử lý lâu thời gian xử lý XGBoost gần lần Chính vậy, thuật tốn phân lớp XGBoost lựa chọn cho việc xây dựng đồ lớp phủ đô thị cho thủ đô Viêng Chăn nghiên cứu Dựa phương pháp đánh giá mức độ xác, kết đảm bảo độ tin cậy thống kê sử dụng kết việc phân loại lớp phủ đô thị cho Viêng Chăn - Lào năm 2018 phân tích biến động lớp phủ thị cho khu vực nghiên cứu Ngồi ra, so với phương pháp ban đầu nhóm tác giả, phương pháp phân loại lớp phủ có kết hợp số NDVI có cải thiện kết phân lớp lớp đối tượng cần tập trung nghiên cứu lớp phủ thị Hình 3.12 Bản đồ lớp phủ Viêng Chăn 1995 Nguồn ảnh: JAPAN INTERNATIONAL COOPERATION AGENCY (JICA) 52 Hình 3.13 Bản đồ lớp phủ Viêng Chăn 2005 Nguồn ảnh: JAPAN INTERNATIONAL COOPERATION AGENCY (JICA) Dựa đồ phân loại lớp phủ Viêng Chăn năm 1995, 2005 (hình 3.12 hình 3.13) đồ phân loại lớp phủ thị 2018 (hình 3.11), dễ dàng nhận thấy phần diện tích thị Viêng Chăn tập trung chủ yếu quận trung tâm thành phố, nơi tập trung dân cư đông đúc Theo năm, phần lớp phủ đô thị phát triển tăng thêm quận trung tâm dọc theo sông lớn thành phố, điều phù hợp với tập tính sinh hoạt tự nhiên người dân nơi đây, nơi chưa có nhiều khu công nghiệp thành phố chưa thực phát triển mạnh Theo thống kê, năm 1995, tỉ lệ diện tích thị chiếm khoảng 3% tổng diện tích thủ Viêng Chăn tăng dần lên số 5% năm 2005 Ngoài ra, theo thống kê thức Cục thống kê Lào, diện tích đô thị Viêng Chăn năm 2017 khoảng 276km2, so với phần kết nghiên cứu 213.6km2, khác biệt nghiên cứu coi đối tượng mặt không thấm đặc trưng thị (như trình bày chương I), cịn có đối tượng nằm diện tích thị chưa bóc tách với đối tượng khác, ví dụ vườn khu đất trống khn viên gia đình quận trung tâm, đối tượng bị lẫn với đối tượng đất trống không sử dụng, v.v… 53 KẾT LUẬN Với đóng góp nhiều ý nghĩa thực tiễn, công nghệ viễn thám ngày thu hút nhiều quan tâm nhà khoa học giới, đặc biệt xử lý ảnh viễn thám phân loại lớp phủ mặt đất LULCC ứng dụng truyền thống viễn thám Nhiều nghiên cứu LULCC thực nhiều nơi khác Trái đất Tuy nhiên LULCC sử dụng hình ảnh vệ tinh quang học dễ bị ảnh hưởng tác động mây Luận văn trình bày khái niệm khoa học viễn thám, ảnh vệ tinh ứng dụng lĩnh vực khác Đặc biệt, luận văn trình bày bước thực để thu thập ảnh Landsat từ kho liệu ảnh NASA thơng qua GEE Sau xử lý ảnh vệ tinh, để tạo ảnh kết hợp với điểm ảnh tốt nhất, bị ảnh hưởng mây bóng mây Kết trình xử lý ảnh Ảnh đại diện cho TargetDOY năm Từ ảnh kết hợp mây này, kết hợp với tập liệu điểm mẫu thực địa thủ Viêng Chăn - Lào, q trình phân loại lớp phủ đô thị thực Kết cuối đồ lớp phủ đô thị cho thủ đô Viêng Chăn - Lào năm 2018 Các phương pháp đánh giá phân lớp thực để đánh giá kết này, OA đạt 97.07% với hệ số Kappa 0.82 Kết phân lớp cuối đảm bảo độ tin cậy thống kê Đối với khu vực nghiên cứu, phương pháp xử lý tập ảnh vệ tinh tổng hợp qua nhiều năm việc chọn TargetDOY trải qua thời điểm năm, đảm bảo cho việc thu thập đầy đủ đặc trưng địa hình khu vực nghiên cứu thay đổi theo thời gian với việc xử lý để lấy điểm ảnh tốt nhất, bị nhiễm, bị ảnh hưởng mây nên phương pháp hồn tồn áp dụng cho khu vực nghiên cứu khác Cộng thêm với việc thu thập ảnh vệ tinh khu vực nghiên cứu, ta xây dựng đồ lớp phủ đô thị khu vực cách nhanh chóng xác Tổng hợp phân tích đồ lớp phủ đô thị qua thời kỳ giúp nhà phát 54 triển, nhà hoạch định sách thấy thay đổi việc sử dụng đất đô thị có hướng phát triển đắn hợp lý Bên cạnh đó, có vấn đề cịn tồn q trình phân loại lớp phủ đô thị cho thủ đô Viêng Chăn - Lào Thời tiết khí hậu Lào chia làm 02 mùa rõ rệt mùa mưa mùa khô Mùa mưa Lào diễn từ tháng đến tháng 10 đặc biệt tháng 6, tháng tháng 8, thường diễn mưa lớn gây ngập, đọng nước nhiều nơi Điều gây sai lệch việc phân loại điểm ảnh ảnh vệ tinh thu thập khoảng thời gian kể Ngoài ra, số liệu thống kê Viêng Chăn công bố ỏi nên luận văn chưa thể so sánh cụ thể kết ước tính từ đồ lớp phủ đô thị xây dựng với kết đo đạc thực tế Trong tương lai, tìm kiếm thêm số liệu thống kê phát triển Viêng Chăn để so sánh kết nghiên cứu số liệu thống kê Đồng thời, nghiên cứu thêm loại ảnh vệ tinh khác như: MODIS, Sentinel v.v… nghiên cứu thêm số khác Normalized Difference Water Index (NDWI), Normalized Difference Built-up Index (NDBI), Built-up Index (BU), Urban Index (UI), Index-based Built-up Index (IBI), v.v… để kết hợp ảnh số trình tạo ảnh kết hợp phân loại lớp phủ cho Viêng Chăn khu vực nghiên cứu khác Bên cạnh đó, việc nghiên cứu để xây dựng kết hợp thêm phân lớp khác để kết phân lớp nâng cao cần thiết 55 TÀI LIỆU THAM KHẢO [1] Canada Natural Resources, Fundamentals of Remote Sensing [2] K Hibbard et al., “Research priorities in land use and land-cover change for the Earth system and integrated assessment modelling §,” vol 2128, no July, pp 2118-2128, 2010 [3] “Thư viện học liệu mở Việt Nam.” [Online] Available: https://voer.edu.vn [4] Q Weng, Urban Remote Sensing Taylor & Francis Group, LLC, 2018 [5] A Schneider, M A Friedl, and D Potere, “A new map of global urban extent from MODIS satellite data,” IOPScience, vol 044003, 2009 [6] N Son, C Chen, C Chen, B Thanh, and T H Vuong, “Assessment of urbanization and urban heat islands in Ho Chi Minh City , Vietnam using Landsat data,” Sustain Cities Soc., 2017 [7] S Saksena et al., “Classifying and mapping the urban transition in Vietnam,” Appl Geogr., vol 50, pp 80-89, 2014 [8] P Taylor, H M Pham, and Y Yamaguchi, “Urban growth and change analysis using remote sensing and spatial metrics from 1975 to 2003 for Hanoi , Vietnam,” Int J Remote Sens., no 04 Apr 2011, pp 37-41, 2011 [9] R B Smith, “Introduction to Remote Sensing of Environment ( RSE ),” 2002 [10] E Vermote, C Justice, M Claverie, and B Franch, “Preliminary analysis of the performance of the Landsat 8/OLI land surface re flectance product,” Remote Sens Environ., vol 185, pp 46-56, 2016 [11] N Gorelick, M Hancher, M Dixon, S Ilyushchenko, D Thau, and R Moore, “Google Earth Engine : Planetary-scale geospatial analysis for everyone,” Remote Sens Environ., no 2016, 2017 [12] M M Median, “Seasonal Composite Landsat TM/ETM+ Images Using the Medoid (a Multi-Dimensional Median),” Remote Sens., pp 6481-6500, 2013 [13] J C White et al., “Pixel-Based Image Compositing for Large-Area Dense Time Series Applications and Science,” Can J Remote Sens., vol 8992, pp 192-212, 2014 56 [14] D P Roy et al., “Web-enabled Landsat Data ( WELD ): Landsat ETM + composited mosaics of the conterminous United States,” Remote Sens Environ., vol 114, no 1, pp 35-49, 2010 [15] P Potapov, S Turubanova, and M C Hansen, “Regional-scale boreal forest cover and change mapping using Landsat data composites for European Russia,” Remote Sens Environ., vol 115, no 2, pp 548-561, 2011 [16] P Griffiths, P Grif, S Van Der Linden, T Kuemmerle, and P Hostert, “A Pixel-Based Landsat Compositing Algorithm for Large Area Land Cover Mapping A Pixel-Based Landsat Compositing Algorithm for Large Area Land Cover Mapping,” 2013 [17] C D Man, T T Nguyen, H Q Bui, and K Lasko, “Improvement of landcover classification over frequently cloud-covered areas using Landsat time-series composites and an ensemble of supervised classifiers,” Int J Remote Sens., vol 39, no 4, pp 1243-1255, 2018 [18] C Gómez, J C White, and M A Wulder, “Optical remotely sensed time series data for land cover classification : A review,” ISPRS J Photogramm Remote Sens., vol 116, pp 55-72, 2016 [19] M C Hansen, D P Roy, E Lindquist, B Adusei, C O Justice, and A Altstatt, “A method for integrating MODIS and Landsat data for systematic monitoring of forest cover and change in the Congo Basin,” vol 112, pp 2495-2513, 2008 [20] C Cortes and V Vapnik, “Support-Vector Networks,” vol 297, pp 273-297, 1995 [21] S Georganos, T Grippa, S Vanhuysse, M Lennert, M Shimoni, and E Wolff, “Very High Resolution Object-Based Land Use - Land Extreme Gradient Boosting,” IEEE Geosci Remote Sens Lett., pp 1-5, 2018 [22] T Chen and C Guestrin, “XGBoost : A Scalable Tree Boosting System,” pp 785-794, 2016 [23] M Sokolova and G Lapalme, “A systematic analysis of performance measures for classification tasks,” Inf Process Manag., vol 45, no 4, pp 57 427-437, 2009 [24] S Godbole and S Sarawagi, “Discriminative Methods for Multi-labeled Classification,” pp 22-30, 2004 [25] J Cohen, “A Coefficient of Agreement for Nominal Scales,” vol XX, no 1, pp 37-46, 1960 [26] L S B Ministry of Planning And Investment, Statistical Yearbook 2017, no June 2018 [27] “Thủ đô Viêng Chăn (Cộng hòa Dân chủ Nhân dân Lào).” [Online] Available: http://www.mofahcm.gov.vn/vi/hoptac_qt/nr041014110554/ns070223150533 [28] “USGS Earth Explorer.” [Online] Available: https://earthexplorer.usgs.gov/ [29] “Google Earth Engine.” [Online] Available: https://code.earthengine.google.com/ [30] P Thi, M Thy, V Raghavan, and N J Pawar, “Urban Expansion of Can Tho City, Vietnam: A Study based on multi-temporal Satellites Images,” Geoinformatics, vol 21, no 3, pp 147-160, 2010 [31] J Peng, Y Li, L Tian, Y Liu, and Y Wang, “Vegetation Dynamics and Associated Driving Forces in Eastern China during 1999-2008,” Remote Sens., vol 7, pp 13641-13663, 2015 [32] “Scikit-learn.” [Online] Available: https://scikit-learn.org/stable/index.html