So sánh các thuật toán phân loại ảnh vệ tinh spot 5 để xác định các đối tượng hiện trạng sử dụng đất tỉnh cà mau

ĐẠI HỌC QUỐC GIA THÀNH PHỐ HỒ CHÍ MINH TRƯỜNG ĐẠI HỌC KHOA HỌC XÃ HỘI VÀ NHÂN VĂN - & - PHÙNG VĂN TIẾN SO SÁNH CÁC THUẬT TOÁN PHÂN LOẠI ẢNH VỆ TINH SPOT ĐỂ XÁC ĐỊNH CÁC ĐỐI TƯỢNG HIỆN TRẠNG SỬ DỤNG ĐẤT TỈNH CÀ MAU CHUYÊN NGÀNH: SỬ DỤNG VÀ BẢO VỆ TÀI NGUYÊN MÔI TRƯỜNG MÃ SỐ: 60 85 15 LUẬN VĂN THẠC SĨ SỬ DỤNG VÀ BẢO VỆ TÀI NGUYÊN MÔI TRƯỜNG HƯỚNG DẪN KHOA HỌC PGS.TS LÊ VĂN TRUNG TP Hồ Chí Minh năm 2015 I LỜI CAM ĐOAN Tôi xin cam đoan ngoại trừ kết kế thừa nghiên cứu khác ghi rõ ràng luận văn, lại công việc khác viết luận văn tơi thực Chưa có phần nội dung luận văn báo cáo để lấy cấp trường trường khác TP Hồ Chí Minh ngày 12 tháng 12 năm 2015 Phùng Văn Tiến GVHD: PGS.TS Lê Văn Trung HVTH: Phùng Văn Tiến II LỜI CẢM ƠN Tôi xin gửi lời cảm ơn chân thành tới Thầy Lê Văn Trung, người tận tình dẫn tạo điều kiện để tơi hồn thành luận văn Xin gửi lời cảm ơn tới lãnh đạo Cục viễn thám Quốc Gia, Trung tâm Viễn thám miền Nam anh chị em đồng nghiệp tạo điều kiện thuận lợi để tơi hồn thành khóa học Xin gửi lời cảm ơn tới anh chị em lớp cao học Bản đồ - Viễn thám, trường Đại học Bách khoa TP.HCM Những người tạo điều kiện cho tham gia học tập nghiên cứu Xin cảm ơn gia đình thân u tồn thể bạn bè ln động viên giúp đỡ để tơi có động lực hồn tốt luận văn GVHD: PGS.TS Lê Văn Trung HVTH: Phùng Văn Tiến III TÓM TẮT LUẬN VĂN Cà Mau tỉnh có đặc trưng chủ yếu rừng ngập mặn; dải đất ven biển diện tích nuôi trồng thủy sản Tuy nhiên, năm qua q trình chuyển đổi mục đích sử dụng đất diễn phức tạp, nhiều nơi rừng ngập mặn bị chặt phá để ni trồng thủy sản Do đó, việc xác định trạng sử dụng đất biến động sử dụng đất công nghệ viễn thám cần thiết Trong năm gần đây, ứng dụng ảnh viễn thám nói chung ảnh viễn thám Spot nói riêng phục vụ cơng tác thành lập đồ trạng sử dụng đất ngày phổ biến Tuy nhiên, chưa có nghiên cứu sâu vào nghiên cứu khảo sát, đánh giá để thuật toán toán phù hợp xác định đối tượng trạng sử dụng đất Đề tài “So sánh thuật toán phân loại ảnh vệ tinh Spot xác định đối tượng trạng sử dụng đất tỉnh Cà Mau” nhằm phân tích ưu nhược điểm thuật toán kỹ thuật phân loại giám định truyền thống, đồng thời đề xuất ứng dụng thuật toán mạng Neural đa lớp LNN (Layered Neural Networks) phân loại ảnh vệ tinh nhằm nâng cao độ xác thành lập đồ trạng sử dụng đất Kết đạt Luận văn làm rõ độ xác thuật tốn tham số truyền thống sử dụng liệu mẫu để nâng cao độ xác xác định đối tượng trạng sử dụng đất, thuật toán phân loại phi tham số LNN giải pháp khả thi Tuy nhiên, việc chọn chế độ huấn luyện neural phù hợp thách thức người sử dụng kết thực nghiệm góp phần làm rõ vấn đề sử dụng thuật toán phi tham số LNN GVHD: PGS.TS Lê Văn Trung HVTH: Phùng Văn Tiến IV MỤC LỤC LỜI CAM ĐOAN I LỜI CẢM ƠN II TÓM TẮT LUẬN VĂN III MỤC LỤC IV DANH MỤC TỪ VIẾT TẮT X MỞ ĐẦU .1 ĐẶT VẤN ĐỀ MỤC TIÊU NGHIÊN CỨU NỘI DUNG NGHIÊN CỨU PHƯƠNG PHÁP THỰC HIỆN PHẠM VI THỰC HIỆN .4 Ý NGHĨA KHOA HỌC VÀ THỰC TIỄN CỦA ĐÈ TÀI NGHIÊN CỨU .5 BỐ CỤC LUẬN VĂN .5 CHƯƠNG TỔNG QUAN VỀ SỬ DỤNG ĐẤT VÀ VIỄN THÁM TRONG XÁC ĐỊNH HIỆN TRẠNG SỬ DỤNG ĐẤT 1.1 KHÁI NIỆM VỀ ĐẤT ĐAI VÀ BẢN ĐỒ SỬ DỤNG ĐẤT 1.2 MỘT SỐ ỨNG DỤNG TRONG NƯỚC 1.3 MỘT SỐ ỨNG DỤNG NƯỚC NGOÀI 11 CHƯƠNG CƠ SỞ KHOA HỌC ỨNG DỤNG VIỄN THÁM TRONG NGHIÊN CỨU THỰC PHỦ VÀ MỘT SỐ KHÁI NIỆM .14 2.1 ĐỊNH NGHĨA 14 2.1.1 Viễn thám 14 2.1.2 Ảnh viễn thám quang học 14 2.2 NGUYÊN LÝ THU NHẬN ẢNH VIỄN THÁM 15 2.3 ẢNH VỆ TINH SPOT 16 2.4 TƯƠNG TÁC SÓNG ĐIỆN TỪ VỚI CÁC ĐỐI TƯỢNG THỰC PHỦ .17 2.5 CƠ SỞ SỬ DỤNG ẢNH SPOT TRONG THÀNH LẬP BẢN ĐỒ HIỆN TRẠNG SỬ DỤNG ĐẤT TỶ LỆ 1: 50.000 .20 GVHD: PGS.TS Lê Văn Trung HVTH: Phùng Văn Tiến V CHƯƠNG KHU VỰC NGHIÊN CỨU VÀ PHƯƠNG PHÁP THỰC HIỆN .21 3.1 KHU VỰC NGHIÊN CỨU .21 3.1.1 Vị trí địa lý 21 3.1.2 Đặc điểm tự nhiên 21 3.1.3.Đặc điểm kinh tế xã hội 23 3.1.4 Các loại hình sử dụng đất tỉnh Cà Mau 35 3.2 DỮ LIỆU 26 3.2.1 Dữ liệu ảnh Spot .26 3.2.2 Dữ liệu khác .27 3.3 PHƯƠNG PHÁP .28 3.3.1 Phương pháp luận 28 3.3.2 Phương pháp thực 44 CHƯƠNG KẾT QUẢ VÀ PHÂN TÍCH KẾT QUẢ 73 4.1 KẾT QUẢ VÀ ĐÁNH GIÁ KẾT QUẢ PHÂN LOẠI 73 4.1.1 Kết phân loại ảnh gốc 73 4.1.2 Đánh giá khả phân loại đối tượng sử dụng đất ảnh gốc qua thuật toán phân loại .80 4.1.3 Kết phân loại ảnh PCA thuật toán, Maximum Likelihood Neural Network 87 4.1.4 So sánh kết phân loại thuật toán Neural – Network cấu trúc Neural lớp với thời gian huấn luyện khác 90 4.2 ĐỀ XUẤT PHƯƠNG PHÁP PHÂN LOẠI PHÙ HỢP KHI SỬ DỤNG ẢNH SPOT TRONG XÁC ĐỊNH CÁC ĐỐI TƯỢNG SỬ DỤNG ĐẤT 93 KẾT LUẬN VÀ KIẾN NGHỊ .95 I KẾT LUẬN 95 II KIẾN NGHỊ 96 TÀI LIỆU .97 GVHD: PGS.TS Lê Văn Trung HVTH: Phùng Văn Tiến VI DANH MỤC BẢNG Bảng 2.1 Thống kê kênh phổ ảnh vệ tinh Spot 27 Bảng 2.2 Đặc điểm dải phổ điện từ sử dụng viễn thám 27 Bảng 3.1 Số liệu thống kê diện tích đất theo mục đích sử dụng tỉnh Cà Mau 35 Bảng 3.2 Thông tin ảnh Spot sử dụng 36 Bảng 3.3 So sánh ưu điểm nhược điểm thuật toán phân loại 51 Bảng 3.4 Bảng giá trị phản xạ trung bình đối tượng khu vực thực nghiệm 57 Bảng 3.5 Thống kê giá trị hiệp phương sai mức độ tương quan kênh ảnh 58 Bảng 3.6 Thống kê giá trị hiệp phương sai giá trị tương quan kênh ảnh thành phần 62 Bảng 3.7 Bộ trọng số sử dụng cho phân loại LNN lớp ảnh gốc 64 Bảng 3.8 Bộ trọng số sử dụng cho phân loại LNN lớp ảnh PCA 65 Bảng 3.9 Thống kê số lượng điểm mẫu phân loại 66 Bảng 3.10 Hệ thống phân loại đối tượng sử dụng đất 79 Bảng 3.11 Khóa giải đốn ảnh cho khu vực nghiên cứu 71 Bảng 3.12 So sánh khóa giải đốn điểm mẫu đươc lấy xác định thực tế điểm mẫu lấy ảnh 75 Bảng 3.13 Thống kê độ tách biệt mẫu phân loại 78 Bảng 3.14 Thống kê số lượng mẫu cho công tác đánh giá sai số sau phân loại 79 Bảng 4.1 Độ xác phân loại thuật tốn phân loại hình hộp 90 Bảng 4.2 Độ xác phân loại thuật toán Minimun Distance 91 GVHD: PGS.TS Lê Văn Trung HVTH: Phùng Văn Tiến VII Bảng 4.3 Độ xác phân loại thuật tốn Mahalanobis Distance 92 Bảng 4.4 Độ xác phân loại thuật toán Maximum Likelihood 93 Bảng 4.5 Độ xác phân loại thuật toán Neural Network 94 Bảng 4.6 So sánh độ xác phân loại thuật toán 95 Bảng 4.7 So sánh độ xác phân loại đối tượng thuật toán 98 Bảng 4.8 So sánh độ xác phân loại thuật tốn LNN lớp với thời gian huấn luyện khác 99 Bảng 4.9 Bảng so sánh độ xác phân loại thuật toán phân loại 101 GVHD: PGS.TS Lê Văn Trung HVTH: Phùng Văn Tiến VIII DANH MỤC HÌNH Hình Khu vực nghiên cứu 14 Hình 2.1 Nguyên lý thu nhận 26 Hình 2.2 Đường cong phản xạ đối tượng 28 Hỉnh 2.3 Đặc tính phổ ảnh hưởng lên phản xạ mắm đước Cà Mau 29 Hình 3.1 Ảnh Spot tổ hợp kênh 4-2-3 37 Hình 3.2 Sự phân bố đối tượng phân loại hình hộp 39 Hình 3.3 Nguyên lý phân loại theo khoảng cách ngắn 41 Hình 3.4 Cấu trúc mạng Neural lớp 45 Hình 3.5 Thời điểm dừng thích hợp 50 Hình 3.6 Quy trình thực 54 Hình 3.7 Kết ảnh nắn mức cắt ảnh theo ranh giới tổ hợp màu 4-2-3 56 Hình 3.8 Ảnh số thực vật NDVI 56 Hình 3.9 Mơ tả trùng lặp thông tin đối tượng A B kênh ảnh 59 Hình 3.10 Kết liệu ảnh qua phân tích thành phần 61 Hình 3.11 So sánh kết ảnh gốc ảnh thành phần 62 Hình 3.12 Mơ hình Neural lớp ảnh gốc 63 Hình 3.13 Mơ hình phân loại Neural lớp dùng cho phân loại ảnh PCA 64 Hình 3.14 Hệ thống tuyến điểm xác minh thực tế 66 Hình 3.15 Phân bố mẫu phân loại lấy khu vực ảnh 76 GVHD: PGS.TS Lê Văn Trung HVTH: Phùng Văn Tiến IX Hình 3.16 Mơ mẫu có tách biệt khơng có tách biệt 77 Hình 4.1 Kết phân loại thuật tốn hình hộp 82 Hình 4.2 Kết phân thuật thuật toán Minimum Distance 83 Hình 4.3 So sánh kết phân loại Minimum Distance hình hộp 84 Hình 4.4 Kết phân loại thuật toán Mahalanobis Distance 85 Hình 4.5 So sánh kết phân loại Minimum Distance Mahalanobis Distance 85 Hình 4.6 Kết phân loại thuật toán Maximum Likelihood (MLC) 86 Hình 4.7 So sánh kết phân loại Minimum Distance Maximum Likelihood 87 Hình 4.8 Kết phân loại thuật toán Neural – Network 88 Hình 4.9 So sánh kết phân loại MLC – LNN 88 Hình 4.10 Kết phân loại thuật toán MLC ảnh PCA 96 Hình 4.11 Kết phân loại thuật tốn LNN ảnh PCA 97 Hình 4.12 So sánh kết PL hai thuật toán MLC LNN 97 GVHD: PGS.TS Lê Văn Trung HVTH: Phùng Văn Tiến 88 Phân loại ảnh PCA thuật tốn MLC đạt độ xác cao, thể (Hình 4.10) (Bảng 4.7), độ xác tồn cục 92.95% độ xác kapa 92.28%, đối tượng phân loại thuộc nhóm RNM có phân loại nhầm vào so với phân loại thuật toán ảnh chưa phân tích thành phần chính, phản ánh thực tế trạng đối đối tượng Tuy nhiên kết phân loại thuật toán ảnh PCA chưa khắc phục nhiều phân loại nhầm đối tượng sông suối có chiều rộng nhỏ sang đối tượng đất ni trồng thủy sản - Thuật tốn Neural Network Hình 4.11: Kết phân loại thuật toán Neural – Network ảnh PCA (Nguồn: kết thực nghiệm thuật toán Neural – Network ENVI 4.7) GVHD: PGS.TS Lê Văn Trung HVTH: Phùng Văn Tiến 89 Kết phân loại thuật toán Kết phân loại thuật toán Maximum Likelihood (MLC) Neural – Network Hình 4.12: So sánh kết PL hai thuật toán Maximum Neural Network (Nguồn: phân loại Maximum Likelihood Neural – Network ENVI 4.7) Phân loại thuật toán LNN với ảnh PCA, thể (Hình 4.11) (Bảng 4.7) cho thấy kết đạt độ cao, đối tượng RNMT; RNM1; RNM2; RNM3; RNM4 phân loại chi tiết hơn, thể phân bố đối tượng RNM với thực tế Các đối tượng TH; DC, phân loại chi tiết xác đến rạch nhỏ, đến khu dân cư dải rác ven kênh, đặc biệt đối tượng sông suối có độ sắc nét, rõ ràng Đất RNM+TS1; RNM+TS2; TS1; TS2; BB; KHAC, đạt độ xác phân loại cao, bảng 4.7 ˜ So sánh độ xác phân loại hai thuật toán Bảng 4.7: So sánh độ xác phân loại thuật tốn Thuật tốn Maximum Likelihood (MLC) Neural – Network (Tồn cục: 92.95; kapa: 92.28) (Toàn cục: 95.59; kapa: 95.18) ĐCX toàn cục ĐCX Kapa ĐCX toàn cục ĐCX Kapa RNMT 99 94.3 93.7 98.5 RNM1 92.3 99.3 98.7 98.0 RNM2 91.3 77.6 96.7 84.2 RNM3 95 75.6 89.7 96.2 RNM4 91.5 97.9 95.8 96.5 96 91.6 98.7 100 Đối tượng RNM+TS1 GVHD: PGS.TS Lê Văn Trung HVTH: Phùng Văn Tiến 90 RNM+TS2 91.6 77.4 93.8 96.4 TS1 99 100 98.1 100 TS2 100 97.1 100 95.8 BB 100 100 100 100 DC 89.5 100 87.6 100 TH 96 100 94.4 100 (Nguồn: kết độ xác tồn cục kapa hai thuật toán ảnh PCA đề tài) Theo kết đánh giá độ xác hai thuật tốn MLC LNN (Bảng 4.7) (Hình 4.12) cho thấy hai thuật tốn đạt độ xác phân loại cao Trong thuật tốn MLC độ xác phân loại thuật toán MLC tăng sử dụng liệu ảnh có tách biệt kênh ảnh để phân loại, với độ xác phân loại tồn cục 92.95% với độ xác Kapa 92.28% Thuật tốn LNN độ xác phân loại tồn cục 93.06% với độ xác Kapa 92.40% Các đối tượng RNM phân loại MLC đạt độ xác 75% thuật tốn LNN 80% Nhìn chung đối tượng cịn lại thuật tốn LNN cho độ xác cao thuật tốn MLC Qua đánh giá, phân tích kết hai thuật tốn cho thấy, thuật tốn LNN có độ xác phân loại cao so với thuật tốn MLC, hình ảnh đối tượng phân loại LNN chi tiết hơn, sắc nét Kết thực nghiệm cho thấy phân loại liệu ảnh gốc hay ảnh PCA thuật tốn LNN ln đạt độ xác phân loại cao thuật tốn MLC Ảnh gốc độ xác tồn cục kapa cao 1.2% 1.3%, ảnh PCA 2.6% 3.1% 4.1.4 So sánh kết phân loại thuật toán Neural – Network cấu trúc Neural lớp với thời gian huấn luyện khác Phân loại LNN lớp liệu mẫu giá trị tham số (Eta, Momentum, Threshold, Training RMS Exit Criteria, Number of Hidden Layers) trình huấn luyện neural nhau, thay đổi thời gian huấn luyện kết đạt được, trình bày cụ thể (Bảng 4.8) Bảng 4.8: So sánh độ xác phân loại thuật tốn LNN lớp GVHD: PGS.TS Lê Văn Trung HVTH: Phùng Văn Tiến 91 với thời gian huấn luyện khác Số vòng 3000 vòng lặp 7000 vòng lặp 10.000 vòng lặp lắp (90.45-89.55) (95.59-95.18) (92.44-91.72) Đối tượng ĐCX ĐCX (ĐCX) ĐCX (ĐCX) ĐCX toàn cục Kapa toàn cục Kapa toàn cục Kapa (%) (%) (%) (%) (%) (%) RNMT 91.3 88.3 93.7 98.5 94.4 95.3 RNM1 83.5 100 98.7 98.0 91.2 99.3 RNM2 86.5 79.5 96.7 84.2 92.3 74.2 RNM3 78.8 92.0 89.7 96.2 76.2 94.6 RNM4 89.2 97.9 95.8 96.5 91.5 97.9 RNM+TS1 89.7 99.6 98.7 100 95.9 89.7 RNM+TS2 88.6 71.8 93.8 96.4 89.2 78.8 TS1 92.9 95.1 98.1 100 96.6 97.4 TS2 95.7 94.5 100 95.8 99.5 100 BB 100 100 100 100 100 100 DC 98.4 97.6 87.6 100 88.8 100 TH 99.0 94.1 94.4 100 96.4 99.5 (Nguồn: Thống kê kết độ xác tồn cục kapa thuật tốn LNN lớp thời gian huấn luyện khác ENVI 4.7 ) Qua phân tích (Bảng 4.8) cho thấy phân loại thuật tốn LNN – lớp 3000 vịng lặp đạt độ xác phân loại thấp 7000 10.000 vịng lặp, độ xác tồn cục 90.45% độ xác Kapa 89.55% Các đối tượng dạng tuyến sông, suối kết phân loại có độ xác độ sắc nét Tuy nhiên có phân loại nhầm, sơng suối có chiều ngang hẹp phân loại nhầm sang TS2 Độ xác đối tượng khơng có đối tượng độ xác 75% RNM+TS2 (71.8%) Phân loại LNN lớp 7000 vịng đạt độ xác phân loại cao phân loại 3000 7000 vịng lặp Độ xác tồn cục 95.59%, độ xác Kapa GVHD: PGS.TS Lê Văn Trung HVTH: Phùng Văn Tiến 92 95.18% Ở phân loại khắc phục tốt nhầm lẫn sông suối nhỏ với mặt nước nuôi trồng thủy sản đối tượng đạt độ xác 85%, đồng thời khoảng cách sai số đối tượng thấp Phân loại thuật toán LNN – lớp 10.000 vịng lặp, độ xác phân loại giảm so với 7000 vòng lặp Các đối tượng dạng tuyến sông, suối RNM+TS2 phân loại xác 3000 vịng lặp Phân loại có độ xác tồn cục 92.44% độ xác Kapa 91.72%, cao 3000 vòng lặp 1.9% 2.1% Kết phân loại thuật toán LNN lớp 3000, 7000 10.000 vòng lặp cho thấy 3000 đạt độ xác phân loại thấp với độ xác tồn cục 90.45% với độ xác Kapa 89.55%, 7000 vịng lặp đạt độ xác cao với độ xác tồn cục 95.59% độ xác Kapa 95.18%, cịn 10.000 có độ xác phân loại cao phân loại 3000 thấp phân loại 7000 vòng lặp Nguyên nhân tăng giảm độ xác phân loại cấp độ huấn luyện Neural 3000 nhận biết đối tượng mà chưa có đạt đến khái quát sáng tạo Neural kết phân loại đạt độ xác tương đương với phân loại thuật tốn Minimum Ở 10.000 vịng lặp độ xác phân loại lại giảm so với 7000 vòng lặp huấn luyện Neural 10.000 vòng lặp neural đạt đến giá trị sai số mong muốn lại dư thừa số vòng lặp làm cho neural học nhận biết đối tượng theo kiểu dập khuôn, sáng tạo khái quát neural Do sử dụng liệu khác để đánh giá sai số làm cho độ xác phân loại giảm Ở 7000 vịng lặp kết phân loại đạt độ xác cao 7000 vòng lặp neural huấn luyện đạt sáng tạo khái quát tốt Bảng 4.9: Bảng so sánh độ xác phân loại thuật toán phân loại Ảnh THUẬT TỐN ĐỘ CHÍNH XÁC ĐỘ CHÍNH XÁC PHÂN LOẠI TỒN CỤC (%) KAPA (%) PP Parallelepiped 68.21 65.10 PP Minimum Distance 89.69 88.71 GVHD: PGS.TS Lê Văn Trung HVTH: Phùng Văn Tiến 93 gốc PP Mahalanobis Distance 83.14 81.52 PP Maximum Likelihood 90.11 89.17 PP Neural Network lớp 91.32 90.49 Ảnh PP Maximum Likelihood 92.95 92.28 PCA PP Neural Network lớp 95.59 95.18 Neural Network lớp- 3000 vòng lặp 90.45 89.55 Neural Network lớp- 7000 vòng lặp 95.59 95.18 Neural Network lớp- 10.000 vòng 92.44 91.72 Ảnh PCA lặp (Nguồn: Thống kê kết độ xác tồn cục kapa thuật tốn phân loại ảnh gốc (4-2-3) ảnh PCA đề tài) Kết trình bày (Bảng 4.9) cho thấy thuật toán phân loại sử dụng ảnh PCA đạt độ xác phân loại cao so với phân loại ảnh gốc Trong thuật tốn LNN có độ xác phân loại cao nhất, thể độ xác tồn cục tăng 4.27% độ xác kapa tăng 4.69% Thuật tốn LNN đạt độ xác phân loại cao thuật tốn MLC, thể độ xác tồn cụ cao 2.65% độ xác kapa cao 2.9% 4.2 ĐỀ XUẤT PHƯƠNG PHÁP PHÂN LOẠI PHÙ HỢP KHI SỬ DỤNG ẢNH SPOT TRONG XÁC ĐỊNH CÁC ĐỐI TƯỢNG SỬ DỤNG ĐẤT Mỗi thuật toán phân loại có ưu điểm nhược điểm riêng, để sử dụng thuật tốn thích hợp cho nghiên cứu phụ thuộc vào mục đích nghiên cứu đặc biệt liệu ảnh sử dụng nghiên cứu Qua nghiên cứu lý thuyết thuật toán phân loại để hiểu rõ nguyên tắc phân loại, nghiên cứu tiến hành phân loại thực nghiệm thuật toán, hai liệu ảnh ảnh gốc (4-2-3) ảnh thành phần (PCA) Đồng thời tiến hành phân loại thực nghiệm GVHD: PGS.TS Lê Văn Trung HVTH: Phùng Văn Tiến 94 chi tiết thuật toán LNN – lớp với mức thời gian huấn luyện khác ảnh PCA, kết phân loại thể rõ (Bảng 4.8) Thuật toán phân loại LNN phân loại ảnh gốc hay ảnh phân tích PCA cho kết phân loại đạt độ xác cao Phân loại MLC cho kết phân loại đạt độ xác cao sử dụng liệu phân loại có tách biệt kênh ảnh so với phân loại ảnh khơng có tách biệt kênh ảnh Do để phân loại đối tượng sử dụng đất ảnh Spot thuật tốn phân loại LNN MLC xem hai thuật tốn thích hợp thuật toán phân loại Thuật toán LNN đề xuất sử dụng cho trường hợp liệu ảnh phân loại khơng có tách biệt cao kênh ảnh kết phân loại đạt độ xác tin cậy GVHD: PGS.TS Lê Văn Trung HVTH: Phùng Văn Tiến 95 KẾT LUẬN VÀ KIẾN NGHỊ Qua trình nghiên cứu so sánh thuật toán phân loại ảnh Spot xác định đối tượng HTSDĐ tỉnh Cà Mau, Luận văn đưa số kết luận kiến nghị sau: I KẾT LUẬN Luận văn hoàn thành mục tiêu đề thực đầy đủ nội dung yêu cầu Việc thử nghiệm phân loại ảnh Spot để thành lập đồ trạng với 12 đối tượng loại hình sử dụng đất khu vực Bán đảo Cà Mau cho kết sau: Trong phương pháp phân loại giám định truyền thống, bốn thuật toán (Parallelepiped, Minimum Distance, Mahalanobis Distance, Maximum Likelihodd) áp dụng cho việc phân loại ảnh SPOT có độ xác phân loại khác nhau, sử dụng liệu mẫu Trong đó, thuật tốn Parallelepiped có độ xác phân loại thấp Thuật toán phi tham số Neural Network với giá trị xuất LNN xem xác định xác suất hậu định thuật toán MLC Khi sử dụng liệu mẫu thuật toán phân loại LNN với chế độ huấn luyện phù hợp, cho phép nâng cao độ xác tồn cục độ xác kapa xác định đối tượng loại hình sử dụng đất Khi ảnh có tương quan cao kênh, phân loại dựa ảnh phân tích thành phần (PCA) bốn thuật tốn phân loại giám định cho kết phân loại với độ xác cao so với ảnh gốc (chưa phân tích thành phần chính) Thử nghiệm kết phân loại thuật tốn LNN theo mơ hình lớp với ảnh Spot 5, cho thấy cần áp dụng mơ hình LNN lớp huấn luyện với số vịng lặp thích hợp cho kết phân loại đảm bảo độ xác yêu cầu Tóm lại, kết nghiên cứu ứng dụng ảnh Spot thành lập đồ trạng sử dụng đất cho thấy ưu nhược điểm thuật toán phân loại truyền thống Đây thuật toán tham số nên bị ảnh hưởng tương quan cao thông tin phổ liệu mẫu Việc đề xuất thuật toán phân loại phi tham GVHD: PGS.TS Lê Văn Trung HVTH: Phùng Văn Tiến 96 số LNN sử dụng hiệu liệu ảnh có tương quan kênh ảnh Tuy nhiên, việc chọn chế độ huấn luyện neural phù hợp thách thức người sử dụng kết thực nghiệm góp phần làm rõ vấn đề sử dụng thuật toán phi tham số LNN II KIẾN NGHỊ Để có kết phân loại đáng tin cậy, việc chọn mẫu phân loại mẫu đánh giá sau phân loại có vai trị định Đối với vị trí khu vực nghiên cứu khơng thuận lợi cho q trình lấy mẫu, xác minh thực tế việc lấy mẫu khu vực phương pháp so sánh đối chiếu phản xạ, khóa giải đốn đối tượng kết hợp với tư liệu ảnh Google Earth thu nhận thời điểm giải pháp, đáng tin cậy Để bảo đảm độ xác cần thiết, nâng cao độ xác việc chọn mẫu phân loại đối tượng RNM, nên sử dụng kết hợp kênh ảnh tồn sắc có độ phân giải 2.5m, ảnh Spot Phương pháp phân loại phi tham số LNN cho kết phân loại đạt độ xác cao liệu có độ tách biệt kênh ảnh thấp, nhiên trình thực phương pháp phân loại phức tạp địi hỏi người sử phải có am hiểu sâu Neural kinh nghiệm trình huấn luyện LNN, để LNN đạt cân khả nhận biết xác liệu mẫu liệu nhập chưa sử dụng trình huấn luyện GVHD: PGS.TS Lê Văn Trung HVTH: Phùng Văn Tiến 97 TÀI LIỆU Tài liệu tiếng việt Nguyễn Huy Anh, Đinh Thanh Kiên, “Ứng dụng viễn thám GIS thành lập đồ lớp phủ mặt đất khu vực chân mây, huyện Phú Lọc tỉnh Thừa Thiên Huế”, Kỷ yếu hội thảo ứng dụng GIS toàn Quốc, 2010 “Ban hành quy định thành lập đồ trạng sử dụng đất”, Quyết định Bộ tài nguyên Môi trường số 22/2007/QĐ-BTNMT, 2007 “Chiến lược nghiên cứu ứng dụng công nghệ vụ trụ đến năm 2020”, Quyết định số 137/2006/QĐ-TTg Thủ tướng Chính phủ, phê duyệt, 2006 Trần Duy Chung, 2011, “Nghiên cứu kỹ thuật phân loại ảnh viễn thám giám sát trạng sử dụng đất”, Luận văn Thạc sĩ, Đại học Đà Nẵng Trần Trọng Đức, Phạm Bách Việt, 2004, “Giám sát biến động rừng ngập mặn Cần Giờ sử dụng kỹ thuật viễn thám GIS”, báo cáo đề tài cấp - Đại học Bách Khoa Tp HCM Trịnh Vũ Long Giao, 2014, “Tổng quan mạng Neural Network phân tích ảnh”, Đồ án tốt nghiệp Đại học, Đai học Khoa học Tự nhiên, ĐHQG Tp Hồ Chí Minh “Hệ sinh thái rừng tự nhiên Việt Nam”, Cẩm nang ngành Lâm nghiệp, Bộ Nông nghiệp Phát triển Nông thôn, 2006 Phạm Xuân Hoài, 2009, “Một số vấn đề lâm học nhiệt đới”, Đại học Lâm nghiệp Võ Văn Hồng nnk, 2006, “Công tác điều tra rừng Việt Nam”, Cẩm nang ngành Lâm nghiệp, BNN&PTNT 10 Trần Trọng Hùng, 2008, “Xử lý phân tích liệu viễn thám với phần mền envi”, Công ty TNHH tư vấn GEOVIET http://www.geoviet.vn 11 Nguyễn Thị Huyền, 2012, “Ứng dụng viễn thám quang học radar giám sát rừng ngập mặn khu vực tỉnh Cà Mau”, Luận văn Thạc sĩ, Đại học Khoa học GVHD: PGS.TS Lê Văn Trung HVTH: Phùng Văn Tiến 98 Xã hội Nhân văn – ĐHQG TPHCM 12 Phan Văn Khoa nnk, 2006, “Mạng nơ ron nhân tạo (ANN) giới thiệu số nghiên cứu ứng dụng quản lý dự án đầu tư xây dựng”, Tạp chí Kinh tế xây dựng số 2, 2006, Viện kinh tế xây dựng 13 Lại Anh Khôi, 2007, “Ứng dụng nghiên cứu phát triển phương pháp xử lý ảnh số, theo dõi biến động tài nguyên thiên nhiên mặt đất vùng trung- hạ lưu sông Đà”, Luận án Tiến sĩ, Đại học Khoa học Tự nhiên, ĐHQG Hà Nội 14 Lưu Phương Mai NNK, 2013, “Sử dụng ảnh vệ tinh đa thời gian để đánh giá biến động số đối tượng có ảnh hưởng đến biến động đường bờ ảnh hưởng đến diễn biến đường bờ vùng bán đảo Cà Mau”, Cục viễn thám Quốc Gia, BTN&MT 15 “Nghiên cứu giám sát lúa rừng ngập mặn công nghệ viễn thám khu vực phía Nam Việt Nam”, Trung tâm Viễn thám Hệ thông tin địa lý - Viện Địa lý Tài nguyên TP.HCM hợp tác với Trung tâm Dữ liệu Viễn thám – Cộng hòa Liên bang Đức, 2011 16 Nguyễn Hữu Ngữ, 2010, “Bài giảng quy hoạch sử dụng đất đai”, ĐH Nông Lâm, TP HCM 17 Phạm Thành Phước, 2013, “Mạng Neural ứng dụng dự báo giá chứng khoán trung tâm giao dịch chứng khốn TP Hồ Chí Minh”, Luận văn Thạc sĩ, Học viện Cơng nghệ Bưu viễn thơng, Hà Nội 18 “Quy phạm kỹ thuật theo dõi diễn biến rừng đất lâm nghiệp lực lượng Kiểm lâm”, Bộ Nông nghiệp Phát triển Nông thôn, Số 78/2002/QĐ-BNN, 2002 19 Đỗ Đình Sâm, Nguyễn Ngọc Bình, Ngơ Đình Quế, Vũ Tấn Phương, 2005, “Tổng quan rừng ngập mặn Việt Nam”, NXB Nông nghiệp 20 Lê Minh Sơn, 2009, “Ứng dụng công nghệ viễn thám giám sát tài nguyên thiên nhiên môi trường” Trung tâm viễn thám Quốc Gia, BTN&MT 21 Phan Thành Tâm nnk, 2011, “Dự báo tốc độ tăng trưởng kinh tế Việt Nam: Sự vượt trội mơ hình mạng thần kinh nhân tạo so với mơ hình hồi quy tuyến tính truyền thống”, Đại học Kinh tế TP.HCM GVHD: PGS.TS Lê Văn Trung HVTH: Phùng Văn Tiến 99 22 Nguyễn Ngọc Thạch, 2005, “Cơ sở viễn thám”, NXB Đại Nông Nghiệp Hà Nội 23 Phạm Trọng Thịnh, Dominic Meinardi, Klaus Schmitt, 2011, “Giám sát rừng ngập mặn”, Dự án Quản lý Nguồn Tài nguyên Thiên nhiên Vùng Ven biển tỉnh Sóc Trăng 24 Nguyễn Hồng Trí, 2009, “Khu dự trữ sinh giới Mũi Cà Mau”, http://www.mabvietnam.net/Vn/MuiCaMaubios_vn.htm, truy cập 10/06/201 25 Lê Văn Trung, 2007, “Ảnh hưởng liệu huấn luyện thuật toán phân loại ảnh viễn thám”, Đại học Quốc gia TP.HCM 26 Lê Văn Trung, 2014, “Mạng thần kinh nhân tạo ứng dụng”, Đại học Bách Khoa TP.HCM 27 Lê Văn Trung, 1997, “Tối ưu mạng neural đa lớp phân loại ảnh viễn thám”, Kỷ yếu Hội nghị khoa học công nghệ lần thứ 7, Đại học Kỹ Thuật 28 Lê Văn Trung, 2005, “Viễn thám”, NXB ĐH Quốc gia TP.HCM 29 Lê Văn Trung, 2013, tập giảng, “Viễn thám nâng cao”, Đại học Bách Khoa TP.HCM 30 Ngô Văn Tú, 2015, “Nghiên cứu sử dụng ảnh viễn thám Spot phân loại trạng thái rừng tỉnh Bác Kạn”, Luận án Tiến sĩ, Đại học Lâm nghiệp Hà Nội 31 Lê Xuân Tuấn, Phan Nguyên Hồng, Trương Quang Học, 2008, “Những vấn đề môi trường ven biển phục hồi rừng ngập mặn Việt Nam”, Kỷ yếu hội thảo quốc tế Việt Nam học lần thứ ba 32 Nguyễn Thảo Thanh Vân nnk, 2008, “Ứng dụng mô hình Neural Network việc dự báo thị trường chứng khoán Việt Nam”, Đại học Kinh Tế TP.HCM 33 Lê Thị Thùy Vân, 2010, “ứng dụng công nghệ viễn thám GIS để xác định biến động đất đai địa bàn phường Vĩnh Trại, Thành phố Lạng Sơn giai đoạn 2003 – 2008”, Luận văn Thạc sĩ, 2010, Đại học Nông nghiệp Hà Nội 34 Phạm Bách Việt, 2008, “Tập giảng Viễn thám nâng cao”, Đại học Khoa học Xã hội Nhân văn – ĐHQG TPHCM Tài liệu tiếng Anh 35 “A framwork for land evaluation”, FAO Soils Bulletin 32, 1976 GVHD: PGS.TS Lê Văn Trung HVTH: Phùng Văn Tiến 100 36 Ahmet Shaker, wai Yeung Yan, Nagwa El-Ashmawy, 2011, “Panchromatic Satellite Image Classification for Flood Hazard Assessment”, Journal of Applied Research and Technology, Volume: 10, Issue: 6, Publisher: Centro de Ciencias Aplicadas y Desarrollo Tecnológico 37 Andrea Baraldi Flavio Parmiggiani, 1990, “Ubran Area Classification by Multispectral Spot Imges”, IEEE Transactions on Geoscience and Remote Sensing, VOL.28, NO.4 http://ba1.geog.umd.edu/PapersBaraldi/tgars90_[1].pdf 38 Anderson, James R, Ernest E Hardy, John T Roach, and Richard E Witmer, 1976, “A Land Use and Land Cover Classification System for Use with Remote Sensor Data”, United States Government Printing Office, Washington 39 Antonio Di Gregorio and Louisa J.M Jansen, 2005, “Land cover Classification Systen”, Food and Agriculture Organization of the United Nations Rome http://www.fao.org/gtos/doc/ecvs/t09/ecv-t9-landcover-ref25-lccs.pdf 40 Blasco, F., Gauquelin, T., Rasolofoharinoro, M., Denis, J., Aizpuru, M., Caldairou, V., 1998, "Depletion of the mangroves of Continental Asia", 49, 287–96, ©CSIRO 1998, 10.1071/MF97153, 1323-1650/98/040287 41 Banko, G., 1998, “A Review of Assessing the Accuracy of Classifications of Remotely Sensed Data and of Methods Including Remote Sensing Data in Forest Inventory”, International Institute for Applied Systems Analysis, A-2361 Laxenburg, Austria 42 Benediktsson, JA, Sveinsson, J.R, 1997, “Feature extraction for multisource data classification with artificial neural networks”, International Journal of Remote Sensing, vol: 18, Issue: 4, pp 727-740 43 Brinkman, R., and Smyth, A.J, 1972, “Land evaluation for rural purposes”, University of Agriculture Wageningen 44 Claudia Kuenzer, Andrea Bluemel, Steffen Gebhardt, Tuan Vo Quoc Stefan Dech, 2011, “Remote Sensing of Mangrove Ecosystems: A Review” , Remote Sens, ISSN 2072-4292 GVHD: PGS.TS Lê Văn Trung HVTH: Phùng Văn Tiến 101 45 Congalton, R G., 1991, “A review of Assessing the Accuracy of Classification of Remotely sensed Data”, Original Research Article Remote Sensing of Environment, Volume 37, Issue 1, Pages 35-46 46 Danielle J Marceau, Philip J Howarth, 1992, “Land- user classification of SPOT HRV data using a cover – frequency method”, International Journal of Remote Sensing, Volume: 13, Issue: 47 Deren LI, Kaichang DI, 2000, “Land use classification of remote sensing image whith GIS data based on spatial data mining techneques”, International Archives of Photogrammetry and Remote Sensing, volume: XXXIII, Part B3, Amsterdam 48 Foody, G M., and M K Arora, 1997, “An evaluation of some factors affecting the accuracy of classification by an artificial neural network”, International Journal of Remote Sensing”, volume: 18, no 4, pp 799-810 49 Funahashi, K., 1989, “On the approximate realization of continuous mappings by neural networks, Neural Networks” Journal: Neural Networks archive, volume: Issue: 50 Hornik, K, M Stinchcombe, and H White, 1989, “Multilayer feedforward networks are universal approximators”, Journal: Neural Networks archive, Volume: Issue: 51 Kingsley Nana Osei, 2009, “Comparson of land cover imge classification methos” Journal of Geomatics, volume: 6, No.1 April 2012 52 Kishan Mehrotra, Chilukuri K.Mohan Sanjay RanKa, 1997, “Elementsof Artificial Neural Networks”, Massachusetts Instiitute of Technology 53 Phan Minh Thu, 2006, “Some pre-analysis techniques ofremote sensing images for land-use in Mekong delta, International Journal of Geoinformatics”, Proceedings of GIS-IDEAS 54 Robert L.Harvey, 1997, "Neural Network principles”, Prentice Hall 55 Steffen Gebhardt, Vo Quoc Tuan, Pham Bach Viet, Lam Dao Nguyen, Pham Trong Thinh, Juliane Huth, Claudia Kuenzer, 2011, “Synergistic Usage of TerraSAR-X and Spot satellite data for mapping mangrove forests over Ca Mau peninsula in the GVHD: PGS.TS Lê Văn Trung HVTH: Phùng Văn Tiến 102 Mekong River Delta”, Accepted at the International Journal of Remote Sensing 56 Yuan, H., & Knight, J., "Application of Neural Network-based Classification for Watershed Land Cover Mapping”, Center for Earth Observation http://web.pdx.edu/~nauna/resources/7-f05030.pdf Trang Web 57 Báo Cà Mau, 2012, http://www.baocamau.com.vn/ttts_gioithieu.aspx 58 Cổng thông tin điện tử tỉnh Cà Mau, 2012, http://www.camau.gov.vn/wps/portal GVHD: PGS.TS Lê Văn Trung HVTH: Phùng Văn Tiến