TỔNG QUAN VỀ NGHIÊN CỨU
Các công trình nghiên cứu quốc tế
Nghiên cứu của Shixiao Yu và cộng sự năm 2015 đã tập trung vào giãn nở đô thị tại Quảng Châu, Trung Quốc, thông qua việc phân tích ảnh Landsat đa thời gian để xác định các loại hình giãn nở khác nhau.
Nghiên cứu này sử dụng hình ảnh Landsat để phân tích sự giãn nở đô thị, đồng thời đánh giá các thay đổi về lớp phủ bề mặt và sử dụng đất từ năm.
1979 đến năm 2013 Trong vòng 35 năm, giãn nở đô thị tăng 1512,24 𝑘𝑚 2 tương ứng hàng năm là 11,25% Có bốn giai đoạn giãn nở đô thị: tốc độ thấp từ năm 1979 đến
Từ năm 1990 đến 2013, tốc độ giãn nở đô thị tại Quảng Châu đã trải qua ba giai đoạn khác nhau: tốc độ chậm từ 1990 đến 2001, tốc độ cao từ 2001 đến 2009, và tốc độ tăng đều từ 2009 đến 2013, với ba kiểu giãn nở là edge growth, spontaneous growth và infilling growth Nghiên cứu này áp dụng chỉ số cảnh quan (landscape metrics) để phân tích các ảnh Landsat tại các thời điểm khác nhau, nhằm mô tả những thay đổi không gian trong khu vực và tác động của giãn nở đô thị lên các loại bề mặt lớp phủ khác nhau Những biến đổi này có ảnh hưởng sâu sắc đến phát triển kinh tế, gia tăng dân số, tiến bộ kỹ thuật, và các yếu tố chính sách liên quan.
Limin Jiao và cộng sự (2015) đã phát triển một phương pháp để phân vùng đồng tâm trong khu vực đô thị, kết hợp các chỉ số đo lường sự giãn nở đô thị về mặt không gian Nghiên cứu đã xác định quy tắc “Inverse-S shape Rule” thông qua sự thay đổi mật độ đất đô thị từ trung tâm ra ngoại vi, sử dụng dữ liệu viễn thám Tác giả đề xuất một hàm mật độ đất đô thị bằng cách điều chỉnh hàm sigmoid thông thường Nghiên cứu, thực hiện tại 28 thành phố lớn của Trung Quốc từ năm 1990 đến 2010, chỉ ra rằng hầu hết các thành phố đã trải qua quá trình đô thị hóa nhanh chóng, dẫn đến tình trạng thiếu quy hoạch và sự phân tán trong hai thập kỷ đó.
Hình 2.1 minh họa sự giãn nở đô thị của Quảng Châu từ năm 1979 đến 2013, với ba dạng mở rộng đô thị chính: mở rộng kiểu edge growth, mở rộng kiểu spontaneous growth và mở rộng kiểu infilling growth.
Nghiên cứu của Hasi Bagan và cộng sự năm 2012 về tốc độ đô thị hóa không gian tại Tokyo trong 40 năm sử dụng dữ liệu Landsat cho thấy sự biến động lớp phủ qua phương pháp phân tích dựa trên ô lưới kết hợp với GIS Nghiên cứu đã tính toán và thống kê tốc độ đô thị hóa từ năm 1972 đến 2011, được thể hiện qua Hình 2.3 Tuy nhiên, đề tài chỉ tập trung vào phân tích tốc độ đô thị hóa về mặt không gian mà chưa kết hợp với tốc độ đô thị hóa dân số và các chỉ số khác.
Hình 2.2: Phân vùng vòng đồng tâm và ranh giới bên ngoài của thành phố [6]
Hình 2.3: Urban Expansion trong các ô lưới 1 𝑘𝑚 2 từ năm 1972 đến năm 2011 [7]
Julian D Marshall (2006) đã chỉ ra mối quan hệ giữa gia tăng dân số và sự giãn nở đô thị, cho thấy diện tích đất đô thị cần mở rộng để đáp ứng quy mô dân số ngày càng tăng Nghiên cứu này cung cấp một mô tả toán học đơn giản nhưng quan trọng về quá trình đô thị hóa, với mối quan hệ tỷ lệ giữa giãn nở đô thị và gia tăng dân số được thể hiện qua công thức lũy thừa.
Trong giai đoạn 1950–2000, mối quan hệ giữa dân số và đô thị tại Hoa Kỳ với mức tăng dân số trên 10% cho thấy giá trị tham số 𝑛 khác nhau giữa các khu vực Khi 𝑛 bằng 2, người mới đến chiếm gấp đôi diện tích đất trên đầu người so với cư dân hiện tại, dẫn đến khái niệm 'mật độ dân số tuyến tính' (linear population density - LPD), được coi là không đổi theo thời gian Sự phân bố giá trị 𝑛 giữa các bang cũng có sự khác biệt đáng chú ý.
Giai đoạn 1950 – 2000 cho thấy sự thay đổi đô thị hóa giữa các đô thị diễn ra rất ít Kết quả này tạo ra một mô hình cơ bản, hỗ trợ tích cực cho sự gia tăng dân số và giãn nở đô thị của từng khu vực khảo sát Đây là chỉ số dự báo quan trọng, giúp đánh giá các tác động liên quan đến chỗ ở và khí thải.
Hình 2.4: Mối quan hệ của dân số đô thị với mật độ dân số (trái) và LPD (phải) [8]
Nghiên cứu của Asad Ali Khan và cộng sự vào năm 2014 đã phân tích sự gia tăng dân số của thành phố Bahawalpur trong 50 năm qua, tập trung vào sự mở rộng đô thị Nghiên cứu này sử dụng các chỉ số LCR và UE để đánh giá tình hình.
Hình 2.5: Đường cong hồi quy giữa dân số và diện tích đô thị [9]
Xu hướng giãn nở đô thị ở Bahawalpur đang diễn ra mạnh mẽ với sự gia tăng dân số nhanh chóng, nhưng thiếu kế hoạch phát triển có thể dẫn đến các vấn đề đô thị nghiêm trọng Nghiên cứu này chủ yếu dựa vào dữ liệu dân số và diện tích hiện có, mà chưa áp dụng công nghệ ảnh viễn thám và GIS để đánh giá quá trình đô thị hóa một cách chính xác và chi tiết hơn.
Các công trình nghiên cứu tại Việt Nam
Nông Hữu Dương và cộng sự đã thực hiện một nghiên cứu đáng chú ý về phân tích sự thay đổi bề mặt khu vực xây dựng ở Hà Nội, sử dụng thuật toán SVM (support vector machine) kết hợp với dữ liệu Landsat và dữ liệu dân số Nghiên cứu này sử dụng ảnh viễn thám đa phổ đa thời gian từ Landsat Thematic Mapper (TM) và Enhanced Thematic Mapper Plus (ETM+) trong khoảng thời gian từ năm 1993.
Nghiên cứu năm 2010 đã sử dụng thuật toán phân loại SVM để định lượng các thay đổi trong khu vực đô thị, đạt độ chính xác 95% trong việc phân loại lớp phủ bề mặt Tốc độ đô thị hóa nhanh chóng hơn được ghi nhận trong các giai đoạn 2001–2006 và 2006–2010, với phân tích được củng cố bằng dữ liệu dân số và kinh tế xã hội Nghiên cứu cung cấp cho các cơ quan quản lý công cụ để kiểm tra mối tương quan giữa giãn nở đô thị và các yếu tố kinh tế xã hội, từ đó đánh giá mô hình phát triển đô thị và nhận thức về các khía cạnh môi trường, kinh tế và xã hội Tuy nhiên, nghiên cứu chỉ thực hiện so sánh định lượng giữa hai đối tượng mà chưa áp dụng thuật toán hay phương pháp thống kê cụ thể.
Hình 2.6: Bản đồ độ phủ đất của Hà Nội sử dụng Phân loại SVM [10]
Lê Văn Trung và cộng sự đã nghiên cứu ứng dụng viễn thám và GIS để đánh giá xu thế đô thị hóa tại thành phố Cần Thơ Bài báo này trình bày giải pháp tích hợp viễn thám và GIS nhằm phân tích xu thế đô thị hóa thông qua việc theo dõi biến động của công trình xây dựng Bản đồ mặt không thấm đã được xây dựng cho các năm nghiên cứu.
Từ dữ liệu ảnh LandSat đa thời gian và GIS, nghiên cứu xác định khu vực mở rộng đô thị Cần Thơ từ năm 1997 đến 2016 Kết quả cho thấy diện tích đô thị tăng từ 1506,638 ha năm 1997 lên 5611,114 ha vào năm 2016, với tốc độ tăng trung bình 14,3%/năm Phương pháp tích hợp viễn thám và GIS cho thấy hiệu quả cao trong việc giám sát và phân tích biến động mặt không thấm, hỗ trợ nghiên cứu xu thế mở rộng không gian đô thị.
Nghiên cứu đô thị hóa cho thấy dữ liệu Landsat là công cụ hiệu quả để theo dõi sự thay đổi lớp phủ ở các thành phố đang phát triển Các phương pháp phân loại máy học như Decision Tree, Neuron Network, Support Vector Machine và k-Nearest Neighbor thường được áp dụng, trong đó phương pháp RF được sử dụng để phân loại lớp phủ bề mặt Sau khi phân loại, các chỉ số đô thị hóa như UE, PE, LCR và 𝑛 được phân tích để cung cấp cái nhìn về quá trình phát triển từ năm 1979 đến 2022 Đánh giá xu hướng đô thị hóa đến năm 2025 nhằm hỗ trợ quy hoạch phát triển đô thị bền vững cho TP.HCM, Việt Nam.
DỮ LIỆU VÀ PHƯƠNG PHÁP
Khu vực nghiên cứu
Thành phố Hồ Chí Minh, nằm ở phía Nam Việt Nam, là thành phố lớn nhất và là trung tâm thương mại chính của cả nước, tọa lạc tại toạ độ 10°10' – 10°38' Bắc và 106°22' – 106°54' Đông Thành phố giáp với tỉnh Bình Dương ở phía bắc, tỉnh Tây Ninh và Long An ở phía tây, tỉnh Đồng Nai và Bà Rịa – Vũng Tàu ở phía đông, cùng với Biển Đông và tỉnh Tiền Giang ở phía nam Bản đồ khu vực nghiên cứu thể hiện các đơn vị của TP.HCM như được trình bày trong Hình 3.1.
Thành phố Hồ Chí Minh, nằm ở hạ lưu hệ thống sông Đồng Nai – Sài Gòn, sở hữu mạng lưới sông ngòi và kênh rạch phong phú Thành phố có hai mùa rõ rệt: mùa mưa từ tháng 5 đến tháng 11 và mùa khô từ tháng 12 đến tháng 4.
Sau 4 năm, TP.HCM vẫn duy trì nhiệt độ cao và có mưa quanh năm, với mùa khô ít mưa Thành phố chịu tác động từ hai hướng gió chính: gió mùa Tây – Tây Nam và Bắc – Đông Bắc Tuy nhiên, với sự gia tăng dân số nhanh chóng trong khi cơ sở hạ tầng chưa được nâng cấp kịp thời, TP.HCM đang phải đối mặt với vấn đề ô nhiễm môi trường nghiêm trọng, đặc biệt là ô nhiễm nước trong hệ thống kênh rạch.
TP.HCM là trung tâm kinh tế hàng đầu của Việt Nam, chiếm 0,6% diện tích và 8,34% dân số cả nước nhưng đóng góp tới 20,5% tổng sản phẩm GDP, 27,9% giá trị sản xuất công nghiệp và 37,9% dự án đầu tư nước ngoài Tính đến năm 2005, thành phố có 2.966.400 lao động từ 15 tuổi trở lên, trong đó có 139 nghìn người ngoài độ tuổi lao động vẫn tham gia công việc Đến năm 2008, lực lượng lao động trong độ tuổi này đã tăng lên 3.856.500 người.
Từ năm 2009 đến 2011, dân số tăng từ 3.868.500 lên 4.000.900 người Trong 9 tháng đầu năm 2012, GRDP đạt 404.720 tỷ đồng, tăng khoảng 8,7% Đến năm 2021, GRDP đạt 1.298.791 tỷ đồng (56,47 tỷ USD), với khu vực thương mại dịch vụ chiếm 63,4%, công nghiệp và xây dựng 22,4%, và nông-lâm-thủy sản chỉ 0,6% GRDP bình quân đầu người năm 2021 đạt 142,6 triệu đồng (6.173 USD) Thu ngân sách năm 2012 ước đạt 215.975 tỷ đồng, tăng lên 383.703 tỷ đồng vào năm 2021, trong đó thu nội địa đạt 253.281 tỷ đồng, vượt 2% dự toán, và thu từ xuất nhập khẩu đạt 116.400 tỷ đồng, vượt 7% dự toán Sự phát triển kinh tế nhanh chóng đã dẫn đến quá trình đô thị hóa tất yếu.
Hình 3.1: Khu vực nghiên cứu TP.HCM
Kể từ năm 1976, dân số TP.HCM đã tăng nhanh chóng, đặc biệt là dân nhập cư Theo thống kê năm 1975, Sài Gòn có 3.498.120 người; đến năm 2016, dân số toàn TP.HCM đã đạt 8.441.902 người, với mật độ 4.029 người/km² Trong đó, dân số thành thị chiếm 85% (6.742.098 người) và nông thôn chiếm 15% (1.699.804 người) TP.HCM đang đối mặt với tình trạng quá tải dân số, gây áp lực lớn lên nền kinh tế và đời sống người dân Năm 2015, thành phố có khoảng 8.248.000 người, chiếm 9% dân số Việt Nam, tăng thêm một triệu người so với năm trước.
Tính đến năm 2019, dân số thành phố đạt 8,993 triệu người Sở Y tế Thành phố hiện quản lý 8 bệnh viện đa khoa và 20 bệnh viện chuyên khoa, trong đó nhiều bệnh viện đã hợp tác với nước ngoài nhằm nâng cao chất lượng dịch vụ y tế Sở Giáo dục và Đào tạo cũng đóng vai trò quan trọng trong việc phát triển nguồn nhân lực cho thành phố.
TP.HCM chỉ quản lý các cơ sở giáo dục từ mầm non đến trung học phổ thông, trong khi các trường đại học và cao đẳng chủ yếu thuộc Bộ Giáo dục và Đào tạo Việt Nam Công tác quy hoạch hiện nay gặp nhiều bất cập, với chỉ 23% khối lượng quy hoạch 1/2000 được thực hiện tính đến đầu năm 2008 Đến năm 2010, TP.HCM có khoảng 600 dự án quy hoạch tại 13 quận huyện, với chiến lược tránh dồn dân cư vào nội thành và phát triển khu đô thị mới nhằm giảm mật độ dân số Tuy nhiên, số lượng khu đô thị mới còn hạn chế, trong khi quá trình đô thị hóa chủ yếu diễn ra tự phát do gia tăng dân số, dẫn đến hạ tầng không phát triển kịp thời với nhu cầu.
Dữ liệu Landsat
3.1.1 Chương trình vệ tinh Landsat
Chương trình Landsat, một sáng kiến giám sát trái đất lâu đời nhất hiện nay, được phối hợp giữa NASA và USGS Vệ tinh đầu tiên, mang tên Vệ tinh Công nghệ Tài nguyên Trái đất, được phóng vào ngày 23 tháng 7 năm 1972 và sau đó được đổi tên thành Landsat 1 vào năm 1975 Mới đây, Landsat 9 đã được phóng vào ngày 27 tháng 9 năm 2021, đánh dấu một bước tiến mới trong việc theo dõi và nghiên cứu trái đất.
Bảng 3.1: Tổng quan về các vệ tinh Landsat
Ngày ngừng hoạt động Bộ cảm Độ cao bay (km)
Landsat 7 15/4/1999 Đang hoạt động ETM + 705 16
Landsat 8 11/2/2013 Đang hoạt động OLI,TIRs 705 16
Thematic Mapper (TM) là cảm biến tài nguyên Trái đất với khả năng quét đa khung hình tiên tiến, cung cấp dữ liệu trong bảy dải phổ đồng thời Băng tần 6 cảm nhận bức xạ hồng ngoại nhiệt với độ phân giải không gian 120m x 120m, trong khi các băng tần 1-5 và 7 có độ phân giải 30m x 30m TM hoạt động trong dải quang phổ từ 0,45 đến 12,5 µm và có thời gian lặp lại 16 ngày, với kích thước hình ảnh là 185 km x 172 km Cảm biến này có khả năng lập trình và được thiết kế dưới dạng quang cơ.
Máy đo bức xạ ETM + là thiết bị quét đa khung hình “tám dải” cố định, có khả năng phát hiện bức xạ quang phổ trong các dải VNIR, SWIR, LWIR, và các dải màu từ Trái đất dưới ánh sáng mặt trời trong vùng rộng 183 km khi ở độ cao 705 km Landsat 7, với dải panchromatic có độ phân giải không gian 15 m, được trang bị bộ hiệu chuẩn năng lượng mặt trời và cải thiện độ chính xác đo bức xạ tuyệt đối lên đến 5% Kênh IR nhiệt của nó có độ phân giải không gian gấp bốn lần so với các thiết bị trước đó Landsat 7 thu thập dữ liệu theo Hệ thống Tham chiếu Toàn cầu 2, chia toàn bộ đất liền thành 57.784 cảnh, mỗi cảnh có kích thước 183 km x 170 km, với khoảng 3,8 gigabit dữ liệu được tạo ra cho mỗi cảnh và Trường nhìn tức thời (IFOV) là 30 mét x 30 mét ở dải 1.
5 và 7 trong khi dải 6 có IFOV là 60 mét x 60 mét trên mặt đất và dải 8 có IFOV là
Cảm biến ETM+ có thông số kỹ thuật 15 mét, với loại cảm biến quang cơ và độ phân giải không gian 30 mét (60 mét cho nhiệt và 15 mét cho chảo) Dải quang phổ của thiết bị nằm trong khoảng 0,45 - 12,5 µm, với 8 dải quang phổ và giải quyết tạm thời là 16 ngày Kích thước hình ảnh đạt 183 km x 170 km và có khả năng lập trình vòng xoáy 183 km.
Cảm biến Operational Land Imager (OLI) đo lường các phần của quang phổ hồng ngoại có thể nhìn thấy, hồng ngoại gần và sóng ngắn Hình ảnh của OLI có độ phân giải không gian đa quang phổ lên tới 15 mét (49 ft) và 30 mét dọc theo một vùng rộng 185 km (115 dặm) OLI được trang bị các mảng máy dò dài với hơn 7.000 máy dò trên mỗi dải quang phổ, được căn chỉnh trên mặt phẳng tiêu điểm để quan sát toàn bộ dải quang phổ.
Thiết bị "chổi đẩy" mang lại độ nhạy cao hơn và cải thiện thông tin bề mặt đất với ít bộ phận chuyển động OLI có tỷ lệ tín hiệu trên nhiễu tốt hơn so với các thiết bị Landsat trước, giúp nó trở nên đáng tin cậy hơn và nâng cao hiệu suất Chi tiết có thể tham khảo trong bảng 3.2.
QWIPs TIRS nhạy cảm với hai dải bước sóng hồng ngoại nhiệt, cho phép tách biệt nhiệt độ bề mặt Trái đất và khí quyển Thiết kế của chúng dựa trên các nguyên tắc phức tạp của cơ học lượng tử Các chip bán dẫn arsenide gali bẫy điện tử ở trạng thái năng lượng 'tốt' cho đến khi được nâng lên bởi ánh sáng hồng ngoại nhiệt có bước sóng nhất định Sự nâng cao này tạo ra tín hiệu điện có thể đọc và ghi lại, từ đó tạo ra hình ảnh kỹ thuật số.
Bảng 3.2: Các bands và bước sóng tương ứng của cảm biến OLI và TIRS
Band Bước sóng Ứng dụng
0.43-0.45 Nghiên cứu ven biển và aerosol Band 2 - blue 0.45-0.51 Lập bản đồ độ sâu, phân biệt đất với thảm thực vật, lá rụng và với thảm thực vật lá kim
Band Bước sóng Ứng dụng
Band 3 - green 0.53-0.59 Nhấn mạnh thảm thực vật, hữu ích để đánh giá sức sống của thực vật Band 4 - red 0.64-0.67 Phân biệt độ dốc thảm thực vật
0.85-0.88 Nhấn mạnh hàm lượng sinh khối và bờ biển
1.57-1.65 Phân biệt độ ẩm của đất và thảm thực vật; Xuyên qua những đám mây mỏng
2.11-2.29 Cải thiện độ ẩm của đất và thảm thực vật; xuyên qua những đám mây mỏng
0.50-0.68 Độ phân giải 15 mét, hình ảnh sắc nét hơn
Band 9 - Cirrus 1.36-1.38 Cải thiện khả năng phát hiện ô nhiễm mây ti
11.19 Độ phân giải 100 mét, lập bản đồ nhiệt và ước tính độ ẩm của đất
12.51 Độ phân giải 100 mét, cải thiện bản đồ nhiệt và ước tính độ ẩm của đất
Bảng 3.3: Các bands và bước sóng tương ứng của cảm biến TM và ETM +
Band Bước sóng Ứng dụng
Band 1 - blue 0.45-0.52 Lập bản đồ độ sâu, phân biệt đất với thảm thực vật, lá rụng và với thảm thực vật lá kim
Band 2 - green 0.52-0.60 Nhấn mạnh thảm thực vật, rất hữu ích để đánh giá sức sống của thực vật Band 3 - red 0.63-0.69 Phân biệt độ dốc thảm thực vật
0.77-0.90 Nhấn mạnh hàm lượng sinh khối và bờ biển
1.55-1.75 Phân biệt độ ẩm của đất và thảm thực vật; xuyên qua những đám mây mỏng
10.40-12.50 Lập bản đồ nhiệt và ước tính độ ẩm của đất
2.09-2.35 Đá biến đổi thủy nhiệt liên quan đến các mỏ khoáng sản
Band Bước sóng Ứng dụng
0.52-0.90 Độ phân giải 15 mét, hình ảnh sắc nét hơn
Bảng 3.4: Các bands và bước sóng tương ứng của cảm biến MSS
Band 4 - green Band 1 - green 0.5-0.6 Nước chứa nhiều trầm tích, khoanh vùng các vùng nước nông Band 5 - red Band 2 - red 0.6-0.7 Cultural features
0.7-0.8 Ranh giới thực vật giữa đất và nước, và địa hình
0.8-1.1 Xâm nhập sương mù khí quyển tốt nhất, nhấn mạnh thảm thực vật, ranh giới giữa đất và nước và địa hình
Hình 3.2: Minh hoạ các dải bước sóng của các cảm biến Landsat 1-9
Các mức độ hiệu chỉnh ảnh Landsat là hệ thống phân loại giúp xác định chất lượng và phạm vi xử lý của dữ liệu ảnh Landsat Dữ liệu Landsat được xử lý với các mức chất lượng và độ chính xác khác nhau Có ba mức độ hiệu chỉnh chính cho dữ liệu Landsat, mỗi mức độ có những đặc điểm và ứng dụng riêng biệt.
L1TP (Level 1 Terrain Precision) là quy trình hiệu chỉnh chính xác và điều chỉnh địa hình, trong đó dữ liệu Landsat được xử lý thông qua các điểm kiểm soát mặt đất (GCPs) và mô hình độ cao kỹ thuật số (DEM) Mức độ L1T đảm bảo độ chính xác cao trong việc đăng ký ảnh, cho phép áp dụng các điều chỉnh địa hình hiệu quả Dữ liệu được hiệu chỉnh bức xạ và hình học trực giao, sử dụng các điểm khống chế mặt đất và DEM để nâng cao chất lượng hình ảnh.
L1GT (Hệ thống địa hình cấp 1) đại diện cho mức độ hiệu chỉnh hệ thống, được tạo ra khi dữ liệu Landsat đạt độ chính xác và ổn định đủ để áp dụng mô hình địa hình Mặc dù không có điều chỉnh địa hình, sản phẩm Level-1Gt vẫn có thể được sử dụng cho một số ứng dụng nhất định Dữ liệu này đã được hiệu chỉnh bức xạ và hình học hệ thống, sử dụng thông tin thiên văn từ vệ tinh và mô hình địa hình số (DEM).
Hệ thống L1GS (Level 1 Geometric Systematic) có mức độ hiệu chỉnh hạn chế, thường được áp dụng khi độ chính xác vị trí không đủ cho việc điều chỉnh địa hình, thiếu điểm kiểm soát mặt đất, hoặc do mây che khuất không cho phép quan sát mặt đất Trong những trường hợp này, sản phẩm Level-1Gs được tạo ra với độ chính xác thấp hơn và không thực hiện điều chỉnh địa hình Dữ liệu trong hệ thống này đã được hiệu chỉnh bức xạ và hiệu chỉnh hình học, sử dụng thông tin thiên văn từ vệ tinh.
Landsat cung cấp ba mức xử lý dữ liệu ảnh: Real-Time (RT), Tier 1 và Tier 2, nhằm đáp ứng nhu cầu đa dạng của người dùng từ cái nhìn tổng quan đến ứng dụng chuyên sâu Người dùng có thể lựa chọn mức xử lý phù hợp với yêu cầu sử dụng dữ liệu ảnh Landsat của họ.
Dữ liệu RT (Real-Time) từ vệ tinh Landsat cung cấp thông tin nhanh chóng ngay sau khi ghi lại, mặc dù chưa được hiệu chỉnh hoàn toàn Loại dữ liệu này rất hữu ích trong các tình huống cần sự khẩn trương, chẳng hạn như giám sát thiên tai hoặc các nghiên cứu đòi hỏi dữ liệu mới nhất.
Dữ liệu có thể được tải về trong vòng 12 giờ sau khi thu thập, thường mất từ 4 đến 6 giờ Sau khi được xử lý và hiệu chỉnh với dữ liệu thiên văn, dữ liệu sẽ được chuyển sang cấp 1 và cấp 2.
Dữ liệu Tier 1, hay còn gọi là L1TP, được xử lý với độ chính xác hình học cao và bao gồm hiệu chuẩn chéo giữa các vệ tinh Landsat Các sản phẩm L1TP là những sản phẩm cấp 1 có chất lượng tốt nhất, phù hợp cho phân tích chuỗi thời gian ở cấp độ pixel.
Giải thuật phân loại Random Forest
Random Forest (RF) là một kỹ thuật học máy hiệu quả cho hồi quy và phân loại, sử dụng phương pháp học tập đồng bộ để kết hợp nhiều bộ phân loại nhằm giải quyết các vấn đề phức tạp Thuật toán RF bao gồm nhiều cây quyết định khác nhau, được tạo ra thông qua các phương pháp bagging hoặc bootstrap, với mỗi cây có yếu tố ngẫu nhiên Kết quả cuối cùng được xác định dựa trên dự đoán từ các cây quyết định, và việc tăng số lượng cây sẽ cải thiện độ chính xác RF cũng xử lý hiệu quả dữ liệu bị thiếu, cho phép tạo ra dự đoán hợp lý mà không cần điều chỉnh siêu tham số, đồng thời giảm thiểu vấn đề overfitting Trong quá trình huấn luyện, các cây quyết định được xây dựng khác nhau, và trong bước dự đoán, dữ liệu mới sẽ được xử lý qua các node điều kiện của từng cây để tổng hợp kết quả cuối cùng.
Kỹ thuật Bootstrapping, hay còn gọi là random sampling with replacement, cho phép lấy ngẫu nhiên n dữ liệu từ bộ dữ liệu gốc mà không loại bỏ dữ liệu đã được chọn Điều này có nghĩa là sau khi một mẫu dữ liệu được lấy, nó vẫn được giữ lại trong tập dữ liệu ban đầu, và quá trình lấy mẫu tiếp tục cho đến khi đạt đủ n dữ liệu Kỹ thuật này có thể dẫn đến việc xuất hiện các dữ liệu trùng lặp trong tập n dữ liệu mới.
Sau khi sample được n dữ liệu chọn ngẫu nhiên ở k thuộc tính (k ≤ n) Được bộ dữ liệu mới gồm n dữ liệu và mỗi dữ liệu có k thuộc tính
Dùng thuật toán Decision Tree để xây dựng cây quyết định
Quá trình xây dựng cây quyết định trong Random Forest (RF) có yếu tố ngẫu nhiên, dẫn đến sự khác biệt giữa các cây quyết định Kết quả dự đoán của RF được tổng hợp từ các cây này Khi sử dụng RF, cần chú ý đến số lượng cây quyết định và số lượng thuộc tính được sử dụng để xây dựng cây.
Trong thuật toán Cây Quyết Định, nếu không giới hạn độ sâu, cây sẽ phân loại chính xác tất cả dữ liệu trong tập huấn luyện, dẫn đến hiện tượng overfitting và mô hình có high variance Ngược lại, trong Random Forest (RF), mỗi cây quyết định không sử dụng toàn bộ dữ liệu huấn luyện và không áp dụng tất cả các thuộc tính, do đó có thể dẫn đến underfitting và high bias Tuy nhiên, kết quả cuối cùng của RF là sự tổng hợp từ nhiều cây quyết định, giúp giảm thiểu bias và variance, mang lại dự đoán chính xác hơn Ý tưởng tổng hợp này tương tự như "The Wisdom of Crowds" do James Surowiecki đề xuất năm 2004, cho thấy rằng thông tin từ một nhóm thường hiệu quả hơn từ một cá nhân Do đó, Random Forest cho kết quả tốt hơn so với Cây Quyết Định đơn lẻ.
Hình 3.3: Ví dụ minh họa đơn giản thuật toán Random Forest
Khi nào nên tránh sử dụng RF Các thuật toán RF không lý tưởng trong các tình huống sau:
Hồi quy rừng ngẫu nhiên (RF) không thích hợp cho việc ngoại suy dữ liệu, vì nó không giống như hồi quy tuyến tính, không thể sử dụng các quan sát hiện có để ước lượng giá trị ngoài phạm vi quan sát Do đó, hầu hết các ứng dụng của hồi quy RF chủ yếu tập trung vào phân loại.
Khi dữ liệu ít hoặc không đủ tập trung, Random Forest (RF) không đạt hiệu quả tốt Trong tình huống này, việc sử dụng tập hợp con các tính năng và mẫu khởi động sẽ tạo ra một không gian bất biến, dẫn đến sự phân chia không hiệu quả và ảnh hưởng tiêu cực đến kết quả cuối cùng.
Máy trạm xử lý chưa đủ mạnh: Tiêu tốn nhiều tài nguyên để RF xử lý và ra kết quả hơn cây quyết định
RF là một thuật toán học máy linh hoạt và dễ sử dụng, lý tưởng cho việc phân loại ảnh viễn thám Thuật toán này giúp giải quyết vấn đề quá tải dữ liệu và cung cấp dự đoán chính xác trong quá trình phân loại các đối tượng lớp phủ bề mặt tại từng pixel.
Đánh giá độ chính xác sau phân loại
Ma trận sai số phân loại (Confusion Matrix) là công cụ quan trọng để đánh giá độ chính xác của các mô hình phân loại Nó cho phép xác định cách mà từng lớp được phân loại, xác định lớp nào có tỷ lệ phân loại đúng cao nhất và lớp nào thường bị nhầm lẫn Ma trận này hiển thị số lượng điểm ảnh thuộc về một lớp và được dự đoán cho lớp đó, từ đó cung cấp cái nhìn tổng quát về hiệu suất của thuật toán Được sử dụng rộng rãi trong các mô hình phân loại, ma trận sai số là một trong những kỹ thuật đo lường hiệu suất phổ biến nhất Độ chính xác toàn cục (Overall Accuracy) được tính bằng tỷ lệ số điểm ảnh được nhận diện đúng trên tổng số điểm ảnh đã kiểm tra, theo công thức cụ thể.
- 𝑁 𝐶𝑜𝑟𝑟𝑒𝑐𝑡 : Số lượng các điểm được phân lớp chính xác
- 𝑁 𝑇𝑜𝑡𝑎𝑙 : Tổng số lượng các điểm được kiểm tra
Kappa là một chỉ số quan trọng để đánh giá độ chính xác của mô hình phân loại hình ảnh Để tính toán chỉ số kappa, trước tiên cần xây dựng ma trận sai số của mô hình Sau đó, ta thiết lập ma trận kì vọng bằng cách tính tổng hàng và tổng cột.
Sau đó, sẽ tính toán giá trị kappa bằng cách sử dụng công thức Cohen's kappa coefficient (3.2) kappa = (T - E) / (1 - E) (3.2)
E là chỉ số kì vọng tính bằng cách lấy tổng các số trên đường chéo chia tổng các số của ma trận tích.
Lọc không gian
Spatial filtering là kỹ thuật xử lý ảnh giúp làm mờ, nâng cao chất lượng, loại bỏ nhiễu và tìm kiếm đặc trưng trong dữ liệu không gian Phương pháp này sử dụng các bộ lọc, hay còn gọi là kernel hoặc mask, để điều chỉnh giá trị của từng pixel trong ảnh dựa trên các pixel xung quanh.
Các bộ lọc thông thường trong spatial filtering bao gồm:
Mean Filter (Bộ lọc trung bình): Thay đổi giá trị của một pixel thành giá trị trung bình của các pixel lân cận
Median Filter (Bộ lọc trung vị): Thay đổi giá trị của một pixel thành giá trị trung vị của các pixel lân cận
Majority filter (Bộ lọc đa số): Thay đổi giá trị của một pixel dựa trên đa số pixel trong cửa sổ lọc
Các phương pháp lọc không gian có thể được áp dụng cho nhiều loại dữ liệu không gian, bao gồm ảnh viễn thám, bản đồ địa lý, và dữ liệu LIDAR Trong nghiên cứu này, bộ lọc đa số được sử dụng để xác định khu vực đô thị Bộ lọc đa số hoạt động bằng cách phân tích và xử lý các điểm dữ liệu để xác định khu vực có sự đồng nhất cao.
Đối với mỗi pixel trong ảnh, việc xác định kích thước của vùng lân cận xung quanh nó là rất quan trọng Kích thước này thường được quy định bằng cách chỉ định bán kính hoặc kích thước cạnh của kernel.
Tính toán giá trị đa số trong vùng lân cận Giá trị đa số là giá trị xuất hiện nhiều nhất trong vùng lân cận
Gán giá trị đa số cho pixel đang xét
Lặp lại quá trình này cho tất cả các pixel trong ảnh
Bộ lọc Majorit được sử dụng rộng rãi trong xử lý ảnh, xử lý địa lý và phân đoạn ảnh nhằm giảm nhiễu và tạo ra các vùng đồng nhất trong dữ liệu không gian Tuy nhiên, việc áp dụng bộ lọc này cũng có thể dẫn đến việc mất một số đối tượng nhỏ trong quá trình lọc.
Chỉ số đô thị hóa
3.6.1 Chỉ số tỉ lệ tiêu thụ đất
Chỉ số LCR là thước đo tỉ lệ tiêu thụ đất trong đô thị, phản ánh mức độ sử dụng đất trong quá trình phát triển đô thị Một chỉ số LCR cao cho thấy tốc độ tiêu thụ đất đô thị nhanh, trong khi chỉ số thấp cho thấy sự sử dụng đất hiệu quả và bảo vệ nguồn đất Theo TT 01-2021-TT-BXD-QCVN-01-2021, chỉ tiêu đất dân dụng bình quân toàn đô thị đối với đô thị loại I và đặc biệt là 45-60 m²/người, tương ứng với chỉ số LCR là 45-60 m²/người, phù hợp với quy hoạch phát triển đô thị bền vững.
Chỉ số LCR được tính toán dựa trên điều tra dân số năm, nhằm đo lường tỷ lệ tiêu thụ đất trên đầu người thông qua phương trình 3.3.
Với 𝐿𝐶𝑅 là Tỷ lệ sử dụng đất (m 2 /người)
𝑈𝐴 = Khu đô thị của thành phố (m 2 )
𝑃= Tổng dân số của thành phố (người)
3.6.2 Chỉ số UE (Urban Expansion)
Chỉ số UE là công cụ đo lường tốc độ mở rộng đô thị về mặt không gian trong khu vực nghiên cứu, phản ánh diện tích đất đô thị đã mở rộng theo thời gian Chỉ số này được tính bằng cách so sánh diện tích đất đô thị ở thời điểm cuối với thời điểm ban đầu, theo phương trình 3.4 Mức độ tăng của chỉ số UE cho thấy tốc độ mở rộng và phát triển đô thị.
𝑛×𝑈𝐴(𝑖) × 100 (3.4) Với 𝑈𝐴(𝑖 + 𝑛) là diện tích đô thị thời điểm 𝑖 + 𝑛 (km 2 ),
𝑛 là khoảng năm nghiên cứu
𝑈𝐴(𝑖) là diện tích đô thị thời điểm 𝑖 (km 2 )
3.6.3 Chỉ số PE (Population Expansion)
Chỉ số PE là thước đo tốc độ gia tăng dân số đô thị trong khu vực nghiên cứu trong một khoảng thời gian nhất định Được tính theo phương trình 3.5, mức độ tăng của chỉ số PE phản ánh tốc độ đô thị hóa về mặt dân số.
𝑛×𝑃(𝑖) × 100 (3.5) Với 𝑃(𝑖 + 𝑛) là dân số đô thị thời điểm 𝑖 + 𝑛 (người),
𝑛 là khoảng năm nghiên cứu
𝑃(𝑖) là dân số đô thị thời điểm 𝑖 (người)
3.6.4 Chỉ số mối quan hệ giữa gia tăng dân số và giãn nở đô thị
Công thức mô tả mối quan hệ giữa gia tăng dân số và giãn nở đô thị thông qua tỷ lệ diện tích đất (A) và quy mô dân số (P) theo phương trình 3.6 Cụ thể, diện tích đất tăng tỷ lệ thuận với quy mô dân số được nâng lên thành lũy thừa (𝑛) Trong đó, A1 và A2 là diện tích đất tại hai thời điểm khác nhau, còn P1 và P2 là quy mô dân số tương ứng Hệ số 𝑛 phản ánh mối quan hệ này: nếu 𝑛 = 2, đây được gọi là mật độ dân số tuyến tính; 𝑛 = 0 cho thấy diện tích đô thị không thay đổi; và 𝑛 âm chỉ ra tình trạng dân số tăng nhanh hơn hạ tầng đô thị Ví dụ, với 𝑛 = 3, số người mới đến chiếm gấp ba lần diện tích đất bình quân đầu người so với cư dân hiện tại.
Công thức 3.6 của Theo Julian D Marshall chỉ phát huy hiệu quả khi sự chênh lệch dân số giữa hai thời điểm khảo sát vượt quá 10% Nếu tỷ lệ dân số giữa hai thời điểm gần bằng 1, giá trị 𝑛 sẽ tiến gần tới vô cùng.
Với 𝑃1, 𝑃2 là dân số đô thị tại 2 thời điểm nghiên cứu (người)
𝐴1, 𝐴2 là diện tích đô thị tại 2 thời điểm tương ứng (km 2 )
𝑛 Hệ số Mối quan hệ giữa gia tăng dân số và giãn nở đô thị
Nền tảng Google Earth Engine
Google Earth Engine (GEE) là nền tảng đám mây mạnh mẽ cho phép xử lý hình ảnh vệ tinh quy mô lớn, giúp phát hiện thay đổi, lập bản đồ xu hướng và định lượng sự khác biệt trên bề mặt Trái đất Người dùng có thể truy cập GEE thông qua Giao Diện Trực tuyến của Ứng Dụng JavaScript (API) mang tên Code Editor, nơi họ có thể viết và chạy các tập lệnh để chia sẻ và lặp lại quy trình phân tích cũng như xử lý dữ liệu không gian địa lý Code Editor cung cấp toàn bộ chức năng cần thiết cho việc khai thác hiệu quả các khả năng của Earth Engine.
GEE là nền tảng đám mây, cho phép truy cập từ bất kỳ đâu có internet, mang lại sự thuận tiện cho nhà nghiên cứu và người dùng Nền tảng này cung cấp nhiều tính năng khai thác dữ liệu ảnh vệ tinh, ứng dụng trong nhiều lĩnh vực khác nhau Một số ứng dụng phổ biến của GEE bao gồm
Giám sát môi trường: Giám sát những thay đổi trong môi trường, chẳng hạn như phá rừng, thay đổi sử dụng đất và biến đổi khí hậu
Ứng phó với thảm họa: Đánh giá tác động của thảm họa, chẳng hạn như lũ lụt, động đất và cháy rừng
Quy hoạch đô thị: Lập kế hoạch tăng trưởng và phát triển đô thị
Nông nghiệp: Theo dõi sức khỏe và năng suất của cây trồng
Quản lý nước: Giám sát chất lượng nước
Bảo tồn: Giám sát và bảo vệ tài nguyên thiên nhiên
Dưới đây là một số lợi ích của việc sử dụng GEE:
Cung cấp quyền truy cập vào một kho dữ liệu phong phú, bao gồm hình ảnh vệ tinh, ảnh chụp trên không và các thông tin không gian địa lý khác.
Dữ liệu này có thể được sử dụng để theo dõi những thay đổi trong môi trường, theo dõi thảm họa và lập kế hoạch phát triển đô thị
Nền tảng này rất dễ sử dụng, thân thiện với người dùng và phù hợp cho bất kỳ ai, mặc dù người dùng nên có một chút kinh nghiệm trong phân tích dữ liệu không gian địa lý.
Nền tảng có khả năng mở rộng cho phép phân tích các tập dữ liệu lớn, mang lại giá trị to lớn cho các nhà nghiên cứu và nhà khoa học cần xử lý lượng dữ liệu khổng lồ.
GEE cung cấp nhiều tính năng hỗ trợ cộng tác hiệu quả, cho phép người dùng dễ dàng chia sẻ công việc và hợp tác với nhau Ngoài ra, người dùng cũng có cơ hội tham gia vào việc phát triển các công cụ và thuật toán mới.
GEE là một công cụ mạnh, nhưng nó có một số hạn chế Dưới đây là một số hạn chế của GEE:
Chi phí sử dụng nền tảng bao gồm một cấp miễn phí với quyền truy cập hạn chế, nhưng để trải nghiệm các tính năng nâng cao, người dùng cần đăng ký mua gói dịch vụ.
GEE là một nền tảng phức tạp, yêu cầu người dùng có chuyên môn kỹ thuật để khởi đầu và sử dụng hiệu quả.
GEE là một nền tảng mạnh mẽ và linh hoạt cho phân tích dữ liệu quan sát Trái đất, cung cấp công cụ giá trị cho nhà nghiên cứu, nhà khoa học và người dùng khác trong việc theo dõi thay đổi môi trường, thảm họa và phát triển đô thị Tuy nhiên, người dùng cần nhận thức về những hạn chế của nền tảng trước khi áp dụng.
Hình 3.4: Giao diện xử lý GEE
GIẢI PHÁP THỰC HIỆN
Thu thập dữ liệu
Dữ liệu dân số được thu thập qua nhiều phương pháp như điều tra dân số, khảo sát và hồ sơ hành chính Điều tra dân số là nguồn dữ liệu toàn diện nhất, nhưng thường chỉ được thực hiện 10 năm một lần, với lần gần nhất vào năm 2019 Trong khi đó, các cuộc khảo sát diễn ra thường xuyên hơn, nhưng thường chỉ bao gồm một mẫu dân số nhỏ hơn.
Ranh giới hành chính, bao gồm các khu vực địa lý như quận huyện, đóng vai trò quan trọng trong việc thu thập và sắp xếp dữ liệu dân số Những ranh giới này có thể được xác định bởi các yếu tố chính trị, pháp lý hoặc vật lý Việc thu thập dữ liệu dân số liên quan đến địa giới hành chính là cần thiết để theo dõi sự thay đổi dân số theo thời gian và phân tích các chỉ số đô thị hóa Để tìm kiếm nguồn dữ liệu ranh giới khu vực tại TP.HCM, người dùng có thể truy cập vào trung tâm HCMGIS Các chỉ số đô thị hóa được tính toán dựa trên dân số, vì vậy cần sử dụng các ranh giới tương ứng với từng thời điểm nghiên cứu; ví dụ, các bản đồ chuyên đề sử dụng số liệu từ giai đoạn 1979-2000 sẽ áp dụng ranh giới hành chính cũ Dữ liệu này cần được định dạng dưới dạng Shapefile và theo EPSG:4326.
Hình 4.1: Dữ liệu dân số được lưu dưới dạng GIS theo từng thời điểm; a) Năm 1979, 1989, 1995; b) Năm 2000; c) Năm 2005, 2010, 2015, 2020; d) Năm 2022
Dữ liệu dân số trong nghiên cứu này được thu thập từ Trung tâm Kiểm soát bệnh tật TPHCM (HCDC), cùng với các ranh giới hành chính tương ứng tại thời điểm thu thập Thông tin chi tiết được trình bày trong Bảng 4.1.
Bảng 4.1: Dân số TP.HCM cấp Quận Huyện theo các thời điểm Đơn vị tính: Người
2000 Năm 2005 Năm 2010 Năm 2015 Năm 2020 Năm 2022
Tổng 3369066 3988124 4764671 5248703 6239938 7396446 8247829 9227598 8795929 Căn cứ pháp lý xác định các quận huyện đã thành lập hoặc gộp:
Quận Bình Tân được thành lập từ việc tách ra từ quận Bình Chánh, trong khi quận Tân Phú được tách ra từ quận Tân Bình Sự điều chỉnh này được thực hiện theo Nghị định số 130/2003/NĐ-CP ngày 05 tháng 11 năm 2003 của Chính phủ, nhằm thay đổi địa giới hành chính của các quận này.
Quận 2, Quận 9, Quận 7 và Quận 12 được thành lập theo Nghị định số 03-CP ngày 06 tháng 01 năm 1997, trong đó Quận 2 và Quận 9 được tách ra từ Quận Thủ Đức, Quận 7 được tách ra từ huyện Nhà Bè, và Quận 12 được tách ra từ huyện Hóc Môn.
Nghị quyết số 1111/NQ-UBTVQH14 của Ủy ban Thường vụ Quốc hội về thành lập TP Thủ Đức thuộc TP.HCM
Truy cập vào kho dữ liệu Landsat, lấy dữ liệu theo từng thời điểm a) b) c) d) e) f) g) h) i)
Hình 4.2: Ảnh đã được tiền xử lý; a) Năm 1979, b) Năm 1989, c) Năm 1995, d) Năm 2000, e) Năm 2005, f) Năm 2010, g) Năm 2015, h) Năm 2020, i) Năm 2022
Data was collected at product level 2 and image processing tier 1, including geometric correction and radiometric calibration For example, Landsat data from 1979 utilized Landsat 3 Collection 2 Tier 2, while data from 2015 to 2020 used Landsat 8 Collection 2 Tier 1 In 2022, USGS Landsat 9 Collection 2 Tier 1 images were employed, as detailed in Figure 4.2.
Do đặc thù khu vực Hồ Chí Minh, cần sử dụng hai hoặc ba khung ảnh viễn thám để bao quát toàn bộ vùng nghiên cứu, như thể hiện trong Bảng 4.2 Ngoài ra, vào những thời điểm có nhiều mây, cần bổ sung các khung ảnh khác để bù đắp cho những khu vực bị che khuất Mã code để truy xuất dữ liệu được trình bày trong phụ lục.
Bảng 4.2: Dữ liệu các khung chính ảnh Landsat theo thời điểm giám sát
STT Loại dữ liệu Tên Năm
Theo nghiên cứu của Yamane Taro (1967), số lượng mẫu có thể được xác định bằng công thức khi đã biết tổng thể mẫu Tính đến năm 2022, tổng số pixel của khu vực TP.HCM ước tính khoảng 2.400.000 pixel.
𝑛: kích thước mẫu cần xác định
𝑁: quy mô tổng thể, trong trường hợp này bằng 2400000
𝑒: sai số cho phép Trong đề tài chọn 5% tương ứng với e = 0.05
Từ công thức tính ra được số lượng mẫu tối thiểu 400 pixels Thu thập dữ liệu mẫu theo các bước sau:
Mục tiêu và phạm vi lấy mẫu trong nghiên cứu được xác định rõ ràng, dựa trên các lớp phủ khác nhau Việc khoanh vùng vị trí lấy mẫu giúp tăng kích thước mẫu, từ đó cải thiện khả năng huấn luyện và đánh giá độ chính xác của thuật toán phân loại RF.
Xác định vị trí lấy mẫu: Đảm bảo rằng các vị trí này phản ánh đúng đặc điểm và lớp phân loại của đề tài của khu vực
Xác định tọa độ: Sử dụng điện thoại có GPS để xác định tọa độ của mẫu
Để xác định loại mẫu theo lớp phủ, cần gán các loại mẫu cho từng vị trí lấy mẫu dựa trên lớp phủ bề mặt Hình 4.3 minh họa chi tiết vị trí mẫu một cách rõ ràng.
Để tăng cường kích thước và số lượng mẫu thu thập, cần khoanh vùng xung quanh mẫu thực tế Việc này giúp nhanh chóng gia tăng tập mẫu, tuy nhiên có thể dẫn đến sự không đồng đều trong số lượng mẫu.
Hình 4.3 trình bày dữ liệu mẫu từ các năm 2022, 2020, 2015, 2010, 2005, 2000, 1995, 1989 và 1979 Trong đó, màu đỏ biểu thị bề mặt công trình xây dựng, màu vàng thể hiện đất trống, màu xanh lá cây đại diện cho thực vật và màu xanh lam tượng trưng cho thủy hệ.
Việc khảo sát thực địa được thực hiện vào tháng 10 năm 2022, được chia thành
4 loại lớp phủ khác nhau là bề mặt công trình xây dựng, thủy hệ, thực vật, đất trống tương ứng với các mã code sau [1,2,3,4], chi tiết theo bảng 4.3
Bảng 4.3: Số lượng pixels thu thập với từng thời điểm
Thực vật Đất trống Tổng
Khóa giải đoán ảnh được tạo ra để phân tích dữ liệu quá khứ từ ảnh hiện tại kết hợp với dữ liệu thực địa, giúp định danh nhanh chóng và chính xác các đối tượng và đặc điểm trong ảnh hoặc bản đồ hiện trạng Để thực hiện hiệu quả quá trình này, cần xây dựng khóa giải đoán cho từng lớp thực phủ, từ đó hỗ trợ việc lựa chọn mẫu huấn luyện một cách nhanh chóng và chính xác Trong nghiên cứu này, khóa giải đoán được phát triển cho 4 loại lớp phủ mặt đất tại khu vực, như đã trình bày trong bảng 3.5.
Biểu đồ quang phổ là công cụ quan trọng để đo các thuộc tính quang phổ của vật thể, bao gồm cách mà chúng hấp thụ, phản xạ, tán xạ hoặc bức xạ điện từ ở các bước sóng khác nhau Công cụ này cho phép tạo ra đặc trưng phổ, một mẫu đặc tính quang phổ dùng để xác định đối tượng Mỗi vật chất có cách tương tác với bức xạ điện từ riêng biệt Thông qua các mẫu thực địa kết hợp với hình ảnh thời điểm hiện tại, có thể xác định dải quang phổ và chỉ số quang phổ tương ứng cho từng loại đối tượng phân loại, như được minh họa trong bảng 4.5.
Ảnh tổ hợp màu viễn thám là sản phẩm của việc kết hợp các dải màu từ các bước sóng khác nhau, giúp tạo ra hình ảnh sắc thái và thông tin chi tiết hơn Quá trình này cho phép ảnh viễn thám truyền tải thông tin về sự khác biệt trong đặc tính và thành phần của các đối tượng và vùng đất Một ví dụ điển hình là phương pháp RGB (Red, Green, Blue), trong đó ba bước sóng màu đỏ, xanh lá cây và xanh dương được sử dụng để tạo ra hình ảnh màu tổng quan, với mỗi bước sóng tương ứng với một kênh màu và mức độ chiếu sáng của từng kênh quyết định màu sắc cuối cùng trên hình ảnh.
Bảng 4.4: Khóa giải đoán bằng ảnh tổ hợp
Loại lớp phủ Ảnh màu tự nhiên (4-3-2) Ảnh màu nổi bật đô thị (7-6-4) Ảnh màu nổi bất đất và nước (5-6-4)
Bề mặt công trình xây dựng
- Ảnh tự nhiên nhiều màu sắc
- Ảnh nổi bật đô thị màu xanh đậm
- Ảnh nổi bật đất và nước màu xanh
- Ảnh tự nhiên nhiều màu xám
- Ảnh nổi bật đô thị màu lam
- Ảnh nổi bật đất và nước màu tím
- Ảnh tự nhiên nhiều màu xanh lá cây
- Ảnh nổi bật đô thị màu xanh lá cây
- Ảnh nổi bật đất và nước màu nâu đỏ Đất trống
- Ảnh tự nhiên nhiều nâu vàng
- Ảnh nổi bật đô thị màu xanh
- Ảnh nổi bật đất và nước màu xanh
Bảng 4.5: Kiểm tra mẫu quá khứ bằng giá trị các bands tương ứng
Lớp bề mặt công trình xây dựng Lớp thực vật Lớp thủy hệ
Phân loại lớp phủ bề mặt
Quy trình xử lý tổng thể được áp dụng trên bộ dữ liệu đầu vào bao gồm 3 quy trình:
Quá trình phân loại lớp phủ trong hình ảnh viễn thám liên quan đến việc gán từng pixel cho các lớp đã được xác định trước Các lớp phủ bề mặt được liệt kê trong Bảng 3.5, và quá trình này được thực hiện cho các thời điểm đã được chỉ định từ trước.
Lọc không gian là quá trình chuyển đổi bề mặt công trình xây dựng thành bề mặt khu đô thị, sử dụng cửa sổ lọc 15x15 theo các quy định pháp luật và kích thước của khu đô thị.
Quá trình tính toán các chỉ số đô thị hóa của một khu vực là bước quan trọng tiếp theo sau khi đã thu thập kết quả từ quy trình trước đó Các chỉ số này sẽ giúp đánh giá mức độ đô thị hóa và phát triển của khu vực một cách chính xác.
Quá trình đầu tiên trong nghiên cứu là phân loại lớp phủ, thực hiện qua nhiều bước như mô tả trong Hình 4.4 Đề tài này áp dụng thuật toán phân loại có giám sát RF, được đào tạo và đánh giá độ chính xác dựa trên tập hợp dữ liệu đã được gắn nhãn, thu thập theo mục 4.1.
Quy trình đầu tiên bao gồm các bước tiền xử lý dữ liệu đầu vào, phân loại lớp phủ tại các thời điểm khảo sát và đánh giá kết quả phân loại Kết quả cuối cùng là bộ dữ liệu lớp phủ đã được phân loại và đạt tiêu chuẩn độ chính xác Sau khi phân loại, dữ liệu lớp phủ sẽ được lọc nhiễu và tách lớp bề mặt đô thị theo ranh giới hành chính tương ứng với dữ liệu dân số Tổng thể quy trình làm việc được áp dụng trong nghiên cứu này phác thảo các phương pháp sử dụng và quy trình chuẩn để tính toán lớp phủ tại các thời điểm khác nhau.
Hình 4.4: Quy trình phân loại ảnh Theo quy trình trên, Các bước xử lý bao gồm:
Thu thập ảnh Landsat là bước quan trọng trong việc xử lý dữ liệu viễn thám Quá trình này bao gồm khử nhiễu, hiệu chỉnh độ tương phản và điều chỉnh ánh sáng để nâng cao chất lượng hình ảnh.
Tiền xử lý bao gồm việc thu thập từ 2 đến 3 khung ảnh để bao phủ toàn bộ khu vực nghiên cứu Sau đó, các ảnh ở Level 2 và tier 1 sẽ được xử lý hình học và bức xạ, tiếp theo là gộp và cắt ảnh theo ranh giới, cùng với các ảnh L5 từ những năm trước.
Năm 1979, nếu chưa được xử lý, sẽ tiến hành xử lý trước, sau đó gộp và cắt ảnh Khi có ảnh theo ranh giới, hình ảnh bị mây che sẽ được lọc mây bằng một trong hai phương pháp: update marks hoặc median pixels Đối với một số ảnh Landsat 7 bị lỗi sọc do vệ tinh, cần thực hiện xử lý gapfill Kết quả sau bước tiền xử lý sẽ thu được hình ảnh chuẩn để thực hiện các bước tiếp theo.
Dữ liệu mẫu được thu thập theo mục 4.1 và sau đó được lưu trữ trên Cloud để thực hiện các bước tính toán tiếp theo Tập dữ liệu mẫu được chia thành hai phần ngẫu nhiên: phần 1 chiếm 70% dữ liệu để tiến hành phân loại, trong khi phần 2 chiếm 30% còn lại được sử dụng để đánh giá độ chính xác sau phân loại.
Phân loại có giám sát là quá trình gán nhãn cho các pixel dựa trên vị trí lấy mẫu, ví dụ, nếu pixel thuộc về thực vật được gán nhãn "1", thì pixel đó cũng sẽ nhận nhãn "1" Sử dụng phương pháp máy học Random Forest, 50 cây quyết định được tạo ra tự động từ thuật toán Decision Tree, với mỗi cây có sự khác biệt nhờ yếu tố ngẫu nhiên từ các pixel đã được gán nhãn Số lượng cây quyết định được tác giả lựa chọn trong khoảng từ 10 đến 100 cây sau khi khảo sát Quá trình phân loại diễn ra bán tự động; với mỗi pixel mới, các cây quyết định sẽ phân tích từ trên xuống qua các node điều kiện để đưa ra các dự đoán, và kết quả cuối cùng được tổng hợp từ các dự đoán của các cây quyết định này.
Để đánh giá độ chính xác của mô hình, 30% dữ liệu từ tập ban đầu được sử dụng Mỗi pixel được gán nhãn theo loại đối tượng của mẫu Nếu nhãn điểm đánh giá trùng khớp với nhãn pixel sau phân loại, thì được coi là đúng; ngược lại là sai Sử dụng Ma trận sai số (Confusion Matrix), nhãn từ tập đánh giá được so sánh với nhãn pixel sau huấn luyện để lập ma trận và tính toán độ chính xác Các chỉ số Kappa và độ chính xác tổng (Overall Accuracy) được áp dụng để đánh giá Nếu cả hai chỉ số đều đạt yêu cầu trên 80%, các bước tiếp theo sẽ được thực hiện Nếu không đạt, cần phân tích lại mẫu theo quy trình đã định.
Sau khi hoàn tất quá trình phân loại lớp phủ, dữ liệu đầu ra bao gồm các ảnh lớp phủ theo từng thời điểm Tiến hành biên tập và thống kê các ảnh phân loại, đồng thời tách bề mặt đô thị khỏi ảnh lớp phủ để thực hiện quy trình tiếp theo Bảng 4.6 và hình 4.5 trình bày chi tiết kết quả phân loại lớp phủ năm 2015, trong đó bao gồm các thành phần như Bề công trình xây dựng (Built-up area), Thủy hệ (Water), Thực vật (Vegetation) và Đất trống (Bare soil).
Hình 4.5: Kết quả phân loại lớp phủ bề mặt năm 2020
Bảng 4.6: Minh họa ma trận phân loại năm 2022
Lớp phủ Built–up area Water Vegetation Bare soild Built–up area 213 0 0 3
Từ ma trận sai số nắm 2022, ta tính được sai số tổng thể là 98.16 % và chỉ số Kappa là 0.97.
Xác định bề mặt khu đô thị
Để xác định các khu đô thị tại TP.HCM, một bộ lọc không gian được áp dụng để xử lý bề mặt công trình xây dựng, tạo ra lớp phủ bề mặt đô thị Theo Nghị định số 43/2014/NĐ-CP và Thông tư số 01/2021/TT-BXD, một khu vực đô thị phải có diện tích tối thiểu 20 ha (0.2 km²), trong đó diện tích bề mặt công trình xây dựng chiếm 70% đối với đô thị loại 1.
Cửa sổ bộ lọc có kích thước 15x15 pixels, tương đương với diện tích 0.2025 km², được sử dụng để phân loại khu vực đô thị Nếu số lượng pixels bề mặt công trình xây dựng vượt quá 158, tương ứng với 70% tổng diện tích bề mặt, các pixels này sẽ được gán giá trị '1', ngược lại sẽ được gán '0' để chỉ ra khu vực không phải đô thị Các pixels thuộc lớp bề mặt đô thị sẽ được giữ lại cho các vòng lặp tiếp theo Hình 4.6 minh họa kết quả trước và sau khi tạo ra bề mặt đô thị từ bề mặt công trình xây dựng năm 2022.
Hình 4.6: a) Lớp bề mặt công trình xây dựng năm 2015; b) Lớp bề mặt đô thị năm
Tính các chỉ số đô thị hóa
Các chỉ số đô thị hóa được tính toán bao gồm:
Giãn nở bề mặt đô thị được xác định dựa trên diện tích tương ứng với ranh giới hành chính của từng quận, huyện tại các thời điểm khác nhau và toàn bộ thành phố Dữ liệu từ năm 1979 có thể không phản ánh chính xác do một số quận, huyện chưa được tách ra từ các đơn vị hành chính cũ Do đó, cần xác định cụ thể các quận, huyện đã được tách theo Quyết định của Chính phủ và cơ quan có thẩm quyền để đảm bảo tính chính xác trong việc tính toán Bên cạnh đó, dữ liệu dân số được thu thập theo cấp quận, huyện, do đó diện tích bề mặt đô thị cũng cần được tính toán tương ứng.
Chỉ số PE được tính toán dựa trên số liệu dân số trong khoảng thời gian nghiên cứu, cho phép phân tích PE theo từng quận huyện và toàn thành phố qua các giai đoạn khác nhau Công thức tính PE được mô tả chi tiết trong mục 3.6.
Để tính chỉ số UE, cần dựa vào diện tích bề mặt đô thị trong khoảng thời gian nghiên cứu Chỉ số này được tính toán theo từng quận huyện và toàn thành phố qua các giai đoạn, theo công thức mô tả trong mục 3.6.
Tính chỉ số LCR: Tính chỉ số LCR theo từng quận huyện và toàn thành phố theo từng giai đoạn, chi tiết cách tính theo mục 3.6
Chỉ số 𝑛 được tính toán để xác định mối quan hệ giữa gia tăng dân số và sự giãn nở đô thị tại từng quận huyện và toàn thành phố trong từng giai đoạn Tỷ lệ này được xác định theo thời gian nghiên cứu cho một khu vực đô thị cụ thể, không phải so sánh giữa các khu vực khác nhau Việc khảo sát dân số trong giai đoạn nghiên cứu là hoàn toàn phù hợp để áp dụng công thức tính toán này.
Dữ liệu đầu ra hiển thị kết quả dưới dạng bản đồ cho các chỉ số UE, PE, LCR và chỉ số 𝑛 theo từng khu vực Các biểu đồ được tạo ra từ kết quả tính toán và có những nhận xét đáng chú ý Bảng 4.7 cung cấp minh họa cho các chỉ số tính toán trên toàn thành phố qua từng giai đoạn.
Bảng 4.7: Kết quả các chỉ số đô thị hóa cho toàn thành phố theo từng giai đoạn
KẾT QUẢ NGHIÊN CỨU
Biến động lớp phủ bề mặt TP.HCM giai đoạn 1979-2022
Từ năm 1979 đến 2022, lớp phủ bề mặt đất của TP.HCM được phân tích qua hình ảnh Landsat, với các màu sắc biểu thị cho bề mặt đô thị (đỏ), đất trống (vàng), thực vật (xanh lá cây) và thủy hệ (xanh dương) Trong giai đoạn này, bề mặt đô thị tăng mạnh, đặc biệt ở khu vực trung tâm và phát triển chủ yếu về phía Đông, cũng như lan rộng về phía Tây Bắc và phía Nam từ 2010 đến 2022 Mặc dù mức độ phủ bề mặt thực vật có xu hướng giảm nhẹ, bề mặt đất trần lại dao động ngẫu nhiên, phản ánh tình trạng tạm thời của việc sử dụng đất, như sau thu hoạch hoặc xây dựng Bề mặt nước cũng có sự biến động nhưng không đáng kể trong khoảng thời gian quan sát.
Sự thay đổi lớp phủ bề mặt đất tại TP.HCM do đô thị hóa và công nghiệp hóa dẫn đến nhiều hệ lụy nghiêm trọng Sự gia tăng dân số và phát triển cơ sở hạ tầng mới như đường phố và tòa nhà làm tăng diện tích bề mặt cứng, gây ra hiện tượng ngập lụt và thiệt hại cho tài sản Đồng thời, việc giảm diện tích thảm thực vật làm gia tăng ô nhiễm không khí và hiện tượng đảo nhiệt đô thị Để giảm thiểu những vấn đề này, cần áp dụng quy hoạch phát triển bền vững, bao gồm bảo vệ thực vật hiện có, phát triển hạ tầng xanh và quản lý nước mưa.
Hình 5.1: Bề mặt lớp phủ TP.HCM theo năm; a) 1979, b) 1989, c) 1995, d) 2000, e)
2005, f) 2010, g) 2015, h) 2020, i) 2022; Màu đỏ là công trình xây dựng, màu vàng là đất trống, màu xanh lá cây là thực vật và màu xanh lam là thủy hệ
Bảng 5.1 trình bày diện tích các loại lớp phủ bề mặt tính bằng kilomet vuông, cùng với độ chính xác toàn cục và hệ số Kappa của quá trình phân loại từ năm 1979 đến 2022 Hệ số Kappa qua các năm đều trên 90%, chứng tỏ độ chính xác cao trong phân loại, ngoại trừ năm 1979 với hệ số Kappa chỉ đạt 80.4%, cho thấy ảnh Tier 2 sử dụng năm đó có độ chính xác thấp hơn nhiều so với Tier 1 Việc chọn ảnh Tier 1 cho năm 1979 là do chỉ có loại ảnh này tại TP.HCM Tổng diện tích qua các giai đoạn có thể biến động do nhiều yếu tố như pixel lỗi không được phân loại, pixel bị mây ảnh hưởng khi lọc không hoàn hảo, hoặc sự tác động từ cảm biến.
Bảng 5.1 cho thấy phân loại từ xa về lớp phủ bề mặt đất trong khu vực này rất chính xác, cho phép theo dõi sự thay đổi lớp phủ theo thời gian Quá trình phân loại này hỗ trợ quyết định lập kế hoạch và quản lý, đồng thời tiến hành các quy trình tiếp theo để đánh giá các chỉ số đô thị hóa.
Bảng 5.1: Diện tích (km 2 ) của các loại lớp phủ tính toán từ ảnh đã phân loại
Công trình xây dựng Thủy hệ Thực vật Đất trống Kappa
Urban Expansion
5.2.1 Giãn nở bề mặt đô thị
Nghiên cứu đã tạo ra bản đồ đô thị TP.HCM từ năm 1979 đến 2022 bằng cách trích xuất bề mặt công trình xây dựng và lọc không gian Các khu vực đô thị được đánh dấu màu đỏ, cho thấy sự phát triển đô thị rõ rệt từ trung tâm thành phố về phía Đông trong thời gian quan sát Từ năm 2010, sự phát triển này cũng đã mở rộng sang phía Tây Bắc và phía Nam.
Diện tích đô thị tổng cộng của thành phố đã tăng khoảng 12 lần từ năm 1979
Sự tăng trưởng đô thị từ 1979 đến 2022 được thúc đẩy bởi nhiều yếu tố như tăng dân số, phát triển kinh tế và đầu tư của chính phủ vào cơ sở hạ tầng Giai đoạn đầu (1979-1995) ghi nhận sự tăng trưởng chậm và ổn định, trong khi giai đoạn thứ hai (1995-2022) chứng kiến sự tăng trưởng nhanh hơn Sự thay đổi diện tích đô thị giữa các giai đoạn được phân tích thông qua thuật toán lọc không gian, cho thấy sự chuyển đổi giữa các pixels đô thị và không đô thị, dẫn đến sự thay đổi tổng diện tích khu đô thị so với diện tích bề mặt công trình xây dựng ban đầu.
Sự mở rộng của khu vực đô thị tại TP.HCM đang tạo ra nhiều thách thức, đặc biệt là áp lực lên cơ sở hạ tầng như đường xá, nguồn nước và hệ thống thoát nước Bên cạnh đó, hiện tượng này cũng gây ra các vấn đề môi trường, với khu vực đô thị thường nóng và ẩm hơn, đồng thời góp phần vào ô nhiễm không khí Hơn nữa, sự gia tăng diện tích đô thị dẫn đến sự di chuyển của dân cư từ nông thôn vào thành phố để tìm kiếm việc làm, gây ra tình trạng gia tăng dân số khó kiểm soát Bảng 5.2 minh họa diện tích bề mặt đô thị theo từng quận huyện trong các thời điểm nghiên cứu.
Bảng 5.2: Diện tích bề mặt đô thị (km 2 ) theo quận huyện và thời điểm nghiên cứu
Tên Năm 1979 Năm 1989 Năm 1995 Năm 2000 Năm 2005 Năm_2010 Năm 2015 Năm 2020 Năm 2022
Hình 5.2: Lớp bề mặt khu đô thị TP.HCM theo năm; a) 1979, b) 1989, c) 1995, d)
Hình 5.3: Diện tích toàn đô thị (km 2 ) tại TP.HCM tăng từ 1979 đến 2022
Tỷ lệ mở rộng đô thị trung bình của TP.HCM đạt 31,6% trong giai đoạn quan sát, với tỷ lệ tối đa khoảng 15% từ 1995-2000, khi diện tích đô thị tăng từ 134,7 km² lên 237 km² Tỷ lệ tối thiểu ghi nhận là khoảng 3% trong giai đoạn 2000.
Từ năm 2005, diện tích đô thị đã tăng từ 237 lên 271,4 km2, cho thấy sự phát triển rõ rệt từ trung tâm thành phố về phía Đông Bắt đầu từ năm 2010, sự phát triển tiếp tục mở rộng về phía Tây Bắc và phía Nam Dự báo tốc độ tăng trưởng này sẽ tiếp tục trong những năm tới khi dân số đô thị ngày càng gia tăng.
Hình 5.4 minh họa sự giãn nở đô thị theo không gian và thời gian, cho thấy sự phát triển đồng đều từ trung tâm ra ngoài thành phố Từ năm 1995 đến 2005, Quận Thủ Đức và Huyện Bình Chánh trải qua quá trình đô thị hóa mạnh mẽ, trong khi diện tích khu đô thị toàn thành phố tăng nhanh hơn từ năm 2005 đến 2022 Điều này giúp hiểu rõ hơn về xu hướng và quy mô phát triển đô thị trong khu vực nghiên cứu, với phương trình y = 85.895x - 88.132 và hệ số xác định R² = 0.9656.
Diện tích đô thị (km2)
Hình 5.4: Giãn nở đô thị TP.HCM theo từng giai đoạn
Chỉ số Urban Expansion (UE) cung cấp cái nhìn tổng quan về quá trình đô thị hóa tại TP.HCM, phản ánh sự gia tăng diện tích đô thị và chuyển đổi từ nông thôn sang đô thị Chỉ số này giúp đánh giá tác động của các yếu tố kinh tế và xã hội đến đô thị hóa, cho phép các nhà nghiên cứu và cơ quan lãnh đạo so sánh và nắm bắt xu hướng giữa các quận huyện Từ đó, họ có thể xây dựng các chiến lược phát triển và quản lý đô thị hiệu quả hơn Thông tin chi tiết về diện tích đô thị của từng quận huyện được trình bày trong Bảng 5.3.
Gò Vấp 16.63 4.87 12.56 0.23 1.27 0.86 0.67 0.03 Hóc Môn 23.92 32.20 19.08 32.10 16.31 12.08 2.66 1.14 Nhà Bè 26.19 7.60 57.29 4.76 8.45 2.41 4.37 1.08
Nhuận 3.57 1.69 1.49 1.77 0.00 0.00 0.00 0.00 Quận 1 4.72 0.22 0.27 0.20 0.10 0.24 0.36 -0.21 Quận 10 8.32 0.00 0.00 0.00 0.00 0.00 0.00 0.00 Quận 11 6.00 0.45 0.69 0.00 0.00 0.00 0.00 0.00 Quận 3 6.86 0.23 0.00 0.00 0.00 0.00 0.00 0.00 Quận 4 3.75 1.02 0.46 0.04 0.04 0.14 0.11 0.63 Quận 5 11.23 0.09 0.00 0.00 0.00 0.00 0.00 0.00 Quận 6 10.15 0.17 1.06 0.02 0.30 0.14 0.09 0.09
Quận 8 13.25 0.56 17.02 0.68 2.60 1.44 0.59 0.05 Tân Bình 43.94 1.05 4.44 0.29 0.44 1.45 0.66 0.01 Thủ Đức 24.38 50.82 29.82 4.38 10.50 3.62 4.60 3.01 Hình 5.5 thể hiện giá trị UE trong khu vực nghiên cứu theo khoảng thời gian từ năm 1979 đến năm 2022 Qua giá trị UE cho thấy quá trình đô thị hóa diễn ra mạnh về phía đông và phía bắc trong thời gian nghiên cứu Các quận trung tâm từ năm 1979 đã là đô thị rồi nên việc gia tăng không được nhiều thì đã chiếm toàn bộ diện tích quận, trong khi các quận ven như Thủ Đức và Quận 7 vào năm 1979 chỉ có rất ít đô thị nhưng tới thời điểm hiện tại gần như bề mặt đô thị đã bao phủ toàn bộ địa phân quận Nhìn vào biểu đồ cột ta thấy giai đoạn nghiên cứu UE cao ở các giai đoạn đầu cho thấy phát triển mạnh mẽ về hạ tầng, UE có chậm lại cho các giai đoạn sau, nhưng điều ngược lại xảy ra tại 2 huyện Cần Giờ và Củ Chi
Phân loại natural break (Jenks) trong GIS là một phương pháp tối ưu hóa việc phân loại dữ liệu bằng cách sắp xếp các giá trị thành các lớp "tự nhiên" Mỗi lớp tự nhiên đại diện cho một phạm vi giá trị tối ưu, trong đó các mục có đặc điểm tương tự được nhóm lại Phương pháp này nhằm giảm thiểu độ lệch trung bình trong lớp và tối đa hóa độ lệch giữa các nhóm khác nhau, qua đó giảm phương sai trong các lớp và tăng phương sai giữa các lớp Jenks còn được biết đến với tên gọi phương pháp phù hợp với phương sai (GVF), liên quan đến sự khác biệt giữa tổng bình phương sai khác biệt cho các giá trị trung bình của lớp (SDCM) và tổng bình phương sai khác biệt cho giá trị mảng trung bình (SDAM) Trong phân loại Jenks, dữ liệu được chia thành các lớp dựa trên các nhóm tự nhiên tốt nhất, với các giới hạn lớp được thiết lập tại những điểm có sự khác biệt lớn trong giá trị dữ liệu, tạo ra các lớp có đặc điểm tương tự và tối đa hóa sự khác biệt giữa chúng.
Hình 5.5: Bản đồ thể hiện chỉ số UE
Population Expansion
Dữ liệu từ bảng số liệu 5.4 cho thấy rõ sự phân bố dân số tại các quận huyện, với quận trung tâm ghi nhận sự tăng trưởng nhẹ trong giai đoạn 2020-2022, trong khi các quận ngoại thành lại chứng kiến sự giảm dân số Nguyên nhân chính bao gồm ảnh hưởng của dịch COVID-19 và khủng hoảng kinh tế, dẫn đến việc người dân ở vùng ven di dời về quê hương Ngược lại, tầng lớp trung lưu có xu hướng di chuyển vào trung tâm thành phố để thuận lợi cho công việc và sinh hoạt Kết quả là, dân số tại các quận trung tâm hầu như không thay đổi, trong khi chỉ số PE tăng dần ở các quận huyện ngoại thành.
Bảng 5.4: Chỉ số PE (%) theo quận huyện và theo giai đoạn nghiên cứu
Gò Vấp 2.91 5.85 9.33 8.63 3.40 3.14 1.98 -2.42 Hóc Môn 1.23 3.33 6.72 7.74 8.51 3.74 5.91 -11.00 Nhà Bè 2.75 3.93 3.71 6.04 11.95 3.74 5.55 -6.45
Nhuận 2.02 1.92 -1.35 -0.53 -0.06 0.83 -1.48 3.98 Quận 1 0.07 0.97 -3.74 -1.87 -1.25 0.66 -5.23 21.75 Quận 10 0.01 2.07 -1.34 -0.76 -0.25 0.53 -0.32 29.31 Quận 11 9.19 1.53 -0.87 -1.10 0.59 -0.17 -1.61 28.41 Quận 3 -0.10 0.49 -2.49 -1.79 -1.04 0.78 -0.41 1.08 Quận 4 2.90 2.69 -1.36 -1.28 -0.22 0.38 -0.90 6.92 Quận 5 -0.18 1.92 -3.17 -1.15 -1.87 0.51 -2.75 10.85
Quận 6 2.33 4.08 -1.06 -0.96 0.83 0.43 -1.51 4.07 Quận 8 2.13 4.81 0.29 1.65 2.88 0.62 0.21 1.69 Tân Bình 22.83 6.93 6.84 3.79 1.87 2.03 1.01 -1.83 Thủ Đức 2.00 3.46 6.39 8.27 5.29 2.47 5.14 -8.26
Đô thị hóa
5.4.1 Tương quan dân số và diện tích đô thị
Dân số TP.HCM đã tăng nhanh chóng trong vài thập kỷ qua, từ hơn 3 triệu người vào năm 1979 lên hơn 9 triệu người vào năm 2020, mặc dù có sự suy giảm nhẹ vào năm 2022 Sự gia tăng này được thúc đẩy bởi nhiều yếu tố, bao gồm phát triển kinh tế, di cư từ nông thôn ra thành phố và tỷ lệ sinh cao.
Dịch Covid-19 vào năm 2019 đã ảnh hưởng lớn đến dân số TP.HCM, khi nhiều người lao động chọn về quê và số ca tử vong do dịch bệnh đã làm giảm dân số vào năm 2022 Tuy nhiên, dân số TP.HCM dự báo sẽ tiếp tục tăng, với ước tính đạt trên 10 triệu người vào năm 2025 Sự gia tăng này sẽ tạo áp lực lên các nguồn lực của thành phố, bao gồm nhà ở, giao thông, chăm sóc sức khỏe và đô thị hóa Chính quyền thành phố đang nỗ lực giải quyết những thách thức này, mặc dù đây là một nhiệm vụ không hề dễ dàng.
Khi phân tích mối quan hệ giữa dân số và diện tích đô thị, hàm "CORREL" được sử dụng để tính toán hệ số tương quan Pearson Hệ số này có giá trị từ -1 đến +1, với +1 thể hiện mối quan hệ tuyến tính thuận, -1 thể hiện mối quan hệ tuyến tính nghịch, và 0 cho thấy không có mối quan hệ tuyến tính Kết quả hệ số tương quan Pearson là 0.969231713, cho thấy có một mối quan hệ tuyến tính thuận mạnh giữa dân số và diện tích đô thị Điều này chỉ ra rằng khi dân số tăng, diện tích đô thị cũng có xu hướng tăng theo, như minh họa trong hình 5.6.
Mối quan hệ giữa dân số và diện tích đô thị chỉ được thể hiện qua hệ số tương quan, cho thấy sự liên kết tuyến tính giữa hai biến số này Tuy nhiên, hệ số này không chỉ ra nguyên nhân hay mối quan hệ gây ra sự tương quan Để có cái nhìn sâu sắc hơn về mối quan hệ này, cần phân tích thêm các chỉ số trong toàn bộ nghiên cứu.
Chỉ số tỉ lệ tiêu thụ đất (LCR) là một chỉ số quan trọng trong việc đo lường mức độ sử dụng đất trong phát triển đô thị, được tính theo mục 4.4 LCR cho biết diện tích đất đô thị tiêu thụ trên đầu người, phản ánh khả năng sử dụng không gian đô thị của mỗi cá nhân Chỉ số LCR thấp cho thấy khu vực đông dân cư so với diện tích đất đô thị, đồng nghĩa với việc tiêu thụ đất nhanh chóng, dẫn đến mất môi trường tự nhiên và vấn đề bền vững đô thị Ngược lại, LCR cao chỉ ra sự sử dụng đất hiệu quả hơn, đồng thời bảo vệ môi trường và tài nguyên đất đai.
Chỉ số LCR theo quận huyện trong nghiên cứu cho thấy các quận trung tâm với diện tích đô thị lớn thường có chỉ số LCR thấp và tăng trưởng chậm, do hạn chế về quy đất và sự gia tăng dân cư di cư vào khu vực này Ngược lại, các vùng ngoại thành, mặc dù bắt đầu với chỉ số LCR thấp vào năm 1979 do chủ yếu là nông thôn, đã trải qua quá trình đô thị hóa từ 1979 đến 2022, dẫn đến sự gia tăng chỉ số LCR hiện tại nhờ vào việc xây dựng công trình và di cư từ các vùng khác.
Bảng 5.5: Chỉ số LCR (m 2 / Người) theo quận huyện và thời điểm
Hình 5.7: Bản đồ thể hiện chỉ số LCR
Các quận huyện có chỉ số LCR tăng dần cho thấy quy hoạch đô thị và dân số phát triển hợp lý, phù hợp với tiêu chí đô thị loại 1 do chính phủ ban hành Ngược lại, một số quận huyện có chỉ số LCR giảm dần cho thấy dân cư đô thị tăng nhanh hơn so với diện tích khu vực, hoặc diện tích đô thị đã đạt giới hạn nhưng lượng người dân vẫn tiếp tục gia tăng theo thời gian.
5.4.3 Mối quan hệ giữa gia tăng dân số và giãn nở đô thị
Hệ số 𝑛 là một hằng số quan trọng trong phương trình toán học, thể hiện mối quan hệ giữa gia tăng dân số và giãn nở đô thị, với cách tính chi tiết được trình bày ở phần 3.5 Bảng 5.6 cung cấp số liệu cụ thể đã được tính toán, trong đó các ô có giá trị âm cho thấy tỷ lệ dân số giữa hai thời điểm khảo sát không đáp ứng yêu cầu của công thức, khi dân số tăng dưới 10% hoặc có sự giảm sút Hệ số 𝑛 có các ngưỡng giá trị đặc trưng: nếu hệ số 𝑛 âm, điều này cho thấy mức độ gia tăng dân số nhanh hơn mức độ gia tăng đô thị.
Diện tích khu đô thị không thay đổi, trong khi hệ số 𝑛 dương chỉ ra rằng mức độ gia tăng dân số chậm hơn sự giãn nở đô thị Bảng số liệu cho thấy hai năm cuối giai đoạn bị ảnh hưởng bởi đại dịch COVID-19, với hệ số 𝑛 nhỏ và các quận huyện trung tâm đều bằng 0, điều này phản ánh hạ tầng đô thị và kinh tế đang bị chững lại, chậm phát triển.
Bảng 5.6: Hệ số 𝑛 theo quận huyện và theo giai đoạn
Qua phân tích trong 43 năm, giá trị 𝑛 cho thấy khu vực trung tâm đô thị có giá trị âm, chỉ ra rằng diện tích đô thị tăng chậm trong khi dân số tăng nhanh Ngược lại, ở các vùng ngoại thành, đặc biệt phía đông và tây thành phố, giá trị 𝑛 cao chứng tỏ hạ tầng đô thị phát triển mạnh mẽ hơn so với dân số Xu hướng nghiên cứu cho thấy dân số tiếp tục tập trung vào trung tâm thành phố, dẫn đến việc diện tích đô thị đã phát triển tối đa và gây ra tình trạng quá tải Hình 5.8 minh họa dữ liệu này một cách trực quan.
Phương pháp phân loại Jenks là một công cụ hữu ích trong GIS, giúp xác định các điểm phân chia hợp lý trong tập dữ liệu Phương pháp này hoạt động bằng cách nhóm các giá trị tương tự, từ đó cải thiện khả năng phân tích và trực quan hóa dữ liệu.
Giảm thiểu sự khác biệt giữa các giá trị dữ liệu trong cùng một lớp và tối đa hóa sự khác biệt giữa các lớp là yếu tố quan trọng trong phân tích dữ liệu Các tính năng được phân chia thành các lớp với ranh giới tại những điểm có sự chênh lệch lớn trong giá trị dữ liệu Khi tạo bản đồ choropleth, phương pháp phân loại Jenks có thể mang lại lợi ích đáng kể vì nó xác định chính xác các lớp trong dữ liệu Bản đồ choropleth sử dụng phương pháp này sẽ phản ánh trung thực các xu hướng trong dữ liệu.
Hình 5.8: Bản đồ thể hiện hệ số (𝑛)