Nghiên cứu công nghệ viễn thám và GIS trong dự báo sự biến động bề mặt không thấm khu vực Thành phố Hồ Chí Minh. Nghiên cứu công nghệ viễn thám và GIS trong dự báo sự biến động bề mặt không thấm khu vực Thành phố Hồ Chí Minh. Nghiên cứu công nghệ viễn thám và GIS trong dự báo sự biến động bề mặt không thấm khu vực Thành phố Hồ Chí Minh. Nghiên cứu công nghệ viễn thám và GIS trong dự báo sự biến động bề mặt không thấm khu vực Thành phố Hồ Chí Minh. Nghiên cứu công nghệ viễn thám và GIS trong dự báo sự biến động bề mặt không thấm khu vực Thành phố Hồ Chí Minh. Nghiên cứu công nghệ viễn thám và GIS trong dự báo sự biến động bề mặt không thấm khu vực Thành phố Hồ Chí Minh. Nghiên cứu công nghệ viễn thám và GIS trong dự báo sự biến động bề mặt không thấm khu vực Thành phố Hồ Chí Minh. Nghiên cứu công nghệ viễn thám và GIS trong dự báo sự biến động bề mặt không thấm khu vực Thành phố Hồ Chí Minh. Nghiên cứu công nghệ viễn thám và GIS trong dự báo sự biến động bề mặt không thấm khu vực Thành phố Hồ Chí Minh. Nghiên cứu công nghệ viễn thám và GIS trong dự báo sự biến động bề mặt không thấm khu vực Thành phố Hồ Chí Minh. Nghiên cứu công nghệ viễn thám và GIS trong dự báo sự biến động bề mặt không thấm khu vực Thành phố Hồ Chí Minh. Nghiên cứu công nghệ viễn thám và GIS trong dự báo sự biến động bề mặt không thấm khu vực Thành phố Hồ Chí Minh. Nghiên cứu công nghệ viễn thám và GIS trong dự báo sự biến động bề mặt không thấm khu vực Thành phố Hồ Chí Minh. Nghiên cứu công nghệ viễn thám và GIS trong dự báo sự biến động bề mặt không thấm khu vực Thành phố Hồ Chí Minh. Nghiên cứu công nghệ viễn thám và GIS trong dự báo sự biến động bề mặt không thấm khu vực Thành phố Hồ Chí Minh. Nghiên cứu công nghệ viễn thám và GIS trong dự báo sự biến động bề mặt không thấm khu vực Thành phố Hồ Chí Minh. Nghiên cứu công nghệ viễn thám và GIS trong dự báo sự biến động bề mặt không thấm khu vực Thành phố Hồ Chí Minh. Nghiên cứu công nghệ viễn thám và GIS trong dự báo sự biến động bề mặt không thấm khu vực Thành phố Hồ Chí Minh. Nghiên cứu công nghệ viễn thám và GIS trong dự báo sự biến động bề mặt không thấm khu vực Thành phố Hồ Chí Minh. Nghiên cứu công nghệ viễn thám và GIS trong dự báo sự biến động bề mặt không thấm khu vực Thành phố Hồ Chí Minh. Nghiên cứu công nghệ viễn thám và GIS trong dự báo sự biến động bề mặt không thấm khu vực Thành phố Hồ Chí Minh. Nghiên cứu công nghệ viễn thám và GIS trong dự báo sự biến động bề mặt không thấm khu vực Thành phố Hồ Chí Minh. Nghiên cứu công nghệ viễn thám và GIS trong dự báo sự biến động bề mặt không thấm khu vực Thành phố Hồ Chí Minh. Nghiên cứu công nghệ viễn thám và GIS trong dự báo sự biến động bề mặt không thấm khu vực Thành phố Hồ Chí Minh. Nghiên cứu công nghệ viễn thám và GIS trong dự báo sự biến động bề mặt không thấm khu vực Thành phố Hồ Chí Minh. Nghiên cứu công nghệ viễn thám và GIS trong dự báo sự biến động bề mặt không thấm khu vực Thành phố Hồ Chí Minh. Nghiên cứu công nghệ viễn thám và GIS trong dự báo sự biến động bề mặt không thấm khu vực Thành phố Hồ Chí Minh. Nghiên cứu công nghệ viễn thám và GIS trong dự báo sự biến động bề mặt không thấm khu vực Thành phố Hồ Chí Minh. Nghiên cứu công nghệ viễn thám và GIS trong dự báo sự biến động bề mặt không thấm khu vực Thành phố Hồ Chí Minh. Nghiên cứu công nghệ viễn thám và GIS trong dự báo sự biến động bề mặt không thấm khu vực Thành phố Hồ Chí Minh. Nghiên cứu công nghệ viễn thám và GIS trong dự báo sự biến động bề mặt không thấm khu vực Thành phố Hồ Chí Minh. Nghiên cứu công nghệ viễn thám và GIS trong dự báo sự biến động bề mặt không thấm khu vực Thành phố Hồ Chí Minh. Nghiên cứu công nghệ viễn thám và GIS trong dự báo sự biến động bề mặt không thấm khu vực Thành phố Hồ Chí Minh. Nghiên cứu công nghệ viễn thám và GIS trong dự báo sự biến động bề mặt không thấm khu vực Thành phố Hồ Chí Minh. Nghiên cứu công nghệ viễn thám và GIS trong dự báo sự biến động bề mặt không thấm khu vực Thành phố Hồ Chí Minh. Nghiên cứu công nghệ viễn thám và GIS trong dự báo sự biến động bề mặt không thấm khu vực Thành phố Hồ Chí Minh. Nghiên cứu công nghệ viễn thám và GIS trong dự báo sự biến động bề mặt không thấm khu vực Thành phố Hồ Chí Minh. Nghiên cứu công nghệ viễn thám và GIS trong dự báo sự biến động bề mặt không thấm khu vực Thành phố Hồ Chí Minh. Nghiên cứu công nghệ viễn thám và GIS trong dự báo sự biến động bề mặt không thấm khu vực Thành phố Hồ Chí Minh. Nghiên cứu công nghệ viễn thám và GIS trong dự báo sự biến động bề mặt không thấm khu vực Thành phố Hồ Chí Minh. Nghiên cứu công nghệ viễn thám và GIS trong dự báo sự biến động bề mặt không thấm khu vực Thành phố Hồ Chí Minh. Nghiên cứu công nghệ viễn thám và GIS trong dự báo sự biến động bề mặt không thấm khu vực Thành phố Hồ Chí Minh.
Tính cấp thiết củađềtài
Bề mặt không thấm là các bề mặt do con người tạo ra, bao gồm các loại bề mặt ngăn chặn quá trình nước không thể xâm nhập vào đất, chẳng hạn như đường giao thông, vỉa hè, bãi đậu xe, mái nhà, v.v Trong những năm gần đây, bề mặt không thấm đã nổi lên không chỉ là một chỉ số về mức độ đô thị hóa, mà còn là một chỉ số chính về chất lượng môi trường đô thị Sự gia tăng bề mặt không thấm sẽ dẫn đếnsự gia tăng về quy mô, thời gian và cường độ của dòng chảy trong đô thị Gia tăng diện tích bề mặt không thấm sẽ tác động và gây ô nhiễm nguồn nước, bao gồm các tác nhân gây bệnh, các chất độc hại gây ô nhiễm nước mặt và nước ngầm Ngoài ra, sự gia tăng này cũng sẽ làm giảm diện tích thảm thực vật trong các khu đô thị Sự xuất hiện với mức độ dày đặc trên không gian của bề mặt không thấm có thể ảnh hưởng đáng kể đến khí hậu đô thị bằng cách thay đổi luồng nhiệt hợp lý và tiềm ẩn nguycơ gây gia tăng nhiệt độ đô thị dẫn đến hiện tượng đảo nhiệt tại các đô thị[75], [123] Do đó, thông tin các bản đồ phân bố không gian của khu vực bề mặt không thấm là thực sự cần thiết cho việc lập thiết kế, quy hoạch, quản lý và bảo vệ tài nguyên môi trường đôthị.
Kỹ thuật viễn thám vệ tinh đã trở thành phương pháp ưu việt trong quan trắc, lập bản đồ phân bố và ước tính diện tích bề mặt không thấm do tính đa thời gian, đa phổ,đanguồndữliệuvàdiệntíchnghiêncứutrênkhuvựcrộng.Cácnghiêncứutrên thế giới và trong nước đã minh chứng được sự thành công của việc sử dụng phương pháp viễn thám là công cụ hữu hiệu cho việc chiết xuất thông tin về đặc điểm, sự phân bố và sự thay đổi của các bề mặt không thấm trong các khu đô thị Đặc biệt,dữ liệuviễnthámđathờigiancóthểchophépxácđịnhsựthayđổicủacácbềmặtkhông thấm trong những khoảng thời gian từ trong quá khứ cho đến hiện tại một cách hệ thống và có tính đồng nhất cao Bên cạnh đó, công nghệ GIS với khả năng phân tích dữ liệu không gian mạnh cho phép định lượng, phân tích, mô hình hóa sự biến đổi của bề mặt không thấm để đưa ra xu thế, và có thể xác định được tốc độ của sựt h a y đổi các yếu tố này và đưa ra được dự báo về bức tranh phát triển của các khu đô thị lớn trong tương lai.
Mặc dù đã có một số nghiên cứu trong nước đề cập đến vấn đề này, tuy nhiên các nghiên cứu chỉ mới tập trung phân loại bề mặt không thấm từ ảnh viễn thám và xác định các biến động giữa các thời điểm khác nhau Một số nghiên cứu cũng đánh giá mối quan hệ giữa sự thay đổi nhiệt độ bề mặt khu vực đô thị và sự gia tăng diện tích bề mặt không thấm bằng dữ liệu viễn thám và GIS, trong đó chứng minh rằng, sựgiatăngdiệntíchbềmặtkhôngthấmlàyếutốchủyếuảnhhưởngđếnsựgiatăng nhiệt độ bề mặt đô thị Cho đến nay, chưa có nghiên cứu nào ở Việt Nam sử dụng công nghệ viễn thám và GIS nhằm mô hình hóa sự biến động bề mặt không thấm và dựbáosựgiatăngbềmặtkhôngthấmởcácđôthịvềcảdiệntíchvàkhônggian.Đặc biệtởhaithànhphốlớncủanướctalàthànhphốHàNộivàThànhphốHồChíMinh, doquátrìnhđôthịhóadiễnramạnhmẽnênsựmởrộngdiệntíchbềmặtkhôngthấm là nhanh nên ảnh hưởng rất lớn đến quá trình thoát nước bề mặt khi có lượng mưa lớn.Điềunàygâyrahậuquảtiêucựcđếncáchoạtđộngcủaconngườivàmôitrường sống ở các đô thị lớn Với thực trạng trên, nghiên cứu sinh đã đề xuất đề tài luận án “NghiêncứucôngnghệviễnthámvàGIStrongdựbáosựbiếnđộngbềmặtkhôngthấmkhu vựcThànhphốHồChíMinh”.Kết quảnhậnđượctrongluậnánnhằmáp dụngthửnghiệmtạikhuvựcThànhphốHồChíMinh,ngoàiramôhìnhdựbáocũng có thể áp dụng cho các khu vực đô thị khác trong cả nước Có thể nhận định, đề tài luận án được đề xuất có ý nghĩa khoa học, ý nghĩa thực tiễn và thể hiện sự cần thiết phải nghiên cứu.
Mục tiêunghiên cứu
Mục tiêu nghiên cứu của luận án nhằm lựa chọn được mô hình dự báo sự biến độngbềmặtkhôngthấmtrongtươnglaitạikhuvựcThànhphốHồChíMinhsửdụng công nghệ viễn thám và Hệ thông tin địa lý kết hợp các kỹ thuật trí tuệ nhântạo.
Nội dungnghiêncứu
Để đạt được mục tiêu trên, trong luận án tiến hành nghiên cứu các nội dung cụ thể sau:
Tổngquanvềvấnđềnghiêncứu:quátrìnhđôthịhóaởViệtNam,ảnhhưởngcủasựgiatăn gbềmặtkhôngthấmđếnmôitrườngđôthị,cácphươngphápchiếtxuất thông tin bề mặt không thấm từ dữ liệu viễn thám, tổng quan tình hình nghiên cứu trong và ngoài nước về dự báo biến động bề mặt khôngthấm;
Cơ sở khoa học xây dựng mô hình dự báo sự biến động bề mặt khôngthấmtừ dữ liệu viễn thám và hệ thông tin địalý;
Phân tích đặc điểm tự nhiên, kinh tế - xã hội khu vực nghiêncứu;
Xây dựng các lớp dữ liệu đầu vào cho mô hình dự báo sự biến động bềmặtkhôngthấm;
Ứng dụng trí tuệ nhân tạo trong phân loại ảnh viễn thám; Thực nghiệmphânloại bề mặt không thấm từ dữ liệu ảnh vệ tinh Landsat bằng các phương pháp khác nhau: phân loại truyền thống, phân loại dựa trên các kỹ thuật học máy. Lựa chọn phương pháp phân loại có độ chính xác cao nhất áp dụng cho khu vực nghiêncứu;
Thử nghiệm và lựa chọn mô hình, xây dựng bản đồ dự báo biến động bềmặtkhông thấm khu vực Thành phố Hồ ChíMinh;
Phân tích, đánh giá kết quả.
Đối tượng và phạm vinghiêncứu
- Đối tượng nghiên cứu là bề mặt không thấm và các mô hình dự báo sự biến động bề mặt không thấm trên cơ sở kết hợp dữ liệu viễn thám, hệ thông tin địa lý và các kỹ thuật họcmáy.
- Phạm vi khoa học của đề tài tập trung vào phân tích, đánh giá, thử nghiệm nhằm đề xuất được mô hình dự báo sự biến động bề mặt không thấm phù hợp với điều kiện cụ thể khu vực nghiêncứu.
- Phạm vi không gian của đề tài là khu vực Thành phố Hồ ChíMinh.
- Phạmvithờigian:trongluậnánsửdụngdữliệuảnhvệtinhLandsatgiaiđoạn 2010 - 2020,bao gồm 03 cảnh ảnh năm 2010, 2015 và 2020 để mô hình hóa và dự báo biến động bề mặt không thấm các năm 2025,2030.
Phương phápnghiên cứu
Phươngphápphântích,tổnghợp:Tổnghợp,phântíchvàđánhgiácácnghiên cứu trong và ngoài nước liên quan đến ứng dụng viễn thám và hệ thông tin địa lýkết hợpphươngphápmôhìnhhóatrongxâydựngmôhìnhgiámsátvàdựbáobiếnđộng bề mặt khôngthấm;
Phương pháp viễn thám:Xử lý dữ liệu ảnh viễn thám quang học Landsat đa thời gian trên nền tảng điện toán đám mây Google Earth Engine (GEE) nhằm chiết táchcáclớpdữliệuchuyênđề(nhiệtđộbềmặt,lớpphủ )phụcvụphânloạibềmặt không thấm và xây dựng mô hình dự báo sự biến động bề mặt khôngthấm;
PhươngphápGIS:sửdụngtrongxâydựngcáclớpdữliệuchuyênđề(độdốc, độ cao, bản đồ quy hoạch sử dụng đất, khoảng cách đến đường giao thông, khoảng cách đến hệ thống thủy văn ) và thành lập bản đồ hiện trạng, bản đồ dự báo biến động bề mặt không thấm khu vực thành phố Hồ ChíMinh;
Phương pháp mô hình hóa:kết hợp sử dụng mô hình Cellular Automata và các kỹ thuật học máy (ANN, hồi quy Logistic) để mô hình hóa xu thế phát triển bề mặtđôthị.QuátrìnhthựchiệntrênmoduleMOLUSCEtrongphầnmềmQGIS2.18;
Phương pháp phân tích thống kê:sử dụng nhằm đánh giá tương quan giữa các lớp dữ liệu đầu vào và phân bố bề mặt không thấm trên cơ sở thuật toán Pearson trong phần mềm QGIS 2.18;
Kỹ thuật lập trình:sử dụng ngôn ngữ lập trình Java trên nền tảng điện toán đámmâyGoogleEarthEnginenhằmthuthập,tiềnxửlý,xửlýdữliệuviễnthámkhu vựcnghiêncứu.XâydựngcôngcụxửlýdữliệuviễnthámvàGIStrênnềntảngGEE phục vụ xây dựng mô hình giám sát và dự báo biến động bề mặt khôngthấm.
Những điểm mới củaluậnán
Đề xuất và xây dựng được bộ dữ liệu đầu vào từ dữ liệu viễn thám vàGIScùng các số liệu thống kê phục vụ xây dựng mô hình dự báo sự biến động bề mặt không thấm khu vực Thành phố Hồ ChíMinh.
Lựa chọn được mô hình dự báo sự biến động bề mặt không thấm từ dữliệuviễn thám và GIS trên cơ sở kết hợp phương pháp mô hình toán học Cellular Automata (CA) và mạng neural nhân tạo (ANN) ứng dụng cho khu vực Thành phố
Luận điểmbảovệ
Luận điểm 1: Dữ liệu viễn thám đa thời gian và các lớp thông tin bổ sung(mật độ lớp phủ thực vật, nhiệt độ bề mặt, độ cao, khoảng cách tới đường giao thông, khoảngcáchtớithủyhệ,khoảngcáchtớicôngtrìnhđặcbiệt,mậtđộdâncư)chophép xâydựngmôhìnhdựbáosựbiếnđộngbềmặtkhôngthấmphùhợpvớiđiềukiệnkhu vực Thành phố Hồ Chí Minh.
Luận điểm 2: Mô hình toán học Cellular Automata (CA) kết hợp mạng nơ ron nhân tạo (ANN) giúp dự báo xu thế biến động bề mặt không thấm khu vực Thành phố Hồ Chí Minh với độ chính xác cao, trong đó hệ số tương quan so với kết quả phân loại đạt 0,715.
Ý nghĩa khoa học và thực tiễn củaluậnán
Ý nghĩa khoa học: góp phần hoàn thiện cơ sở khoa học và minh chứng tính hiệuquảcủaphươngphápứngdụngdữliệuviễnthám,GISvàphươngphápmôhình hóa trong dự báo biến động bề mặt không thấm khu vực đôthị. Ýnghĩathựctiễn:Cung cấpthôngtinkịpthờivàcóđộchínhxáccaovềxuthế biến động bề mặt không thấm, cả về diện tích và không gian, giúp các nhà quản lý, quy hoạch đô thị, những nhà hoạch định chiến lược phát triển kinh tế xã hội ở phạm vikhuvựcđôthịởnướctađưaranhữngquyếtsáchhợplýnhằmlàmgiảmtốiđacác ảnhhưởngtiêucựctớicáchoạtđộngcủaconngườivàmôitrườngsốngtrongquá trình phát triển bền vững trong tương lai Bên cạnh đó, kết quả nhận được trongluận án cũng có thể sử dụng, tham khảo trong công tác nghiên cứu khoa học, giảng dạy ở các trường đại học và viện nghiêncứu.
Cơ sở tài liệu thực hiệnluậnán
Dữ liệu ảnh viễn thám (ảnh Landsat các năm 2010, 2015 và2020);
CSDL nền địa lý quốc gia tỉ lệ 1:50 000, dữ liệu thống kê năm 2021 vềmậtđộ dân số khu vực nghiêncứu;
Các CSDL mở về vị trí các công trình đặc biệt(https://opendata.hcmgis.vn);
Bản đồ quy hoạch sử dụng đất thành phố Hồ Chí Minh đến năm2025;
Các tài liệu, số liệukhác.
Cấu trúcluậnán
Luận án gồm 03 chương chính, phần mở đầu, kết luận - kiến nghị và tài liệu tham khảo Nội dung chính của luận án được trình bày trong 03 chương, bao gồm: Chương 1 Tổng quan về vấn đề nghiên cứu
Chương 2 Cơ sở khoa học phương pháp dự báo biến động bề mặt không thấm khu vực Thành phố Hồ Chí Minh sử dụng công nghệ viễn thám và GIS
Chương 3 Thực nghiệm dự báo biến động bề mặt không thấm khu vực Thành phố Hồ Chí Minh
Lờicảmơn
Lờiđầutiênnghiêncứusinhxinbàytỏsựbiếtơnsâusắctớicácthầytrongtiểu ban hướng dẫn, PGS.TS Nguyễn Văn Trung và PGS.TS Vũ Xuân Cường, đã định hướng nghiên cứu và hướng dẫn nghiên cứu sinh thực hiện các nhiệm vụ nghiêncứu trong suốt quá trình thực hiện luận án này Đặc biệt, sự hướng dẫn tận tình và những ýkiếnquýbáutừPGS.TSNguyễnVănTrungđãgiúpnghiêncứusinhrấtnhiềutrong việc hoàn thiện luậnán.
Tiếp theo nghiên cứu sinh xin được gửi lời cảm ơn chân thành nhất tới Bộmôn ĐoảnhvàViễnthám,KhoaTrắcđịa-BảnđồvàQuảnlýđấtđai;PhòngĐàotạoSau đại học Trường Đại học Mỏ - Địa chất; Khoa Trắc địa, Bản đồ và Thông tin địa lý TrườngĐạihọcTàinguyênvàMôiTrườngTP.HồChíMinhđãtạođiềukiệnnghiên cứu sinh trong suốt quá trình học tập và thực hiện luậnán.
Nghiêncứusinhcũngxinchânthànhcảmơncácthầycôvàbạnbèđồngnghiệp đã nhiệt tình giúp đỡ, đóng góp ý kiến và chia sẻ kinh nghiệm giúp nghiên cứu sinh hoàn thành luận ánnày.
Cuối cùng, nghiên cứu sinh xin gửi tấm lòng tri ân tới gia đình của nghiên cứu sinh,đãlànguồnđộngviênvàtruyềnnhiệthuyếtđểnghiêncứusinhhoànthànhluận án.
TỔNG QUAN VỀ VẤN ĐỀNGHIÊNCỨU
Tổng quan về bề mặtkhông thấm
Bề mặt thấm (pervious surface) là các bề mặt cho phép nước thấm qua khuvực bên dưới thay vì trở thành dòng chảy bề mặt Các dạng bề mặt thấm thông dụng như lớp phủ thực vật, lớp phủ đất, bãi cỏ, bãi cát [98]
Hình 1.1 Mô tả về bề mặt không thấm [151]
Bề mặt không thấm (impervious surface) là các bề mặt do con người tạo ra, có đặc điểm ngăn không cho nước mưa ngấm xuống đất một cách tự nhiên, thay vàođó lượng nước mưa được tích tụ và chảy vào các hệ thống thoát nước cũng như sông, suối[94] Các dạng bề mặt không thấm quen thuộc bao gồm đường giao thông, vỉa hè,bãiđậuxe,máinhà, (Hình1.1).Hiệnnay,bềmặtkhôngthấmđượcxemnhưlà một chỉ số chính về mức độ đô thị hóa cũng như thông số quan trọng trong đánh giá chất lượng môi trường đô thị.
Dođặctínhngănsựthấmnướcxuốnglớpđấtphíadưới,bềmặtkhôngthấmcó ảnh hưởng lớn đến môi trường khu vực đô thị và được xem như một chỉ số chính để đánhgiámứcđộđôthịhóa[75],[123].Sựgiatăngbềmặtkhôngthấmsẽcótácđộng đáng kể đến cảnh quan, môi trường Do vậy, việc thu thập, chiết xuất thông tin bề mặt không thấm và dự báo xu hướng biến động trong tương lai là một vấn đề có ý nghĩa thực tiễn to lớn đối với công tác quản lý đô thị Nhiều nghiên cứu trên thế giới đã quan trắc, đánh giá quá trình đô thị hóa dựa trên phân tích diện tích và phân bố không gian của bề mặt không thấm trong các giai đoạn khác nhau Các kết quả này cho phép mô hình hóa và định lượng quá trình đô thị hóa, nghiên cứu cảnh quan đô thị, từ đó đưa ra các giải pháp phù hợp đối với công tác quản lý đôthị.
1.1.2 Ảnh hưởng của bề mặt không thấm đến môitrường
1.1.2.1 Gia tăng nguy cơ ngập lụt
Do đặc điểm ngăn sự thấm nước mưa xuống lớp đất phía dưới, sự gia tăng bề mặt không thấm sẽ dẫn đến sự gia tăng về quy mô, thời gian và cường độ của dòng chảy trong đô thị, cản trở khả năng thoát nước và từ đó làm gia tăng nguy cơ ngập lụt Nghiên cứu của Dennison và cộng sự (2009) cho thấy, khi nước mưa rơi xuống khu vực bề mặt thấm (pervious surface), phần lớn lượng nước được ngấm xuống đất tạothànhdòngchảyngầm(subsurfaceflow),dòngchảybềmặt(surfaceflow)không đáng kể.Trong khi đó, với bề mặt không thấm, phần lớn lượng nước mưa rơi xuống tích tụ ở bề mặt dẫn tới dòng chảy bề mặt lớn hơn rất nhiều so với dòng chảy ngầm (Hình 1.2)[46].
Hình 1.2 So sánh khả năng thấm nước của bề mặt không thấm và bề mặt thấm[46]
Theo Fernando (2018), khi nước mưa rơi xuống bề mặt thấm, 40% lượng nước mưa được bốc hơi trở lại, 10% ở bề mặt, 25% thấm nông và 25% thấm sâu xuống mặt đất Trong khi đó, với bề mặt không thấm, 30% lượng nước mưa được bốc hơi, có tới 55% lượng nước mưa tích tụ ở bề mặt và chỉ có 15% lượng nước được thấm xuốngđất,trongđócó10%thấmnôngvà5%thấmsâu[49].Điềunàyảnhhưởngrất lớnđếnkhảnăngthoátnướccũngnhưdẫnđếnhiệntượngngậplụtởcácđôthị(Hình 1.3).
Hình 1.3 Định lượng hóa khả năng thấm nước của bề mặt không thấm và bề mặtthấm[49]
Các bề mặt không thấm làm tăng tần suất và mức độ nghiêm trọng của lũ lụt khu vực đô thị Theo tổ chức Flood Defenders (Hoa Kỳ), với cùng lượng mưa là 3 inch (3’’), dòng chảy bề mặt ở khu vực rừng có mật độ bề mặt không thấm 0% là 0,6’’; khu vực dân cư với mật độ bề mặt không thấm 38% là 1,6’’ và khu vực đô thị với mật độ bề mặt không thấm 85% có dòng chảy bề mặt đạt 2,5’’ (Hình 1.4,nguồn:https://ww w.floo ddefenders.org/problem )[152].
Hình 1.4 So sánh dòng chảy bề mặt đối với các bề mặt khác nhau khi lượng mưađạt 3 inch[152]
Bên cạnh việc gia tăng nguy cơ lũ lụt, nếu không được kiểm soát, sự gia tăng diệntíchmặtkhôngthấmcòncóthểtạoracácvấnđềvềchấtlượngnguồnnước[94] Các dòng chảy trong khu vực đô thị mang theo các chất ô nhiễm như dầu mỡ, trầm tích, trước khi chảy vào các hệ thống cống thoát nước, gây nên tình trạng ô nhiễm nước mặt ở các thủy vực Sự phân bố dày đặc của các bề mặt không thấm ở các đô thị lớn gây ảnh hưởng nghiêm trọng đến chất lượng nước ở các lưu vực sông, trong đó hàm lượng một số thông số chất lượng nước như nhu cầu oxy hóa học (COD),NH3-N thường vượt nhiều lần mức độ cho phép[68].
Liu và cộng sự (2013) đã đánh giá mối quan hệ giữa các thông số chất lượng nước và diện tích bề mặt không thấm khu vực thành phố Thâm Quyến (TrungQuốc) dựa trên phương pháp hồi quy tuyến tính Trong nghiên cứu này, các tác giả đã sử dụng ảnh vệ tinh Landsat TM để chiết xuất thông tin bề mặt không thấm Kết quả nhận được cho thấy, các thông số chất lượng nước có hệ số tương quan cao với diện tích bề mặt không thấm (hệ số R 2 đều lớn hơn 0.45) Nghiên cứu cũng chỉ ra rằng, cáckhuvựccómậtđộbềmặtkhôngthấmlớnhơn36,9%thườngđốimặtvớicácảnh hưởng tiêu cực đến môi trường nước, do vậy cần phải kiểm soát quá trình đô thị hóa với mật độ bề mặt không thấm dưới 36,9%[76].
Kim và cộng sự (2016) đã nghiên cứu mối tương quan giữa bề mặt khôngthấm và chất lượng nước để xác định giá trị ngưỡng của tỷ lệ phần trăm bề mặt không thấm có tác động tiêu cực đến chất lượng nước ở các lưu vực sông Kết quả nhận được cho thấy, với mật độ bề mặt không thấm trên 10% ở các lưu vực sông có thể gây ra những tác động nghiêm trọng đến chất lượng môi trường nước mặt[67].
Nghiên cứu của Luo và cộng sự (2018) tại khu vực hồ Dianchi (Côn Minh,TrungQuốc)sửdụngảnhvệtinhquanghọcLandsatgiaiđoạn1988–2017chothấy, mật độ bề mặt không thấm khu vực xung quanh hồ Dianchi gia tăng từ 1,84% lên 34,32% Đi cùng với sự gia tăng bề mặt không thấm, hàm lượng các thông số chất lượngnướcnhưchấtdiệplục(Chl-a),tổnglượngoxyhòatan(DO)vàđộđụcchosự gia tăng đáng kể[78] Các mô hình hồi quy sử dụng trong nghiên cứu trên cho thấy mốitươngquanchặtchẽgiữabềmặtkhôngthấmvàhàmlượng3thôngsốchấtlượng nước (Hình1.5), do vậy việc kiểm soát tốt sự biến động bề mặt không thấm là một yêucầuquantrọngtronggiảmthiểutácđộngcủaquátrìnhđôthịhóađếnchấtlượng môitrường.
Hình 1.5 Tác động của sự gia tăng bề mặt không thấm đến chất lượng nước khuvực hồ Dianchi (Trung Quốc)[78]
1.1.2.3 Gia tăng nhiệt độ bề mặt
KhibứcxạMặtTrờichiếutớibềmặtTráiĐất,cácbềmặtkhôngthấm(bêtông, đường nhựa, bãi xe, đất xây dựng ) hấp thụ một phần năng lượng và chuyển đổi thành năng lượng nhiệt. Một phần năng lượng nhiệt truyền qua lớp bề mặt không thấm,mộtphầnphảnxạlạivàokhôngkhídướidạnghiểnnhiệt.Dokhảnănghấpthụ nhiệtcủabềmặtkhôngthấmcaohơnrấtnhiềusovớibềmặtthấm,tạicùngmộtthời điểm, nhiệt độ bề mặt ở khu vực đô thị thường cao hơn rất nhiều so với các khu vực có cây xanh, khu vực nông thôn (Hình 1.6), trong đó sự khác biệt nhiệt độ giữa các khu vực này có thể lên đến trên 10 0 C[12], [24] Sự chênh lệch nhiệt độ bề mặt này dẫn đến việc hình thành các “đảo nhiệt đô thị” (urban heat islands – UHI), tác động tiêu cực đến khí hậu đô thị, gây ra các kiểu thời tiết cực đoan và thay đổi thành phần các sol khí[64].
Sự gia tăng bề mặt không thấm được xem là nguyên nhân chủ yếu dẫn đến sự xuất hiện các “đảo nhiệt đô thị” tại các đô thị lớn hiệnnay.
Hình 1.6 Nhiệt độ bề mặt các khu vực với lớp phủ bề mặt khác nhau[26]
Sự xuất hiện và tồn tại các “đảo nhiệt đô thị” do tác động của quá trình đô thị hóa ở các thành phố lớn ở Việt Nam như Hà Nội, Thành phố Hồ Chí Minh đã được chứng minh trong nhiều nghiên cứu[12], [24], [115] Nhiệt độ bề mặt cao cục bộ được phân bố tại các khu vực có mật độ xây dựng lớn, được đặc trưng bởi các mặt khôngthấm[6],[20].Chênhlệchgiữanhiệtđộbềmặtcaonhấtvàthấpnhấtởcácđô thị lớn có thể đạt trên 20 0 C Phân tích mối quan hệ giữa nhiệt độ bề mặt và lớp phủ cho thấy, bề mặt không thấm có hệ số tương quan cao nhất với nhiệt độ bề mặt[70] Sử dụng dữ liệu ảnh vệ tinh Landsat đa thời gian giai đoạn 2000 – 2019, Trịnh Lê Hùng và cộng sự đã xác định mối tương quan giữa nhiệt độ bề mặt khu vực Hà Nội vàcácyếutốlớpphủ,baogồmlớpphủthựcvật(đạidiệnbởichỉsốthựcvậtNDVI), bềmặtkhôngthấm(chỉsốNDBI)vàlớpphủnướcmặt(chỉsốnướcNDWI).Kếtquả nhận được cho thấy, bề mặt không thấm có mối tương quan thuận với nhiệt độ bề mặt, trong đó hệ số tương quan có xu hướng tăng dần trong giai đoạn 2000 – 2019, tươngứngvớigiátrị0.536,0.627,0.699,0.807,0.810và0.816đốivớicácnăm2000,
2005, 2010, 2013, 2016 và 2019 Điều này chứng minh ảnh hưởng ngày càng tăng củabềmặtkhôngthấmđếnsựgiatăngnhiệtđộbềmặttạiHàNội[70].Mốiquanhệ giữa nhiệt độ bề mặt và các yếu tố lớp phủ cũng được nhiều nhà khoa học trên thế giới quan tâm nghiên cứu[28], [32], [34], [55],[91].
Hóachothấy,vớinhữngkhuvựcmậtđộxâydựngdưới10%cónhiệtđộbềmặttrung bìnhđạtkhoảng26 0 C.Trongkhiđó,nhiệtđộbềmặtcáckhuvựccómậtđộxâydựng từ 45 – 75% đạt 31,05 0 C; mật độ xây dựng trên 75% có nhiệt độ bề mặt trung bình đạtkhoảng32,5 0 C[4].Chênhlệchnhiệtđộbềmặtgiữakhuvựcđôthịvàvùngxung quanhtrongnghiêncứunàydaođộngtrongkhoảngtừ5-6 0 C.Nhưvậy,cóthểnhận thấy, bề mặt không thấm có tác động rất lớn đến sự gia tăng nhiệt độ bề mặt ở các vựcđôthị,kểcảcácđôthịnhỏ,làmtăngnguycơxuấthiệncác“đảonhiệtđôthị”và ảnh hưởng tiêu cực đến môi trườngsống.
Đô thị hóa và sự thay đổi diện tích bề mặtkhôngthấm
1.2.1 Hiện trạng đô thị hóa trên thế giới và ở ViệtNam Đô thị hóa là một quá trình kinh tế - xã hội, trong đó biểu hiện chính là sự gia tăng nhanh chóng về số lượng và quy mô dân cư đô thị Đô thị hóa và quá trình phát triển đô thị là xu thế tất yếu của tất cả các quốc gia trên thế giới Đặc điểm của quá trình đô thị hóa được thể hiện qua 3 yếu tố chính: dân số thành thị gia tăng, sự mở rộng lãnh thổ đô thị và lối sống thành thị ngày càng được phổ biến Mức độ đô thị hóa ở các quốc gia, khu vực diễn ra khác nhau do tác động của các yếu tố như điều kiệntựnhiên,điềukiệnxãhội,trìnhđộpháttriểnkinhtếcũngnhưđặcđiểmvănhóa của các dân tộc Theo nghiên cứu của Seto và cộng sự (2013), quá trình đô thị hóa hiện nay có 5 xu hướng chính, bao gồm[47]:
- Quy mô tự nhiên của các đô thị đang được mở rộng nhanh hơn so với dân số đô thị Điều này cho thấy rằng thế giới sẽ cần nhiều đất hơn để xây dựng thành phố và cung cấp cho tiêu dùng đô thị khi dân số đô thị tiếp tụctăng;
- Cáckhuvựcđôthịlàmthayđổikhíhậukhuvựcvàđịaphươngthôngquahiệu ứng “đảo nhiệt đôthị”;
- Việcmởrộngcáckhuvựcxâydựngsẽsửdụngrấtnhiềutàinguyênthiênnhiên, đặc biệt là nước, gỗ và nănglượng;
- Việcmởrộngđấtđôthịđangdiễnranhanhchóngởcáckhuvựcgầncácđiểm nóng về đa dạng sinh học và nhanh hơn ở các khu vực ven biển giàu đa dạng sinhhọc;
- Hầuhếtviệcmởrộngđôthịtrongtươnglaisẽxảyraởnhữngkhuvựchạnchế về phát triển kinh tế và năng lực thể chế, điều này sẽ hạn chế khả năng đầu tư vào việc bảo vệ đa dạng sinh học, bảo tồn và phục hồi các dịch vụ hệ sinhthái. Ở các nước phát triển, đô thị hóa diễn ra từ rất sớm do tác động của quá trình côngnghiệphóa,thểhiệnởsựgiatăngnhanhchóngdânsốthànhthịvàsựhìnhthành các đô thị lớn.Theo số liệu của Ngân hàng thế giới, tính đến năm 2021, tỉ lệ dân cư đô thị của châu Âu đạt75%, trong đó một số nước có tỉ lệ dân cư đô thị rất cao như Bỉ (98%), Hà Lan (93%), ĐanMạch (88%), Pháp (81%) [148] Tỉ lệ dân cư đô thị ởchâuÂuliêntụctăng,tuynhiêntốcđộbắtđầuchậmlại,chẳnghạntronggiaiđoạn 2018–2021,tốcđộgiatăngdânsốđôthịởchâuÂuđạttươngứnglà0.46%,0.38%, 0.37% và0.21%.
Tại châu Á, tốc độ gia tăng dân số đô thị cũng diễn ra mạnh mẽ, có xu hướng nhanh hơn so với toàn thế giới, đặc biệt là ở Trung Quốc và các nước ASEAN[60]. Theo số liệu của Ngân hàng thế giới, tỉ lệ dân cư đô thị tại một số quốc gia châu Á đạt cao như Nhật Bản (91.9%), Hàn Quốc (81.4%), Malaysia (78%), Trung Quốc (62.5%), thậm chí tại Hồng Kông (Trung Quốc), Singapore, tỉ lệ dân cư đô thị đạt 100%[148].DựbáotỉlệdâncưthànhthịởcácnướcchâuÁđếnnăm2050đượcthể hiện trên hình 1.7[84], trong đó tỉ lệ dân cư đô thị ở châu Á đến năm 2050 được dự báo đạt khoảng gần 65%, riêng Trung Quốc đạt khoảng trên75%.
Hình 1.7 Dự báo tỉ lệ dân cư đô thị tại các nước ở châu Á đến năm 2050[84] Đi cùng với quá trình đô thị hóa là sự xuất hiện các siêu đô thị (megacities), là cácthànhphốlớnvớidânsốtrên10triệungười.Hiệnnaytrênthếgiớicóhàngchục các siêu đô thị như Thượng Hải (Trung Quốc) với trên 24 triệu dân, Delhi (Ấn Độ, hơn 18 triệu dân), Istanbul (Thổ Nhĩ Kỳ, trên 14 triệu dân), Moscow (Nga, trên 12 triệudân)
TạiViệtNamquátrìnhđôthịhóađangdiễnramạnhmẽ,đượcthểhiệnchủyếu ở2chỉtiêu:tăngtỷlệdânsốthànhthịvàtăngsốlượngthànhphố,thịxã,thịtrấn.
Nếu năm 1945, tỉ lệ dân số thành thị ở nước ta mới đạt 8,7%, năm 1975 đạt 20,6%, thì đến năm 2020 đạt hơn 40% Không chỉ tăng về tỷ lệ dân số thành thị số lượng thành phố, thị xã, thị trấn cũng có sự gia tăng nhanh chóng Theo thống kê của Cục Phát triển đô thị, tính đến tháng 12 năm 2022, tổng số đô thị cả nước là 888 đô thị, baogồm2đôthịloạiđặcbiệtlàHàNộivàThànhphốHồChíMinh,22đôthịloạiI, 33 đô thị loại
II, 47 đô thị loại III, 94 đô thị loại IV, 690 đô thị loại V Tỷ lệ đô thị hóa cả nước tính theo khu vực nội thành/nội thị là 41.7%; tỷ lệ đô thị hóa cả nước tính theo khu vực toàn đô thị là 53.7%[147] Nhìn chung, mặc dù tỉ lệ dân cư đô thị ở Việt Nam tăng nhanh, nhưng vẫn còn thấp so với tỉ lệ chung của thế giới và nhiều nước trong khu vực. Bên cạnh những lợi ích to lớn về kinh tế - xã hội, quá trình đô thị hóa ở Việt Nam cũng có những tác động tiêu cực đến môi trường đô thị, trong đó có sự suy giảm diện tích cây xanh, xuất hiện các “đảo nhiệt đô thị”, ô nhiễm nước, ô nhiễm không khí, ô nhiễm tiếngồn
1.2.2 Biến động diện tích bề mặt khôngthấm Đô thị hóa thường làm thay đổi đặc tính của hệ sinh thái đô thị, được thể hiện qua việc biến đổi không gian của lớp phủ từ các hệ sinh thái tự nhiên sang hệ sinh thái chịu tác động của con người, trong đó có sự gia tăng bề mặt không thấm Diện tích và mật độ bề mặt không thấm đã có sự gia tăng nhanh chóng ở nhiều quốc gia trongquátrìnhđôthịhóavàpháttriểnkinhtế-xãhội,đặcbiệttạicácquốcgiađang pháttriển.Sửdụngdữliệuảnhviễnthámquanghọcđathờigian,cácnghiêncứutrên thế giới đã định lượng được sự thay đổi về diện tích và phân bố không gian của bề mặt không thấm ở các đô thị lớn, từ đó cung cấp thông tin kịp thời cho các nhà quản lý trong công tác quy hoạch đôthị.
Gong và cộng sự (2020) đã lập bản đồ bề mặt không thấm toàn cầu hàng năm từ 1985 - 2018 bằng dữ liệu ảnh vệ tinh Landsat với sự trợ giúp của nền tảng điện toán đám mây Google Earth Engine (GEE) Kết quả nhận được cho thấy, diện tích mặt không thấm trên toàn thế giới đạt 797076 km 2 vào năm 2018, gấp 1.5 lần so với năm 1990, trong đó Mỹ và Trung Quốc là hai quốc gia có diện tích bề mặt không thấmlớnnhấtthếgiới,chiếmtớihơn50%tổngdiệntíchbềmặtkhôngthấmtoànthế giới[53]. Năm 2018, Trung Quốc đã vượt Mỹ trở thành quốc gia có diện tích bềmặt không thấm lớn nhất thế giới Ngoài Mỹ và Trung Quốc, các quốc gia khác có diện tíchbềmặtkhôngthấmcaobaogồmẤnĐộ,Nga,Brazil,Pháp,Italia,Đức,NhậtBản và Canada Bộ dữ liệu về bề mặt không thấm trong nghiên cứu này có thể được sử dụng miễn phí từ địa chỉhttp://data.ess.tsinghua.edu.cn[145].
Sati và Mohan (2018) đã sử dụng dữ liệu viễn thám giai đoạn 1972 - 2014 để đánh giá sự thay đổi diện tích đất xây dựng khu vực vùng thủ đô (National Capital Region) của Ấn Độ Kết quả nhận được cho thấy, diện tích bề mặt không thấm khu vựcnghiêncứuđãtăng17lầntronggiaiđoạn1972–2014(hình1.8),đicùngvớisự giatăngbềmặtkhôngthấm,nhiệtđộbềmặtcũngtănglênkhoảng3–5độ[105].Sự suy giảm đáng kể cường độ gió bề mặt và độ ẩm tương đối cũng được quan sát thấy trên các khu vực được chuyển đổi thành đất đô thị trong khoảng thời gian trên Quá trình đô thị hóa đã có những tác động tiêu cực đối với sức khỏe con người do sự gia tăng tiêu thụ năng lượng cũng như ô nhiễm môitrường.
Hình 1.8 Thay đổi diện tích đất xây dựng ở thủ đô Ấn Độ giai đoạn 1972 -
Nghiên cứu của Liu và cộng sự (2020) tại khu vực Quảng Đông - Hồng Kông-
Ma Cao (Trung Quốc) từ ảnh vệ tinh Landsat giai đoạn 1987 - 2017 cũng cho thấy, diện tích mặt không thấm ở khu vực nghiên cứu tăng từ 1939.338 km 2 năm 1987 lên tới 12384.95 km 2 năm 2017 (khoảng 6 lần), tương đương với tốc độ gia tăng 351.52 km 2 /năm, trong đó giai đoạn 2007 - 2012 ghi nhận tốc độ gia tăng diện tích bề mặt không thấm cao nhất (hình 1.9) Sau năm 2012, tốc độ gia tăng bề mặt không thấm có xu hướng chậm lại do bề mặt không thấm đã gần như bao phủ toàn bộ các thành phố trong khu vực nghiên cứu[75].
Hình 1.9 Thay đổi diện tích đất xây dựng khu vực Quảng Đông-Hồng Kông-
MaCao (Trung Quốc) giai đoạn 1987 – 2017 từ dữ liệu ảnh Landsat[75]
Gia tăng diện tích bề mặt không thấm cũng là xu thế chung ở các nước châu Phi, đặc biệt trong giai đoạn 2000 – 2020 (tăng khoảng 116.49%), trong đó tậptrung ở
6 quốc gia chính, bao gồm Nam Phi, Nigeria, Ăng-gô-la, Botswana, Ai Cập và Sudan, chiếm hơn một nửa gia tăng diện tích bề mặt không thấm[126] Nghiên cứu cũng cho thấy, trong giai đoạn 2000 – 2020, tất cả các vùng thuộc châu Phi đều trải quaquátrìnhmởrộngđôthịnhanhchóng,trongđódiệntíchbềmặtkhôngthấmtăng cao nhất ở Nam Phi (8840.31 km 2 ), sau đó đến Tây Phi (5158.18 km 2 ), Bắc Phi (4580.39 km 2 ), Đông Phi (2068.94 km 2 ) và Trung Phi (1866.50 km 2 ) Ở hầu hết các khuvựcởchâuPhi,diệntíchbềmặtkhôngthấmcóxuhướngtăngnhanhởgiaiđoạn đầu, sau đó tốc độ gia tăng chậm dần, điều này cũng phù hợp với xu hướng chung của thế giới, ngoại trừ khu vực Bắc Phi có tốc độ gia tăng liên tục[126] Ngoài ra, một số nghiên cứu khác cũng đánh giá sự biến động diện tích mặt không thấm vàtác độngđếnmôitrườngđôthịởmộtsốquốcgiachâuPhinhưNigeria,NamPhi trong quá trình đô thị hóa[25],[88],[90].
TạiViệtNam,diệntíchbềmặtkhôngthấmởcácđôthịlớnnhưHàNội,Thành phố Hồ Chí Minh có sự gia tăng mạnh mẽ cùng với quá trình đô thị hóa thời gian qua.SửdụngảnhvệtinhquanghọcLandsat,HungQ.HavàWengđãxácđịnhđược diện tích bề mặt không thấm ở Hà Nội tăng 305% từ năm 1988 đến năm 2015 Xu hướngnàyphùhợpvớihaigiaiđoạnpháttriểnkinhtếởViệtNambaogồmgiaiđoạn 1986 đến
2000 và 2000 đến 2015 với đặc trưng là quá trình chuyển đổi sang kinh tế thị trường và sự phát triển bùng nổ của các tập đoàn kinh tế[56].
Nghiên cứu của Lê Văn Hạo và Lê Thị Pha Mi (2020) tại Thành phố Hồ Chí Minhchothấy,năm1989diệntíchmặtkhôngthấmchiếmtỉlệ1.8%(3783.6ha),sau 30 năm, đến năm 2019 diện tích mặt không thấm đã chiếm 19.2% tổng diện tíchkhu vực nghiên cứu (Hình 1.10) Sự thay đổi bề mặt không thấm ở thành phố Hồ Chí Minhcóxuhướngmởrộngrakhuvựcxungquanh,đặcbiệtlàtừphíabắc,đôngbắc vàtâybắcthànhphố.Tốcđộgiatăngdiệntíchmặtkhôngthấmtrungbìnhđạt1214.4 ha/năm[9].
Hình 1.10 Biến động diện tích bề mặt không thấm khu vực Thành phố Hồ Chí
Ngoài các đô thị lớn như Hà Nội và Thành phố Hồ Chí Minh, sự gia tăng diện tích bề mặt không thấm cũng là xu thế chung của các đô thị khác ở Việt Nam như Thanh Hóa[87], Cần Thơ[3],[15], Đà Nẵng[22] Ngoài các khu vực đô thị, diện tích bề mặt không thấm cũng gia tăng nhanh chóng ở khu vực nông thôn[5]do tác độngcủaquátrìnhxâydựngnhàở,bêtônghóađườnggiaothôngnôngthôn.Nghiên cứucủaNguyễnViếtNghĩavàcộngsựchothấy,chấtlượngkhônggianxanhtạikhu vực thành phố Thanh Hóa có sự suy giảm rõ rệt trong giai đoạn 2015 - 2021 do tác động của sự gia tăng diện tích bề mặt không thấm (hình 1.11)[87].
Hình 1.11 Biến động diện tích bề mặt không thấm khu vực thành phố Thanh
Khả năng ứng dụng viễn thám và GIS trong giám sát biến động bề mặt không thấm
Thông tin về các bề mặt không thấm, đặc biệt là mật độ, vị trí, hình dạng, phân bốkhônggiancóýnghĩahếtsứcquantrọngđốivớicôngtácquảnlýđôthịcũngnhư quảnlýtàinguyên-môitrường[120].Cácbềmặtkhôngthấmcósựthayđổithường xuyên,liêntụccùngvớiquátrìnhđôthịhóavàpháttriểnkinhtế-xãhội.Dovậy, phương pháp viễn thám và GIS được xem là cách tiếp cận phù hợp, khả thi và hiệu quả trong nghiên cứu chiết xuất các bề mặt không thấm, phục vụ công tác giám sát biến động và dự báo sự thay đổi bề mặt không thấm trong tương lai Dữ liệu viễn thám được thu nhận trong một khoảng thời gian dài với độ phân giải không gian và dải phổ đa dạng cho phép có cái nhìn tổng thể về sự thay đổi diện tích và phân bố không gian các bề mặt không thấm trong các chu kỳ khác nhau ở một quy mô rộng lớn Đây là ưu điểm nổi bật của phương pháp viễn thám mà các phương phápnghiên cứu truyền thống không thể thực hiện được Việc kết hợp dữ liệu viễn thám và khả năng phân tích không gian mạnh của Hệ thông tin địa lý (GIS) cho phép đánh giá và mô hình hóa quá trình thay đổi các bề mặt không thấm một cách hiệu quả Hiện nay, ngoài các ảnh vệ tinh thương mại, nhiều hệ thống viễn thám đã và đang cung cấp dữ liệu hoàn toàn miễn phí với độ phân giải không gian đa dạng như Landsat, Sentinel, MODIS Đây là nguồn dữ liệu phong phú và hiệu quả phục vụ công tác phân loại, đánh giá và dự báo biến động bề mặt không thấm tại các khu vực trên thế giới Đặc biệt, bộ dữ liệu ảnh vệ tinh Landsat cũng đã được sử dụng trong các nghiên cứu trên thế giới nhằm lập bản đồ phân bố bề mặt không thấm ở quy mô toàn cầu[44],[53].
Hệ thống vệ tinh Landsat bắt đầu hoạt động từ năm 1972 bao gồm 9 thế hệ vệ tinh, từ Landsat 1 đến Landsat 9 (Bảng 1.1) Trên các vệ tinh Landsat được trang bị các bộ cảm biến quang học như MSS, TM, ETM+, OLI và bộ cảm biến hồng ngoại nhiệt TIRS (từ Landsat 4) với nhiều kênh phổ ở dải sóng nhìn thấy và hồng ngoai, giúp nâng cao hiệu quả trong chiết xuất các thông tin bề mặt Trái Đất Độ phân giải không gian của ảnh Landsat cao nhất đạt 15m ở kênh toàn sắc và 30m ở các kênh quang học, trong khi đó các kênh hồng ngoại nhiệt có độ phân giải không gian từ 60 -120m.Đâyđượcxemlàmộttrongcáchệthốngvệtinhviễnthámlớnnhấttrênthế giới với kho dữ liệu khổng lồ phủ trùm hầu hết bề mặt Trái Đất trong giai đoạn từ 1972 đếnnay.
Bảng 1.1 Các thế hệ vệ tinh Landsat
Vệ tinh Ngày phóng Ngày dừng hoạt động Bộ cảm biến
Landsat 6 05/03/1993 Dừng hoạt động ngay khi phóng ETM
Landsat 7 15/04/1999 Đang hoạt động ETM+
Landsat 8 11/02/2013 Đang hoạt động OLI, TIRS
Landsat 9 27/9/2021 Đang hoạt động OLI, TIRS
Landsat 9 là thế hệ vệ tinh mới nhất của hệ thống Landsat, được phóng lên quỹ đạo vào ngày 27 tháng 9 năm 2021, sử dụng 2 bộ cảm biến: bộ cảm quang học OLI (Operational Land Imager) và bộ cảm hồng ngoại nhiệt TIRS (Thermal Infrared Sensor) Ảnh Landsat 9 bao gồm 11 kênh, trong đó có 9 kênh đa phổ ở độ phân giải không gian 30 m, 1 kênh toàn sắc (kênh 8, độ phân giải không gian 15 m) và 2 kênh hồng ngoại nhiệt ở độ phân giải 100 m (Bảng 1.2)[153] Ảnh Landsat 9 giống hoàn toàn với ảnh vệ tinh Landsat 8, cho phép rút ngắn thời gian thu nhận ảnh tại một vị trí trên bề mặt Trái Đất xuống 8 ngày so với 16 ngày nếu chỉ sử dụng riêng một vệ tinh.DữliệuLandsatđượccungcấphoàntoànmiễnphítừwebsitecủaCơquanKhảo sát địa chất Hoa
Kỳ (USGS) Bộ dữ liệu ảnh viễn thám Landsat cũng được cung cấp trên nền tảng điện toán đám mây GEE, cho phép người dùng xử lý trực tiếp trên nền tảng này mà không cần tải về máy tính cánhân.
Bảng 1.2 Đặc điểm các kênh phổ ảnh vệ tinh Landsat 8/9[153]
STT Kờnh phổ Bước súng (àm) Độ phõn giải khụng gian (m)
STT Kờnh phổ Bước súng (àm) Độ phõn giải khụng gian (m)
Nhưvậy,nguồndữliệuviễnthámhiệnnayrấtđadạngvàdễdàngtiếpcận,nhất là các hệ thống viễn thám miễn phí, giúp nâng cao khả năng thu nhận thông tin về cácbềmặtkhôngthấmgầnvớithờigianthực,từđómôhìnhhóavàdựbáoxuhướng biếnđộngbềmặtkhôngthấm.Cácnềntảngxửlýdữliệuviễnthámlớnhiệnnaynhư
GEEcũngchophépngườisửdụngthaotáctrựctiếptrêncácnềntảngnàymàkhông cầntảidữliệuvềmáytính,giúptiếtkiệmthờigian,côngsức,khắcphụccáchạnchế vềhạtầnglưutrữcũngnhưnângcaohiệuquảcôngtácgiámsátvàdựbáobiếnđộng bề mặt khôngthấm.
Cácphươngphápchiếtxuấtthôngtinbềmặtkhôngthấmtừdữliệuviễnthám 26 1 Phương pháp phân loại truyền thống
1.4.1 Phương pháp phân loại truyềnthống
Từ những thập kỷ cuối thế kỷ XX, nhiều nhà nghiên cứu trên thế giới đã quan tâm phát triển các phương pháp, kỹ thuật chiết xuất bề mặt không thấm từ dữ liệu viễn thám Từ góc độ độ phân giải không gian, dữ liệu viễn thám được sử dụng để chiết xuất bề mặt không thấm được chia thành 3 loại: (1) ảnh có độ phân giải không gian cao (≤ 10m); (2) ảnh có độ phân giải không gian trung bình (10 - 100 m) và (3) ảnh có độ phân giải không gian thấp (≥ 100m)[48] Các phương pháp chiết xuất bề mặt không thấm được đề xuất cũng dựa trên đặc điểm độ phân giải không gian của dữ liệu viễn thám sử dụng.
Trước đây, do các hệ thống viễn thám chủ yếu thu nhận ảnh ở độ phân giải không gian trung bình, các phương pháp phân loại truyền thống dựa trên điểm ảnh
(per-pixel) được sử dụng phổ biến trong phân loại bề mặt không thấm Phần lớn các mô hình, phương pháp và thuật toán phân tích ảnh trong viễn thám đô thị cũng được phát triển cho ảnh có độ phân giải trung bình (10 - 100 m)[120] Đây là các kỹthuật phân loại đơn giản, quen thuộc với người sử dụng, tuy nhiên do sự phức tạp của bề mặtđôthị,kếtquảphânloạibềmặtkhôngthấmbằngcácphươngphápphânloạidựa trên điểm ảnh cũng có nhiều hạn chế Bề mặt đô thị rất phức tạp, trong đó mỗi pixel ảnhviễnthámcóthểbaogồmnhiềuđốitượngkhácnhaunhưđấtxâydựng,đấttrống, thực vật, mặt nước Việc phân loại các đối tượng lớp phủ đô thị, trong đó có bề mặt không thấm từ dữ liệu viễn thám bằng các phương pháp phân loại truyền thống gặp rấtnhiềukhókhăn.Trongnhiềutrườnghợp,kếtquảphânloạibềmặtkhôngthấmcó thể bị trộn lẫn với các loại đất đô thị khác, chẳng hạn như cây, cỏ và đất[33] Hơn nữa,nhữngkhókhăntrongviệclựachọntậpdữliệumẫucũngtácđộngđếnđộchính xác của việc phân loại bề mặt không thấm dựa trên các điểm ảnh Một sốnghiên cứu đã đề xuất các giải pháp phân loại bề mặt không thấm trên cơ sở các pixel phụ (sub- pixel)[63], [79]n h ằ mkhắcphụcnhữnghạnchếcủaphươngphápphânloạidựatrên pixel.
Với dữ liệu viễn thám độ phân giải cao như ảnh QuickBird, WorldView, Ikonos, phương phápphânloại hướng đốitượng(object orientedclassification)thường tỏ ra hiệu quả hơn so với phương phápphânloại dựatrênđiểm ảnh khi chiếtxuấtbề mặt không thấm[128] Phương phápphânloại này không sử dụng các pixelriênglẻmàsửdụngcácnhómpixelliềnkề(đốitượng- object)cóthểđượcphântáchbằngthôngtinphổ,hìnhdạng,kếtcấuvàngữcảnh.Phươngphápnàycóhiệuq uảtrongviệclàmgiảmảnhhưởngcủasựbiếnđổigiátrịphổphảnxạtrongmộtsốloạilớpphủ đất giống nhau, do đó cải thiện độ chính xác khi phân loại bề mặt không thấm[81].Tuynhiên,phươngphápphânloạihướngđốitượngkhôngthểgiảiquyếtcácvấnđềvềbóngđổ và sự nhầm lẫn phổ trong ảnh viễn thám độ phân giải khônggiancao, từ đó cóthểgâyrakếtquảphânloạisai[77].
1.4.2 Phương pháp sử dụng các chỉ sốphổ Để khắc phục những hạn chế của các phương pháp phân loại truyền thống,một sốnghiêncứuđãđềxuấtsửdụngcácchỉsốđấtđôthị(urbanindices)nhằmnângcao độ chính xác khi phân loại lớp phủ/sử dụng đất khu vực đô thị Ridd (1995) đã mô hình hóa đô thị từ ba hợp phần (V-I-S): Cây xanh (V - vegetation), bề mặt không thấm (I - impervious surface) và đất (S - soil) nhằm đánh giá sự thay đổi của đô thị MôhìnhV-I- Sđãđượcsửdụngrộngrãitrongcácnghiêncứuvềphânloạilớpphủ/sử dụng đất đô thị, tuy nhiên mô hình này cũng có nhược điểm khi không tính đến hợp phần nước[100].
Kawamura và các cộng sự đã đề xuất chỉ số đô thị - Urban Index (UI), sử dụng Landsat TM kênh 4 (cận hồng ngoại) và kênh 7 (hồng ngoại sóng ngắn) với vùng nghiên cứu điển hình là vùng đô thị Colombo ở Sri Lanka[65] Năm 2003, Zha và các cộng sự đã đề xuất một phương pháp dựa trên chỉ số khác biệt đất xây dựng (NDBI) để tự động hóa quá trình lập bản đồ các khu vực đã xây dựng trên cơ sở sự khácbiệtvềphảnxạphổcủađấtxâydựngvàcácloạihìnhsửdụngđất/lớpphủkhác Các tác giả đã sử dụng ảnh vệ tinh Landsat TM kênh 4 (cận hồng ngoại) và kênh 5 (hồng ngoại sóng ngắn), áp dụng để lập bản đồ đất đô thị ở thành phố Nam Kinh, Trung Quốc[131].
Năm 2012, As-Syakur và các cộng sự đã đề xuất chỉ số đất xây dựng và đất trống(EBBI–EnhancedBuilt-upandBarenessIndex)trêncơsởsửdụngảnhvệtinh Landsat ETM+ kênh 4 (cận hồng ngoại), kênh 5 (hồng ngoại sóng ngắn) và kênh 6 (hồng ngoại nhiệt) để theo dõi và lập bản đồ biến động đất xây dựng và đất trống trongkhuvựcđôthịnhưtácđộngcủagiatăngdânsốvàgiatăngđôthịhóa,khuvực thực nghiệm là Bali, Indonesia[29] Năm 2017, Sun Z và cộng sự đã đề xuất chỉ số khác biệt mặt không thấm điều chỉnh (MNDISI) để khám phá tiềm năng của chỉ số bề mặt không thấm nước phục vụ lập bản đồ diện tích bề mặt không thấm giám sát môi trường đô thị và phát triển đất Dữ liệu được sử dụng là ảnh vệ tinh Landsat từ ba cảm biến
TM, ETN+ và OLI-TIRS khu vực Boston, Hoa Kỳ[112]. Đểphânloạiđấttrống,cóthểkểđếnnghiêncứucủaZhaoH.vàChenX.(2005), trong đó tác giả đề xuất chỉ số khác biệt đất trống (NDBaI) với việc sử dụng ảnh Landsat ETM+ kênh 5 (hồng ngoại sóng ngắn) và kênh 6 (hồng ngoại nhiệt) để lập bản đồ các vùng đất trống ở đồng bằng sông
Hoàng Hà, Trung Quốc Trong nghiên cứunày,cáctácgiảchiađấttrốngthành03loại:đấttrốngchính,đấttrốngthứcấpvà đấtcanhtác,sauđósửdụngphươngphápphânngưỡngđểphânloạicácloạiđấttrống này[134].
Chenetal.(2004)đềxuấtchỉsốđấttrống(Baresoilindex–BI)nhằmphânloại đất trống đô thị từ ảnh vệ tinh Landsat TM và Landsat ETM+ Chỉ số BI được xây dựng trên cơ sở phản xạ phổ tại các kênh xanh lam (blue), đỏ (red), cận hồng ngoại (NIR) và hồng ngoại sóng ngắn (SWIR1) ảnh vệ tinh Landsat[43].
Nguyen Trong Can và cộng sự (2021) đã phát triển chỉ số đất trống BI (Bare soil index) trên cơ sở bổ sung kênh cận hồng ngoại để nâng cao độ chính xác trong phân loại đất trống đô thị khu vực Nam Á từ ảnh vệ tinh Landsat 8 (hình 1.12) Chỉ số được Nguyen Trong Can và cộng sự đề xuất có tên gọi MBI (Modified Bare soil index) theo công thức sau[116]:
Trong đó f là hệ số điều chỉnh, thường được lấy bằng 0.5.
Hình 1.12 Phân loại đất trống đô thị từ các chỉ số khác nhau trong nghiên cứu củaNguyen Trong Can và cộng sự (2021)[116]
Livàcộngsự(2017)đềxuấtsửdụngchỉsốNDLI(NormalizedDifferenceBare Land Index) trên cơ sở kênh đỏ và hồng ngoại nhiệt ảnh Landsat TM và Landsat 8 trong phân loại đất trống khu vực Wuhan (Trung Quốc) (hình 1.13) Kết quả nhận đượcchothấy,sửdụngchỉsốNDLItrongphânloạiđấttrốngtạikhuvựcnghiêncứu đạt độ chính xác 83,96%, cao hơn khi so sánh với một số chỉ số đất đô thị khác như EBBI, NDBaI[72].
Rasulvàcộngsự(2018)đềxuấtsửdụngchỉsốDBSI(Drybaresoilindex)trên cơ sở các kênh xanh lục (green), đỏ, cận hồng ngoại và hồng ngoại sóng ngắn (SWIR1)ảnhvệtinhLandsat8trongphânloạiđấttrốngđôthịởKurdistan,Iraq.Tại
2khuvựcthửnghiệm,độchínhxáckhiphânloạiđấttrốngbằngchỉsốBDSIđạtlần lượt là 93% và 92%, giá trị chỉ số Kappa đạt 0,86 và 0,84[97].
Hình 1.13 Kết quả phân loại đất trống bằng chỉ số NDLI giai đoạn 2007 –
2013trong nghiên cứu của Li và cộng sự (2017)[72]
Lin và cộng sự (2005) đề xuất sử dụng chỉ số đất trống BI (Bareness index) trong phân loại đất trống khu vực thành phố Bắc Kinh (Trung Quốc) từ ảnh vệ tinhLandsat TM (hình 1.14) Chỉ số BI được xây dựng dựa trên sự khác nhau giữa phản xạphổcủađấttrốngtạikênhđỏ,cậnhồngngoạivàhồngngoạisóngngắnảnhLandsat TM so với các đối tượng khác Độ chính xác trong phân loại đất trống khi sử dụng chỉ số BI đạt 95,63%, cao hơn đáng kể so với kết quả phân loại khi sử dụng phương pháp phân loại xác xuất cực đại[74].
Hình 1.14 Kết quả phân loại đất trống bằng chỉ số BI khu vực thành phố Bắc
Kinh(Trung Quốc) trong nghiên cứu của Lin và cộng sự (2005)[74]
Nhìn chung, các nghiên cứu trên thế giới đã chứng minh tính hiệu quả khi sử dụngcácchỉsốđấtđôthịnhằmphânloạisửdụngđất/lớpphủ,trongđócóđấttrống.
Dosựphứctạpcủabềmặtđôthị,phươngphápsửdụngcácchỉsốphổtỏrahiệuquả hơn so với các phương pháp phân loại truyền thống dựa trên các mẫu giảiđoán.
1.4.3 Phương pháp phân loại sử dụng trí tuệ nhântạo
Thực tế cho thấy, các phương pháp phân loại truyền thống thường gặp nhiều hạn chế khi phân loại bề mặt không thấm từ dữ liệu viễn thám độ phân giải không gian trung bình do ảnh hưởng của sự lẫn phổ trong các pixel Trong khi đó, phương pháp phân loại hướng đối tượng chỉ phù hợp với dữ liệu viễn thám độ phân giải cao, tuynhiên,cácloạiảnhnàylạikhôngđượcápdụngrộngrãi,đặcbiệtvớicáckhuvực rộnglớndothiếudữliệu,chiphícao,tốnkémthờigianvàcôngsứctrongxửlýảnh Bên cạnh đó,những nhược điểm khác của việc sử dụng các ảnh vệ tinh có độ phân giải không gian cao là nhầm lẫn phổ giữa các đối tượng bề mặt không thấm với các loại lớp phủ khác,các vấn đề về bóng đổ bị gây ra bởi các đối tượng có chiều cao lớn, tất cả đều là những thách thức lớn đối với việc thành lập bản đồ phân bố các bề mặt không thấm Do đó,ảnh vệ tinh có độ phân giải không gian trung bình nhưLandsatvẫnlànguồndữliệuphổbiếnnhấtchoviệclậpbảnđồbềmặtkhôngthấm đôthịtrongmộtkhuvựclớn.Thựctếcácnghiêncứuchỉrarằngảnhvệtinhđộphân giải không gian trung bình có nhiều lợi thế hơn trong việc lập bản đồ các khu vựcđô thị[135].
Cácphươngphápphânloạidựatrêntrítuệnhântạođãđượcđềxuấtvàápdụng hiệu quả trong thời gian gần đây trong chiết xuất thông tin bề mặt không thấm từ dữ liệu viễn thám. Các kỹ thuật trí tuệ nhân tạo đã trở thành một xu hướng quan trọng trong phân tích, giải đoán các đối tượng trên ảnh viễn thám, đặc biệt vớicác bài toán phân loại phức tạp Chẳng hạn như thuật toán
Máy véc tơ hỗ trợ (Support Vector Machine–
SVM)làmộttrongnhữngcácthuậttoánphânloạigiámsátphổbiếnđược sử dụng trong giải đoán các đối tượng trên ảnh vệ tinh do tốc độ tính toán nhanh và độ chính xác cao Ngoài ra, phương pháp Rừng ngẫu nhiên (Random forest - RF) và cácphươngphápdựatrênmạngnơ- ronnhântạo(ArtificialNeuralNetworks–ANN) cũngđượcsửdụngrộngrãi.Gầnđây,cáckỹthuậthọcsâu(DeepLearning–DL)đã đượcápdụngthànhcôngchoquátrìnhphântíchdữliệuảnhviễnthám.Việcsửdụng các mạng nơ ron sâu (Deep Neural Network – DNN), có thể học nhiều cấp độ biểu diễn dữ liệu và trích xuất các đặc trưng của đối tượng, giúp cung cấp các thông tin chính xác hơn so với các phương pháp phân loại truyền thống trước đây Ngoài ra, một số nghiên cứu cũng sử dụng kĩ thuật phân loại mờ (Fuzzy classifiers) để chiết xuất thông tin các bề mặt không thấm[69],[135] Kĩ thuật này đã được các nghiên cứu chứng minh cho ra các kết quả chính xác hơn phép phân tích lẫn phổ tuyến tính áp dụng cho những nơi có mật độ dân cư cao và cả ở những nơi có mật độ dân cư thấp[135].
Tổng quan tình hình nghiên cứu trong vàngoàinước
Phân tích, chiết xuất thông tin lớp phủ/sử dụng đất là một yêu cầu quan trọng phục vụ trực tiếp cho việc lập kế hoạch và quản lý đô thị, đặc biệt trong bối cảnhmở rộng nhanh chóng của các khu vực đô thị và sự gia tăng nhanh chóng của dân số ở cácthànhphố.Mộttrongnhữngsựthayđổirõrệtnhấtgắnvớiquátrìnhđôthịhóa làsựmởrộngcủacácbềmặtkhôngthấm.Quátrìnhthayđổinàycũngliênquantrực tiếp đến thảm thực vật tự nhiên và sự cân bằng trong hệ sinh thái đô thị Ứng dụng viễn thám và GIS trong chiết xuất thông tin và theo dõi biến động các bề mặt không thấm khu vực đô thị là một cách tiếp cận phù hợp, hiệu quả trong điều kiện hiện nay và được nhiều nhà khoa học trên thế giới quan tâm nghiên cứu Việc sử dụng dữliệu viễn thám là giải pháp duy nhất để thực hiện chính xác việc lập bản đồ toàn cầu về các bề mặt không thấm ở các khu vực rộng lớn[132] Có thể chia thành 02 hướng nghiên cứu chính: (01) các nghiên cứu về kỹ thuật, phương pháp, thuật toán chiết xuất thông tin bề mặt không thấm từ dữ liệu viễn thám; (02) các nghiên cứu môhình hóa và dự báo biến động bề mặt không thấm từ dữ liệu viễn thám vàGIS.
1.5.1.1 Các nghiên cứu về phương pháp chiết xuất bề mặt khôngthấm
Các nghiên cứu ban đầu tập trung vào các giải pháp chiết xuất thông tin bề mặt không thấm, sau đó xây dựng các bản đồ hiện trạng và đánh giá biến động bề mặt không thấm từ dữ liệu viễn thám và GIS Các nghiên cứu này tập trung vào các phương pháp phân loại truyền thống như sử dụng thuật toán xác suất cực đại - maximum likelihood[57],[129], phân loại hướng đối tượng[81],[128], các chỉ số đất đô thị[65], [97], [122], [131]và các phương pháp phân loại sử dụng trí tuệ nhân tạo, học máy[69],[107], [108], [109], [124], [135].
Colstoun và cộng sự đã xây dựng bộ dữ liệu về bề mặt không thấm toàn cầu (GMIS - Global Man-made Impervious Surface) năm 2010 từ dữ liệu ảnh vệ tinh Landsat,trongđóđãxâydựngđượcbộbảnđồtỉlệphầntrămbềmặtkhôngthấmcho hầuhếtcáckhuvựctrênthếgiới,ngoạitrừNamCựcvàmộtsốđảonhỏbằngphương pháp hồi quy dạng cây Cubist Đây được xem là bộ dữ liệu đầu tiên ở quy mô toàn cầu về bề mặt không thấm và là bộ dữ liệu hỗ trợ cho bộ dữ liệu về phạm vi định cư và xây dựng của con người(HBASE - Global Human Built-up And Settlement Extent)[44] Từ hình 1.15 cho thấy,tại một số đô thị lớn như Paris (Pháp), Moscow (Liên bang Nga), tỉ lệ phần trăm bề mặt không thấm đạt rất cao, trong đó khu vực trung tâm các thành phố này có tỉ lệ phần trăm bề mặt không thấm lên đến trên90%.
Hình 1.15 Mật độ bề mặt không thấm ở một số thành phố lớn trên thế giới[44]
Bộ dữ liệu về phân bố bề mặt không thấm toàn cầu ở độ phân giải 30m tiếp tục đượcpháttriểnvàbổsungbởiZhangvàcộngsự(2020)trêncơsởsửdụngđanguồn dữ liệu viễn thám (Landsat 8, Sentinel 1, VIIRS) bằng cách sử dụng nền tảng điện toán đám mây GEE Phương pháp phân loại Rừng ngẫu nhiên được áp dụng với dữ liệuviễnthámđanguồn,đathờigian(MSMT_RF)đểxâydựngbảnđồbềmặtkhông thấmtoàncầunăm2015vớiđộchínhxáctổngthểđạt95.1%,hệsốKappađạt0.989, cao hơn so với một số bộ dữ liệu[132]- hình1.16.
Hình 1.16 So sánh kết quả phân loại bề mặt không thấm bằng phương phápMSMT_RF và một số bố dữ liệu khác[132]
Sun và cộng sự (2022) đã sử dụng kết hợp ảnh viễn thám quang học Sentinel 2 và ảnh radar Sentinel 1 cùng các dữ liệu phụ trợ (DEM, VIIRS) để xây dựng bộ dữ liệubềmặtkhôngthấmtoàncầu(Hi-GISA)năm2015và2018ởđộphângiảikhông gian10m.GiátrịtánxạngượcxácđịnhtừảnhradarSentinel1đượcsửdụngđểchiết xuất các bề mặt không thấm tiềm năng (PIS – potential impervious surfaces), sau đó kếthợpcácchỉsốphổxácđịnhtừảnhquanghọcSentinel2,cácthôngtinvềđịahình (xác định từ DEM) để hiệu chỉnh kết quả phân loại Kết quả kiểm định thực tế cho thấy, bộ dữ liệu Hi- GISA có độ chính xác tổng thể đạt trên 88% và giá trị chỉ số Kappa cao hơn 0.8 Kết quả nhận được cũng cho thấy diện tích bề mặt không thấm toàn cầu đã tăng từ 1.27 triệu km 2 năm 2015 lên 1.29 triệu km 2 năm 2018, trong đó khu vực Nam Mỹ có tốc độ tăng nhanh nhất (3.35%), sau đó là châu Phi (2.59%)[111].
Xu và cộng sự (2022) đã kết hợp dữ liệu viễn thám và thông tin về môi trường,địalýcáckhuvựcđểchiếtxuấtbềmặtkhôngthấmtừdữliệuviễnthámđộphângiải thấp MODIS cho các khu vực ở quy mô rộng Tác giả đã chia khu vực nghiên cứu thànhnhiềukhuvựcnhỏhơndựatrênsựkhácbiệtvềkhônggian,khíhậuvàlớpphủ (chỉ số thực vật NDVI), sau đó trích chọn đặc trưng về bề mặt không thấm cho từng khu vực khác nhau phục vụ quá trình phân loại và tính tỉ lệ phần trăm bề mặt không thấm[123].
Nghiên cứu của Shao và cộng sự (2022) đã phát triển phương pháp phân tích lẫnphổ(SMA-SpectralMixtureAnalysis)đểướctínhbềmặtkhôngthấmtừdữliệu viễn thám độ phân giải không gian trung bình Trong nghiên cứu này, các tác giả đã pháttriểnmộtthuậttoántựđộngphâncấpkhuvựcnghiêncứuthành03vùng,sauđó tiến hành phân loại bề mặt không thấm cho từng vùng độc lập Kết quả nhận được cho thấy, độ chính xác khi chiết xuất bề mặt không thấm được cải thiện đáng kể so với phương pháp gốc, nhất là với các khu vực phát triển với mật độ bề mặt không thấm dày đặc[107].
Các kỹ thuật học sâu (deep learning) dựa trên mạng mạng neural nhân tạo (Convolution Neural Network, Cellular Neural Networks) cũng được áp dụng trong phânloạibềmặtkhôngthấmtừdữliệuviễnthámquanghọc[50],[89],[114].Mạng neural3Dtíchchập(3DCNN)cũngđượcsửdụngtrongnghiêncứu[113]nhằmchiết xuấtbềmặtkhôngthấmtừdữliệuviễnthámđộphângiảicaoWorldViewvàdữliệu LiDAR hàng không Các mô hình học sâu như U-Net_SGD_Bands, U- Net_Adam_Bands, U-
Net_Adam_Bands+SI và VGG-19_Adam_Bands+SI kết hợp cácchỉsốphổcùngthuậttoánSVMcũngđượcsửdụngtrongnghiêncứucủaParekh và cộng sự (2021) nhằm tự động chiết xuất thông tin bề mặt không thấm từ ảnh vệ tinh Sentinel 2[92].
Có thể nhận thấy, các kỹ thuật học máy được sử dụng phổ biến trong thời gian gần đây nhằm ước lượng thông tin bề mặt không thấm từ dữ liệu viễn thám, giúp cải thiện độ chính xác khi phân loại bề mặt không thấm so với các phương pháp nghiên cứu truyền thống Phần lớn các giải pháp kỹ thuật cũng được phát triển cho dữ liệu viễn thám quang học độ phân giải không gian trung bình như Landsat và Sentinel 2 do những ưu điểm nổi bật về diện tích phủ trùng, mức độ cập nhật cũng như được cung cấp miễn phí.
Bề mặt không thấm có vai trò rất quan trọng trong quy hoạch sử dụng đất và giám sát môi trường đô thị Do vậy, việc mô hình hóa và dự báo phân bố không gian các bề mặt không thấm trong tương lai là một vấn đề cấp thiết Mặc dù vậy, cho đến nay, số lượng các nghiên cứu nhằm mô hình hóa biến động và dự báo sự phân bố bề mặt không thấm từ dữ liệu viễn thám và GIS còn rất ít[73].
Các nghiên cứu ban đầu thường ước tính phân bố bề mặt không thấm trong tương lai trên cơ sở các mô hình dự báo sự biến động sử dụng đất, trong đó phương phápphổbiếnnhấtlàđánhgiátrọngsốchuyểnđổithànhbềmặtkhôngthấmcủacác loạihìnhsửdụngđất[35].TrongnghiêncứutạiCalifornia(Mỹ),Washburnchorằng việc phát triển khu vực thương mại dành cho bán lẻ sẽ dẫn đến 86% lớp phủ đất trở thànhbềmặtkhôngthấmsaukhixâydựnghoànchỉnh[119].Mộtsốnghiêncứukhác cũng sử dụng kết quả dự báo biến động sử dụng đất bằng mô hình Markov, CA- Markov để đánh giá phân bố bề mặt không thấm[30], [42], [66], [82].Cách tiếp cận này cung cấp một phương pháp đơn giản trong dự báo phân bố bề mặt không thấm trong tương lai, tuy nhiên các mô hình này cũng có nhược điểm cơ bản khi kết quả dự báo chỉ hiệu quả và đạt độ chính xác cao khi các kịch bản sử dụng đất được thực hiện đầyđủ.
Jennings và cộng sự (2004) sử dụng dữ liệu lớp phủ theo quốc gia năm 1992 (NLCD92–NationalLandCover92),dữliệubềmặtkhôngthấmvàcôngnghệGIS để xác định hệ số chuyển đổi thành bề mặt không thấm đối với từng đối tượng lớp phủkhuvựcTrung-ĐạiTâyDương.Trêncơsởđó,cáctácgiảđãpháttriểnmộtmô hình hồi quy tuyến tính giữa dữ liệu NDLC 92 và tỉ lệ phần trăm bề mặt không thấm đểdựbáophânbốbềmặtkhôngthấmtrongtươnglai.Độchínhxáctổngthểcủakết quả dự báo được xác định đạt trên 70%, trong đó kết quả dự báo cho các khu vực đô thị có độ chính xác cao hơn so với khu vực nông thôn[62] Dữ liệu lớp phủ toàncầu năm2006xácđịnhtừảnhvệtinhLandsat(NLCD2006)cũngđượcsửdụngtrong nghiên cứu[96]để dự báo phân bố bề mặt không thấm ở khu vực California (Mỹ). CáctácgiảcũngđãxâydựngđượccôngcụtrênnềntảngExcel2007chophépngười sử dụng có thể nhập các kịch bản khác nhau để sự báo tốc độ tăng trưởng bề mặt không thấm trong tươnglai.
Reilly và cộng sự (2004) đã phát triển một mô hình dự báo phân bố bề mặt không thấm trên cơ sở mối quan hệ giữa mật độ dân số và tỉ lệ bề mặt không thấm xác định từ ảnh vệ tinh Các dạng hồi quy khác nhau được thử nghiệm để đánh giá mối quan hệ giữa mật độ dân số và tỉ lệ bề mặt không thấm, từ đó tác giả lựa chọn hàmđathứcbậc2nhằmdựbáophânbốbềmặtkhôngthấmtrongtươnglai[99].Mô hình này rất đơn giản, có thể ước tính nhanh bề mặt không thấm phục vụ công tác quy hoạch, quản lý đô thị, tuy nhiên độ chính xác không cao do mới sửdụng 01 biến (mật độ dân số) để xây dựng mô hình dự báo.
TrongnghiêncứucủaLivàcộngsựnăm2018,cáctácgiảđãpháttriểnmộtmô hìnhdựbáodựatrêntăngtrưởngdânsố,thươngmạivàthôngtinbềmặtkhôngthấm chiết xuất từ dữ liệu viễn thám để dự đoán phân bố bề mặt không thấm trong tương lai ở lưu vực sông Milwaukee, Wisconsin (Mỹ) Quá trình phát triển dân cư, thương mại ở khu vực nghiên cứu được mô phỏng bằng mô hình CA-Markov, trên cơ sở đó các tác giả đã xây dựng mô hình hồi quy tuyến tính nhằm dự báo phân bố bề mặt không thấm đến năm
2050 - Hình 1.17 Kết quả dự báo trong nghiên cứu này được đánh giá tốt hơn so với sử dụng các phương pháp truyền thống[73].
Hình 1.17 Dự báo phân bố bề mặt không thấm khu vực Milwaukee, Wisconsin đếnnăm 2050[73]
AzimandvàcộngsựsửdụngdữliệuảnhvệtinhLandsatgiaiđoạn1989-2018 đểthànhlậpbảnđồbềmặtkhôngthấmsửdụngchỉsốNDISItrêncơsởphươngpháp phân ngưỡng Otsu, sau dự báo phân bố bề mặt không thấm đến năm 2036 bằng mô hình CA-Markov.
Luận giải những vấn đề cầnnghiêncứu
TừphântíchcácnghiêncứutrênthếgiớivàởViệtNamchothấy,phầnlớncác nghiên cứu tập trung xây dựng các giải pháp chiết xuất bề mặt không thấm và đánh giábiếnđộngdiệntíchbềmặtkhôngthấmtừdữliệuviễnthámđathờigian.Chođến nay,córấtítcácnghiêncứulựachọnvàxâydựngmôhìnhdựbáosựbiếnđộng,đặc biệt là biến động về phân bố không gian bề mặt không thấm từ dữ liệu viễn thám và GIS Một số mô hình được đề xuất đã dự báo biến động bề mặt không thấm trên cơ sở xây dựng hàm hồi quy giữa phản xạ phổ bề mặt xác định từ ảnh viễn thám vàmật độ bề mặt không thấm Với hàm hồi quy này, mật độ bề mặt không thấm được xem như biến phụ thuộc, phản xạ phổ bề mặt là biến giải thích[62], [96].Cũng ở hướng nghiên cứu này, bộ dữ liệu phản xạ bề mặt và dữ liệu ánh sáng ban đêm đã đượcsửdụng như là các biến cho mô hình dự đoán tỉ lệ phần trăm bề mặt không thấm[71] Việc chỉ sử dụng 1 - 2 biến giải thích để xây dựng mô hình dự báo có rất nhiều hạn chế, trong khi sự phát triển bề mặt không thấm còn phụ thuộc vào nhiều yếu tố tự nhiên, xã hộikhác.
Mộtsốmôhìnhcũngtiếnhànhđánhgiámốiquanhệgiữamậtđộbềmặtkhông thấm và các biến như tăng trưởng thương mại, mật độ dân cư[73], [95], [99]tuy nhiêncácnghiêncứunàylạikhôngquantâmđếncácyếutốtựnhiênnhưlớpphủbề mặt,địahìnhhoặccácbiếnnhưkhoảngcáchđếnđườnggiaothông,khoảngcáchđến thủy hệ Ngoài ra, một số nghiên cứu đã sử dụng các mô hình dự báo sự biến động sửdụngđấtnhưMarkov,CA-Markov đểdựbáobiếnđộngbềmặtkhôngthấmtrên cơ sở kết quả phân loại bề mặt không thấm từ dữ liệu viễn thám đa thời gian[31] Mặc dù vậy, các mô hình này chỉ phù hợp khi dự báo biến động sử dụng đất với các kịch bản sử dụng đất cụ thể Một số kỹ thuật hiện đại như mô hình hồi quy lẫn phổ tuyến tính (LSMA - linear spectral mixing analysis), mạng neural nhân tạo (ANN) cũng được sử dụng nhằm xây dựng mô hình dự báo sự biến động bề mặt không thấm từ bộ dữ liệu bề mặt không thấm được phân loại từ ảnh vệ tinh Đối với cácnghiêncứutạiViệtNam,hiệnnaychưacónghiêncứunàoquantâmdựbáophân bố bề mặt không thấm trong tương lai từ dữ liệu viễn thám và GIS trên nền tảng các mô hình trí tuệ nhântạo.
Từ phân tích các kết quả đạt được cũng như những hạn chế trong các nghiên cứu trước đó, đặc biệt là các nghiên cứu ở Việt Nam, để khắc phục các hạn chế trên,trong luận án này, nghiên cứu sinh tập trung nghiên cứu một số vấn đề sau:
- Nghiêncứulựachọnphươngphápchiếttáchthôngtinbềmặtkhôngthấmphù hợp từ dữ liệu viễn thám độ phân giải trung bình Landsat trên cơ sở áp dụng các kỹ thuật học máy;
- Nghiêncứulựachọnvàxâydựngbộdữliệuđầuvàochomôhìnhdựbáophân bốbềmặtkhôngthấmtrongtươnglai,baogồmcáclớpdữliệuvềđặcđiểmđịahình, lớp phủ, các yếu tố kinh tế - xã hội (mật độ dân cư, khoảng cách đến đường giao thông, khoảng cách đến thủy hệ, khoảng cách đến công trình đặcbiệt);
- Nghiên cứu thử nghiệm và lựa chọn mô hình dự báo phân bố bề mặt không thấm phù hợp dựa trên các kỹ thuật hiện đại như hồi quy logistics (LR), mạngneural nhân tạo (ANN), áp dụng với điều kiện cụ thể tại khu vực nghiên cứu ở Thành phố Hồ ChíMinh.
Như vậy, để dự báo biến động bề mặt không thấm khu vực Thành phố Hồ ChíMinh, trong luận án đã sử dụng cách tiếp cận hệ thống, trong đó đánh giá một cách toàn diện các yếu tố có ảnh hưởng đến sự thay đổi bề mặt không thấm, bao gồm các yếu tố tự nhiên (địa hình, lớp phủ, khí hậu) và yếu tố xã hội (mật độ dân cư, giao thông, thủy hệ, các công trình đặc biệt) Cách tiếp cận này cho phép xây dựng bộ dữ liệu đầu vào cho mô hình dự báo một cách đầy đủ, chính xác và khách quan hơn.
Tiểu kếtchương1
Bề mặt không thấm là một chỉ số quan trọng trong đánh giá mức độ đô thị hóa vàchấtlượngmôitrườngkhuvựcđôthị.Sựgiatăngdiệntíchmặtkhôngthấmthiếu kiểmsoátđãảnhhưởngtiêucựcđếnmôitrườngnướcmặt,làmgiatăngnguycơngập lụt và xuất hiện các “đảo nhiệt” ở các đô thị Trong chương 1, nghiên cứu sinh đã nghiên cứu, phân tích các khái niệm cơ bản về đô thị hóa, sự gia tăng bề mặt không thấm trong quá trình đô thị hóa, các phương pháp chiết xuất thông tin bề mặt không thấm từ dữ liệu viễn thám Từ phân tích tổng quan tình hình nghiên cứu trong và ngoàinướcchothấy,phầnlớncácnghiêncứumớitậptrungvàopháttriểncácphương pháp, thuật toán chiết xuất bề mặt không thấm từ dữ liệu viễn thám; các nghiên cứu dựbáobiếnđộngbềmặtkhôngthấmthườngsửdụngkếtquảdựbáobiếnđộnglớp phủ/sử dụng đất từ ảnh viễn thám đa thời gian Một số nghiên cứu đã xây dựng các mô hình hồi quy trên cơ sở mối quan hệ giữa bề mặt không thấm và phản xạ phổ, dữ liệuánhsáng,tăngtrưởngthươngmại,mậtđộdânsố.Mặcdùvậy,sốlượngbiếngiải thích trong các mô hình này là rất hạn chế, trong đó nhiều mô hình chỉ sử dụng duy nhất một biến.Trong khi đó, chưa có nghiên cứu nào ở Việt Nam quan tâm đề xuất, xây dựng mô hình phục vụ dự báo phân bố bề mặt không thấm trong tương lai Trên cơ sở phân tích các kết quả đạt được, các hạn chế còn tồn tại, nghiên cứu sinh đã đề xuất các định hướng nghiên cứu trong luận án, làm cơ sở để lựa chọn phương pháp và thực nghiệm dự báo biến động bề mặt không thấm ở khu vực nghiêncứu.
CƠ SỞ KHOA HỌC PHƯƠNG PHÁP DỰ BÁO BIẾN ĐỘNG BỀ MẶTKHÔNGTHẤMKHUVỰCTHÀNHPHỐHỒCHÍMINHSỬDỤNGCÔNG NGHỆ VIỄN THÁMVÀGIS
Đặc điểm khu vựcnghiêncứu
Thành phố Hồ Chí Minh là một trong hai thành phố lớn nhất của nước ta, là trung tâm kinh tế, văn hoá - du lịch, giáo dục - khoa học kỹ thuật - y tế lớn của cả nước Thành phố nằm trong toạ độ địa lý khoảng 10 0 10’ - 10 0 38’ vĩ độ bắc và
106 0 22’ - 106 0 54 ' kinh độ đông Phía Bắc giáp tỉnh Bình Dương, Tây Bắc giáp tỉnh Tây Ninh, Đông và Đông Bắc giáp tỉnh Đồng Nai, Đông Nam giáp tỉnh Bà Rịa - Vũng Tàu, Tây và Tây Nam giáp tỉnh Long An và Tiền Giang (Hình 2.1).
Hình 2.1 Vị trí địa lý Thành phố Hồ Chí Minh
2.1.1 Điều kiện tựnhiên Địa hình, địa mạo Thành phố Hồ Chí Minh nằm trong vùng chuyển tiếp giữa miền Ðông Nam Bộ và đồng bằng sông Cửu Long Ðịa hình không quá phức tạp nhưng khá đa dạng, có dạng thấp dần từ Bắc xuống Nam và từ Ðông sang Tây, bao gồm 3 tiểu vùng địa hình[149]:
+VùngcaonằmởphíaBắc-ÐôngBắcvàmộtphầnTâyBắc(thuộcbắchuyện Củ Chi, đông bắc thành phố Thủ Ðức), với dạng địa hình lượn sóng, độ cao trung bình10- 25mvàxenkẽcónhữngđồigòđộcaocaonhấttới32m,nhưđồiLongBình (thành phố ThủÐức).
+ Vùng thấp trũng ở phía Nam - Tây Nam và Ðông Nam thành phố (thuộc các quận 7, 8 và các huyện Bình Chánh, Nhà Bè, Cần Giờ) Vùng này có độ cao trung bình khoảng 1m.
+Vùngtrungbình,phânbốởkhuvựcTrungtâmThànhphố,gồmphầnlớnkhu vựcnộithànhcũ,mộtphầnthànhphốThủÐức,toànbộquận12vàhuyệnHócMôn Vùng này có độ cao trung bình 5 -10m.
Thời tiết, khí hậu Thành phố Hồ Chí Minh nằm trong vùng nhiệt đới gió mùa cận xích đạo Cũng như các tỉnh ở Nam bộ, đặc điểm chung của khí hậu, thời tiết ThànhphốHồChíMinhlànhiệtđộcaođềutrongnămvàcóhaimùamưa–mùakhô rõràng.Mùamưatừtháng5đếntháng11,mùakhôtừtháng12đếntháng4nămsau[149].
Tháng có nhiệt độ trung bình cao nhất là tháng 4 (khoảng 28,8 0 C), tháng có nhiệtđộtrungbìnhthấpnhấtlàkhoảnggiữatháng12vàtháng1(25,7 0 C).Hàngnăm cótớitrên330ngàycónhiệtđộtrungbình25-28 0 C.Lượngmưacao,bìnhquân/năm đạt gần 2000 mm Thành phố Hồ Chí Minh chịu ảnh hưởng bởi hai hướng gió chính vàchủyếulàgiómùaTây-TâyNamvàBắc-ÐôngBắc.GióTây-TâyNamtừẤn ÐộDươngthổivàotrongmùamưa,khoảngtừtháng6đếntháng10.GióBắc-Ðông Bắc từ biển Đông thổi vào trong mùa khô, khoảng từ tháng 11 đến tháng 2 Ngoài ra cógiótínphong,hướngNam-ÐôngNam,khoảngtừtháng3đếntháng5.Vềcơbản
Thành phố Hồ Chí Minh thuộc vùng không có gió bão, hầu như ít bị ảnh hưởng bởi gió bão.
Thủy văn Nằm ở vùng hạ lưu hệ thống sông Ðồng Nai - Sài Gòn, Thành phố
Hồ Chí Minh có mạng lưới sông ngòi kênh rạch rất phát triển.
Sông Ðồng Nai bắt nguồn từ cao nguyên Langbiang (Lâm Đồng) và hợp lưu bởi nhiều sông khác (sông La Ngà, sông Bé), có lưu vực lớn, khoảng 45.000 km 2 SôngĐồngNaicólưulượngbìnhquânđạt20-500m 3 /svàlưulượngcaonhấttrong mùalũlêntới10.000m 3 /s,hàngnămcungcấp15tỷm 3 nướcvàlànguồnnướcngọt chính của Thành phố Hồ ChíMinh.
Sông Sài Gòn bắt nguồn từ vùng Hớn Quản, chảy qua Thủ Dầu Một đến thành phố với chiều dài 200 km và chảy dọc trên địa phận thành phố dài 80 km Hệ thống các chi lưu của sông Sài Gòn rất nhiều và có lưu lượng trung bình vào khoảng 54 m 3 /s.Ngoài trục các sông chính kể trên ra, thành phố còn có mạng lưới kênh rạch chằng chịt[149].
Thảmthựcvật.ThảmthựcvậtcủaThànhphốHồChíMinhbaogồm03hệsinh thái tiêu biểu: hệ sinh thái rừng nhiệt đới ẩm mưa mùa (phân bố ở huyện Củ Chi và thành phố Thủ Đức), hệ sinh thái rừng úng phèn (khu vực huyện Bình Chánh) và hệ sinhtháirừngngậpmặn(tậptrungởhuyệnCầnGiờ)[149].Trongđó,rừngngậpmặn
CầnGiờ(còngọilàRừngSác)làkhudựtrữsinhquyểnthếgiớiđầutiênởViệtNam, đã được tổ chức UNESCO công nhận năm 2020 Đây là hệ sinh thái rừng ngập mặn lớn với diện tích gần 76.000 ha, có hệ động thực vật đa dạng và điển hình của vùng ngập mặn, có vai trò quan trọng trong cải thiện chất lượng môi trường không khí và nước của Thành phố Hồ ChíMinh.
2.1.2 Điều kiện kinh tế - xãhội
Thành phố Hồ Chí Minh có diện tích tự nhiên 2.095 km 2 , dân số đạt 8.96 triệu người (theo kết quả điều tra dân số năm 2019) Tính đến tháng 01/2023, theo World Population Review, dân số Thành phố Hồ Chí Minh là 9.320.866 người Trên thực tế, dân số Thành phố Hồ Chí Minh đạt gần 13 triệu người, trong đó bao gồm khoảng
3 triệu người nhập cư Mức độ gia tăng dân số ở thành phố khoảng 1 triệu người sau mỗi 5 năm, kéo theo tốc độ đô thị hóa cao.
Về mặt hành chính, Thành phố Hồ Chí Minh có 22 đơn vị cấp quận, huyện và thành phố, trong đó có 01 thành phố trực thuộc (thành phố Thủ Đức), 16 quận và 5 huyện Về đơn vị hành chính cấp phường, xã, Thành phồ Hồ Chí Minh có 312 đơn vị, bao gồm 249 phường, 5 thị trấn và 58 xã.
NằmtrongvùngkinhtếtrọngđiểmphíaNam,ThànhphốHồChíMinhlàtrung tâm kinh tế lớn nhất của cả nước, có tốc độ tăng trưởng kinh tế cao và đóng góp lớn vào GDP cả nước (khoảng 1/3 tổng GDP cả nước) Thành phố có cơ sở hạ tầng đa dạng và hiện đại, là đầu mối giao thông quan trọng của đất nước, bao gồm hệ thống đường cao tốc, cảng biển, sân bay, đường sắt Có thể nói, thành phố có vai trò hết sức quan trọng, là trung tâm kinh tế, tài chính, thương mại và dịch vụ, là vùng động lực cho công cuộc phát triển kinh tế - xã hội của cảnước.
2.1.3 Đặc điểm đô thị hóa ở Thành phố Hồ ChíMinh
HồChíMinhdiễnratừsớmvớitốcđộnhanh,tácđộngsâusắcđếnsựpháttriểnkinh tế - xã hội của thành phố Quá trình đô thị hóa ở thành phố Hồ Chí Minh đã diễn ra từthờiPhápthuộc(1860- 1945),đượcđẩynhanhtrongthờikỳđếquốcMỹtiếnhành chiến tranh xâm lược Việt Nam (1954 - 1975)[11].
Sau khi đất nước thống nhất, quá trình đô thị hóa ở Thành phố Hồ Chí Minhđã trải qua nhiều thay đổi, trong đó có 02 giai đoạn đáng chúý:
- Giai đoạn 1976 - 1985: là giai đoạn phục hồi sau chiến tranh, quá trình đô thị hóa diễn ra tương đối chậm Giai đoạn này chứng kiến lượng người nhập cư từ các tỉnh phía Bắc và người miền Nam tập kết trở về cùng đội ngũ cán bộ miền Bắc được phân công công tác ở Thành phố Hồ ChíMinh.
- Giaiđoạntừ1986đếnnay:thànhphốbướcvàogiaiđoạnđổimới,tốcđộphát triểnvàđôthịhóanhanhchóng,dòngngườinhậpcưtừcáctỉnhđồngbằngsôngCửu
LongvàduyênhảimiềnTrungdẫnđếnsứcépvềdânsốtrởnênmạnhmẽ.Quátrình mở rộng diện tích đất xây dựng dưới tác động của đô thị hóa ở Thành phố Hồ Chí Minhgiaiđoạn1990-2015sửdụngdữliệuviễnthámđathờigianđượcthểhiệntrên hình 2.2[130].
Hình 2.2 Gia tăng diện tích đất đô thị ở Thành phố Hồ Chí Minh giai đoạn 1990
–2015[130] Đô thị hóa về khía cạnh văn hóa là “quá trình chuyển đổi văn hóa nông thôn thànhvănhóađôthị”[11].QuátrìnhđôthịhóaởThànhphốHồChíMinhcónhững tác động sâu sắc đến sự phát triển kinh tế - xã hội của thành phố, trong đó bao gồm cảcáctácđộngtíchcựcvàtácđộngtiêucực.Cáctácđộngtíchcựccủađôthịhóacó thểnhậnthấybaogồm.cungcấplựclượnglaođộnglớn,trẻcótrìnhđộ,trongđólao động nhập cư chiếm tỉ lệ lớn ở các khu công nghiệp; góp phần sử dụng tiết kiệm và hiệu quả đất đai; thúc đẩy nhanh sự chuyển dịch cơ cấu kinh tế Bên cạnh đó, đô thị hóa cũng dẫn đến những tác động tiêu cực đến kinh tế - xã hội Thành phố Hồ ChíMinh,trongđónổilênlàvấnđềviệclàm,nhàởchongườidân,sựquátảicủahạtầng đô thị, sự cạn kiệt tài nguyên thiên nhiên và gia tăng ô nhiễm môi trường, làm nảy sinh các vấn đề phức tạp về an ninh, trật tự an toàn xãhội
Nghiêncứulựachọncácnhântốảnhhưởngđếnsựbiếnđộngbềmặtkhôngthấm 54 1 Lựa chọn bộ dữ liệu bổ sung
2.2.1 Lựa chọn bộ dữ liệu bổ sung
Biến động bề mặt không thấm có nguyên nhân tổng hợp từ tác động của nhiều yếu tố khác nhau, bao gồm các yếu tố về tự nhiên và các yếu tố xã hội Trong mô hình hóa sự thay đổi lớp phủ/sử dụng đất, bên cạnh kết quả phân loại từ dữ liệu viễn thámđathờigiancầnsửdụngthêmcáclớpdữliệubổsungđểnângcaođộchínhxác kếtquảdựbáobiếnđộng[41],[104].Thôngthường,cácnghiêncứuđềusửdụngkết quả phân loại lớp phủ/sử dụng đất ở 2 thời kỳ khác nhau, kết hợp bộ dữ liệu bổ sung và các kỹ thuật học máy nhằm dự báo phân bố lớp phủ/sử dụng đất trong tương lai. Từphântíchcácnghiêncứutrênthếgiớivàtrongnướcchothấy,cácyếutốtựnhiên tácđộngđếnsựthayđổidiệntíchbềmặtkhôngthấmthườngbaogồmcácyếutốđịa hình (độ cao, độ dốc, nhiệt độ bề mặt), lớp phủ (mật độ che phủ của thực vật) và các yếu tố kinh tế - xã hội (mật độ dân cư, bản đồ quy hoạch sử dụng đất, khoảng cách tới đường giao thông, khoảng cách tới thủy hệ, thương mại ) Do vậy, việc sử dụng tổnghợpcácyếutốtựnhiênvàxãhộitrongxâydựngmôhìnhdựbáobiếnđộngmặt không thấm là một tiếp cận phù hợp, giúp khắc phục các hạn chế trong các nghiên cứu trước đó khi chỉ sử dụng số biến đầu vào hạn chế để xây dựng mô hình dựbáo.
Trên cơ sở phân tích đặc điểm tự nhiên, xã hội và thực trạng dữ liệu ở khu vực Thành phố Hồ Chí Minh cùng kết quả đạt được trong các nghiên cứu trước đó,trong luận án này, nghiên cứu sinh tiến hành thu thập và xây dựng bộ dữ liệu đầu bổ sung của mô hình dự báo biến động bề mặt không thấm với 09 lớp dữ liệu, baogồm:
+ Mật độ che phủ của thực vật;
+ Khoảng cách tới công trình đặc biệt (UBND, trường học, bệnh viện ); + Mật độ dân cư;
+ Khoảng cách tới đường giao thông;
+ Khoảng cách tới thủy hệ.
Các lớp dữ liệu đầu vào này đại diện cho các yếu tố có ảnh hưởng đến sự biến động bề mặt không thấm, bao gồm yếu tố tự nhiên như địa hình, lớp phủ, khí hậu và yếutốxãhộinhưmậtđộdâncư,khoảngcáchtớiđườnggiaothông,khoảngcáchtới thủy hệ và khoảng cách tới các công trình đặcbiệt.
Trong các lớp thông tin này, mật độ che phủ của thực vật và nhiệt độ bề mặt được chiết xuất từ dữ liệu ảnh vệ tinh Landsat 8 Độ cao, độ dốc, hướng dốc được chiếtxuấtthôngquadữliệuGIStrêncơsởsửdụngmôhìnhsốđộcaoDEM.Cáclớp thôngtinvềkhoảngcáchtớiđườnggiaothông,khoảngcáchtớithủyhệ,khoảngcách tới công trình đặc biệt được xây dựng dựa trên module Euclidean Distance tích hợp trongphầnmềmArcGIStrêncơsởcáclớpdữliệuvectorvềgiaothông,thủyhệ,các côngtrìnhđặcbiệtnhưtrụsởhànhchính,trườnghọc,bệnhviện,ditíchlịchsử khu vực nghiêncứu.
DữliệugiaothôngvàthủyhệkhuvựcnghiêncứuđượcchiếtxuấttừCSDLnền địa lý quốc gia tỉ lệ 1:50 000 Dữ liệu mô hình số độ cao (DEM) cũng được nội suy từ lớp dữ liệu địa hình của CSDL nền địa lý quốc gia tỉ lệ 1:50 000 khu vực thành phố Hồ Chí Minh tỉ lệ 1:50000.
Dữ liệu về mật độ dân cư được xây dựng trên nền tảng GIS trên cơ sở số liệu thống kê về dân số, lao động Thành phố Hồ Chí Minh năm 2021 của Cục Thống kê Thành phố Hồ Chí Minh tại websitehttp://www.pso.hochiminhcity.gov.vn/[146].
Dữ liệu về các công trình đặc biệt được khai thác từ CSDLhttps://opendata.hcmgis.vn/[150],trongđócóvịtrícáccôngtrìnhđặcbiệtnhưtrụ sở các cơ quan, di tích lịch sử, trườnghọc
2.2.2 Đánh giá tương quan giữa bộ dữ liệu bổ sung và dữ liệu cơsở Đểlựachọnbộdữliệubổsungchomôhìnhdựbáosựbiếnđộngbềmặtkhông thấmkhuvựcnghiêncứu,trongluậnántiếnhànhđánhgiáhệsốtươngquangiữacác lớp dữ liệu bổ sung và bộ dữ liệu cơ sở Do bộ dữ liệu bổ sung ở các thang đo khác nhau, trước hết các lớp dữ liệu này được chuẩn hóa về thang giá trị [0, 1] dựa vào công thức sau[37]:
Nv Fa i Min(Fa)Max(
TrongđóFailàgiátrịcủahệsốđượcxemxét,Min(Fa)vàMax(Fa)làgiátrịtốithiểu và giá trị tối đa của hệ số được xem xét và Nv là giá trị tính toán mới cho hệsố được xemxét.
Về mặt toán học, giữa hai biến có nhiều dạng tương quan, có thể là tương quan tuyến tính hoặc phi tuyến, hoặc không có bất kỳ một mối tương quan nào Thông thường, mối tương quan giữa một cặp biến được xác định thông qua đồ thị phân tán Scatter (hình 2.3).
Hình 2.3 Mô tả mối quan hệ tương quan giữa 2 lớp dữ liệu
Trong luận án, hệ số tương quan Pearson (hệ số r) được sử dụng để lượng hóa mứcđộchặtchẽcủamốiquanhệtuyếntínhgiữadữliệuvềbềmặtkhôngthấm(thông qua chỉ số đất xây dựng NDBI) và bộ dữ liệu bổ sung (09 lớp dữ liệu đầu vào), trên cơ sở đó lựa chọn bộ dữ liệu bổ sung phù hợp với đặc điểm tự nhiên, kinh tế-xã hội khu vực nghiên cứu nhằm dự báo biến động bề mặt không thấm trong tương lai Hệ sốtươngquanPearson(r)cógiátrịtrongkhoảngtừ-1đến1,trongđógiátrịrdương thểhiệntươngquanthuận,râmthểhiệntươngquannghịch.Mứcđộtươngquangiữa 2 biến được mô tả nhưsau:
- Nếu r càng tiến về 1 hoặc -1: tương quan tuyến tính giữa hai biến càng mạnh, càng chặtchẽ.
- Nếu r càng tiến về 0: tương quan tuyến tính càngyếu.
- Nếur=1hoặc-1:tươngquantuyếntínhtuyệtđối,khibiểudiễnquanhệgiữa các biến trên đồ thị phân tán Scatter, các điểm biểu diễn sẽ nhập lại thành 1 đườngthẳng.
- Nếu r = 0: không có mối tương quan tuyến tính Lúc này sẽ có hai tình huống xảy ra: (1) không có một mối liên hệ nào giữa hai biến và (2) giữa hai biến có mối liên hệ phituyến.
Theo Field (2009), nếur0.1, mối tương quan giữa các biến là rất yếu; nếu r0.3, mối tương quan yếu; r 0.5, mối tương quan trung bìnhvà r0.5, mối tương quan giữa các biến là mạnh.
Chỉ số đất xây dựng NBDI được Zha và cộng sự đề xuất năm 2003[131]dựa trên cơ sở các bề mặt không thấm có hệ số phản xạ ở dải sóng hồng ngoại sóngngắn(SWIR1) cao hơn hẳn so với dải sóng cận hồng ngoại (NIR), điều này khác biệthoàntoàn so với các đối tượng bề mặt khác như thực vật, đất trống, nước (công thức2.2).
Sử dụng phần mềm QGIS 2.18, trong luận án đã đánh giá hệ số tương quanPearson của từng lớp dữ liệu đầu vào so với chỉ số đất xây dựng NDBI chiết xuất từ ảnhLandsatnăm2010vàLandsatnăm2015.Kếtquảxácđịnhhệsốtươngquancủa các lớp dữ liệu bổ sung và chỉ số NDBI được thể hiện trong bảng2.1.
Bảng 2.1 Giá trị tương quan của các lớp dữ liệu bổ sung
STT Lớp dữ liệu bổ sung Hệ số tương quan
Chỉ số NDBI 2010 Chỉ số NDBI 2015
4 Mật độ che phủ thực vật -0.358 -0.405
7 Khoảng cách tới côngt r ì n h đặc biệt
8 Khoảng cách tới đường giao thông
9 Khoảng cách tới thủy hệ 0.310 0.287
Phântíchkếtquảđạtđượcchothấy,cácyếutốbaogồmnhiệtđộbềmặt,khoảng cách tới công trình đặc biệt, khoảng cách tới đường giao thông có mối tương quan mạnh với phân bố bề mặt không thấm, thể hiện qua giá trị hệ số tương quan đều đạt trên 0.5 (Bảng 2.1), trong đó nhiệt độ bề mặt có mối tương quan thuận với bề mặt khôngthấm(hệsốtươngquandương),khoảngcáchtớiđườnggiaothôngvàkhoảng cáchtớicôngtrìnhđặcbiệtcótươngquannghịchvớibềmặtkhôngthấm(hệsốtương quanâm).
Các yếu tố bao gồm mật độ che phủ thực vật, mật độ dân cư khoảng cách tới thủy hệ có mối tương quan trung bình với phân bố bề mặt không thấm, trong đó hệ số tương quan nằm trong khoảng từ 0.3 đến 0.5 Mật độ che phủ thực vật có tương quan nghịch (hệ số tương quan âm) với bề mặt không thấm, ngược lại, các yếu tố khoảng cách tới thủy hệ, mật độ dân cư có mối tương quan thuận với bề mặt không thấm (hệ số tương quan dương).
Cơ sở khoa học phương pháp chiết xuất các lớp dữ liệu bổ sung cho mô hình dự báo sự biến động bề mặtkhôngthấm
2.3.1 Mật độ che phủ thựcvật
Lớp phủ thực vật có vai trò quan trọng trong quy hoạch, phát triển các đô thị.Thông tin về lớp phủ thực vật có thể được chiết xuất nhanh từ dữ liệu ảnh viễn thám quanghọcthôngquacácphươngphápphânloạihoặccácchỉsốthựcvật(vegetation index) Các chỉ số thực vật, trong đó nổi bật là chỉ số thực vật khác biệt NDVI (Normalized Difference Vegetation Index) là công cụ đơn giản và hiệu quả để chiết xuấtthôngtinlớpphủthựcvật[102].Hiệnnaycótớihàngtrămchỉsốthựcvậtkhác nhau, được sử dụng hiệu quả trong các nghiên cứu về đánh giá biến động lớp phủ bề mặt, cảnh báo cháy rừng, dự báo năng suất câytrồng
Trong luận án, nghiên cứu sinh lựa chọn sử dụng chỉ số thực vật NDVI để xácđịnh mật độ che phủ thực vật (Pv) thông qua công thức sau[85], [133]:
TM, kênh đỏ và cận hồng ngoại tương ứng với kênh 3 và 4, trong khi vớiảnhLandsat8/9,cáckênhnàytươngứngvớikênh4và5vớiđộphângiảikhông gian đạt30m.
Chỉ số NDVI được sử dụng rất rộng rãi trong nhiều nghiên cứu khác nhau trên thếgiớinhưlàlớpthôngtinđạidiệncholớpphủthựcvật,chophépđánhgiámứcđộ tươi tốt của thực vật Kết quả xác định chỉ số thực vật NDVI và mật độ che phủ thực vậtkhuvựcThànhphốHồChíMinhtừảnhLandsat8ngày23/2/2020đượcthểhiện trên các hình 2.4, 2.5 Mật độ che phủ của thực vật có giá trị trong khoảng từ 0 đến 100%, trong đó các khu vực có mật độ che phủ cao được đại diện bởi các pixel màu trắng (khu vực rừng ngập mặn Cần Giờ) Các khu vực nội thành với mật độ che phủ thấp được thể hiện bởi các pixel màu tối (Hình2.5).
Hình 2.4 Chỉ số thực vật NDVI khu vực Thành phố Hồ Chí Minh, chiết xuất từ dữliệu ảnh Landsat 8 ngày 23/2/2020
Hình 2.5 Kết quả xác định lớp dữ liệu mật độ che phủ thực vật khu vực Thành phốHồ Chí Minh từ ảnh Landsat 8 ngày 23/2/2020
Trong các yếu tố lớp phủ bề mặt, diện tích mặt không thấm được chứng minh cóảnhhưởngquantrọngnhấtđếnphânbốnhiệtđộbềmặtkhuvựcđôthị[70].Thông tin về nhiệt độ bề mặt có thể được xác định một cách nhanh chóng và đơn giản trên cơsởsửdụngảnhviễnthámhồngngoạinhiệt.Trongsốcácbộcảmbiếnhồngngoại nhiệt, ảnh hồng ngoại nhiệt Landsat được sử dụng phổ biến và hiệu quả nhất trong nghiên cứu nhiệt độ bề mặt đô thị Bộ cảm biến hồng ngoại nhiệt (TIRS) được trang bị trên các hệ thống vệ tinh từ Landsat 4 đến Landsat 9, trong đó các thế hệ vệ tinh mới nhất (Landsat
8, Landsat 9) có 02 kênh hồng ngoạinhiệt. Đặc điểm các kênh hồng ngoại nhiệt ảnh vệ tinh Landsat được trình bày trong Bảng 2.2.
Bảng 2.2 Đặc điểm ảnh hồng ngoại nhiệt Landsat
STT Vệ tinh Kờnh Bước súng (àm) Độ phõn giải không gian (m)
TừcáckênhhồngngoạinhiệtảnhLandsat,nhiệtđộbềmặtcóthểđượcxácđịnh bằng phương pháp sử dụng đơn kênh (single channel)[27], [70]hoặc sử dụng cả 2 kênhhồngngoạinhiệt(đốivớiảnhLandsat8/9)trêncơsởphươngphápsplit-window[101],[103], [127].Nhìnchung,vớicácthếhệvệtinhLandsatcó2kênhhồngngoại nhiệt,việcsửdụngphươngphápsplit-windowchophépchiếtxuấtthôngtinnhiệtđộ bề mặt với độ chính xác cao hơn nếu chỉ sử dụng 01 kênh hồng ngoại nhiệt (kênh 10 hoặc kênh 11) Trong phương pháp này, nhiệt độ bề mặt được xác định theo công thức sau[101], [103]:
LST- nhiệt độ bề mặt;
TB10, TB11- nhiệt độ bức xạ (brightness temperature) xác định từ kênh 10 và
11ảnh Landsat 8/9; w- hàm lượng hơi nước trong khí quyển
(g/cm 2 ).ε- giá trị độ phát xạ bề mặt trung bình; Δε- chênh lệch độ phát xạ bề mặt ở kênh 10 và
Hình 2.6 Kết quả xác định lớp dữ liệu nhiệt độ bề mặt khu vực Thành phố Hồ ChíMinh từ ảnh vệ tinh Landsat ngày 23/2/2020 sau khi chuẩn hóa về thang giá trị0-1
Kết quả xác định lớp thông tin nhiệt độ bề mặt khu vực Thành phố Hồ Chí Minh từ ảnh vệ tinh Landsat 8 ngày 23/2/2020 được thể hiện trên hình 2.6 Có thể nhận thấy, nhiệt độ bề mặt khu vực nghiên cứu nằm trong khoảng từ 21.5 0 C đến 44.1 0 C, trong đó nhiệt độ cao cục bộ tập trung ở khu vực trung tâm thành phố, được đặc trưng bởi mật độ xây dựng cao Nhiệt độ bề mặt thấp phân bố tại các khu vực có lớp phủ thực vật dày, đặc biệt tại huyện Cần Giờ.
DEM (mô hình số độ cao) là một trong những nguồn dữ liệu địa hình phổ biến nhất trên thế giới, được lưu trữ ở định dạng ô lưới (grid/raster) và là thông tin đầu quan trọng của nhiều mô hình mô phỏng các quá trình biến đổi bề mặt Trái Đất Dữ liệu DEM có thể được nội suy từ lớp dữ liệu địa hình của CSDL nền địa lý quốc gia hoặcsửdụngcácnguồnDEMtoàncầu.Hiệnnay,cónhiềunguồndữliệuDEMtoàn cầuđượccungcấpmiễnphívớiđộphângiảikhônggiancao,hỗtrợhiệuquảchocác mục đích khác nhau Một số nguồn dữ liệu DEM toàn cầu miễn phí bao gồm: Aster Global Digital Elevation Model (GDEM), Space Shuttle Radar Topography Mission (SRTM), JAXA’s Global ALOS 3D World, GMTED 2010,GTOPO30
Trong luận án, nghiên cứu sinh sử dụng lớp dữ liệu địa hình từ CSDL nền địa lý quốc gia tỉ lệ 1:50 000 để nội suy và xây dựng lớp dữ liệu về độ cao ở khu vực nghiêncứu.KếtquảxâydựnglớpdữliệuvềđộcaokhuvựcThànhphốHồChíMinh được trình bày trên hình 2.7 Có thể nhận thấy, địa hình khu vực nghiên cứu tương đối bằng phẳng,trong đó độ cao lớn nhất đạt 30 m, phân bố ở phía bắc thành phố.Trongkhiđó,phầnlớnkhuvựcThànhphốHồChíMinhcóđộcaothấp,thểhiệnbởi màutối.
Hình 2.7 Lớp dữ liệu độ cao xây dựng từ CSDL nền địa lý quốc gia tỉ lệ 1:50 000khu vực Thành phố Hồ Chí Minh sau khi chuẩn hóa về thang giá trị 0-1 2.3.4 Khoảng cách tới đường giao thông Để xác định lớp dữ liệu khoảng cách tới đường giao thông, trong luận án sử dụng dữ liệu về giao thông (các tuyến đường sắt và đường bộ) từ CSDL nền địa lý quốcgiatỉlệ1:50000khuvựcnghiêncứu.SửdụngmoduleEuclideanDistancetích hợp trong phần mềm ArcGIS, nghiên cứu sinh đã xây dựng lớp dữ liệu về khoảng cách tới đường giao thông khu vực Thành phố Hồ Chí Minh như hình 2.8 Có thể nhậnthấy,phầnlớndiệntíchkhuvựcnghiêncứucókhoảngcáchtớihệthốngđường giao thông không lớn, thể hiện ở màu tối trên hình 2.8, đặc biệt là khu vực trungtâm và phía bắc thành phố.Khoảng cách tới đường giao thông đạt giá trị lớn ở khu vực rừng ngập mặn Cần Giờ, trong đó giá trị lớn nhất đạt trên 6km.
Hình 2.8 Lớp dữ liệu khoảng cách tới đường giao thông khu vực Thành phố Hồ
ChíMinh sau khi chuẩn hóa về thang giá trị 0-1 Để trực quan, trong luận án tiến hành tạo vùng đệm và phân vùng khoảng cách tới đường giao thông như hình 2.9.
Hình 2.9 Lớp dữ liệu khoảng cách tới đường giao thông khu vực Thành phố Hồ
ChíMinh sau khi được phân vùng 2.3.5 Khoảng cách tới thủyhệ
Tương tự như với lớp dữ liệu khoảng cách tới đường giao thông, để xây dựng lớp dữ liệu khoảng cách tới thủy hệ, dữ liệu thủy hệ cũng được trích xuất từ CSDL nền địa lý quốc gia tỉ lệ 1:50 000, sau đó phân tích bằng công cụ Euclidean Distance của phần mềm ArcGIS 10.
Kết quả xây dựng lớp dữ liệu khoảng cách tới thủy hệ khu vực Thành phố HồChí Minh được trình bày trên hình 2.10.
Hình 2.10 Lớp dữ liệu khoảng cách tới thủy hệ khu vực Thành phố Hồ Chí
Minhsau khi chuẩn hóa về thang giá trị 0-1
Tương tự như với lớp dữ liệu khoảng cách tới đường giao thông, trong luận án cũngtiếnhànhtạovùngđệmvàphânvùngkhoảngcáchtớithủyhệ(hình2.11),trong đókhoảngcáchđượcchiathành6khoảnggiátrị:0–200m,200–400m,400–600m, 600 – 800m,
Hình 2.11 Lớp dữ liệu khoảng cách tới thủy hệ khu vực Thành phố Hồ Chí
Minhsau khi được phân vùng 2.3.6 Dữ liệu mật độ dâncư
Lớp dữ liệuMật độ dân cưkhu vực Thành phố Hồ Chí Minh được xây dựng trên cơ sở số liệu điều tra, thống kê về dân số, lao động năm 2021, tham khảo từ website của Cục Thống kê Thành phố Hồ Chí Minh (Bảng 2.3) Mật độ dân sốtrung bình Thành phố Hồ Chí Minh năm 2021 đạt 4375 người/km 2 , cao hơn rất nhiều so với mật độ dân số trung bình cả nước, trong đó có những quận, huyện có mật độ dân số rất lớn như các quận 3, 4, 5, 6, 10, 11, Gò Vấp, Phú Nhuận với mật độ dân sốtrên 30 nghìn người/km 2 , thậm chí trên 40 nghìnngười/km 2
Từ số liệu này, trong luận án tiến hành xây dựng lớp bản đồ raster về mật độ dânsốchotừngquận/huyện.Kếtquảxâydựnglớpdữliệuvềmậtđộdâncưkhuvực Thành phố
Hồ Chí Minh được trình bày trên hình2.12.
Bảng 2.3 Diện tích, dân số và mật độ dân số năm 2021 khu vực Thành phố Hồ
ChíMinh phân theo quận/huyện
STT Đơn vị Số phường, xã
Mật độ dân số (người/km 2 )
* Nguồn: Thống kê dân số, lao động thành phố Hồ Chí Minh năm 2021 (Cục Thống kê Thànhphố Hồ Chí Minh,http://www.pso.hochiminhcity.gov.vn/)[146]
Trên hình 2.12 cho thấy, các khu vực có mật độ dân số lớn ở Thành phố HồChí Minh tập trung ở trung tâm thành phố, thể hiện bởi màu sáng Các khu vực có mậtđộdânsốthấptậptrungởcáchuyệnngoạithànhnhưCủChi,NhàBè,CầnGiờ.
Hình 2.12 Lớp dữ liệu mật độ dân cư khu vực Thành phố Hồ Chí Minh Minh saukhi chuẩn hóa về thang giá trị 0-1 2.3.7 Khoảng cách tới công trình đặcbiệt
Vị trí các công trình đặc biệt như trụ sở các cơ quan nhà nước, di tích lịch sử, trường học được trích xuất từ websitehttps://opendata.hcmgis.vn/[150].Tương tự như với các lớp dữ liệu khoảng cách tới đường giao thông, khoảng cách tới thủy hệ,lớpdữliệukhoảngcáchtớicôngtrìnhđặcbiệtcũngđượcxâydựngbằngcôngcụ
EuclideanDistancetrongphầnmềmArcGIS10,trongđósửdụngDEMchiếtxuấttừ CSDL nền địa lý quốc gia tỉ lệ 1:50 000 để tính khoảng cách (hình2.13).
Hình 2.13 Lớp dữ liệu khoảng cách tới công trình đặc biệt khu vực Thành phố
HồChí Minh sau khi chuẩn hóa về thang giá trị 0-1
Cơ sở khoa học phương pháp phân loại bề mặt không thấm từ dữ liệu viễnthám 72 1.Thuậttoánxácsuấtcựcđại
Cácphươngphápphânloạicácđốitượngtừảnhviễnthámhiệnnayrấtđadạng, baogồmcácphươngphápdựatrênđiểmảnh(pixelbased),dựatrênđốitượng(phân loại hướng đối tượng – object based) Ngoài các thuật toán phân loại truyền thống như khoảng cách ngắn nhất, hình hộp, xác suất cực đại, gần đây, nhiều kỹ thuật học máy đã được áp dụng để phân loại các đối tượng trên ảnh viễn thám Để lựa chọn phương pháp phân loại bề mặt không thấm khu vực Thành phố Hồ Chí Minh từ ảnh vệtinhLandsatđathờigian,trongluậnán,nghiêncứusinhthửnghiệmvớithuậttoán xác suất cực đại– thuật toán được xem là phương pháp chuẩn trong phân loại dựa trên điểm ảnh và 03 thuật toán học máy: Random Forest (RF), Support Vector Machine (SVM) và Classification andRegression Trees(CART).
2.4.1 Thuật toán xác suất cựcđại
Thuật toán xác suất cực đại (Maximum Likelihood) được sử dụng rất thông dụng trong phân loại các đối tượng từ ảnh viễn thám và được xem như là thuật toán chuẩnđểsosánhvớicácthuậttoánphânloạikhác.Thuậttoánxácsuấtcựcđạiđược xây dựng trên cơ sở giả thuyết hàm mật độ xác suất tuân theo luật phân bố chuẩn Trong phương pháp này, mỗi pixel được tính xác suất thuộc một lớp nào đó và được gán vào lớp có xác suất cao nhất Phương pháp xác suất cực đại có rất nhiều ưu việt nếu xét theo quan điểm xácsuất.
Cơ sở khoa học thuật toán phân loại xác suất cực đại có thể hiểu như sau: Giả sử ta có lớp
k Khi đấy, xác suất để một pixel ảnh nàođó x i nằm trong lớp k được xác định dựa trên công thức Bayesian: p(k
Trongđó P(i)- xác suất tiền định của loại(ví dụ 50% xác suất thuộc loại Athì P(A)0.5).P(xi/k)- xác suất điều kiện có thể xem x thuộc loại[39].
j) *p( xi/ j ) được xem như bằng nhau cho tất cả các loại
k , dođó p(k/xi)chỉ phụ thuộcvào P(xi/k) Khi đó pixel xi sẽ nằm trong lớp mà nó có xác suất cao nhất Trong phương pháp này, ngoài xác suất xuất hiện của pixel trong một lớp còn sử dụng xác suất xuất hiện của một lớp trong vùng P(k).
Trong trường hợp dữ liệu ảnh phân bố theo quy luật chuẩn Gauss, xác suất p(k/xi)có thể được viết như sau: p( /xi) 1 exp{1(
Trong đó X - giá trị vector độ xám của pixel (dữ liệu ảnh đa phổ gồm k kênh);
c- vector giá trị phổ trung bình của phân lớp C
Cov c - ma trận phương sai – hiệp phương sai.
|Covc|- định thức của ma trận phương sai – hiệp phương sai.
Mô tả nguyên lý phân loại xác suất cực đại được trình bày trên hình 2.14 Trên hình 2.14 cho thấy, có 2 điểm ảnh màu đỏ và xanh dương (hình ngôi sao 4 cánh)cần đượcphânloạivàocáclớpbaogồm:thựcvật,đấtnôngnghiệp,đấtxâydựngvànước.
Vớipixelmàuđỏ,xácsuấtthuộclớpthựcvậtlàlớnnhất,dovậypixelnàyđượcphân loạivàolớpthựcvật.Vớipixelmàuxanhnằmtrênđườngbiêncủacả2lớp:đấtnông nghiệp và đất xây dựng, tuy nhiên xác suất thuộc lớp đất nong nghiệp (0.8) cao hơn so với xác suất thuộc lớp đất xây dựng (0.4) Do vậy, trong phương pháp phân loại xác suất cực đại, pixel màu xanh sẽ được phân loại vào lớp đất nôngnghiệp.
Hình 2.14 Cơ sở khoa học thuật toán phân loại xác suất cực đại
Random Forest là một thuật toán học máy có giám sát được sử dụng phổ biến trongphânloạicácđốitượnglớpphủbềmặttừdữliệuviễnthám.Nhiềunghiêncứu trên thế giới đã chứng minh, thuật toán RF có độ chính xác cao hơn so với các thuật toán phân loại truyền thống dựa trên điểm ảnh RF cho thấy hiệu quả cao trong phân loại do có khả năng tìm ra thuộc tính nào quan trọng hơn so với những thuộc tính khác[7].
RF hoạt động trên cơ sở xây dựng nhiều cây quyết định (decision tree) trên các mẫu huấn luyện, mỗi cây quyết định sẽ khác nhau do có có yếu tố ngẫu nhiên (Random) Sau đó kết quả phân loại được tổng hợp từ các cây quyết định Như vậy, RandomForestlấyngẫunhiêndữliệuvàthuộctínhđểxâydựngcâyquyếtđịnh[36] Trong phân loại bằng thuật toán RF, số lượng cây quyết định (thông sốnumberOfTrees) có vai trò rất quan trọng, ảnh hưởng lớn đến độ chính xác kết quả phânloại.
Quá trình phân loại bằng thuật toán RF được thực hiện qua các bước sau:
Bước 1: Chọn các dữ liệu mẫu huấn luyện ngẫu nhiên từ tập dữ liệu mẫu đã cho;
Bước 3: Đánh giá các kết quả dự đoán;
Bước 4: Chọn kết quả được dự đoán nhiều nhất là kết quả phân loại cuối cùng.
Sơ đồ nguyên lý phân loại bằng thuật toán RF được trình bày trên hình 2.15, trong đó tập dữ liệu đầu vào được chia thành 02 nhóm: nhóm sử dụng để huấn luyện và nhóm sử dụng để kiểm tra độ chính xác kết quả phân loại.
Hình 2.15 Sơ đồ nguyên lý phân loại bằng thuật toán RF 2.4.3 Thuật toán Support VectorMachine
Support Vector Machine (SVM) là một thuật toán học máy phổ biến, được sử dụng trong cả phân lớp và hồi quy, trong đó có phân loại các đối tượng từ ảnh viễn thám quang học Thuật toán này có ưu điểm là hoạt động tốt đối với những mẫu dữ liệu có kích thước lớn như ảnh viễn thám và thường đạt độ chính xác cao so với các thuật toán phân loại có giám sát khác.
Hình 2.16 Nguyên lý hoạt động của thuật toán phân loại SVM
Mục tiêu của thuật toán SVM là tìm một siêu phẳng trong không gian N chiều (ứngvớiNđặctrưng,chẳnghạnsốlượngbăngphổảnhviễnthám)đểphânloạiđược các điểm dữ liệu, hay tối đa hoá khoảng cách của các điểm dữ liệu tới siêu phẳng (hình2.16) [51].Tuynhiêntrongthựctế,đểviệctìmmộtsiêuphẳngcóthểphânchia chính xác tuyệt đối các điểm dữ liệu là không thể xảy ra Do vậy, trong thuật toán SVM được bổ sung các tham số phạt C vàđại diện cho mức độ lỗi khi phânloại.
Tham số C càng lớn có nghĩa là SVM càng bị phạt nặng khi thực hiện kết quả phân loại sai, từ đó dẫn đến lề (Margin) càng hẹp và có ít vector hỗ trợ được sử dụng.
2.4.4 Thuật toán Classification and RegressionTree
Thuật toán cây phân loại và hồi quy (CART - Classification and Regression Trees) là một kỹ thuật học máy có giám sát được sử dụng phổ biến trong phân loại các đối tượng từ ảnh viễn thám[93], [125] Việc phân loại của CART đòi hỏi một cây nhị phân, là sự kết hợp của một nút (nodes) gốc ban đầu, các nút quyết định và các nút cuối Nút gốc và mỗi nút quyết định đại diện cho một đặc tính và giá trị ngưỡng của đặc tính đó Mô tả sơ đồ hoạt động của thuật toán CART được trình bày trên hình 2.17[40].
Hình 2.17 Mô tả nguyên lý hoạt động của thuật toán phân loại CART
Thuật toán CART yêu cầu phân loại cây dữ liệu sao cho phần phân tách là tốt nhất.TrongthuậttoánCART,chỉsốGinidùngđểđánhgiáxemviệcphânchiaởcác nút điều kiện có chính xác hay không Để tìm cách phân loại tốt nhất cần tính tổng trọng số của chỉ số Gini cho toàn bộ các nút con và sau đó lấy phần có chỉ số Gini thấp nhất làm phần có độ chính xác phân loại tốtnhất.
Mô hình Cellular Automata và các kỹ thuật học máy mô phỏng sự thay đổi bề mặtkhôngthấm
Các mô hình dự báo sự biến đổi lớp phủ/sử dụng đất như Markov có ưu điểm trong việc xác định định lượng các thay đổi của thảm phủ giữa hai khoảng thời gian, tuynhiênmôhìnhMarkovkhôngcungcấpsựphânbốkhônggiancủacáclầnchuyển đổilớpphủ/sửdụngđất.Đểbiểudiễncácthayđổivềmặtkhônggiancủalớpphủ/sử dụng đất, trong đó có bề mặt không thấm, các nghiên cứu trên thế giới thường sử dụng mô hình Cellular Automata Trong khi mô hình Markov cho biết chính xác số lượng các pixel chuyển đổi từ đối tượng này sang đối tượng khác, mô hình Cellular Automata (CA) cho phép định vị trí không gian của từng pixel[1] Một số nghiên cứu tại Việt Nam đã sử dụng mô hình tích hợp Markov_Cellular Automata (Markov_CA) để dự báo các thay đổi lớp phủ/sử dụng đất từ dữ liệu viễn thám[18], [19].
Mô hình CA được phát triển đầu tiên bởi Stanislaw Ulam vào những năm1940 khi nghiên cứu các tinh thể và John Von Neumann ở lĩnh vực các hệ thống tự sao chép[118], [137] Đến những năm
1950, mô hình CA bắt đầu được sử dụng trong việc mô phỏng hệ sinh thái.
Về bản chất, mô hình CA đưa ra các dự báo về không gian với đầu vào là các xácsuấtchuyểnđổilớpphủ/sửdụngđấtvàtrạngtháihiệntạicủachúng.MộthệCA bao gồm các ô (cell) không gian riêng biệt, trong đó mỗi cell đều có các trạng thái đặc trưng. Nhìn chung, một mô hình CA bao gồm 04 thành phần cơ bản sau[83]:
(1): không gian lưới L mà mô hình hoạtđộng.
(2): trạng thái cell Q trong không gianlưới.
(3): quy tắc chuyển đổi f nhằm xác định quá trình chuyển đổi không gian của các đốitượng;
(4): trạng thái của vùng lân cận Δ ảnh hưởng đến ô trungtâm.
Về mặt toán học, các thay đổi về mặt không gian, thời gian của trạng tháitrong mộthệthốngAđượcmôhìnhCAmôtảbằnghàmsố(2.8),trongđómỗiôlướiLsẽ thayđổitrạngtháicủachúngtheocácbướcthờigian(chẳnghạnthờigiangiữa2ảnh vệ tinh được sử dụng trong mô phỏng biến động lớp phủ/sử dụng đất)[83].
TrongmôhìnhCA,cácô(cell)đềuthayđổitrạngtháimộtcáchđồngbộ,trong đó trạng thái của một ô phụ thuộc vào vùng lân cận Δ và quy tắc chuyển đổiftương ứng.
Hình 2.18 Định nghĩa vùng lân cận Moore và Neumann trong mô hình
Với mô hình CA một chiều, vùng lân cận có ô trung tâm và 02 ô xung quanh, trong khi với CA 2 chiều, vùng lân cận có ô trung tâm và 4 ô xung quanh (lân cận Moore) hoặc 8 ô trung tâm (lân cận Neumann)[139]– Hình 2.18.
Hiện nay, mô hình CA thường được kết hợp với các kỹ thuật học máy, học sâu như mạng nơ ron nhân tạo (ANN), hồi quy logistic nhằm nâng cao độ chính xác kết quả dự báo thay đổi lớp phủ/sử dụng đất, xu thế mở rộng đô thị[52], [104], [143].
2.5.2 Mạng nơ ron nhân tạo(ANN)
Artificial Neural Network (Mạng nơ ron nhân tạo) là một mô hình tính toán được truyền cảm hứng từ bộ não con người[141] Trong thời gian gần đây, ANN đã được các nhà nghiên cứu sử dụng trong các lĩnh vực trí tuệ nhân tạo như nhận dạng giọngnói,nhậndạnghìnhảnh.Đượcmôphỏngtừcácđặcđiểmsinhhọc,ANNđược triểnkhainhằmthựchiệnmộtsốnhiệmvụnhưphâncụm,phânloại,nhậndạngmẫu ANN đã chứng minh tính hiệu quả trong dự báo các kết quả đầu ra khi so sánh với các mô hình thống kê trong các bài toán dựa trên hồi quy[38], [144], dự báo chuỗi thời gian[142].
KiếntrúccơbảncủaANNđượctrìnhbàytronghình2.19.Mộtmạngthầnkinh chứamộtsốlượnglớncácnơ-ronnhântạođượcgọilàcácđơnvị.Mộtmạngnơ-ron điểnhìnhbaogồmbalớp:lớpđầuvàotượngtrưngchocácgiátrịđầuvàocủadữliệu đã được chuẩn hoá - là thông tin mà mạng học tập, nhận biết và xử lý Tiếp theo là lớpđầurachứacácđơnvịphảnhồithôngtintheomụctiêucủatácvụ.Lớpẩnlàcác đơn vị nằm giữa lớp đầu vào và đầu ra Nhiệm vụ của lớp ẩn là chuyển đổi thông tin đầu vào và biến đổi theo mục tiêu của đầu ra Một mạng nơ-ron nhân tạo có thể có nhiều lớp ẩn[106],[140].
Hình 2.19 Kiến trúc của mạng nơ ron nhân tạo
Mạng nơ-ron nhân tạo học tập bằng cách điều chỉnh lặp đi lặp lại các trọng số và độ lệch (ngưỡng) của mô hình để mang lại đầu ra mong muốn Để việc học tập diễn ra, mạng nơ-ron cần phải xác định thuật toán đào tạo Các thuật toán đào tạo đượcxácđịnhbằngcáchsửdụngmộtbộquytắcxácđịnh.Mộtsốthuậttoánđàotạo được sử dụng là thuật toán giảm độ dốc (Gradient Descent) và thuật toán lan truyền ngược (Back Propagation).
Về mặt toán học, ANN được coi là một quy trình phát triển dựa trên sự học tập lặpđilặplạinhằmcânbằngtrọngsốvàđộlệch.Tươngtựnhưtếbàothầnkinhtrong não, mạng nơ- ron nhân tạo bao gồm nhiều nút xử lý được kết nối với nhau và được sắp xếp theo các lớp liên tiếp như được mô tả trong hình2.19 Cấu trúc cơ bản của mộtnútxửlýđượcminhhoạtronghình2.20.Môhìnhtoánhọccủamộtnútxửlý bao gồm các đầu vào X X1,X2 , ,Xn ,mộthàmkíchhoạt vàmộtđầura duy nhấtY j Các giá trịw1, w2, ,wnđược gọi là trọng số, đại diện cho tính chặt chẽcủa liên kết giữa các nút[45].
Hình 2.20: Mô hình toán học của một nút xử lý trong mạng nơ ron nhân tạoMỗinútxửlýtrongcáclớpẩnnhậnđầuvàocótrọngsốvàđộlệchtừcácnút xử lý trong lớp trước nó như được đưa ra bởi công thức (2.9):
Trong đó, biểu thị đầu vào nút thứktrong lớp thứj,W k,j là trọng số giữan ú t thứkvớitấtcảcácnúttrongcáclớptrướcđóvàbilàđộlệchchonút,Njlàsốnútxửlý trong lớp thứj.
TổngZitrong công thức (2.9) được chuyển đến một hàm kích hoạt để tạo đầuracủanútxửlý,đượctínhnhưcôngthức(2.10).Hàmsigmoidlàhàmkíchhoạtđược sử dụng phổ biến nhất, được định nghĩa như công thức(2.11).
Hình 2.21 Sơ đồ quy trình xử lý dữ liệu của mạng nơ ron nhân tạo
Quy trình xử lý dữ liệu của ANN được trình bày trong hình (2.21) Trước hết, quá trình học tập mạng lưới thần kinh nhân tạo cần có đủ dữ liệu đầu vào và đầu ra mongmuốn.Mỗibảnghidữliệubaogồmcácgiátrịbiếnđầuvàovàđầuratrongtập dữ liệu được gọi là một mẫu Dữ liệu được chia thành hai tập con là tập dữ liệuhuấn luyệnvàtậpdữliệukiểmtra.Giảsửmẫuhuấnluyệnlà x p ,t q baogồmcácvec-tơ đầu vào thứsvà vec-tơ đầu ra thứqvới số chiều lànpvànqtương ứng Bên cạnhhaitậpcon,tậpdữliệuthửnghiệmcóthểđượcsửdụngtrongquátrìnhhuấnluyệnnhằm đánh giá khả năng tổng quát hoá củamạng. Đào tạo một mạng lưới thần kinh nhân tạo là quá trình lặp đi lặp lại, tối ưu hoá trọng số bằng cách sử dụng các thuật toán đào tạo như được mô tả ở trên Ban đầu, các trọng số kết nối được khởi tạo các giá trị ngẫu nhiên Việc hiệu chỉnh các trọng số thu được thông qua quá trình học tập bằng cách giảm dần lỗi huấn luyện cho đến khi lỗi huấn luyện đạt giá trị tối thiểu hay hàm hội tụ Hàm hội tụ được sử dụng phổ biến nhất là lỗi trung phương (MSE) được định nghĩa như công thức (2.12)[61]:
p q s 1k 1 lần lượt là các giá trị dự đoán và mục tiêu của nút đầu ra thứktrong mẫus, k 1 p đạidiệncholỗicủacácnúttrongmạng, q s 1 đại diện cho lỗi của toàn bộ mẫu trong tập dữ liệu huấn luyện[106], [140].
Hồi quy Logistic được sử dụng trong nhiều lĩnh vực khác nhau bao gồm học máy,cáclĩnhvựcytếvàkhoahọcxãhội.MặcdùhồiquyLogisticđượcsửdụngchủ yếu với các biến phụ thuộc, nhưng kỹ thuật này thường được mở rộng cho các tình huống liên quan đến các biến mục tiêu có 3 kết quả trở lên[121] Từ đó, kết quả thu được chính là tỷ lệ chênh lệch của từng biến phụ thuộc đối với đầu ra được quan sát Ưu điểm chính của thuật toán là tránh các hiệu ứng gây nhiễu bằng cách phân tích mối liên hệ của tất cả các biến phụ thuộc với nhau[110].
Mộtmôhìnhthốngkêthườngđượcsửdụngđểlậpmôhìnhcácbiếnphụthuộc với sự trợ giúp của hàm logistic Một tên gọi khác của hàm logistic là hàm sigmoid và được cho bởi công thức (2.13)[54]:
Hình 2.22 Mô tả hàm hồi quy Logistic
Hàm sigmoid hỗ trợ mô hình hồi quy logistic chuẩn hoá các giá trị từ[-k, k]thành[0,1] Hồi quy logistic chủ yếu được sử dụng cho các nhiệm vụ phân loại nhị phân.Tuynhiên,nócóthểđượcsửdụngkhiphânloạinhiềulớpđốitượngkhácnhau[59], [138].
Vềmặttoánhọc,hồiquyLogistictươngtựhồiquytuyếntính.HồiquyLogistic bắt đầu từ một phương trình tuyến tính Giả sửp(x)là hàm tuyến tính Đặtplà xác suất thay đổi từ 0 đến 1 Dop(x)là một phương trình tuyến tính không giới hạn, giả sửlog(p(x))làmộthàmtuyếntínhcủax.Đểgiớihạntrongkhoảngtừ0đến1cần phải sử dụng phép biến đổi logarit Do đó, xem xét hàm f(x)log p(x) [54].
Tiếp theo chuyển đổi hàmf(x)thành tuyến tính:
Sau khi giải thu đượcp(x): p(x)
Sơ đồ mô hình dự báo sự biến động mặtkhôngthấm
Trên cơ sở nghiên cứu đặc điểm khu vực thực nghiệm, các kinh nghiệm từ các nghiên cứu trên thế giới và Việt Nam cũng như đặc điểm hiện trạng nguồn dữ liệu, nghiên cứu sinh đề xuất lựa chọn mô hình dự báo sự biến động bề mặt không thấm từ dữ liệu viễn thám và GIS trên cơ sở mô hình Cellular Automata kết hợp các kỹ thuật học máy như hình 2.23.
Bước 1 :Khảo sát khu vực nghiên cứu, thu thập dữ liệu
Trong bước này, sau khi nghiên cứu, khảo sát và phân tích đặc điểm khu vực thử nghiệm cũng như hiện trạng nguồn dữ liệu, dữ liệu đầu vào bao gồm ảnh vệ tinh (ảnh Landsat) và các lớp dữ liệu khác được thu thập để xây dựng các lớp thông tin đầu vào cho mô hình dự báo sự biến động bề mặt không thấm: Ảnh Landsat thu thập từ cơ sở dữ liệu của Cục Khảo sát Địa chất Hoa Kỳ (USGS) dùng để phân loại bề mặt không thấm ở 3 thời điểm: kết quả phân loại thời điểm 1 và 2 dùng để xây dựng mô hình dự báo, kết quả phân loại thời điểm 3 dùng đểsosánh,đánhgiáđộchínhxáckếtquảdựbáocủamôhình.Ngoàira,ảnhLandsat cũngđượcsửdụngđểchiếttáchthôngtinnhiệtđộbềmặtvàmậtđộchephủcủathực vật khi xây dựng các lớp dữ liệu bổsung.
Hình 2.23 Sơ đồ quy trình công nghệ xây dựng mô hình dự báo sự biến động bề mặt không thấm từ dữ liệu viễn thám và GIS
Bước 2: Xây dựng các lớp dữ liệu bổ sung
7 lớp dữ liệu bổ sung của mô hình dự báo sự biến động bề mặt không thấm từ dữ liệu viễn thám và GIS được trích xuất và xây dựng, cụ thể như sau:
+ Lớp thông tin về mật độ che phủ của thực vật được chiết xuất từ ảnh vệ tinh quang học Landsat 8 thông qua chỉ số thực vật NDVI, trong đó sử dụng giá trị phản xạ phổ tại kênh 5 (cận hồng ngoại) và kênh 4 (đỏ).
+ Lớp thông tin nhiệt độ bề mặt cũng được chiết xuất từ ảnh vệ tinh Landsat 8. Phương pháp sử dụng đơn kênh (single-channel) được lựa chọn để tính nhiệt độ bề mặt do ưu điểm đơn giản cũng như có độ chính xác đảm bảo.
+ Lớp thông tin về địa hình (độ cao) được trích xuất từ mô hình số độ cao (DEM) Trong luận án, DEM được xây dựng từ lớp dữ liệu địa hình của CSDL nền địa lý quốc gia tỉ lệ 1:50 000 khu vực thành phố Hồ Chí Minh.
+Lớpthôngtinvềmậtđộdânsốđượcxâydựngtrêncơsởdữliệuđiềutratổng hợp dân số, lao động thành phố Hồ Chí Minh năm 2021, tham khảo tại website của Cục Thống kê thành phố Hồ Chí Minh tại địa chỉhttp://www.pso.hochiminhcity.gov.vn/[146].
+Lớpthôngtinvềkhoảngcáchtớiđườnggiaothông,khoảngcáchtớithủyhệ, khoảng cách tới công trình đặc biệt được xây dựng trên cơ sở tính khoảng cáchƠclit thông qua công cụ Euclean Distance trong phần mềm ArcGIS từ mỗi pixel DEM tới vị trí đường giao thông, thủy hệ và các công trình đặc biệt Dữ liệu về đường giao thông,thủyhệđượcchiếtxuấttừCSDLnềnđịalýquốcgiatỉlệ1:50000.Dữliệuvề các công trình đặc biệt được tham khảo tại CSDLhttps://opendata.hcmgis.vn/ [ 150].
Tất cả các lớp thông tin đầu vào này được xây dựng ở cấu trúc dữ liệu raster, sau đó nội suy về cùng độ phân giải (kích thước pixel) 30m để đồng bộ hóa các lớp dữ liệu đầu vào của mô hình dự báo sự biến động bề mặt không thấm cũng như phù hợp với bộ dữ liệu cơ sở (ảnh Landsat có độ phân giải không gian 30m) Để đưa vào mô hình, các lớp thông tin bổ sung này được chuẩn hóa, đưa về giá trị từ 0 - 1.
Bước 3: Phân loại bề mặt không thấm từ ảnh vệ tinh Landsat đa thời gian Để phân loại bề mặt không thấm khu vực nghiên cứu từ dữ liệu ảnh vệ tinh Landsat đa thời gian, trong luận án tiến hành thử nghiệm với thuật toán xác suất cực đại(maximumlikelihood)–thuậttoánđượcxemlàphươngphápphânloạichuẩnkhi phân loại dựa trên điểm ảnh và 03 thuật toán học máy phổ biến (RF, SVM, CART). Trêncơsởđánhgiáđộchínhxáckếtquảphânloạibằngmatrậnsaisố,trongluậnán tiến hành lựa chọn phương pháp phù hợp với điều kiện khu vực thựcnghiệm.
Bước4:DựbáobiếnđộngbềmặtkhôngthấmbằngmôhìnhCellularAutomatavà các kỹ thuật họcmáy
Kết quả phân loại bề mặt không thấm thời điểm 1 và 2 cùng bộ dữ liệu bổsung (7lớpdữliệu)đượcsửdụngđểmôhìnhhóavàdựbáobiếnđộngbềmặtkhôngthấm trêncơsởmôhìnhCellularAutomatakếthợpcáckỹthuậthọcmáy.Luậnánsửdụng module MOLUSCE trong phần mềm QGIS 2.18 và 02 kỹ thuật học máy (ANN, hồi quy Logistic) để tiến hành dự báo phân bố bề mặt không thấm trong tương lai (thời điểm3).Đâylàcácmôhìnhhọcmáyđượcsửdụngphổbiếntrongdựbáoxuthếthay đổi lớp phủ/sử dụng đất trên thế giới và được tích hợp sẵn trong moduleMOLUSCE trong phần mềmQGIS.
Trongbướcnày,thuậttoánCAdùngđểdựbáophânbốkhônggiancủacácđối tượng lớp phủ, trong khi đó, các thuật toán học máy (ANN, hồi quy Logistic) được sử dụng để xây dựng các ma trận chuyểnđổi.
Bước 5: Đánh giá độ tin cậy và lựa chọn mô hình phù hợp
Kết quả dự báo phân bố bề mặt không thấm được so sánh với kết quả phânloại bềmặtkhôngthấmởthờiđiểm3(cùngthờiđiểm)đểđánhgiáđộtincậyvàlựachọn mô hình phùhợp.
Bước 6: Xây dựng bản đồ dự báo biến động bề mặt không thấm
Sau khi lựa chọn mô hình phù hợp và có độ chính xác cao nhất, trong luận án tiến hành dự báo phân bố bề mặt không thấm trong tương lai Khoảng thời gian giữa các giai đoạn dự báo biến động bề mặt không thấm trong luận án lựa chọn là 5 năm, trong đó sử dụng các ảnh Landsat ở các năm 2010, 2015 và 2020 Từ kết quả phân loạibềmặtkhôngthấmnăm2010và2015cùngbộdựliệubổsungtiếnhànhdựbáo chonăm2020vàsosánhvớikếtquảphânloạinăm2020đểhoànthiệnmôhình.Mô hình sau khi hoàn thiện được sử dụng để dự báo phân bố bề mặt không thấm năm 2025 và2030.
Tiểu kếtchương2
Trongchương2,nghiêncứusinhđãphântích,đánhgiáđặcđiểmkhuvựcthực nghiệm (Thành phố Hồ Chí Minh) và lựa chọn bộ dữ liệu đầu vào cho mô hình dự báo sự biến động bề mặt không thấm thông qua so sánh hệ số tương quan giữa các lớp dữ liệu bổ sung và chỉ số đất xây dựng NDBI xác định từ ảnh vệ tinh Landsat năm 2010 và 2015. Trên cơ sở đó, luận án đã lựa chọn 03 cảnh ảnh Landsat ở 3 thời điểm làm bộ dữ liệu cơ sở và 07 lớp dữ liệu bổ sung để mô hình hóa quá trình phát triển bề mặt không thấm, bao gồm: mật độ dân số, mật độ che phủ thực vật, nhiệt độ bềmặt,độcao,khoảngcáchtớicôngtrìnhđặcbiệt,khoảngcáchtớiđườnggiaothông và khoảng cách tới thủyhệ.
Các lớp thông tin về mật độ che phủ của thực vật, nhiệt độ bề mặt được chiết tách từ dữ liệu viễn thám (ảnh vệ tinh Landsat) Lớp thông tin về độ cao được trích xuất từ mô hình số độ cao DEM xây dựng từ lớp dữ liệu địa hình của CSDL nền địa lý quốc gia tỉ lệ 1:50 000 ở khu vực nghiên cứu Các lớp thông tin khoảng cách tới đườnggiaothông,khoảngcáchtớithủyhệ,khoảngcáchtớicôngtrìnhđặcbiệtđược trích xuất từ DEM và các thông tin về giao thông, thủy hệ từ CSDL nền địa lý quốc gia tỉ lệ 1:50
000 Lớp dữ liệu về mật độ dân số được thu thập từ kết quả điều tra, thống kê dân số, lao động Thành phố Hồ Chí Minh năm 2021 của Cục Thống kê ThànhphốHồChíMinh,sauđóxâydựngthànhdữliệuraster.Tấtcảcáclớpdữliệu bổ sung được biên tập và nội suy về độ phân giải không gian 30m để thống nhất với bộdữliệucơsở(ảnhLandsatcóđộphângiảikhônggian30m),sauđóchuẩnhóavề giá trị 0 – 1 để đưa vào mô hình dự báo xu hướng phát triển bề mặt khôngthấm. Để dự báo phân bố bề mặt không thấm trong tương lai, trong luận án đã lựa chọnvàđềxuấtkếthợpmôhìnhtoánhọcCellularAutomatavà02kỹthuậthọcmáy
(ANN,hồiquyLogistic).Ảnhvệtinhthờiđiểm1và2cùngbộdữliệubổsungđược sử dụng để dự báo phân bố bề mặt không thấm cho thời điểm 3, sau đó so sánh với kết quả phân loại từ ảnh Landsat thời điểm 3 để lựa chọn mô hình phù hợp và có độ chính xác cao nhất Mô hình sau khi hoàn thiện được sử dụng để dự báo biến động bề mặt không thấm trong tươnglai.
THỰC NGHIỆM DỰ BÁO BIẾN ĐỘNG BỀ MẶT KHÔNG THẤM KHU
Đặc điểm dữ liệusử dụng
Dữ liệu viễn thám sử dụng trong nghiên cứu là ảnh vệ tinh Landsat chụp khu vựcThànhphốHồChíMinh,baogồm03cảnhảnhngày11/02/2010(Landsat5TM),
9/02/2015và23/02/2020(Landsat8OLI_TIRS).Cácảnhđềuđượcthuthậpvàomùa khô, có chất lượng tốt và không bị ảnh hưởng bởi điều kiện thời tiết Ảnh được thu thậpởmứcđộxửlýL2A,dovậytrongnghiêncứuchỉtiếnhànhhiệuchỉnhhìnhhọc vàcắttheoranhgiớikhuvựcthựcnghiệm.DữliệuảnhLandsatđathờigiansửdụng trong luận án được trình bày trên các hình 3.1 - 3.3 ở tổ hợp màu tựnhiên.
Hình 3.1 Ảnh vệ tinh Landsat TM ngày 11/2/2010
Hình 3.2 Ảnh vệ tinh Landsat 8 OLI_TIRS ngày9/02/2015
Hình 3.3 Ảnh vệ tinh Landsat 8 OLI_TIRS ngày23/2/2020
03 cảnh ảnh Landsat này dùng để phân loại bề mặt không thấm phục vụ xây dựngmôhìnhdựbáophânbốbềmặtkhôngthấmtrongtươnglaitrêncơsởmôhình CA và các thuật toán học máy cũng như đánh giá độ chính xác của mô hình Trong đó, kết quả phân loại lớp phủ/sử dụng đất năm 2010 và 2015 dùng để xây dựng mô hình dự báo sự biến động bề mặt không thấm cho năm 2020 Kết quả phân loại lớp phủ/sử dụng đất năm 2020 được sử dụng để so sánh, đánh giá với kết quả dự báo, từ đó hiệu chỉnh và lựa chọn mô hình dự báo phù hợp với đặc điểm tự nhiên, kinh tế - xã hội khu vực nghiêncứu. Đểhỗtrợlựachọncáclớpdữliệuđầuvàocủamôhìnhdựbáosựbiếnđộngbề mặtkhôngthấm,ảnhLandsatnăm2010và2015đượcsửdụngđểtínhchỉsốđấtxây dựng NDBI, sau đó xác định hệ số tương quan với bộ dữ liệu bổ sung Kết quả xác địnhchỉsốNDBItừảnhLandsatnăm2010và2015đượctrìnhbàytrêncáchình3.4 và 3.5, trong đó đất xây dựng được thể hiện bởi các pixel màusáng.
Hình 3.4 Chỉ số NDBI xác định từ ảnh Landsat năm 2010
Hình 3.5 Chỉ số NDBI xác định từ ảnh Landsat năm 2015 3.1.2 Dữ liệukhác
Ngoài dữ liệu viễn thám, trong luận án sử dụng CSDL nền địa lý quốc gia tỉ lệ 1:50000khuvựcThànhphốHồChíMinhđểnộisuyvàxâydựngmôhìnhsốđộcao (DEM) phục vụ chiết xuất các thông tin về địa hình, hỗ trợ xác định các lớp dữ liệu đầu vào như khoảng cách tới đường giao thông, khoảng cách tới công trình đặc biệt, khoảng cách tới thủyhệ.
Dữ liệu về hệ thống đường giao thông, thủy hệ cũng được chiết xuất từ CSDL nền địa lý quốc gia tỉ lệ 1:50 000.
Dữ liệu mật độ dân số được thu thập từ kết quả điều tra dân số, lao động năm
2021 của Cục Thống kê thành phố Hồ Chí Minh[146], sau đó xây dựng lớp dữ liệu dạng raster để đưa vào mô hình.
Dữ liệu về vị trí các công trình đặc biệt được thu thập tạiCSDLhttps://opendata.hcmgis.vn/ [ 150].
Kết quả phân loại bề mặt không thấm từ ảnh vệ tinh Landsat đathờigian
3.2.1 Kết quả phân loại sử dụng thuật toánRF
Trên hình 3.6 trình bày kết quả phân loại lớp phủ/sử dụng đất khu vực Thành phố Hồ Chí Minh từ ảnh vệ tinh Landsat năm 2010 bằng thuật toán RF, trong đó lớp phủ/sử dụng đất được phân loại thành 06 đối tượng: mặt nước, bề mặt không thấm, cây bụi, đất nông nghiệp, đất trống và rừng.
Hình 3.6 Kết quả phân loại lớp phủ/sử dụng đất khu vực Thành phố Hồ Chí
Minhnăm 2010 bằng thuật toán RF Độ chính xác kết quả phân loại được đánh giá trên cơ sở ma trận sai số, trong đósửdụngcácđiểmngẫunhiên(cácpixel)đểsosánh,phântích.Từbảng3.1và3.2 chothấy,độchínhxáckhiphânloạicácđốitượnglớpphủ/sửdụngđấtkhuvựcThành phốHồChíMinhtừảnhLandsatngày11/02/2010đềuđạtcaotrên88%,trongđóđộ chính xác khi phân loại bề mặt không thấm đạt95,19%.
Bảng 3.1 Ma trận sai số khi phân loại bằng thuật toán RF đối với ảnh Landsat khuvực nghiên cứu năm2010 Đối tượng lớp phủ Nước Bề mặt không thấm Cây bụi Đất nông nghiệp Rừng Đất trống
Cây bụi 2 3 151 3 4 2 Đất nông nghiệp 0 2 3 166 4 1
Bảng 3.2 Độ chính xác khi phân loại bằng thuật toán RF đối với ảnh Landsat khuvực nghiên cứu năm2010 Đối tượng lớp phủ Nước Bề mặt không thấm Cây bụi Đất nông nghiệp Rừng Đất trống Nước 95.97% 0.81% 0.81% 1.61% 0.81% 0.00%
Cây bụi 1.21% 1.82% 91.52% 1.82% 2.42% 1.21% Đất nông nghiệp 0.00% 1.14% 1.70% 94.32% 2.27% 0.57%
Trên hình 3.7 trình bày kết quả phân loại lớp phủ/sử dụng đất khu vực Thành phố Hồ Chí Minh từ ảnh vệ tinh Landsat chụp ngày 9/02/2015 bằng thuật toán RF.
Cóthểnhậnthấy,sovớinăm2010,diệntíchbềmặtkhôngthấmcósựgiatăngđáng kể, nhất là khu vực trung tâm và phía bắc Thành phố Diện tích mặt không thấm ở phíaNamkhuvựcnghiêncứucũngcósựgiatăng,tuynhiênkhôngnhiềuvàtậptrung ở khu vực đô thị ven biển Cần Giờ Diện tích rừng tập trung ở huyện Cần Giờ và được bảo tồn tốt (hình3.7).
Hình 3.7 Kết quả phân loại lớp phủ/sử dụng đất khu vực Thành phố Hồ Chí
Minhnăm 2015 bằng thuật toán RF Độ chính xác kết quả phân loại lớp phủ/sử dụng đất khu vực Thành phố Hồ ChíMinh từ ảnh vệ tinh Landsat TM năm 2015 được trình bày trong các bảng 3.3 và 3.4, trong đó độ chính xác của tất cả các đối tượng lớp phủ đều đạt trên 87.5%, riêng bề mặt không thấm đạt 94.76%.
Bảng 3.3 Ma trận sai số khi phân loại bằng thuật toán RF đối với ảnh Landsat khuvực nghiên cứu năm2015 Đối tượng lớp phủ Nước Bề mặt không thấm Cây bụi Đất nông nghiệp Rừng Đất trống
Cây bụi 2 3 155 2 2 1 Đất nông nghiệp 1 4 4 166 3 2
Bảng 3.4 Độ chính xác khi phân loại bằng thuật toán RF đối với ảnh Landsat khuvực nghiên cứu năm2015 Đối tượng lớp phủ Nước Bề mặt không thấm Cây bụi Đất nông nghiệp Rừng Đất trống Nước 94.53% 1.56% 1.56% 0.78% 0.78% 0.78%
Cây bụi 1.21% 1.82% 93.94% 1.21% 1.21% 0.61% Đất nông nghiệp 0.56% 2.22% 2.22% 92.22% 1.67% 1.11%
3.2.2 Kết quả phân loại sử dụng thuật toánSVM
Tương tự như với thuật toán RF, trong luận án cũng tiến hành phân loại lớp phủ/ sử dụng đất khu vực Thành phố Hồ Chí Minh bằng thuật toán SVM Kết quả phân loại lớp phủ/sử dụng đất (với 6 đối tượng lớp phủ như với thuật toán RF) khu vực nghiên cứu từ ảnh vệ tinh Landsat năm 2010 được trình bày trên hình 3.8.
Hình 3.8 Kết quả phân loại lớp phủ/sử dụng đất khu vực Thành phố Hồ Chí
Bảng 3.5 thể hiện ma trận sai số khi phân loại lớp phủ/sử dụng đất khu vực Thành phố Hồ Chí Minh năm 2010 bằng thuật toán SVM Có thể nhận thấy, với đối tượng bề mặt không thấm, trong 208 điểm kiểm tra ngẫu nhiên, có 185 điểm được phânloạiđúng,tươngđương88.94%.Cácđốitượnglớpphủkháccũngđạtđộchính xác cao, từ 71.43% (đất trống) đến 90.91% (cây bụi) – Bảng 3.6 Mặc dù vậy, so với kết quả phân loại lớp phủ/sử dụng đất từ ảnh Landsat năm 2010 bằng thuật toán RF, độ chính xác khi phân loại bằng thuật toán SVM thấphơn.
Bảng 3.5 Ma trận sai số khi phân loại bằng thuật toán SVM đối với ảnh
Landsatkhu vực nghiên cứu năm 2010 Đối tượng lớp phủ Nước Bề mặt không thấm Cây bụi Đất nông nghiệp Rừng Đất trống
Cây bụi 2 3 150 3 4 3 Đất nông nghiệp 4 5 5 151 7 4
Bảng 3.6 Độ chính xác khi phân loại bằng thuật toán SVM đối với ảnh Landsat khuvực nghiên cứu năm 2010 Đối tượng lớp phủ Nước Bề mặt không thấm Cây bụi Đất nông nghiệp Rừng Đất trống Nước 88.14% 4.24% 4.24% 3.39% 1.69% 3.39%
Cây bụi 1.21% 1.82% 90.91% 1.82% 2.42% 1.82% Đất nông nghiệp 2.27% 2.84% 2.84% 85.80% 3.98% 2.27%
TươngtựnhưvớiảnhLandsatnăm2010,trongluậnáncũngsửdụngthuậttoán SVM để phân loại lớp phủ/sử dụng đất khu vực nghiên cứu từ ảnh vệ tinh Landsat năm 2015 Kết quả phân loại lớp phủ/sử dụng đất khu vực Thành phố Hồ Chí Minh từảnhLandsatnăm2015bằngthuậttoánSVMđượctrìnhbàytrênhình3.9.Matrận saisốvàđộchínhxáckếtquảphânloạiđượcthểhiệntrongcácbảng3.7và3.8,trong đó độ chính xác khi phân loại các đối tượng lớp phủ/sử dụng đất đạt từ 86.11% (đất trống) đến 90.95% (bề mặt không thấm), thấp hơn so với sử dụng thuật toán RF.
Hình 3.9 Kết quả phân loại lớp phủ/sử dụng đất khu vực Thành phố Hồ Chí
Minhnăm 2015 bằng thuật toán SVM
Bảng 3.7 Ma trận sai số khi phân loại bằng thuật toán SVM đối với ảnh
Landsatkhu vực nghiên cứu năm 2015 Đối tượng lớp phủ Nước Bề mặt không thấm Cây bụi Đất nông nghiệp Rừng Đất trống
Cây bụi 3 3 147 4 4 4 Đất nông nghiệp 5 5 4 156 7 3
Bảng 3.8 Độ chính xác khi phân loại bằng thuật toán SVM đối với ảnh Landsat khuvực nghiên cứu năm 2015 Đối tượng lớp phủ Nước Bề mặt không thấm Cây bụi Đất nông nghiệp Rừng Đất trống Nước 89.84% 2.34% 2.34% 0.78% 3.91% 0.78%
Cây bụi 1.82% 1.82% 89.09% 2.42% 2.42% 2.42% Đất nông nghiệp 2.78% 2.78% 2.22% 86.67% 3.89% 1.67%
3.2.3 Kết quả phân loại sử dụng thuật toánCART
Bêncạnh02kỹthuậthọcmáyquenthuộc(RFvàSVM),trongluậnáncũngthử nghiệm phân loại lớp phủ/sử dụng đất khu vực Thành phố Hồ Chí Minh bằng thuật toánCâyphânloạivàHồiquy(ClassificationandRegressionTree-CART).Kếtquả phânloạilớpphủ/sửdụngđấtkhuvựcthựcnghiệmtừảnhvệtinhLandsatnăm2010 đượctrìnhbàytrênhình3.10.Matrậnsaisốvàkếtquảđánhgiáđộchínhxácphân loại 06 đối tượng lớp phủ/sử dụng đất khu vực Thành phố Hồ Chí Minh bằng thuật toán CART trên cơ sở ảnh vệ tinh Landsat chụp năm 2010 được trình bày trong các bảng 3.9 và 3.10.
KếtquảdựbáophânbốbềmặtkhôngthấmkhuvựcThànhphốHồChíMinh
3.3.1 Kết quả dự báo biến động bề mặt không thấm năm2020
Mô hình hóa là một kỹ thuật quan trọng để nghiên cứu các động lực thay đổi mục đích sử dụng đất Sự phát triển mạnh mẽ các mô hình không gian địa lý giúp việc mô phỏng sự thay đổi sử dụng đất ngày càng trở nên khả thi và chính xác hơn. Các mô hình không gian địa lý khác nhau, chẳng hạn như Conversion of Land Use and Its Effects (CLUE), Geographical Modeling (GEOMOD), Cellular Automata (CA), Markov Chain (MC) và Slope, Land Use, Exclusion, Urban Growth, TransportationandHillshade(SLEUTH),CLUMundo đãđượcsửdụngđểđánhgiá sự thay đổi sử dụng đất từ dữ liệu viễn thám vàGIS.
Celullar Automata (CA) là một trong các mô hình dự báo thay đổi lớp phủ/sử dụng đất được sử dụng phổ biến nhất trên thế giới Mô hình CA sử dụng khái niệm cận cảnh để kích hoạt động lực tạo nên sự thay đổi trong lớp phủ/sử dụng đất Bốn thànhphầncủamôhìnhCAlàpixelảnh,trạngthái,vùnglâncậnvàcácquytắc[117] Các quy tắc được sử dụng nhằm xác định trạng thái của các pixel trong bước tương lai Sự chuyển đổi của một pixel từ lớp phủ/sử dụng đất này sang một lớp phủ/sử dụngđấtkhácphụthuộcvàocáctrạngtháipixelhiệntại.MôhìnhCAđượccungcấp trong nhiều phần mềm GIS khác nhau như QGIS 2.18 (module MOLUSCE) Trong module MOLUSCE cũng cung cấp các giải pháp học máy, bao gồm mạng Neural nhân tạo (ANN) và hồi quy Logistic (LR) để xây dựng các ma trận chuyển đổi trong dự báo biến động lớp phủ/sử dụngđất.
3.3.1.1 Sử dụng mô hình CA kết hợp với thuật toánANN
Mạng neural nhân tạo (ANN) là một trong hai kỹ thuật học máy được cungcấp trong module MOLUSCE của phần mềm QGIS 2.18 Để dự báo phân bố bề mặt khôngthấmkhuvựcThànhphốHồChíMinhnăm2020từdữliệuviễnthámvàGIS sử dụng mô hình CA và thuật toán ANN, trong nghiên cứu tiến hành khởi tạo 2000 mẫungẫunhiênvàthiếtlậpbộthamsốbaogồm:vùnglâncận-neighbourhood(1 px), tỉ lệ học - learning rate (0.001), số vòng lặp - interations (1000), lớp ẩn - hidden layers (12) và quán tính - momentum (0.05) (bảng 3.19) Bộ tham số trong luận án được lựa chọn sau khi thử nghiệm với các giá trị tham số khác nhau nhằm tạo mô hình huấn luyện có tính tương quan cao với dữ liệu huấn luyện Với bộ tham sốthiết lập trong luận án, quá trình học tập dữ liệu đạt giá trị Kappa là 0.754 khi so sánh tương quan với tập dữ liệu huấnluyện.
Bảng 3.19 Các tham số sử dụng trong thuật toán ANN
Thứ tự Tham số Giá trị
1 Neighbourhood (vùng lân cận) 1 px
2 Learning rate (tỉ lệ học) 0.001
Kết quả mô hình hoá quá phân bố lớp phủ/sử dụng đất khu vực nghiên cứu năm
2020 bằng mô hình CA kết hợp với thuật toán ANN được trình bày trong hình 3.16
Hình 3.16 Kết quả dự báo phân bố bề mặt không thấm năm 2020 khu vực
Thànhphố Hồ Chí Minh bằng mô hình CA kết hợp với thuật toán ANN
3.3.1.2 Sử dụng mô hình CA kết hợp với thuật toán hồi quy Logistic(LR)
Mô hình hồi quy Logistic là một trong những phương pháp được sử dụng phổ biến nhất trong thời gian gần đây, cho phép dự báo biến động lớp phủ/sử dụng đất bằng các phương pháp quy nạp Tuy nhiên, mô hình hồi quy Logistic cũng cónhược điểmkhiđịnhlượngcácbiếnđổicủacácthamsốvàphântíchthờigianchưathựcsự tốt Hồi quy Logistic thường được kết hợp với các mô hình dự báo sự biến động dựa trên quy tắc như
CA nhằm kết hợp ưu điểm về mô phỏng trên các mô hình không gian và cách xử lý các biến động lực theo thời gian, từ đó mô hình quá sự thay đổi trong lớp phủ/sử dụng đất. Hồi quy Logistic cũng là một trong hai kỹ thuật học máy (cùngvớiANN)đượccungcấptrongmoduleMOLUSCEcủaphầnmềmQGIS2.18 để mô hình hóa các biến động trong lớp phủ/sử dụngđất.
Với thuật toán hồi quy Logistic, bộ tham số đầu vào được thiết lập trong luận ánbaogồm:sốlượngmẫu-numberofsamples(2000),vùnglâncận-neighbourhood (1 px), số vòng lặp tối đa - maximum interations (100) (bảng 3.20) Bộ tham số này cũng được lựa chọn khi thử nghiệm với nhiều giá trị tham số khác nhau, sau đó lựa chọnbộthamsốcóđộchínhxáctronghọctậpdữliệu(huấnluyện)caonhất.Vớibộ tham số thiết lập trong luận án, quá trình học tập dữ liệu đạt giá trị Kappa là 0.731 khi so sánh tương quan với tập dữ liệu huấnluyện.
Bảng 3.20 Các tham số sử dụng trong thuật toán hồi quy Logistic
Thứ tự Các tham số Giá trị
1 Number of samples (số lượng mẫu) 2000
2 Neighbourhood (vùng lân cận) 1 px
3 Maximum Iterations (số vòng lặp tối đa) 100
Kết quả mô hình hoá lớp phủ/sử dụng đất đô thị khu vực Thành phố Hồ ChíMinh năm 2020 sau khi sử dụng mô hình CA kết hợp với thuật toán LogisticRegressionđượctrìnhbàytronghình3.17,trongđóbềmặtkhôngthấmđượcthểhiện bởi màuđỏ.
Hình 3.17 Kết quả dự báo phân bố bề mặt không thấm năm 2020 khu vực
Thànhphố Hồ Chí Minh bằng mô hình CA kết hợp với thuật toán hồi quy Logistic
3.3.2 Đánh giá và hoàn thiện mô hình dự báo sự biến động bề mặt khôngthấm
Nhằm đánh giá độ chính xác của các mô hình mô phỏng biến động bề mặt đô thị khu vực Thành phố Hồ Chí Minh năm 2020, trong nghiên cứu sử dụng kết quả phân loại lớp phủ/sử dụng đất từ ảnh Landsat năm 2020 bằng thuật toán RF để so sánhmứcđộtươngquangiữakếtquảmôhìnhhóavàkếtquảphânloại.Kếtquảphân loại lớp phủ/sử dụng đất khu vực Thành phố Hồ Chí Minh từ ảnh Landsat năm 2020 bằngthuậttoánRFđượctrìnhbàytrênhình3.18,trongđólớpphủ/sửdụngđấtđược phânloạithành06đốitượng:mặtnước,bềmặtkhôngthấm,câybụi,đấtnôngnghiệp, đất trống vàrừng.
Hình 3.18 Kết quả phân loại lớp phủ/sử dụng đất khu vực Thành phố Hồ Chí
Minhnăm 2020 bằng thuật toán RF
Kết quả mô phỏng lớp phủ/sử dụng đất khu vực nghiên cứu năm 2020 được so sánhvớikếtquảphânloạitừảnhvệtinhLandsatnăm2020đểđánhgiámứcđộtương quanthôngquahệsốtươngquan.Kếtquảnhậnđượcchothấy,hệsốtươngquangiữa lớpphủ/sửdụngđấtnăm2020đượcmôhìnhhóabằngmôhìnhCAkếthợpvớithuật toánANNvàkếtquảphânloạiđạt0.715.Trongkhiđó,khisửdụngmôhìnhCAkết hợp với thuật toán hồi quy Logistic, hệ số tương quan khi so sánh với kết quả phân loại đạt0.666.
Như vậy, phương pháp kết hợp mô hình CA và thuật toán ANN cho độ chính xác cao hơn trong mô phỏng lớp phủ/sử dụng đất khu vực Thành phố Hồ Chí Minh khi so sánh với thuật toán hồi quy Logistic Từ kết quả này, trong luận án lựa chọn phương pháp kết hợp mô hình CA và thuật toán ANN để mô phỏng sự thay đổi bề mặt không thấm khu vực Thành phố Hồ Chí Minh trong tương lai.
3.3.3 Kết quả dự báo biến động bề mặt không thấm khu vực Thành phố Hồ
3.3.3.1 Dự báo phân bố bề mặt không thấm đến năm2025
Trên cơ sở kết quả phân tích, so sánh độ chính xác kết quả mô hình hóa biến động lớp phủ/sử dụng đất khu vực Thành phố Hồ Chí Minh bằng các phương pháp khácnhau,trongluậnánđãlựachọnvàtiếnhànhxâydựngbảnđồphânbốlớpphủ/sử dụng đất, trong đó có bề mặt không thấm khu vực nghiên cứu năm 2025 bằng thuật toán ANN kết hợp mô hình
CA Bản đồ mô phỏng lớp phủ/sử dụng đất, trong đó có bề mặt không thấm khu vực Thành phố
Hồ Chí Minh năm 2025 được trình bày trên hình3.19.
Phân tích kết quả mô phỏng lớp phủ/sử dụng đất khu vực thành phố Hồ Chí Minh năm 2025 từ hình 3.19 cho thấy, bề mặt không thấm có sự gia tăng đáng kể so với năm 2020, trong đó ngoài tập trung ở khu vực trung tâm Thành phố và phía bắc (huyệnCủChi),vàonăm2025bềmặtkhôngthấmđãgiatăngtạiphíabắchuyệnCần Giờ, giáp với khu vực rừng ngập mặn, thuộc địa bàn các xã Bình Khánh, An Thới Đông và Tam Thôn Hiệp Bề mặt không thấm cũng tập trung với mật độ cao hơn tại khuvựcCầnGiờđoạngiápbiển.Khuvựctrungtâm,diệntíchbềmặtkhôngthấmcơ bản ổn định do mật độ xây dựng đã ở mức bão hòa Diện tích bề mặt không thấm ở phía bắc thành phố(huyện Củ Chi) tiếp tục có sự gia tăng so với năm2020.
Hình 3.19 Kết quả dự báo phân bố bề mặt không thấm khu vực thành phố Hồ
ChíMinh năm 2025 bằng mô hình CA kết hợp với thuật toán ANN
Kết quả xác định diện tích các đối tượng lớp phủ/sử dụng đất khu vực Thành phố Hồ Chí Minh giai đoạn 2010 - 2025 được thể hiện trên bảng 3.21 Có thể nhận thấy, diện tích mặt nước, cây bụi, đất nông nghiệp, đất trống đều có xu thế giảm dần tronggiaiđoạn2010-2025,trongđógiảmmạnhnhấtlàcâybụi,từ408.248km 2 năm
2010xuốngcòn268.444km 2 (năm2015),sauđócóxuhướngổnđịnhvàonăm2020 (273.423 km 2 ) và năm 2025 (267.405 km 2 ) Điều này có thể được giải thích do phần lớndiệntíchcâybụilàcáckhuvựcđãđượcquyhoạch,tuynhiênchưatiếnhànhxây dựng Diện tích cây bụi sẽ chuyển sang bề mặt không thấm khi các khu dân cư, khu công nghiệp được xây dựng Đối với đất nông nghiệp, diện tích suy giảm từ551.434 km 2 năm 2010 xuống còn 441.749 km 2 năm 2025 Như vậy, theo kết quả mô phỏng đến năm 2025, diện tích đất nông nghiệp giảm khoảng 19.98% so với năm 2010.
Bảng 3.21 Diện tích của các đối tượng giai đoạn 2010 - 2025
Cây bụi 408.248 268.444 273.423 267.405 Đất nông nghiệp 551.434 458.123 437.473 441.749 Đất trống 31.479 19.683 13.706 10.834
Trongkhiđó,diệntíchmặtnướccóbiếnđộngnhưngkhôngđángkể,tươngứng với 170.149 km 2 năm 2010, 167.176 km 2 năm 2015, 161.879 km 2 năm 2020 và 159.705 km 2 năm
2025 Như vậy, diện tích mặt nước có xu hướng giảm, tuy nhiên không nhiều trong giai đoạn từ 2010 - 2025.
Với lớp phủ rừng, diện tích rừng năm 2025 (337.470 km 2 ) có xu thế ổn định, giảm không nhiều so với năm 2015 và 2020 (342.702 và 338.948 km 2 ) do các chính sách bảo tồn khu vực rừng ngập mặn Cần Giờ Việc bảo tồn, phát triển rừng ngập mặnCầnGiờcũngđượcthểhiệnrõkhidiệntíchrừngnăm2010chỉđạt263.942km 2
Tiểu kếtchương3
Trong chương 3, nghiên cứu sinh đã thử nghiệm với các mô hình khác nhau trong mô phỏng biến động lớp phủ/sử dụng đất, trong đó có bề mặt không thấm khu vực Thành phố Hồ Chí Minh từ dữ liệu viễn thám và GIS trên cơ sở mô hình toán học CA và các kỹ thuật học máy 03 cảnh ảnh Landsat chụp khu vực nghiên cứu các năm 2010, 2015, 2020 được sử dụng để phân loại lớp phủ/sử dụng đất bằng 04 thuật toán khác nhau (xác suất cực đại, RF, SVM, CART) và lựa chọn thuật toán có độ chínhxácphânloạicaonhất.Kếtquảnhậnđượcchothấy,thuậttoánRFcóđộchính xác cao nhất khi phân loại lớp phủ/sử dụng đất khu vực nghiêncứu. Đểdựbáoxuthếbiếnđộngbềmặtkhôngthấm,trongnghiêncứucũngsửdụng bộ dữ liệu bổ sung bao gồm 07 lớp được chiết xuất từ dữ liệu viễn thám, GIS và các CSDL về kinh tế, xã hội Kết quả phân loại lớp phủ/sử dụng đất các năm 2010,2015 và bộ dữ liệu bổ sung được sử dụng để mô phỏng sự phát triển lớp phủ bề mặt đôthị năm2020bằngmôhìnhCAvà02kỹthuậthọcmáy:mạngANNvàhồiquyLogistic, sau đó so sánh với kết quả phân loại lớp phủ/sử dụng đất từ ảnh Landsat năm 2020 đểđánhgiáđộchínhxác.Kếtquảnhậnđượcchothấyphươngphápkếthợpmôhình CA với thuật toán ANN có độ chính xác cao hơn trong dự báo xu thế phát triển bề mặtđôthị.Từkếtquảnày,trongnghiêncứuđãsửdụngthuậttoán ANNkếthợpmô hình CA để dự báo phân bố các đối tượng bề mặt đô thị, trong đó có bề mặt không thấmkhuvựcThànhphốHồChíMinhnăm2025và2030.Kếtquảdựbáophânbố bề mặt không thấm năm 2025 cũng được so sánh với bản đồ quy hoạch sử dụng đất khu vực Thành phố Hồ Chí Minh đến năm 2025, trong đó với 242 điểm đại diệncho bềmặtkhôngthấm,có211điểmđượcdựbáochínhxác(87,19%),độchínhxáctổng thể và chỉ số Kappa đạt tương ứng 85,70% và 0,715 Biến động giữa bề mặt không thấm và các đối tượng khác (bề mặt thấm, mặt nước) cũng được đánh giá thông qua các bản đồ biến động bề mặt không thấm giai đoạn 2020 - 2025 và 2025 -2030.
Kết quả nhận được trong nghiên cứu cung cấp thông tin khách quan và tin cậy,giúp các nhà quản lý trong công tác quy hoạch và phát triển đô thị.
KẾT LUẬN VÀ KIẾN NGHỊ
Kếtluận
Qua quá trình nghiên cứu, trong luận án đã đề xuất và lựa chọn được mô hình phùhợpnhằmmôphỏngxuhướngpháttriểnlớpphủ/sửdụngđất,trongđócóbềmặt khôngthấmkhuvựcThànhphốHồChíMinhtrongtươnglaitừdữliệuviễnthámđa thời gian và GIS cùng các kỹ thuật trí tuệ nhân tạo Từ những kết quả đạt đượctrong luận án, nghiên cứu sinh rút ra các kết luậnsau:
1 Dữ liệu viễn thám và GIS có thể sử dụng hiệu quả phục vụ xây dựng các lớp thông tin đầu vào cho mô hình dự báo biến đổi bề mặt không thấm Trong luận án, ngoài dữ liệu viễn thám đa thời gian (03 cảnh ảnh vệ tinh Landsat các năm 2010,
2015 và 2020), 7 lớp thông tin bổ sung bao gồm: mật độ che phủ của thực vật, nhiệt độ bề mặt, độ cao, khoảng cách đến công trình đặc biệt, mật độ dân cư, khoảng cách tới đường giao thông và khoảng cách tới thủy hệ được sử dụng để mô hình hóa sự thayđổitronglớpphủ/sửdụngđất.Cáclớpthôngtinnàyđượcchiếtxuấtvàxâydựng từ dữ liệu viễn thám và GIS cùng các dữ liệu về tự nhiên, kinh tế - xã hội, sau đó được chuẩn hóa trước khi đưa vào mô hình dự báo sự biến động bề mặt khôngthấm.
2 Trong luận án đã thử nghiệm với 04 phương pháp phân loại lớp phủ/sửdụng đất, bao gồm phương pháp xác suất cực đại và 03 kỹ thuật học máy (RF, SVM, CART) để phân tích, đánh giá và lựa chọn phương pháp có độ chính xác cao nhất Kết quả nhận được cho thấy, với khu vực thử nghiệm tại Thành phố Hồ Chí Minh, thuật toán RF cho độ chính xác cao nhất khi phân loại lớp phủ/sử dụng đất, thể hiện quasosánhđộchínhxáctổngthểvàchỉsốKappa(đềuđạttrên0,9).Từkếtquảnày, thuật toán RF được lựa chọn để phân loại lớp phủ/sử dụng đất khu vực nghiên cứu bằngảnhvệtinhLandsatgiaiđoạn2010-2020,làmcơsởđểmôhìnhhóalớpphủ/sử dụng đất năm
2025 và 2030 khu vực Thành phố Hồ ChíMinh.
3 Phântíchkếtquảnhậnđượcchothấy,phươngphápkếthợpmôhìnhtoánhọcCellularAut omata (CA) và kỹ thuật học máy (ANN) cho phép mô phỏng lớp phủ/sửdụngđấtkhuvựcThànhphốHồChíMinhvớiđộchínhxáccao,trongđóhệsốtương quankhi so sánh kết quả mô hình hóa và kết quả phânloạilớp phủ/sửdụngđất năm2020đạt0.715.Từkếtquảnày,trongluậnánđãtiếnhànhmôphỏngbiếnđộngbềmặt không thấm khu vực Thành phố Hồ Chí Minh năm 2025 và 2030 Theo đó, diện tích bềmặtkhôngthấmcósựgiatăngđángkể,trongđókếtquảmôphỏngđếnnăm2025 đạt 825.076 km 2 , gần hơn 1.3 lần so với năm2010(616.983 km 2 ) Diệntíchbề mặt khôngthấmtiếptụcgiatăngkhoảng1.00%đếnnăm2030theokếtquảdựbáo,đạt
833.241km 2 Ngoài khu vực trung tâm Thành phố và huyện CủChi,bề mặt khôngthấmnăm2025và2030cósựpháttriểnđángkểởkhuvựchuyệnCầnGiờ(đoạngiápbiểnvàc ácxãphíabắccủahuyệnnhưBìnhKhánh,AnThớiĐông,TamThônHiệp).
4 Môhìnhdựbáosựbiếnđộnglớpphủ/sửdụngđất,trongđócóbềmặtkhông thấm từ dữ liệu viễn thám và GIS trên cơ sở các kỹ thuật học máy xây dựng trong luận án là một công cụ hiệu quả, cung cấp thông tin khách quan và chính xác giúp cácnhàquảnlýtrongcôngtácquyhoạch,pháttriểnbềnvữngkhuvựcđôthịởThành phốHồChíMinh.Môhìnhnàycóthểápdụngchocáckhuvựckháccóđiềukiệntự nhiên, kinh tế - xã hội tươngtự.
Kiếnnghị
1 Do điều kiện về mặt dữ liệu, một số lớp dữ liệu đầu vào của mô hình dự báo sựbiếnđộngbềmặtkhôngthấmvẫncònđượckhaitháctừcácCSDLquốctế.Ngoài ra, số lượng các lớp dữ liệu đầu vào vẫn còn chưa thực sự đầy đủ các yếu tố ảnh hưởng đến sự thay đổi bề mặt không thấm Để hoàn thiện hơn mô hình, trong tương lai nghiên cứu sinh sẽ tiếp tục nghiên cứu, thu thập các lớp dữ liệu đầu vào sát với điều kiện thực tiễn khu vực thực nghiệm, từ đó nâng cao độ chính xác của mô hình dự báo.
2 Áp dụng các mô hình dự báo sự biến động lớp phủ/sử dụng đất, trong đó có bề mặt không thấm cho các khu vực đô thị để hỗ trợ các nhà quản lý trong công tác quy hoạch và phát triển bền vững đôthị.
CÁC CÔNG TRÌNH KHOA HỌC ĐÃ CÔNG BỐ
1 Phạm Văn Tùng, Nguyễn Văn Trung, Nguyễn Hữu Long, Nguyễn Đức Hùng (2018).Quan trắc sự mở rộng bề mặt không thấm sử dụng dữ liệu ảnh vệ tinhSPOT-5 và Sentinel-2 ở khu vực thành phố Hồ Chí Minh Tạp chí khoa học kỹ thuật Mỏ - Địa chất, 59, 2,69-76
2 Phạm Văn Tùng, Nguyễn Văn Trung, Vũ Xuân Cường, Nguyễn Văn Sơn (2020).Thành lập bản đồ bề mặt không thấm sử dụng dữ liệu ảnh vệ tinh
Sentinel-2 ởkhuvựcthànhphốHồChíMinh.HộinghịToànquốcKhoahọcTráiđấtvàTài nguyên với Phát triển bền vững - ERSD,86-93,
3 Nguyễn Văn Trung, Phạm Văn Tùng, Nguyễn Thanh Bình, Phạm Ngọc Quân, Phan Văn Khoái, Đỗ Thanh Phong, Nguyễn Thanh Tuấn, Huỳnh Tấn Phước, Nguyễn Thị Thùy Linh (2021).Mối quan hệ giữa hiện tượng đảo nhiệt đô thịvà mật độ dân số các quận và huyện ở thành phố Hồ Chí Minh lấy từ dữ liệu ảnh vệ tinh hồng ngoại nhiệt Hội nghị khoa học Quốc gia về Công nghệ Địa không gian trong Khoa học trái đất và Môi trường,231-240
4 PhạmVănTùng(2021).Thànhlậpbảnđồbềmặtkhôngthấmsửdụngdữliệuảnhvệ tinh sentinel-2 ở khu vực Thành phố Hồ Chí Minh Tạp chí Khoa học Tài nguyên và Môi trường, Số 38,30-38.
5 Lê Thị Thu Hà, Nguyễn Văn Trung, Nguyễn Ngọc Khoa, Nguyễn Đăng Phương,
Võ Thị Tuyết, Nguyễn Giang Thọ, Phạm Văn Tùng và Lê Văn Định (2021),Nghiêncứumốiquanhệgiữađảonhiệtđôthịvàmậtđộdânsốcácquận,huyệnở
Thành phố Hồ Chí Minh bằng dữ liệu ảnh Sentinel - 3 SLSTR Tạp chí Khoa học kỹ thuật Mỏ - Địa chất, 62, 5,67-75.
6 Phạm Văn Tùng (2023).Giám sát không gian phát triển đô thị khu đông
Thànhphố Hồ Chí Minh bằng dữ liệu ảnh viễn thám Tạp chí Giao thông Vận tải, Số tháng 4/2023 (năm thứ 64), 130 -133.
7 Phạm Văn Tùng, Trịnh Lê Hùng, Nguyễn Văn Trung, Vũ Xuân Cường (2023).Nghiên cứu dự báo biến động bề mặt không thấm khu vực thành phố
Hồ ChíMinh từ dữ liệu viễn thám và GIS Tạp chí Đo đạc và Bản đồ, Số 56, 25
TÀI LIỆU THAM KHẢO Tiếng Việt
1 Nguyễn Thanh Bằng (2022),Nghiên cứu đánh giá tác động của thay đổi thảmphủ và biến đổi khí hậu đến dòng chảy trên lưu vực sông Cả, Luận án tiến sĩ Biến đổi khí hậu, Viện Khoa học Khí tượng thủy văn và Biến đổi khí hậu, 175 trang.
2 Nguyễn Kiều Diễm, Phan Kiều Diễm và Nguyễn Kim Ngọc (2020), "Đánh giá hiệu quả xây dựng bản đồ bề mặt không thấm tại thành phố Cần Thơ sử dụng ảnh viễn thám",Tạp chí Khoa học Đất số 61, trang 98 –103.
3 Nguyễn Thị Hồng Điệp, Phan Kiều Diễm, Phạm Lê Giao Huyên và Trần Hữu Duy(2020),"ĐánhgiábiếnđộngkhônggianbềmặtkhôngthấmthànhphốCần
Thơgiaiđoạn2015-2018sửdụngảnhLandsat8",TạpchíNôngnghiệpvàPháttriển nông thôn số 4, trang 41 –49.
4 ĐặngNhưDuẩn,ĐàoNgọcLongvàTrịnhLêHùng(2017),"Nghiêncứusựthay đổi nhiệt độ bề mặt khu vực thành phố Thanh Hóa giai đoạn 2000–2017 từ tư liệu ảnh hồng ngoại nhiệt Landsat",Tạp chí Khoa học Đo đạc và Bản đồ(số 34),26-32.
"Ứng dụng tư liệu viễn thám xác định xu hướng gia tăng bề mặt không thấm ở nông thôn",Tạp chí Khoa học Đo đạc và Bản đồ 26,28-35.
6 Phạm Minh Hải và Nguyễn Vĩnh Khang (2017), "Phân tích hiện tượng đảo nhiệt đô thị: mối liên hệ giữa nhiệt độ bề mặt đất và bề mặt không thấm nước",Tạpchí Khoa học Đo đạc và Bản đồ(31),17-22.
7 Phạm Minh Hải và Nguyễn Ngọc Quang (2019), "Khái niệm về phương pháp randomforesttrongcuộccáchmạngmachinelearningvàđịnhhướngứngdụng trong lĩnh vực viễn thám",Tạp chí Khoa học Đo đạc và Bản đồ(39),15-19.
8 Nguyễn Thị Thúy Hạnh (2019), "Nghiên cứu chỉ số đô thị trong chiết tách đất trống và đất xây dựng khu vực Hà Nội từ ảnh vệ tinh Landsat 8",Tạp chíKhoahọc Kỹ thuật Mỏ-Địa chất, tập 60 (4),82-86.
9 LêVănHạoHạovàLêThịPhaMi(2020),"ỨngdụngviễnthámvàGIStheodõi quátrìnhđôthịhóatạithànhphốHồChíMinhgiaiđoạn1989–2019",TạpchíKhí tượng thủy văn 720, 48 –59.
10 Đinh Thị Bảo Hoa (2015), "Nghiên cứu mật độ đô thị Hà Nội và bề mặt không thấm bằng công nghệ viễn thám và GIS",Tạp chí Khoa học Đại học Sư phạmHà Nội, chuyên san Khoa học tự nhiên số 60 (4 ), trang 144 –151.
11 Nguyễn Đức Hòa (2015), "Quá trình đô thị hóa ở Sài Gòn-thành phố Hồ Chí Minh từ năm 1860 đến năm 2008 và những kết quả tác động đến sự phát triển kinh tế-xã hội của thành phố",Viện Việt Nam học và Khoa học phát triển(IVIDES Conference), 23trang.
12 Trịnh Lê Hùng (2014), "Nghiên cứu sự phân bố nhiệt độ bề mặt bằng dữ liệu ảnh đa phổ LANDSAT",Tạp chí Các khoa học về Trái Đất, tập 36,82-89.
13 TrịnhLêHùng(2020),"PhânloạiđấttrốngđôthịbằngchỉsốNDBaItrêncơsở kếthợpảnhvệtinhđađộphângiảiSentinel2MSIvàLandsat8",TạpchíKhoahọcĐHQGHN, chuyênsanCáckhoahọcTráiĐấtvàMôitrường.số36(2),68
14 Trịnh Lê Hùng, Lê Thị Thu Hà, Lê Đức Lộc và Nguyễn Thanh Long (2021),
"PháttriểnchỉsốđấtđôthịEBBI(EnhancedBuilt-upandBarenessIndex)trên cơsởkếthợpảnhvệtinhđađộphângiảiLandsat8vàSentinel2MSI",TạpchíKhoa học kỹ thuật Mỏ Địa chất số 62 (1),1-9.
15 Lê Trần Oanh Kiều, Nguyễn Phi Hùng, Trương Hoàng Trương, Trần Văn ThươngvàHuỳnhPhẩmDũngPhát(2021),"Tiếpcậnhồiquykhônggianđánh giábiếnđộngbềmặtkhôngthấmtạithànhphốCầnThơgiaiđoạn2000–2020",
Tạp chí Khoa học Đại học Sư phạm thành phố Hồ Chí Minh 18 (Số 3), 477 –
16 Nguyễn Hoàng Khánh Linh (2011), "Thành lập tự động bản đồ phân bố đất đô thị bằng chỉ số IBI từ ảnh Landsat TM: Trường hợp nghiên cứu tại thành phố Huế-tỉnh Thừa Thiên Huế",Tuyển tập hội thảo Ứng dụng GIS toàn quốc, 205- 212.
17 Nguyễn Ngọc Phi (2009), "Ứng dụng viễn thám theo dõi biến động đất đô thị của thành phố Vinh, tỉnh Nghệ An",Tạp chí Địa chất số 310, 25 -30.
18 Trương Chí Quang, Nguyễn Thiên Hoa, Võ Quang Minh và Võ Quốc Tuấn (2015), "Mô hình Markov-Cellular Automata trong mô phỏng sự thay đổi sử dụng đất các tỉnh ven biển Đồng bằng sông Cửu Long",Tạp chí Khoa học Đạihọc cần Thơ(CĐ Công nghệ TT 2015),196-202.
19 PhanVănThơvàNgôAnhTú(2021),"ỨngdụngmôhìnhtoánvàkỹthuậtGIS trongdựbáobiếnđộngđấtđaitrênđịabànthànhphốQuyNhơn",TạpchíKhoahọc Tài nguyên và Môi trường(37), 73-84.
20 NguyễnĐứcThuậnvàPhạmVănVân(2016),"Ứngdụngcôngnghệviễnthám và hệ thống thông tin địa lý nghiên cứu thay đổi nhiệt độ bề mặt 12 quận nội thành,thànhphốHàNộigiaiđoạn2005–2015",TạpchíKhoahọcNôngnghiệpViệt Nam 8 (14),1319-1330.
21 TạQuốcTrung,LêKimT h u vàTrầnDuyQuang(2021),"Đánhgiásựthayđổi diệntíchbềmặtkhôngthấmcủakhuvựcthànhphốThanhHóabằngchỉsốđất xây dựng NDBI",Tạp chí Vật liệu & Xây dựng số 3, trang 28 –31.
22 Đặng Trung Tú, Trương Quang Hải, Nguyễn Thị Thu Hà và Nguyễn Thị Mai Ngân(2015),"SửdụngảnhLandsatđathờinghiêncứudiễnbiếnđôthịhóacủa thành phố Đà Nẵng phục vụ quy hoạch bảo vệ môi trường đô thị",Tạp chí Môitrường số8,67-71.
23 Trần Thị Vân (2008), "Đô thị hóa và chất lượng môi trường đô thị từ viễn thám các mặt không thấm: trường hợp thành phố Hồ Chí Minh",Tạp chí Phát triểnKhoa học và Công nghệ 11 (04),68-78.
![Hình 1.2. So sánh khả năng thấm nước của bề mặt không thấm và bề mặt thấm[46] - Nghiên cứu công nghệ viễn thám và GIS trong dự báo sự biến động bề mặt không thấm khu vực Thành phố Hồ Chí Minh](https://media.store123doc.com/figures/004/708/hinh-sanh-kha-nang-tham-nuoc-tham-tham-4708898.webp)
![Hình 1.3. Định lượng hóa khả năng thấm nước của bề mặt không thấm và bề mặtthấm[49] - Nghiên cứu công nghệ viễn thám và GIS trong dự báo sự biến động bề mặt không thấm khu vực Thành phố Hồ Chí Minh](https://media.store123doc.com/figures/004/708/hinh-dinh-luong-kha-tham-nuoc-tham-mattham-4708899.webp)
![Hình 1.5. Tác động của sự gia tăng bề mặt không thấm đến chất lượng nước khuvực hồ Dianchi (Trung Quốc)[78] - Nghiên cứu công nghệ viễn thám và GIS trong dự báo sự biến động bề mặt không thấm khu vực Thành phố Hồ Chí Minh](https://media.store123doc.com/figures/004/708/hinh-dong-tham-luong-nuoc-khuvuc-dianchi-quoc-4708900.webp)
![Hình 1.6. Nhiệt độ bề mặt các khu vực với lớp phủ bề mặt khác nhau[26] - Nghiên cứu công nghệ viễn thám và GIS trong dự báo sự biến động bề mặt không thấm khu vực Thành phố Hồ Chí Minh](https://media.store123doc.com/figures/004/708/hinh-nhiet-do-mat-vuc-lop-phu-mat-4708901.webp)
![Hình 1.7. Dự báo tỉ lệ dân cư đô thị tại các nước ở châu Á đến năm 2050[84] - Nghiên cứu công nghệ viễn thám và GIS trong dự báo sự biến động bề mặt không thấm khu vực Thành phố Hồ Chí Minh](https://media.store123doc.com/figures/004/708/hinh-du-bao-ti-le-thi-nuoc-chau-4708902.webp)
![Hình 1.8. Thay đổi diện tích đất xây dựng ở thủ đô Ấn Độ giai đoạn 1972 - 2014[105] - Nghiên cứu công nghệ viễn thám và GIS trong dự báo sự biến động bề mặt không thấm khu vực Thành phố Hồ Chí Minh](https://media.store123doc.com/figures/004/708/hinh-thay-doi-dien-dat-dung-do-doan-4708903.webp)
![Hình 1.10. Biến động diện tích bề mặt không thấm khu vực Thành phố Hồ Chí Minhgiai đoạn 1989 - 2019[9] - Nghiên cứu công nghệ viễn thám và GIS trong dự báo sự biến động bề mặt không thấm khu vực Thành phố Hồ Chí Minh](https://media.store123doc.com/figures/004/708/hinh-bien-dong-dien-tham-thanh-minhgiai-doan-4708904.webp)
![Hình 1.11. Biến động diện tích bề mặt không thấm khu vực thành phố Thanh Hóagiai đoạn 2015 - 2021[87] - Nghiên cứu công nghệ viễn thám và GIS trong dự báo sự biến động bề mặt không thấm khu vực Thành phố Hồ Chí Minh](https://media.store123doc.com/figures/004/708/hinh-bien-dong-dien-tham-thanh-hoagiai-doan-4708905.webp)
![Hình 1.15. Mật độ bề mặt không thấm ở một số thành phố lớn trên thế giới[44] - Nghiên cứu công nghệ viễn thám và GIS trong dự báo sự biến động bề mặt không thấm khu vực Thành phố Hồ Chí Minh](https://media.store123doc.com/figures/004/708/hinh-mat-do-mat-tham-thanh-pho-gioi-4708906.webp)
![Hình 1.17. Dự báo phân bố bề mặt không thấm khu vực Milwaukee, Wisconsin đếnnăm 2050[73] - Nghiên cứu công nghệ viễn thám và GIS trong dự báo sự biến động bề mặt không thấm khu vực Thành phố Hồ Chí Minh](https://media.store123doc.com/figures/004/708/hinh-du-phan-mat-tham-milwaukee-wisconsin-dennam-4708907.webp)
![Hình 1.18. Biến động bề mặt không thấm khu vực thành phố Cần Thơ giai đoạn2000 - 2020[15] - Nghiên cứu công nghệ viễn thám và GIS trong dự báo sự biến động bề mặt không thấm khu vực Thành phố Hồ Chí Minh](https://media.store123doc.com/figures/004/708/hinh-bien-dong-mat-tham-vuc-thanh-doan-4708908.webp)
