Giáo trình cơ sở VIỄN THÁM

BỘ TÀI NGUYÊN VÀ MÔI TRƯỜNG TRƯỜNG ĐẠI HỌC TÀI NGUYÊN VÀ MÔI TRƯỜNG HÀ NỘI TS VŨ DANH TUYÊN TS TRỊNH LÊ HÙNG ThS PHẠM THỊ THƯƠNG HUYỀN CƠ SỞ VIỄN THÁM HÀ NỘI 2013 MỤC LỤC Viễn thám là một ngành khoa học có lịch sử phát triển lâu đời, nhiên sự phát triển mạnh mẽ của khoa học viễn thám chỉ bắt đầu từ những thập kỷ cuối thế kỷ 20 Với những ưu điểm nổi bật so với các phương pháp nghiên cứu truyền thống độ phủ trùm rộng, có khả chụp lặp lại thời gian ngắn, có thể chụp ảnh những vùng mà việc điều tra, thăm dò, lại rất khó khăn, … ngày kỹ thuật viễn thám đã được ứng dụng hiệu quả nghiên cứu, giám sát tài nguyên và môi trường cũng mục đích quân sự Ứng dụng viễn thám nghiên cứu tài nguyên, môi trường trở thành xu hướng phát triển tất yếu của mọi quốc gia, đó có Việt Nam 1.1 MỞ ĐẦU 1.1.1 Khái niệm về viễn thám .8 1.1.2 Lịch sử hình thành và xu hướng phát triển .10 1.3 CƠ SỞ VẬT LÝ CỦA VIỄN THÁM 17 1.3.1 Tính chất của bức xạ điện từ .17 1.3.2 Tương tác lượng sóng điện từ khí quyển 20 1.3.3 Tương tác lượng sóng điện từ với các đối tượng tự nhiên .21 1.3.4 Khả phản xạ phổ của các đối tượng tự nhiên 23 1.3.5 Các yếu tố ảnh hưởng đến khả phản xạ phổ của các đối tượng tự nhiên .28 Chương 2: BỘ CẢM BIẾN VÀ VỆ TINH VIỄN THÁM 30 2.1 NHỮNG KHÁI NIỆM CHUNG VỀ BỘ CẢM BIẾN 30 2.2 BỘ CẢM BIẾN SỬ DỤNG TRONG KỸ THUẬT VIỄN THÁM 33 2.2.1 Máy quét quang 33 2.2.2 Máy quét điện tử .33 2.2.3 Các bộ cảm biến thông dụng 34 2.3 VẬT MANG VÀ QUỸ ĐẠO BAY 35 2.4 VỆ TINH GIÁM SÁT TÀI NGUYÊN .39 2.4.1 Vệ tinh LANDSAT 39 2.4.2 Vệ tinh SPOT 42 2.4.3 Một số vệ tinh khác 43 Chương 3: CÁC PHƯƠNG PHÁP VIỄN THÁM 49 3.1 VIỄN THÁM HÀNG KHÔNG .49 3.2 VIỄN THÁM HỒNG NGOẠI NHIỆT 53 3.2.1 Khái niệm và nguyên lý bản 53 3.2.2 Đặc điểm hình học của ảnh hồng ngoại nhiệt 58 3.2.3 Khả ứng dụng của ảnh hồng ngoại nhiệt 59 Nghiên cứu nhiệt độ nước biển Nhiệt độ đặc trưng vật lí quan trọng nước biển Trong hải dương học, nghiên cứu nhiệt độ, độ muối giúp tính toán mật độ riêng, thể tích riêng, phân chia khối nước, nghiên cứu di chuyển khối nước, tính toán dòng chảy mật độ, vận tốc âm… .65 3.3 VIỄN THÁM RADAR 67 3.3.1 Khái niệm và nguyên lý bản 67 3.3.2 Đặc điểm hình học của ảnh radar 71 3.3.3 Khả ứng dụng của ảnh radar 75 Chương 4: ẢNH VỆ TINH QUANG HỌC VÀ XỬ LÝ ẢNH VỆ TINH .82 QUANG HỌC 82 4.1 KHÁI NIỆM VỀ ẢNH SỐ 82 Ảnh số được tạo bởi mảng hai chiều của các phần tử ảnh có cùng kích thước được gọi là pixel ảnh Mỗi pixel được xác định bởi tọa độ hàng (m), cột (n) và giá trị độ xám của nó g(m,n) Giá trị độ xám của pixel thay đổi theo tọa độ điểm (x,y) Tọa độ hàng và cột của mỗi pixel đều là các số nguyên Tọa độ số hóa là các giá trị rời rạc m, n được xác định sau: 82 Giá trị độ xám Giá trị độ xám mã hoá tương ứng cường độ sáng điểm ảnh giá trị số Quá trình mã hoá nhờ hoạt động thiết bị tích điện kép (Charge Coupled Devices, CCD) cảm biến Khi dùng cảm biến để chụp ảnh số quét ảnh, hạt lượng tử ảnh sáng (photon) đập vào pixel CCD tạo tích điện pixel Các điện tích gây lượng tử ánh sáng truyền tới “bộ chuyển đổi tín hiệu tương tự sang tín hiệu số” Bộ chuyển đổi đo điện tích chuyển chúng sang tín hiệu số tương ứng tuỳ theo độ lớn khác điện tích (Bethel, 1990) Dưới dạng tín hiệu số, pixel gán cho giá trị số, giá trị số thể mức độ xám tương ứng Các phần tử của ma trận độ xám g(m,n) có dạng: 83 4.2 ĐỘ PHÂN GIẢI CỦA ẢNH VỆ TINH 84 4.2.1 Độ phân giải không gian (spatial resolution) 85 4.2.2 Độ phân giải bức xạ 85 4.2.3 Độ phân giải phổ (spectral resolution) .86 4.2.4 Độ phân giải thời gian (temporal resolution) 86 4.3 KHUÔN DẠNG DỮ LIỆU ẢNH 87 4.4 PHÂN TÍCH ẢNH BẰNG MẮT 89 4.4.1 Khái niệm 89 4.4.2 Các dấu hiệu phân loại .89 4.5 XỬ LÝ ẢNH SỐ 92 4.5.1 Tiền xử lý ảnh 92 4.5.2 Tăng cường chất lượng ảnh 102 4.5.3 Chuyển đổi ảnh 106 4.5.4 Phân loại ảnh 121 LỜI NÓI ĐẦU Viễn thám là một ngành khoa học có lịch sử phát triển lâu đời, nhiên sự phát triển mạnh mẽ của khoa học viễn thám chỉ bắt đầu từ những thập kỷ cuối thế kỷ 20 Với những ưu điểm nổi bật so với các phương pháp nghiên cứu truyền thống độ phủ trùm rộng, có khả chụp lặp lại thời gian ngắn, có thể chụp ảnh những vùng mà việc điều tra, thăm dò, lại rất khó khăn, … ngày kỹ thuật viễn thám đã được ứng dụng hiệu quả nghiên cứu, giám sát tài nguyên và môi trường cũng mục đích quân sự Ứng dụng viễn thám nghiên cứu tài nguyên, môi trường trở thành xu hướng phát triển tất yếu của mọi quốc gia, đó có Việt Nam Ở Việt Nam, kỹ thuật viễn thám bắt đầu được sử dụng từ những năm cuối cuối của thế kỷ XX, ban đầu nhằm thành lập và hiệu chỉnh bản đồ địa hình, bản đồ chuyên đề các tỉ lệ Ngày nay, cùng với sự phát triển của khoa học kỹ thuật, tư liệu ảnh vệ tinh đã được ứng dụng nhiều lĩnh vực, từ lập bản đồ hiện trạng sử dụng đất, giám sát tài nguyên nước, tài nguyên rừng, dự báo suất lúa, …Tháng năm 2013, vệ tinh viễn thám đầu tiên của nước ta mang tên VNREDSAT đã được phóng thành công lên quỹ đạo VNREDSAT sẽ cung cấp nguồn dữ liệu ảnh phong phú phục vụ nghiên cứu, giám sát tài nguyên, môi trường và đảm bảo quốc phòng, an ninh Dự kiến thời gian tới, các thế hệ vệ tinh viễn thám tiếp theo, đặc biệt là viễn thám radar sẽ tiếp tục được triển khai nhằm chủ động nguồn tư liệu phục vụ nghiên cứu, sản xuất Sự phát triển mạnh mẽ của khoa học Trái đất nói chung, kỹ thuật viễn thám nói riêng dẫn tới nhu cầu cấp bách về nguồn nhân lực có chuyên môn cao về lĩnh vực này Chuyên ngành Viễn thám đã được đưa vào đào tạo ở nhiều trường đại học ở trình độ kỹ sư, cao học và nghiên cứu sinh cũng các khóa ngắn hạn Mặc dù một số giáo trình đã được xuất bản, thực tế giảng dạy ở Việt Nam vẫn còn thiếu giáo trình về viễn thám từ mức sở đến chuyên sâu Bên cạnh đó, chương trình đào tạo của các trường đại học cũng có đặc thù riêng đòi hỏi giáo trình về viễn thám cũng phải phù hợp với các lĩnh vực đào tạo cụ thể của trường Mục đích của việc biên soạn cuốn “Cơ sở Viễn thám” này nhằm làm giáo trình phục vụ sinh viên đại học các chuyên ngành thuộc khoa học Trái đất tại trường Đại học Tài nguyên và Môi trường Hà Nội Cuốn sách cung cấp những kiến thức bản, nền tảng nhất của kỹ thuật viễn thám, giúp sinh viên nắm được bản chất của khoa học viễn thám, nguyên lý hoạt động, các phương pháp xử lý và phân loại ảnh Kiến thức giáo trình cũng là kiến thức bắt buộc để sinh viên có thể theo học các học phần tiếp theo về viễn thám Giáo trình “Cơ sở viễn thám” gồm chương TS Vũ Danh Tuyên làm chủ biên, các cán bộ giảng dạy có nhiều kinh nghiệm của Đại học Tài nguyên và Môi trường Hà Nội, Học viện Kỹ thuật Quân sự đảm nhận Phân chia nhiệm vụ viết các chương giáo trình sau: TS Vũ Danh Tuyên, chủ biên, biên soạn chương 1,4 TS Trịnh Lê Hùng, biên soạn chương 3,4 Th.S Phạm Thị Thương Huyền, biên soạn chương Mặc dù được chuẩn bị kỹ lưỡng cuốn sách này chắc chắn còn tồn tại những thiếu sót Các tác giả rất mong được các nhà khoa học, các bạn sinh viên và độc giả quan tâm góp ý để giáo trình được hoàn thiện Chúng xin chân thành cảm ơn Thay mặt nhóm biên soạn: TS Vũ Danh Tuyên Chương 1: TỔNG QUAN VỀ KỸ THUẬT VIỄN THÁM 1.1 MỞ ĐẦU 1.1.1 Khái niệm về viễn thám Khái niệm Viễn thám là một ngành khoa học có lịch sử phát triển lâu đời Sự phát triển của khoa học viễn thám bắt đầu từ mục đích quân sự nghiên cứu các ảnh chụp sử dụng phim và giấy ảnh từ khinh khí cầu, máy bay Ngày nay, cùng sự phát triển của khoa học kỹ thuật, viễn thám được ứng dụng nhiều ngành khoa học khác quân sự, địa chất, địa lý, môi trường, khí tượng, thủy văn, nông nghiệp, lâm nghiệp, Theo nghĩa rộng, viễn thám ngành khoa học nghiên cứu việc đo đạc, thu thập thông tin đối tượng, vật cách sử dụng thiết bị đo tác động cách gián tiếp với đối tượng nghiên cứu Từ những ảnh chụp phim ban đầu thu nhận từ khinh khí cầu, máy bay, …hiện nay, nguồn dữ liệu chính viễn thám là ảnh số thu nhận từ các hệ thống vệ tinh quan sát Trái đất Có rất nhiều định nghĩa khác về viễn thám, xét cho cùng tất cả các định nghĩa đều có một đặc điểm chung, nhấn mạnh “viễn thám là khoa học nghiên cứu các thực thể, hiện tượng trái đất từ xa mà không cần tác động trực tiếp vào nó” Một số định nghĩa tiêu biểu về viễn thám của các nhà khoa học khác như: Viễn thám là một nghệ thuật, khoa học, nói ít nhiều về một sự vật không cần phải chạm vào vật đó (Ficher and others, 1976); Viễn thám là quan sát về một đối tượng bằng một phương tiện cách xa vật một khoảng cách nhất định (Barrer and Curtis, 1976); Viễn thám là một khoa học về lấy thông tin từ một đối tượng, được đo từ một khoảng cách xa vật không cần tiếp xúc với nó Năng lượng được đo các hệ viễn thám hiện là lượng điện từ phát từ vật quan tâm (Landgrete, 1978); Viễn thám là ứng dụng vào việc lấy thông tin về mặt đất và mặt nước của Trái đất bằng việc sử dụng các ảnh thu được từ một đầu chụp ảnh sử dụng bức xạ phổ điện từ, đơn kênh hoặc đa phổ, bức xạ hoặc phản xạ từ bề mặt Trái đất (Janes Capbell, 1996); Viễn thám là khoa học và nghệ thuật thu nhân thông tin về một vật thể, một vùng, hoặc một hiện tượng, qua phân tích dữ liệu thu được bởi những phương tiện không tiếp xúc với vật, vùng hoặc hiện tượng khảo sát (Likkesand and Kiefer, 1986); Nguồn tài nguyên chủ yếu sử dụng viễn thám là sóng điện từ hoặc được phản xạ, hoặc bức xạ từ vật thể Thiết bị dùng để cảm nhận sóng điện từ phản xạ hoặc bức xạ từ vật thể được gọi là bộ cảm biến (sensor) Bộ cảm biến có nhiệm vụ chuyển đổi giá trị điện từ sang giá trị số để thu được ảnh số (digital number) Phương tiện dùng để mang các bộ cảm được gọi là vật mang Hiện nay, vật mang rất đa dạng, có thể là khinh khí cầu, máy bay, vệ tinh, tàu vũ trụ, Các thành phần chính của một hệ thống viễn thám Một hệ thống viễn thám thường bao gồm phần tử có quan hệ chặt chẽ với Trình tự hoạt động của các thành phần hệ thống viễn thám được mô tả hình sau: Hình 1.1 Các thành phần hệ thống viễn thám Nguồn lượng (A): thành phần đầu tiên của hệ thống viễn thám là nguồn lượng để chiếu sáng hay cung cấp lượng điện từ tới đối tượng cần nghiên cứu Trong viễn thám chủ động sử dụng lượng phát từ nguồn phát đặt vật mang, còn viễn thám bị động, nguồn lượng chủ yếu là bức xạ mặt trời Những tia phát xạ và khí quyển (B): bức xạ điện từ từ nguồn phát tới đối tượng nghiên cứu sẽ phải tương tác qua lại với khí quyển nơi nó qua Sự tương tác với đối tượng (C): sau truyền qua khí quyển đến đối tượng, lượng sẽ tương tác với đối tượng tùy thuộc vào đặc điểm của đối tượng và sóng điện từ Sự tương tác này có thể là sự truyền qua, sự hấp thụ hay bị phản xạ trở lại khí quyển Thu nhận lượng bằng bộ cảm biến (D): sau lượng được phát hoặc bị phản xạ từ đối tượng, cần có bộ cảm biến để tập hợp lại và thu nhận sóng điện từ Năng lượng điện từ truyền về bộ cảm sẽ mang thông tin của đối tượng Sự truyền tải, thu nhận và xử lý (E): lượng được thu nhận bởi bộ cảm cần được truyền tải (thường dưới dạng điện từ) đến một trạm thu nhận dữ liệu để xử lý sang dạng ảnh Ảnh này là dữ liệu thô Phân loại và phân tích ảnh (F): ảnh thô sẽ được xử lý để có thể sử dụng các mục đích khác Để nhận biết được các đối tượng ảnh cần phải giải đoas chúng Ảnh được phân loại bằng việc kết hợp các phương pháp khác (phân loại bằng mắt, phân loại thực địa, phân loại tự động, ) Ứng dụng (G): là thành phần cuối cùng của hệ thống viễn thám, được thực hiện ứng dụng thông tin thu nhận được qúa trình xử lý ảnh vào các lĩnh vực, bài toán cụ thể 1.1.2 Lịch sử hình thành và xu hướng phát triển Một số tài liệu nghiên cứu cho rằng, lịch sử phát triển của viễn thám có thể tính từ thế ký thứ trước công nguyên Aristote sáng tạo camera – obscura (obscura dark) Mặc dù những thành tựu đáng kể lý thuyết quang học đã đạt được từ thế kỷ 17 cũng thấu kính quang học đã xuất hiện sớm hơn, bước phát triển thực sự đầu tiên của khoa học viễn thám là vào giữa thế kỷ 19 Vào năm 1839, Louis Daguerre đã đưa báo cáo công trình nghiên cứu về hóa ảnh photo, khởi đầu cho ngành chụp ảnh Bức ảnh đầu tiên chụp bề mặt trái đất từ khinh khí cầu được thực hiện vào năm 1858 bởi nhà nhiếp ảnh người Pháp Gaspard Tournachon Ông đã sử dụng khinh khí cầu ở độ cao 80 m để chụp ảnh vùng Bievre nước Pháp Từ sự việc này, năm 1858 được coi là năm khai sinh của kỹ thuật viễn thám Năm 1860, James Black đã chụp ảnh vùng Boston, Mỹ cũng từ khinh khí cầu Năm 1863, Mackwell đã tìm các định luật về sóng điện từ, kết quả này là sở vật lý bản của lý thuyết viễn thám Hình 1.2 Ảnh viễn thám đầu tiên thế giới (vùng Bievre, Pháp, 1858) Chiến tranh thế giới thứ nhất (1914 - 1918) đánh dấu giai đoạn khởi đầu của công nghệ chụp ảnh từ máy bay phục vụ mục đích quân sự Công nghệ chụp ảnh từ máy bay đã kéo theo sự đời của rất nhiều thiết kế về các loại máy chụp ảnh, là sở hình thành một ngành khoa học mới: đo đạc ảnh (photogrammetry) Năm 1929 Liên Xô cũ thành lập 10 Bản chất của phương pháp phân loại có kiểm định bằng thuật toán hình hộp được biểu diễn hình 4.34 Ở chúng ta tiến hành phân loại ảnh thành phân lớp (class A, class B, class C) ảnh gồm kênh phổ (band A, band B) Hình 4.34 Thuật toán hình hộp không gian chiều Một ví dụ khác trường hợp ảnh gồm kênh phổ (không gian chiều) được thể hiện hình 4.35 Ở ảnh cần phân loại thành loại đối tượng: nước, đất trống, rừng, đất nông nghiệp, đất đô thị và đất cát Sau lấy mẫu phân loại của đối tượng trên, phân tích histogram của từng thành phần phổ ứng với từng loại đối tượng để xác định giá trị max và của giá trị độ xám thể hiện cho loại Dựa sở này xây dựng các hình hộp đối với từng loại đối tượng Kết quả nhận được là hình hộp tương ứng với loại đối tượng cần phân loại ảnh Các pixel nằm miền giới hạn bởi các hình hộp này sẽ được gán nhãn vào đối tượng tương ứng Các pixel nằm ngoài tất cả các hình hộp được gán nhãn vào lớp thứ – unknow class (ví dụ pixel có tọa độ (15, 15, 50) không thuộc bất cứ hình hộp nào hình hộp trên) 129 Hình 4.35 Thuật toán hình hộp không gian chiều Thuật toán khoảng cách ngắn nhất Phương pháp phân loại tự động có giám sát bằng thuật toán khoảng cách ngắn nhất (Minimum distancce) là một những phương pháp thông dụng đơn giản nhất phân loại ảnh vệ tinh Cơ sở toán học của thuật toán khoảng cách ngắn nhất có thể được hiểu sau Trên ảnh vệ tinh tiến hành lấy mẫu phân loại tương ứng với các đối tượng cần phân loại Với mỗi mẫu phân loại, tính giá trị vector phổ trung bình µck của lớp đó Đối với từng pixel ảnh không nằm vùng lấy mẫu, tính khoảng cách Euclidean đến vector trung bình µck Pixel sẽ thuộc lớp mà khoảng cách đến nó là nhỏ nhất (Swain, Davis, 1978) Khoảng cách Euclidean từ một pixel ảnh đến vector trung bình µ ci được xác định sau: n SD xyc = ∑ ( µ ci − X xyi ) (4.61) i=1 Trong đó n là số lượng các kênh ảnh, c – phân lớp c, X xyi - giá trị pixel có tọa độ x, y tại kênh i, µ ci - giá trị phổ trung bình của phân lớp c tại kênh phổ i Bản chất của thuật toán khoảng cách ngắn nhất được thể hiện hình 4.36 Ở ta tiến hành phân loại ảnh thành phân lớp (A, B, C) Sau tính khoảng cách từ một pixel nào đó không thuộc mẫu phân loại của phân lớp này, nhận thấy khoảng cách từ pixel này đến vector giá trị phổ trung bình của phân lớp B là ngắn nhất Như vậy, pixel thuộc phân lớp B 130 Hình 4.36 Mô tả thuật toán phân loại khoảng cách ngắn nhất Ưu điểm của thuật toán phân loại khoảng cách ngắn nhất là tốc độ tính toán nhanh, chỉ chậm thuật toán hình hộp Ngoài ra, tất cả các pixel sẽ được phân vào loại tương ứng Tuy nhiên, thuật toán phân loại khoảng cách ngắn nhất cũng có nhược điểm bản là không quan tâm đến đặc trưng phân bố của mẫu phân loại, vì thế dù khoảng cách ngắn nhất thực tế pixel không thuộc vào chính loại đó Thuật toán xác suất cực đại Phương pháp xác suất cực đại (Maximum likelihood) được sử dụng rất thông dụng viễn thám và được xem là thuật toán chuẩn để so sánh với các thuật toán phân loại khác Thuật toán xác suất cực đại được xây dựng 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 Giả sử ta có lớp Ω k Khi đấy, xác suất để một pixel ảnh nào đó xi nằm lớp Ω k được xác định dựa công thức Bayesian: P(Ω ) * p( xi / Ω ) k k p(Ω / xi ) = k k ∑ P(Ω j ) * p( xi / Ω j ) j =1 (4.62) Trong đó P(Ωi ) - xác suất tiền định của loại Ω (ví dụ 50% xác suất thuộc loại A thì P(Ω A ) = 0.5 ) P( xi / Ω k ) - xác suất điều kiện có thể xem x thuộc loại Ω k Thông thường, P(Ω k ) và ∑ P(Ω j ) * p( xi / Ω j ) được xem bằng cho tất j =1 cả các loại Ω k , đó p(Ωk / xi ) chỉ phụ thuộc vào P( xi / Ω k ) Khi đó pixel xi sẽ nằm lớp mà nó có xác suất cao nhất Trong phương pháp này, ngoài xác suất xuất hiện của pixel một lớp còn sử dụng xác suất xuất hiện của một lớp vùng P(Ω k ) 131 Trong trường hợp dữ liệu ảnh phân bố theo quy luật chuẩn Gauss, xác suất p(Ω / xi ) có thể được viết sau: k exp{− ( X − µ c ).Covc− 1( X − µ c )T } k (4.63) (2π ) | Cov | c Trong đó X – giá trị vector độ xám của pixel (dữ liệu ảnh đa phổ gồm k kênh); µ c - vector giá trị phổ trung bình của phân lớp C p(Ω / xi ) = k Covc - ma trận phương sai – hiệp phương sai | Covc | - định thức của ma trận phương sai – hiệp phương sai Hình 4.37 Mô tả thuật toán phân loại xác suất cực đại Phương pháp xác suất cực đại có rất nhiều ưu việt nếu xét theo quan điểm xác suất Tuy nhiên cũng có một số chú ý sau: • Số lượng pixel mẫu phân loại (kích thước mẫu phân loại) phải đủ lớn để các giá trị trung bình, ma trận phương sai, hiệp phương sai tính cho một lớp nào đó có giá trị đúng với thực tiễn; • Nếu tương quan giữa các kênh ảnh là gần nhau, ma trận nghịch đảo của ma trận phương sai và hiệp phương sai sẽ không ổn định Trong trường hợp này để nâng cao độ chính xác của kết quả phân loại cần phải giảm số kênh của ảnh bằng phương pháp phân tích thành phần chính (PCA) • Phương pháp phân loại xác suất tối đa chỉ tối ưu sở giả thuyết phân bố dữ liệu theo luật phân bố chuẩn Gauss Trong trường hợp dữ liệu ảnh không phân bố theo quy luật chuẩn Gauss thì không nên dùng phương pháp phân loại này Phương pháp phân loại khoảng cách Mahalanobis Phương pháp phân loại tự động có giám sát dùng thuật toán khoảng cách Mahalanobis là một trường hợp riêng của 132 thuật toán phân loại khoảng cách ngắn nhất bằng cách sử dụng ma trận phương sai – hiệp phương sai tính toán Sau lấy dữ liệu mẫu, tiến hành tính khoảng cách Mahalanobis từ các pixel ảnh nằm ngoài vùng mẫu đến vector phổ trung bình của các vùng mẫu Pixel sẽ thuộc phân lớp mà khoảng cách Mahalanobis đến nó là ngắn nhất Khoảng cách Mahalanobis được xác định sau: (4.64) D = ( X − M c )T (Covc−1)( X − M c ) Trong đó D là khoảng cách Mahalanobis, c – phân lớp c, X – giá trị của pixel cần tính khoảng cách, M c - giá trị phổ trung bình của mẫu phân loại phân lớp c, Covc - ma trận phương sai – hiệp phương sai của mẫu phân loại phân lớp c, Covc−1 - ma trận nghịch đảo ma trận phương sai – hiệp phương sai, T – hàm số chuyển đổi ma trận Ma trận hiệp phương sai – hiệp phương sai Covc được định nghĩa sau: σ σ  σ 12 1k   11 σ σ σ  22 2k  Covc =  21 σ  với là phương sai    σ σ  σ k2 kk   k1 Phương pháp phân loại theo khoảng cách Mahalanobis cho kết quả phân loại chính xác so với thuật toán khoảng cách ngắn nhất và thuật toán hình hộp có tính đến ma trận phương sai – hiệp phương sai Tuy nhiên nhược điểm của phương pháp này là tốc độ tính toán chậm, trường hợp dữ liệu ảnh không theo quy luật phân bố chuẩn Gauss độ chính xác sẽ giảm ma trận phương sai – hiệp phương sai có giá trị lớn Thuật toán khoảng cách Mahalanobis thường được sử dụng trường hợp các kênh ảnh có độ tương quan không lớn Nếu độ tương quan giữa các kênh ảnh cao, ta sử dụng khoảng cách Euclidean Tình trạng này xảy phân loại các đối tượng đồng nhất (thảm thực vật, đất, ) Đánh giá độ chính xác kết quả phân loại Sau chọn một các thuật toán phân loại tự động trên, các chỉ tiêu phân loại được xác định dựa đặc trưng phổ của các vùng mẫu, quá trình phân loại tự động được thực hiện Kết quả thu được là một file dữ liệu ảnh (raster) chứa đựng những thông tin hữu ích về các đối tượng ảnh Từ dữ liệu phân loại này có thể được sử dụng nhiều bài toán cụ thể, cũng có thể được chuyển sang dạng dữ liệu vector để phục vụ việc thành lập và hiện chỉnh bản đồ chuyên đề các loại Xác định độ chính xác của kết quả phân loại là một bước quan trọng quy trình phân loại ảnh Độ chính xác của kết quả phân loại thường được dùng để đánh giá chất lượng của ảnh vệ tinh cũng so sánh độ tin cậy của kết quả đạt được bằng cách áp dụng các thuật toán khác Kết quả của việc xác định độ chính xác phân loại (so sánh 133 sự phù hợp giữa kết quả phân loại và kết quả thực mặt đất) thường được thể hiện bởi ma trận sai số Ma trận sai số Giả sử ảnh vệ tinh có n pixel được phân loại thành n phân lớp (class), mỗi phân lớp ứng với một đối tượng cụ thể Khi đó, ma trận sai số là một ma trận kích thước n x n dùng để thể hiện sự phù hợp giữa kết quả phân loại và kết quả thực tế Trong ma trận sai số, giá trị các phần từ thuộc đường chéo chính là độ chính xác của kết quả phân loại, các giá trị của các phần tử còn lại là sai số mà một pixel đáng lẽ thuộc đối tượng này kết quả phân loại lại thuộc đối tượng khác Thông thường, độ chính xác chấp nhận được phân loại tự động ảnh viễn thám là không nhỏ 70% Ma trận sai số không chỉ đặc trưng cho tính chính xác của kết quả phân loại cho từng phân lớp (class) mà còn đặc trưng cho sai số liên quan đến việc phân loại sai – sai số bỏ sót và sai số thực hiện Các hàng của ma trận sai số là các phân lớp thực biểu diễn dữ liệu ảnh kiểm tra Các cột của ma trận sai số là các phân lớp được tách sau phân tích kết quả phân loại Trong bảng 4.1 thể hiện ma trận sai số phân loại ảnh vệ tinh thành phân lớp, đó có một phân lớp được chia thành phân lớp nhỏ Trong tổng số 4421 pixel có 4081 pixel được phân loại đúng vào các đối tượng tương ứng Như vậy, độ chính xác toàn cục phân loại đạt khoảng 92.3% Trong đánh giá kết quả phân loại này dùng một các phương pháp xác định độ chính xác sau: ( p' )(q) 50 p = p'−(1.645 + ) (4.65) n n Trong đó p – độ chính xác toàn cục thể hiện mong muốn phân loại chính xác, p’ – độ chính xác toàn cục, q = 100 – p’, n – kích thước vùng lấy mẫu Nếu p lớn một giá trị ngưỡng nào đó đặt trước, kết quả phân loại có thể ghi nhận độ chính xác 95% Thông thường giá trị ngưỡng phân loại thường lấy 85% Trong ví dụ này, độ chính xác toàn cục p đạt 91.6%, vậy kết quả phân loại là chính xác Bảng 4.4 Ví dụ ma trận sai số phân loại ảnh Loại thực Cây nông nghiệp(1) Mặt nước (2) Rừng loại (3) Rừng loại (4) Đất trống (5) Đồng cỏ (6) Tổng cộng 826 0 33 61 920 878 0 0 878 0 720 21 0 741 134 Loại phân loại 183 878 1067 27 0 560 589 0 0 219 226 Tổng 858 878 910 934 621 220 4081 Trong ma trận sai số nhận được này, các phần tử của ma trận không nằm đường chéo chính cho ta biết thông tin về sai số bỏ sót và sai số thực hiện Sai số bỏ sót của từng đối tượng phân loại là giá trị phần tử nằm bên phải đường chéo chính Để tính toán sai số bỏ sót đối với từng đối tượng ta lấy tổng các phần tử nằm bên phải đường chéo chính của ma trận sai số rồi chia cho tổng số pixel của phân lớp đó Trong ví dụ trên, đối với phân lớp nông nghiệp có 32 pixel bị bỏ sót, số đó có 27 pixel bị gán nhầm vào phân lớp đất trống, pixel gán nhầm vào phân lớp rừng loại Như vậy sai số bỏ sót của phân lớp nông nghiệp là 3.7% Tương tự thế, để tính sai số thực hiện cần tính tổng tất cả các phần tử không nằm đường chéo chính một cột của ma trận và chia cho tổng số pixel của phân lớp đó Trong ví dụ trên, đối với phân lớp nông nghiệp có 94 pixel bị phân loại sai, đó có 61 pixel bị phân loại sai vào phân lớp đất trống, 33 pixel vào phân lớp rừng loại Kết quả ta thu được sai số thực hiện phân loại công nghiệp là 10.2% Sai số bỏ sót và sai số thực hiện đối với tất cả phân lớp ví dụ được thể hiện bảng 4.5 dưới Bảng 4.5 Sai số bỏ sót và sai số thực hiện phân loại ảnh Phân lớp Số pixel Sai số bỏ sót Tổng số Sai số (%) Sai số thực hiện Pixel phân Tổng số Sai số (%) Cây nông nghiệp bỏ sót 32 pixel 858 3.7 loại sai 94 pixel 920 10.2 Mặt nước 878 0 878 Rừng loại 190 910 20.9 21 741 2.8 Rừng loại 56 934 6.0 189 1067 17.7 Đất trống 61 621 9.8 29 589 4.9 Đồng cỏ 220 0.5 226 3.1 Đánh giá độ chính xác của dữ liệu mẫu Để đánh giá độ chính xác của dữ liệu mẫu (mẫu phân loại) cần phải tính độ phân chia (separability) của các dữ liệu mẫu Độ phân chia dữ liệu mẫu là khoảng cách thống kê giữa hai vùng mẫu Khoảng cách này có thể được tính toán cho bất kỳ tổ hợp các kênh ảnh nào dùng để phân loại, vậy nó cho phép loại bỏ các kênh ảnh không hữu dụng đến quá trình phân loại Để tính toán khoảng cách giữa hai dữ liệu mẫu cần tình khoảng cách phổ giữa hai vector trung bình của từng cặp vùng mẫu Nếu khoảng cách phổ này là không đáng kể đối với một cặp vùng mẫu nào đó có nghĩa là chúng không đủ chính xác để có thể phân loại thành công Khoảng cách phổ giữa hai dữ liệu mẫu cũng là sở cho phương pháp phân loại tự động khoảng cách ngắn nhất Do đó, việc tính toán khoảng cách giữa các dữ liệu mẫu giúp người phân loại dự đoán được độ chính xác của kết quả phân loại dùng 135 thuật toán khoảng cách ngắn nhất Trong công thức tính toán khoảng phân chia giữa các dữ liệu mẫu có liên quan đến thuật toán phân loại tự động xác suất tối đa (maximum likelihood classification) Do vậy, việc tính khoảng cách phổ giữa các dữ liệu mẫu cũng giúp người dùng có thể dự đoán được độ chính xác của kết quả phân loại dùng thuật toán xác suất cực đại Dưới giới thiệu ba phương pháp để tính khoảng cách giữa các dữ liệu mẫu Tất cả các phương pháp này đều sử dụng ma trận phương sai – hiệp phương sai cũng giá trị vector phổ trung bình của các dữ liệu mẫu Toán tử Div (Divergence) Giá trị Divergence ( Dij ) được xác định dựa vào công thức sau (Swain and Davis, 1978): 1 Dij = tr ((Ci − C j )(Ci− − C −j 1)) + tr ((Ci− − C −j 1)(µi − µ j )(µi − µ j )T ) (4.66) 2 Trong đó i và j là hai vùng mẫu (class) dùng để đánh giá Ci - ma trận phương sai – hiệp phương sai của vùng mẫu i µ i - giá trị phổ trung bình của vùng mẫu i Tr – hàm số vết (trace) đại số tuyến tính – tổng các phần tử đường chéo chính của một ma trận vuông kích thước n x n T – hàm số chuyển đổi ma trận Transformed Divergence Công thức tính Transformed Divergence (TD) được xác định sau (Swain and Davis, 1978): 1 Dij = tr ((Ci − C j )(Ci− − C −j 1)) + tr ((Ci− − C −j 1)(µi − µ j )(µi − µ j )T ) 2 − Dij (4.67) TDij = 2000(1 − exp( )) Khoảng cách Jeffrier – Matusita (Jeffrier – Matusite distance) Để tính khoảng cách Jeffrier – Matusita (JM) ta sử dụng công thức sau (Swain and Davis, 1978): Ci + C j Ci + C j | | 1 α = ( µi − µ j )T ( ) −1( µi − µ j ) + ln( ) 2 | Ci | x | C j | JM ij = 2(1 − e −α ) 136 (4.68) Trong đó | Ci | là định thức của ma trận Cả hai phương pháp dùng toán tử Transformed divergence và khoảng cách Jeffries – Matusita, khoảng cách giữa các dữ liệu mẫu đều có giới hạn và giới hạn dưới Transformed divergence (TD) có giá trị khoảng từ đến 2000, khoảng cách Jeffries – Matusita (JM) có giá trị khoảng từ đến 1414 Nếu divergence tính được bằng với giới hạn trên, đó có thể nói rằng các dữ liệu mẫu là hoàn toàn tách rời cách kênh ảnh sử dụng Điều đó có nghĩa rằng, dữ liệu mẫu có thể sử dụng để phân loại tự động và kết quả phân loại đảm bảo độ chính xác Bằng không, các dữ liệu mẫu là không tách rời và kết quả phân loại sẽ không chính xác Xác định độ chính xác kết quả phân loại Đánh giá độ chính xác của kết quả phân loại dựa vào ma trận sai số thực chất nhằm mục đích đánh giá thống kê kết quả phân loại sở dữ liệu kiểm tra (hoặc bản đồ tham chiếu) Phương pháp này có ưu điểm quan trọng là cho thấy rõ độ chính xác toàn cục và mức độ phân loại cho từng đối tượng Tuy nhiên, nhược điểm chính của phương pháp này là chưa đủ để cung cấp các thông tin cần thiêt như: • Tỉ lệ phân loại chính xác quá trình phân loại thực sự cho toàn bộ ảnh vệ tinh; • Thông tin về sự phù hợp tối đa với tất cả các đối tượng cần phân loại; • Cách xác định thuật toán tối ưu sử dụng hai thuật toán phân loại khác Để giải quyết các vấn đề có thể xây dựng thêm các chỉ số đánh giá kết quả phân loại dựa lý thuyết xác suất Hiện tồn tại rất nhiều chỉ số đánh giá độ chính xác kết quả phân loại tự động ảnh vệ tinh Bảng 4.6 dưới liệt kê một số chỉ số thường dùng Bảng 4.6 Các chỉ số đánh giá độ chính xác kết quả phân loại Chỉ số Độ chính xác toàn cục Độ chính xác theo hàng Độ chính xác theo cột Độ chính xác trung bình Kí hiệu Đánh giá Phần trăm pixel được phân loại đúng Công thức q ∑ nii N i =1 nii Ni AAu Đánh giá độ chính xác từng đối tượng dựa tổng số pixel hàng Đánh giá độ chính xác từng đối tượng dựa tổng số pixel cột Độ chính xác trung bình so với tất cả các hàng q nii ∑ q i =1 N i AAp Độ chính xác trung bình so với tất cả các cột q nii ∑ q i =1 M i OA UA PA 137 nii Mi Nguồn trích dẫn Story and Kongeilton, 1986 Story and Kongeilton, 1986 Story and Kongeilton, 1986 Fung and Ledru Độ chính xác tổng CAu CAp Kappa k Kappa trọng điểm kw Kappa có điều kiện k +i Đánh giá trọng điểm phân loại không thống nhất sau loại trừ sự trùng hợp ngẫu nhiên Hệ số Kappa có điều kiện được tính dựa cột thứ i của ma trận sai số Te Hệ số Tau – xác suất bằng phân loại pixel Tp Hệ số Tau - xác suất khác phân loại pixel Tau Chỉ số Tau có điều kiện Trung bình cộng của độ chính xác toàn cục và độ chính xác trung bình theo hàng Trung bình cộng của độ chính xác toàn cục và độ chính xác trung bình theo cột Đánh giá phân loại sau loại trừ sự trùng hợp ngẫu nhiên Ti + T+ i Hệ số Tau có điều kiện tính dựa hàng i của ma trận sai số Hệ số Tau có điều kiện tính dựa cột i của ma trận sai số (OA + AAu ) (OA + AAp) P0 − Pe − Pe 1− Kongeilton, 1983 ∑ v P ∑ v P ij ij ij eij P0 ( + i ) − Pe ( + i ) − Pe ( + i ) q 1− q P0 − Pr − Pr P0 ( + i ) − Pi P0 − − Pi Pe ( + i ) − Pi Rozenfeld, Fitspatric - Linz Fung, Ma, Redmond, 1992 Fung, Ma, Redmond, 1992 Nasset − Pi Một những chỉ số đơn giản và thường được sử dụng đánh giá độ chính xác phân loại là chỉ số Kappa, được Kongeilton đưa năm 1983 Chỉ số Kappa nhằm thống kê, kiểm tra và đánh giá sự phù hợp giữa những nguồn dữ liệu khác hoặc áp dụng các thuật toán phân loại khác Chỉ số Kappa có thể được sử dụng để kiểm tra hai bộ dữ liệu có độ tin cậy khác về thống kê, chẳng hạn phân loại bởi một thuật toán nào đó cho độ chính xác toàn cục ma trận sai số rất cao điều này chưa chắc đảm bảo cho kết quả tốt quá trình phân loại cho toàn ảnh vệ tinh Chỉ số Kappa được xác định sau: P − Pe k= − Pe (4.69) Trong đó Po – độ chính xác toàn cục cho bởi ma trận sai số, Pe – đại lượng chỉ sự mong muốn (kỳ vọng) phân loại chính xác có thể dự đoán trước (hệ số Pe góp phần ước tính khả phân loại chính xác quá trình thực hiện phân loại) 138 Giá trị của Pe được tính bằng tích của hàng và cột biên của ma trận sai số nhằm ước tính số lượng pixel được chỉ định vào từng vị trị ma trận sai số hay thể hiện xác suất mà pixel được gán cho từng loại đối tượng Để hiểu được quá trình trên, ta cùng xem xét bảng 4.4 ở phía Sau tính tích số lượng pixel ở các hàng và cột tương ứng ma trận sai số 4.4 ta thu được bảng 4.7 sau: Bảng 4.7 Ví dụ tính chỉ số Kappa Loại thực Cây nông nghiệp(1) Mặt nước (2) Rừng loại (3) Rừng loại (4) Đất trống (5) Đồng cỏ (6) Tổng cộng 789360 753324 Loại phân loại 635778 915486 505362 807760 837200 859280 571320 202400 920 770884 798980 820052 545238 193160 878 650598 674310 692094 460161 163020 741 936826 970970 996578 662607 234740 1067 517142 535990 550126 365769 129580 589 193908 Tổng 858 198428 205660 211084 140346 49720 226 878 910 934 621 220 Từ bảng 4.7 ta tính được: Tổng các phần tử đường chéo chính = 046 621 Tổng toàn bộ các phần tử của ma trận = 28 866 023 Khi đại lượng chỉ sự kỳ vọng phân loại chính xác Pe được xác định bởi: 3046621 Pe = = 0.126 28866023 Như vậy, giá trị chỉ số Kappa thu được nhự sau: Kappa = 0.916 − 0.126 = 0.904 − 0.126 Ở giá trị 0.916 là độ chính xác toàn cục đã được tính ở phần Giá trị Kappa = 0.904 có nghĩa rằng độ chính xác phân loại lớn 90% so với xác suất phân chia ngẫu nhiên các pixel vào một nhóm nào đó CÂU HỎI ÔN TẬP CHƯƠNG Khái niệm về ảnh số? Thế nào là độ phân giải không gian ảnh? Phân loại ảnh theo tiêu chí độ phân giải không gian? Độ phân giải thời gian ảnh viễn thám? Độ phân giải phổ ảnh viễn thám? Độ phân giải bức xạ ảnh viễn thám? Khuôn dạng dữ liệu của ảnh số? Khái niệm phân tích ảnh bằng mắt? Các dấu hiệu phân tích ảnh bằng mắt? 139 Tại phải tiền xử lý ảnh viễn thám? 10 Phương pháp hiệu chỉnh hình học ảnh viễn thám? 11 Phương pháp nội suy song tuyến? 12 Phương pháp lân cận gần nhất? 13 Nắn ảnh bằng điểm khống chế? Các lưu ý chọn điểm khống chế? 14 Phương pháp xoắn bậc 3? 15 Thế nào là tăng cường chất lượng ảnh? 16 Phương pháp đặt ngưỡng mức độ xám? 17 Phương pháp giãn ảnh? 18 Phương pháp cắt mức độ xám? 19 Phương pháp lọc ảnh? Trình bày một số phép lọc bản 20 Phương pháp chuyển đổi không gian màu RGB – HIS? 21 Phương pháp chuyển đổi không gian màu HIS – RGB? 22 Phương pháp biến đổi Fourier? 23 Phương pháp tỉ số ảnh? 24 Chỉ số thực vật chuẩn hóa NDVI? Một số chỉ số thực vật khác? 25 Chỉ số khoáng sản sét, oxit sắt, kim loại màu, khoáng sản thủy nhiệt? 26 Phương pháp phân tích thành phần chính? 27 Ứng dụng của phương pháp phân tích thành phần chính? 28 Khái niệm về phân loại đối tượng ảnh? 29 Phương pháp phân loại tự động không giám sát? Ưu điểm, nhược điểm? 30 Thuật toán K – means? 31 Thuật toán ISODATA? 32 Phương pháp phân loại tự động có giám sát? 33 Thuật toán hình hộp? 34 Thuật toán khoảng cách ngắn nhất? 35 Thuật toán xác suất cực đại? 36 Thuật toán khoảng cách Mahalanobis? 37 Đánh giá độ chính xác của dữ liệu mẫu? 38 Ma trận sai số phân loại? 39 Đánh giá độ chính xác của kết quả phân loại? 140 TÀI LIỆU THAM KHẢO Lê Văn Trung Viễn thám, Nhà xuất bản Đại học quốc gia thành phố Hồ Chí Minh, 2005, 405 trang Nguyễn Văn Đài Cơ sở viễn thám, Nhà xuất bản Đại học Khoa học tự nhiên Hà Nội, 2002, 300 trang Phạm Văn Cự, Ferdinand Bonn Viễn thám radar: Một số khái niệm bản, Nhà xuất bản Đại học Khoa học tự nhiên Hà Nội, 2006, 23 trang Phạm Vọng Thành Kỹ thuật viễn thám, Nhà xuất bản Đại học Mỏ – địa chất Hà Nội, 139 trang Trịnh Lê Hùng, Đào Khánh Hoài Ứng dụng viễn thám nghiên cứu độ ẩm đất sở chỉ số khô hạn nhiệt độ thực vật, Hội thảo khoa học Ứng dụng GIS toàn quốc 2013, trang 46 – 53 Trịnh Lê Hùng Phương pháp tỉ số ảnh và ứng dụng phát hiện khoáng chất oxit sắt, sét, kim loại màu, Tạp chí Công nghiệp Mỏ, số 04, 2013, trang 19 – 24 Trịnh Lê Hùng Phương pháp phân tích thành phần chính nghiên cứu sự phân bố khoáng vật sét, oxit sắt bằng tư liệu ảnh vệ tinh LANDSAT, Tạp chí Khoa học ĐH Sư phạm Thành phố Hồ Chí Minh, số 51, 2013, trang 147 – 156 Vũ Danh Tuyên, Trịnh Lê Hùng Nghiên cứu phương pháp xác định biến động đường bờ dựa kết quả phân loại ảnh viễn thám đa thời gian, Tạp chí Khoa học Tài nguyên và Môi trường, số 01, 2013, trang 42 – 47 Alexander A Kokhanovsky, Gerrit de Leeuw Satellite Aerosol Remote Sensing over Land, Springer, 2009, 398 p 10 Bondur V G., Krapivin V F., V P Savinykh Monitoring and forecasting of natural disasters, The Scientific World, 2009 692 p 11 Chandra A.M., Ghosh S.K Remote Sensing and geographical information system, Narosa Publishing House, 2008, 308 p 12 Crist E.P., Cicone R.C A physically – based transformation of thermatic mapper data – The TM Tasseled Cap, IEEE Transactions on Geoscience and Remote sensing, 1984, 22(3), 256 – 263 13 Ivits, E.A Lamb, F Langar, S Hemphill, B Koch Orthogonal transformation of segmented SPOTS images: seasonal and geographical dependence of the Tasseled Cap parameters, Photogrammetric engineering and remote sensing, Vol 74, No 11, 2008, pp 1351 – 1364 14 J A Richards Remote Sensing with Imaging Radar M: Springer, 2009, 373 p 15 Jean – Paul Donnay, Mike J Barnsley and Paul A Longley Remote Sensing and Urban Analysis M: GISDATA, 2005, 284 p 16 John G Lyon, Ding Yuan, Ross S Lunetta and Chris D Elvidge A change detection experiment using vegetation indices, Photogrammetric Engineering & Remote Sensing, Vol 64, 1998, pp 143 – 150 141 17 Kauth R.J., Thomas G.S The Tasseled Cap – a graphical description of the spectral – temporal development of agricultural crops as seen by LANDSAT, Proceedings of the Symposium on Machine processing og Remotele sensed Data Purdue University, West Lafayete, Indiana, 1976, pp 4B41 – 4B51 18 Major D.J., Baret F and G Guyot A ratio vegetable index adjusted for soil brightness, International Journal of Remote Sensing, v.11, 1990, p 727 – 740 19 Margaret Kalacska Hyperspectral Remote Sensing of tropical and subtropical forests, CRC Press, 2008, 350 p 20 Richardson A.J and Wiegand C.L Distinguishing vegetable from soil background information, Photogrammetric Engineering and Remote Sensing, v.43, 1977, p 1541 – 1552 21 Robert A Schowengerdt Remote Sensing: Models and Methods for Image Processing, Elsevier, 2008, 558 p 22 Thomas M Lillesand, Ralph W Kiefer Remote Sensing and Image interpretation, John Wiley & Sons, Inc., 287 p 23 Qihao Weng Remote Sensing and GIS Interpretation: Theories, Methods and Applications, Mc Graw Hill, 2010, 433 p 24 Shunlin Liang Advances in Land Remote Sensing: System, Modeling, Inversion and Application, Springer, 2008, 496 p 25 Savinykh V.P., Malinnhikov V.A., Slatkopevsev S.A Geographical iz cosmosa, MIIGAiK, 2000, 222 p 26 Zuzana Maskova, Frantisek Zemek, Jan Kvet Normalized difference vegetable index (NDVI) in the management of mountain meadows, Boreal Environment Research 13, Helsinki, 2008, 417 – 432 27 Марчуков В.С., Сладкопевцев С.А Ресурсно-экологическая картография, МИИГАиК 2005 г., 195 стр 28 Марчуков В.С Автоматизированные методы оценки динамики пространственного распределения растительного покрова и грунтов по данным дистанционного мониторинга, ИССЛЕДОВАНИЕ ЗЕМЛИ ИЗ КОСМОСА, 2010, №2, с 63 – 74 29 Марчуков В.С., Миртова И.А Дешифрирование динамики растительного покрова и грунтов по материалам дистанционного зондирования, Учебное пособие, Москва, МИИГАиК, 2009, 128 стр 30 Кронберг П Дистанционное изучение Земли, Мир, 1988, 350 стр 31 Аковецкий В.И Дешифрирование снимков, Недра 1983, 373 стр 32 Рис У Г Основы дистанционного зондирования, Техносфера, 2006 33 Гонсалес Р., Вудс Р Цифровая обработка изображений, Техносфера, 2005, 1067 стр 34 Книжников Ю.Ф Кравцова В.И Многозональная съемка и ее применение при изучении окружающей среды, Обнинск, 1978, 46 стр 142 35 Книжников Ю.Ф Кравцова В.И., Тутубалина О.В Аэрокосмические методы географических исследований: Учеб для студ высш учеб Заведений, Издательский центр «Академия», 2004, 336 стр 36 Виноградов В.Б Аэрокосмический мониторинг экосистем, Наука, 1984, 320 стр 37 Софер В.А Методы компьютерной обработки изображений, ФИЗМАТЛИТ, 2004, 317 стр 38 Лурье И.К Геоинформационное картографирование, КДУ, 2010, 423 стр 39 Кравцова В.И Космические методы исследования почв, АСПЕКТ ПРЕСС, 2005, 189 стр 40 Лабутина И.А Дешифрирование аэрокосмических снимков, АСПЕКТ ПРЕСС, 2004, 184 стр 41 Чабан Л.Н Тематическая классификация многозональных изображений в пакете ERDAS Imagine, Учебное пособие, Московский государственный университет геодезии и картографии, 2006 42 Сухих В.И Аэрокосмические методы в лесном хозяйстве и ландшафтном строительстве, Иошкар Ола, 2005, 382 стр 143 [...]... nào là viễn thám? Sự khác nhau giữa kỹ thuật viễn thám và các kỹ thuật nghiên cứu tài nguyên, môi trường truyền thống? 2 Lịch sử ra đời và xu hướng phát triển của kỹ thuật viễn thám? 3 Nguyên lý hoạt động cơ bản của viễn thám? 4 Bức xạ điện từ là gì? Phân loại bức xạ điện từ? 5 Bức xạ điện từ ở dải sóng nào được sử dụng trong viễn thám? Tại... ảnh hưởng đến khả năng phản xạ phổ của các đối tượng tự nhiên? 13 Ưu, nhược điểm của kỹ thuật viễn thám? 14 Nêu các lĩnh vực ứng dụng chủ yếu của viễn thám? 15 Tình hình ứng dụng kỹ thuật viễn thám ở Việt Nam? 29 Chương 2: BỘ CẢM BIẾN VÀ VỆ TINH VIỄN THÁM 2.1 NHỮNG KHÁI NIỆM CHUNG VỀ BỘ CẢM BIẾN 2.1.1 Bộ cảm biến Bộ cảm biến là các thiết bị tạo ra... việc đầu tư công nghệ mới nhằm xây dựng đồng bộ hệ thống thu nhận, xử lý dữ liệu và áp dụng tư liệu ảnh vũ trụ là yêu cầu cần thiết với nước ta hiện nay 1.2 NGUYÊN LÝ CƠ BẢN CỦA VIỄN THÁM Nguyên lý cơ bản của kỹ thuật viễn thám là thu nhận năng lượng phản hồi của sóng điện từ chiếu tới vật thể, thông qua bộ cảm biến (sensor) giá trị phản xạ phổ này sẽ được chuyển... lượng bức xạ ứng với từng bước sóng do bộ cảm biến nhận được trong dải phổ đã xác định Nguyên lý thu nhận ảnh viễn thám được mô tả như hình 1.4 dưới đây 16 Hình 1.4 Nguyên lý thu nhận dữ liệu viễn thám Sóng điện từ dùng trong viễn thám tuân theo các định luật bức xạ điện từ (định luật Plank, định luật Wien, Stefan – Bontzmann, …) và hệ phương trình... vùng Hiện nay, viễn thám ở nước ta đã chuyển dần từ công nghệ tương tự (analog) sang công nghệ số kết hợp với GIS giúp xử lý nhiều loại ảnh đạt yêu cầu cao về độ chính xác với quy mô sản xuất công nghiệp 1.1.3 Các ứng dụng của viễn thám Với những ưu điểm nổi bật so với các phương pháp nghiên cứu truyền thống, lĩnh vực ứng dụng của viễn thám rất đa... kỹ thuật viễn thám đã được sử dụng rộng rãi nhằm phát hiện và lập bản đồ phân bố các loại khoáng sản, lập bản đồ cấu trúc các lớp địa chất, địa mạo, nghiên cứu dự báo động đất, núi lửa, …Ứng dụng viễn thám trong nghiên cứu biển và tài nguyên nước là một trong những lĩnh vực đạt được những kết quả quan trọng nhất Kỹ thuật viễn thám đã... Các phương trình Maxwell bao gồm mọi định luật cơ bản của điện trường và từ trường, đó là những phương trình cơ bản, tổng quát của điện từ trường trong các môi trường đứng yên Thuyết Maxwell không những giải thích được các hiện tượng đã biết, mà còn tiên đoán được nhiều hiện tượng mới, quan trọng Giả thuyết hoàn toàn mới trong thuyết của Maxwell là giả thuyết về trường của dòng điện dịch Trên cơ sở đó,... và máy bay là những vật mang cơ bản thường được sử 35 dụng trong viễn thám Bên cạnh đó còn có những vật mang khác có độ cao hoạt động từ vài chục mét trở lên (khinh khí cầu, thang trượt của cần cẩu, máy bay không người lái, ) để chụp các khu vực có diện tích nhỏ trên mặt đất Hình 2.3: Một số vật mang dùng trong viễn thám: thang trượt của cần cẩu... trình Maxwell Năng lượng phổ dưới dạng sóng điện từ, cùng cho thông tin về một vật thể từ nhiều góc độ sẽ góp phần phân loại vật thể một cách chính xác hơn 1.3 CƠ SỞ VẬT LÝ CỦA VIỄN THÁM 1.3.1 Tính chất của bức xạ điện từ Thuật ngữ bức xạ điện từ, do James Clerk Maxwell đặt ra, xuất phát từ những tính chất điện và từ đặc trưng chung cho tất cả các dạng của loại... một môi trường nào đó, và môi trường đó đóng vai trò cơ bản trong quá trình điện và từ Maxwell đã phát triển những ý kiến của Faraday một cách sâu sắc và đã xây dựng nên những thuyết định lượng, dùng công cụ toán học Sự liên quan chặt chẽ giữa điện trường và từ trường được xây dựng trên cơ sở lý thuyết chắc chắn, và được biểu diễn bằng các phương trình Maxwell Vì thế thuyết Maxwell là một bước phát ... THUẬT VIỄN THÁM 1.1 MỞ ĐẦU 1.1.1 Khái niệm về viễn thám Khái niệm Viễn thám là một ngành khoa học có lịch sử phát triển lâu đời Sự phát triển của khoa học viễn thám. .. thuật viễn thám? 14 Nêu các lĩnh vực ứng dụng chủ yếu của viễn thám? 15 Tình hình ứng dụng kỹ thuật viễn thám ở Việt Nam? 29 Chương 2: BỘ CẢM BIẾN VÀ VỆ TINH VIỄN THÁM. .. thức bắt buộc để sinh viên có thể theo học các học phần tiếp theo về viễn thám Giáo trình Cơ sở viễn thám gồm chương TS Vũ Danh Tuyên làm chủ biên, các cán bộ giảng dạy