SỬ DỤNG DỮ LIỆU VIỄN THÁM RADAR TRONG XÁC ĐỊNH RỪNG NGẬP MẶN

Rừng ngập mặn (RNM) được xem là một trong những hệ sinh thái rừng có ý nghĩa quan trọng về mặt sinh thái, môi trường và tài nguyên sinh vật. Phương pháp viễn thám sử dụng dữ liệu radar có tiềm năng cao trong xác định, phân loại và giám sát RNM. Thu nhận ảnh theo phương pháp radar không bị ảnh hưởng bởi các hiện tượng thời tiết trong bầu khí quyển (như bị che phủ bởi mây) và có thể thu nhận ảnh vào bất kỳ thời điểm nào trong ngày (kể cả ngày và đêm). Nghiên cứu này xem xét khả năng xác định, phân loại RNM của hai loại ảnh radar ENVISAT ASAR APP (kênh C) và ALOS PALSAR (kênh L) ở khu vực bán đảo Cà Mau. Kết quả cho thấy dữ liệu ENVISAT ASAR APP khó khăn khi phân loại các đối tượng RNM cặp phân cực kép HHHV cho một thời điểm ảnh. Dữ liệu ALOS PALSAR phân cực kép HHHV một thời điểm có khả năng xác định khác biệt rừng theo độ che phủ cây rừng, còn xác định kiểu rừng theo loài (như rừng Mắm và rừng Đước) thì khó nhận diện chính xác.

Hội nghị Khoa học Công nghệ lần thứ 14 TP Hồ Chí Minh, 30/10/2015 SỬ DỤNG DỮ LIỆU VIỄN THÁM RADAR TRONG XÁC ĐỊNH RỪNG NGẬP MẶN Hoàng Phi Phụng (1), Lâm Đạo Nguyên (1), Phạm Bách Việt (2) (1) Trung tâm Ứng dụng Công nghệ Vệ tinh Miền Nam - Trung tâm Vệ tinh Quốc gia - VAST hoangphiphung@gmail.com, nlamdao@gmail.com (2) Trường Đại học Khoa học Xã hội Nhân văn - ĐH Quốc gia TP Hồ Chí Minh phambachviet@gmail.com TÓM TẮT Rừng ngập mặn (RNM) xem hệ sinh thái rừng có ý nghĩa quan trọng mặt sinh thái, môi trường tài nguyên sinh vật Phương pháp viễn thám sử dụng liệu radar có tiềm cao xác định, phân loại giám sát RNM Thu nhận ảnh theo phương pháp radar không bị ảnh hưởng tượng thời tiết bầu khí (như bị che phủ mây) thu nhận ảnh vào thời điểm ngày (kể ngày đêm) Nghiên cứu xem xét khả xác định, phân loại RNM hai loại ảnh radar ENVISAT ASAR APP (kênh C) ALOS PALSAR (kênh L) khu vực bán đảo Cà Mau Kết cho thấy liệu ENVISAT ASAR APP khó khăn phân loại đối tượng RNM cặp phân cực kép HH&HV cho thời điểm ảnh Dữ liệu ALOS PALSAR phân cực kép HH&HV thời điểm có khả xác định khác biệt rừng theo độ che phủ rừng, xác định kiểu rừng theo loài (như rừng Mắm rừng Đước) khó nhận diện xác Từ khóa: ALOS PALSAR, ENVISAT ASAR, xác định, rừng ngập mặn, phân cực GIỚI THIỆU Rừng ngập mặn (RNM) xem hệ sinh thái ven biển có ý nghĩa quan trọng mặt sinh thái, môi trường tài nguyên sinh vật Hệ sinh thái góp phần việc chống xói lở bờ biển tác động chế động học (sóng, triều dòng chảy ven bờ), hạn chế ảnh hưởng tượng thời tiết nguy hiểm bão, sóng thần Đồng thời, tạo môi trường sinh thái thuận lợi cho loài thủy hải sản loại thân gỗ bụi phái triển vùng gian triều (intertidal zone) Ngoài ra, RNM có ý nghĩa quan trọng hoạt động kinh tế - xã hội người như: cung cấp vật liệu xây dựng (gỗ,…) khai thác hợp lý, nguyên liệu điều chế thuốc phục vụ cho du lịch sinh thái Do đó, việc nghiên cứu RNM có ý nghĩa quan trọng ngày nhận quan tâm nhiều nhà nghiên cứu Trong nghiên cứu phương pháp viễn thám radar có tiềm xác định, phân loại giám sát RNM Phương pháp viễn thám radar với ưu điểm giám sát khu vực rộng lớn, liên tục với chu kỳ định cho nhìn đồng thời thời điểm, đặc biệt viễn thám radar giám sát cách thuận lợi đối tượng bề mặt đất mà gần không bị ảnh hưởng tượng thời tiết bầu khí (như bị che phủ mây) so với viễn thám quang học thu nhận ảnh vào thời điểm ngày (kể ngày đêm) Dữ liệu viễn thám radar nhận từ hệ thống radar SAR khó giải thích hay giải đoán ảnh quang học Tín hiệu cường độ đo lường từ cảm gọi hệ số tán xạ ngược (backscatter coeficient) với đơn vị dB (decibel) Do sóng siêu cao tần truyền với cấu hình khác tùy theo loại cảm, có khác biệt bước sóng, phân cực truyền nhận lại tín hiệu, góc tới mà dẫn đến bề mặt thu nhận hệ số tán xạ có khác Ứng dụng viễn thám radar RNM nói riêng rừng nói chung, chủ yếu quan tâm đến việc phân loại ước lượng sinh khối RNM thời điểm Kết tốt cho việc ước lượng rừng nhận từ liệu SAR kênh L P [1] Đặc biệt RNM, Mougin cộng [2] tìm thấy tương quan cao sử dụng phân cực HV với kênh P Các bước sóng dài thuận lợi cho việc phân loại RNM thời điểm Sự phân biệt rừng phát triển (young forest) rừng trưởng thành (mature forest) thực kênh L (thông qua tổ hợp liệu HH - HV) tốt với bốn phân cực liệu phân cực đầy đủ với pha bảo toàn (phase - preserved) [3] Dựa liệu SIR - C / X - SAR, Kiplich [4] cho thấy khó khăn tách biệt giai đoạn sinh trưởng rừng Amazon với độ xác vừa đủ thực kênh X, C L Tuy nhiên, Rignot cộng [5] kết luận kênh C có khả tách biệt rừng kênh L P Các kết luận khác họ nên được nghiên cứu nhiều vùng khác loại thực vật sử dụng liệu phân cực, bước sóng góc tới khác để tính đến thay đổi địa phương Theo Tổ chức Lương thực Nông nghiệp Liên Hiệp Quốc (FAO), RNM thân gỗ bụi mọc mức triều cao triều cường [25] Vì vậy, hệ thống rễ chúng thường xuyên bị ngập nước mặn, mặc 218 dầu nước pha loãng dòng nước ngập hay hai lần năm [26] Cơ chế tương tác chủ yếu sóng radar với giai đoạn phát triển RNM phụ thuộc vào bước sóng radar [6] Mối quan hệ tìm thấy nghiên cứu Mougin cộng [7], Proisy cộng [8] khảo sát mối quan hệ liệu SAR với chế độ tần số phân cực khác nhau, cấu trúc thành phần RNM cho khu vực Guiana, Pháp Phân loại RNM từ liệu quang học xem xét nghiên cứu nhiều [9, 10], liệu SAR thường sử dụng liệu bổ sung thông tin Tuy nhiên, với khả cảm phân cực, liệu radar ứng dụng độc lập cho mục tiêu phân loại Có nhiều nghiên cứu cho thấy sử dụng liệu SAR để giám sát thành lập đồ rừng Một vài nghiên cứu khảo sát cách tiếp cận khác để trích thông tin đồ rừng từ liệu JERS - ERS - 1/ ERS - vùng nhiệt đới, mục đích xác định vùng bị phá rừng [11, 12] Ví dụ phương pháp dựa liệu SAR cho việc tách biệt lớp phủ như: phương pháp định [13], công nghệ mixed spectral model [14], support vector machines [15],… Các nghiên cứu khác sử dụng liệu SAR khác RADARSAT [16], ALOS PALSAR (PLR) [17] SIR - C/ X - SAR [18] Ngoài ra, liệu viễn thám SAR ứng dụng giám sát, phân loại thành lập đồ phân bố đất rừng ngập mặn (mangrove wetland) nói riêng đất ngập nước (wetland) nói chung Phân loại mạng thần kinh sử dụng để phân loại vùng ngập nước với liệu đa thời gian ảnh RADASAT [19] với thông tin cấu tạo (textural) để cải tiến độ xác phân loại Townsend Foster [20] đánh giá vùng ngập cấu trúc thực vật rừng ngập nước (forested wetlands) sử dụng liệu SAR RADARSAT Dữ liệu SAR thiết bị đo phân cực SIR-C sử dụng Bourgeau - Chavez công [21] để lập đồ vùng ngập nước, tìm hiểu hiệu ứng kênh khác (phân cực tần số) Trong nghiên cứu sử dụng liệu Shuttle Imaging Radar - C (SIR - C) NASA đánh giá cho thành lập đồ giám sát vùng ngập nước Dữ liệu kênh C L thiết bị đo phân cực đầy đủ sử dụng phân tích thứ bậc công nghệ phân loại maximum likelihood Kết cho thấy kênh L C cần thiết cho nhận biết nước ngập lớp thực vật che Phân cực HH tìm thấy nghiên cứu hay nghiên cứu khác tốt phân cực VV cho tách biệt vùng ngập nước Các phân cực chéo (HV VH) dùng để tách biệt thực vật dạng thân gỗ so với dạng thân thảo (herbaceous) Dữ liệu PLR sử dụng Sato cộng [22] cho phân loại vùng nước vùng ngập nước Đồng thời liệu đa thời gian sử dụng để ước lượng cấu trúc rừng ngập nước [23] Như vậy, liệu radar SAR sử dụng cho thành lập đồ rừng giám sát rừng [13, 17], đánh giá biến động rừng Việt Nam nhà khoa học Nhật tiến hành [24], xác định chiều cao rừng tương quan chiều cao với sinh khối [27], giám sát RNM [28] Tính phân cực liệu radar SAR ý cao phương pháp xử lý, phân tích ảnh thông số quan trọng phân tích xác định đối tượng Hiện nay, hệ sinh thái RNM Cà Mau chịu ảnh hưởng nghiêm trọng hoạt động phá rừng hay chuyển đổi mục đích sử dụng đất, phát triển nuôi trồng thủy sản không theo quy hoạch nên việc nghiên cứu giám sát RNM trở nên cấp thiết, góp phần vào việc đánh giá lên kế hoạch phát triển, bảo vệ quản lý hệ sinh thái RNM Đặc biệt, khu vực đồng sông Cửu Long (ĐBSCL) có 128.537ha, chiếm 60% diện tích RNM nước (Bộ Nông nghiệp PTNT, 2008) Trong nghiên cứu tìm hiểu khả phân loại RNM theo loại Cà Mau, cụ thể hai loài mắm đước (là hai loại RNM Cà Mau), khả phân loại theo mật độ che phủ RNM cho hai loại liệu radar với bước sóng kênh L (ALOS PLR) kênh C (ENVISAT ASAR - ASA) với hai phân cực HH HV KHU VỰC NGHIÊN CỨU, DỮ LIỆU VÀ PHƯƠNG PHÁP 2.1 Khu vực nghiên cứu Phần lãnh thổ đất liền tỉnh Cà Mau nằm tọa độ từ 8o30' - 9o10' vĩ Bắc 104o80' - 105o5' kinh Đông tỉnh Cà Mau có đường bờ biển dài 254km, chiếm 7.8% chiều dài bờ biển nước, có 107km bờ biển Đông 147km bờ biển Tây (vịnh Thái Lan) Vùng biển thềm lục địa thuộc chủ quyền quyền tài phán Việt Nam tỉnh Cà Mau quản lý có diện tích 71,000km2 [29] Vị trí địa lý giáp biển hai mặt, Cà Mau bán đảo nên việc quản lý bảo tồn rừng ngập mặn chắn tự nhiên bảo vệ bờ biển Trong đề tài giới hạn phạm vi nghiên cứu khu vực mũi Cà Mau trình bày hình 219 Hình 1: Bản đồ hành chánh tỉnh Cà Mau vị trí khu vực nghiên cứu mũi Cà Mau 2.2 Dữ liệu sử dụng Các liệu ảnh thu thập cho nghiên cứu trình bày bảng Trong đó, ảnh PLR với ba thời điểm thu ảnh có góc tới, loại phân cực hướng thu ảnh thuận lợi cho việc lọc đa thời gian Một ảnh ASA với cặp phân cực HH, HV xử lý lọc đa thời gian Sóng radar sóng siêu cao với mặt phẳng phân cực đứng (V) mặt phẳng phân cực ngang (H) Phân cực HH tức sóng radar với mặt phẳng phân cực ngang phát đến bề mặt đất thu nhận sóng tán xạ từ bề mặt sóng có mặt phân cực ngang Phân cực VV tức sóng radar với mặt phẳng phân cực đứng phát đến bề mặt đất thu nhận sóng tán xạ từ bề mặt sóng có mặt phân cực ngang Phân cực HV tức sóng radar với mặt phẳng phân cực ngang phát đến bề mặt đất thu nhận sóng tán xạ từ bề mặt sóng có mặt phân cực đứng Bảng 1: Các thời điểm liệu ảnh vệ tinh thu nhận Hướng thu ảnh HH, HV Kích thước phần tử ảnh (m) 12.5 23/08/2010 HH, HV 12.5 Ascending Góc tới (độ) 20.60 26.01 38.70 PLR 08/10/2010 HH, HV 12.5 Ascending 38.70 PLR 23/11/2010 HH, HV 12.5 Ascending 38.70 Bộ cảm Thời gian Phân cực ASA 03/04/2012 PLR Ascending Ghi Góc tới tâm ảnh Góc tới tâm ảnh Góc tới tâm ảnh Đề tài sử dụng liệu thực địa vào ngày 30/11/2011 đến 06/12/2011 mũi Cà Mau nhiệm vụ “Giám sát lúa rừng ngập mặn khu vực phía Nam Việt Nam công nghệ viễn thám - RICEMAN” Trung tâm Viễn thám Hệ thông tin Địa lý - Viện Địa lý Tài nguyên TP HCM Trong hình điểm khảo sát thực địa (màu xanh) điểm chụp hình có GPS (điểm màu vàng) thu thập Dựa liệu này, đề tài xây dựng liệu huấn luyện liệu kiểm tra Các thông tin ghi nhận thực địa khu vực mũi Cà Mau Xác định yếu tố liên quan RNM cụ thể sau: trạng thái rừng, ước lượng độ tàn che; loài ưu thế, thành phần loài vị trí khảo sát; ước lượng chiều cao cây, mật độ cây; xác định tọa độ điểm khảo sát; chụp hình thực địa Các liệu khác mà đề tài sử dụng để tham khảo phục vụ cho việc xây dựng mẫu huấn luyện kiểm tra gồm: a) Bản đồ loại đất loại rừng Phân viện Điều tra Quy hoạch rừng Nam Bộ, thực phương pháp giải đoán ảnh SPOT kết hợp với điều tra thực địa thể thông tin loại sử dụng đất loại RNM Cà Mau; b) Các ảnh Google Earth, ảnh có nhiều ảnh độ phân giải cao SPOT Geo Eye (độ phân giải không gian kênh toàn sắc 0.41m 1.65m đa phổ) mà hai loại ảnh phủ khu vực mũi Cà Mau gồm thời điểm 2009, 2011, 2012, 2014 Trong ảnh SPOT phủ gần toàn bộ, ảnh Geo Eye phân bố số nơi khu vực nghiên cứu 220 2.3 Phương pháp nghiên cứu Trong nghiên cứu có khảo sát khả tách biệt đối tượng rừng ngập mặn theo loại mật độ che phủ RNM Để thực điều này, nghiên cứu thực khảo sát giá trị thống kê hệ số tách biệt JeffriesMatusita [30] liệu ảnh tiền xử Trong có thực lọc nhiễu đa thời gian liệu PLR, liệu ASA không lọc nhiễu đa thời gian có ảnh Các bước thực việc phân loại thể qua sơ đồ hình 2, bao gồm bước sau: a) liệu viễn thám gồm ảnh ALOS PLR ENVISAT ASA tiền xử lý xử lý; b) Chọn mẫu liệu kiểm tra phân loại vào liệu thực địa tư liệu tham khảo; c) Tiến hành việc phân loại hậu xử lý sau phân loại ảnh Dữ liệu ảnh viễn thám Tiền xử lý ảnh xử lý ảnh radar - Định chuẩn liệu - Hiệu chỉnh hình học - Lọc nhiễu đa thời gian - Lọc nhiễu không gian Dữ liệu khảo sát thực địa tư liệu tham khảo Lấy mẫu liệu Mẫu kiểm tra Mẫu huấn luyện Thực phân loại Hậu xử lý sau phân loại Đánh giá độ xác chưa tốt tốt Kết ảnh phân loại Hình 2: Sơ đồ bước thực xử lý phân loại ảnh radar 2.3.1 Phương pháp tiền xử lý ảnh Sử dụng công cụ phần mềm NEST (Next ESA SAR Toolbox) phần mềm mã nguồn mở sử dụng để đọc, tiền xử lý liệu radar Công cụ đọc file ảnh radar, định chuẩn liệu, tức chuyển đổi giá trị số (DN - Digital number) hay biên độ phần tử ảnh thành giá trị xạ tuyệt đối hệ số tán xạ ngược NEST công cụ mã nguồn mở cho đọc, tiền xử lý, phân tích hiển thị liệu ảnh lớn (từ level 1) Phần mềm NEST hỗ trợ xuất kết cuối theo định dạng Geotiff, mà đọc nhiều phần mềm xử lý ảnh thông dụng ENVI, ERDAS,… Nghiên cứu sử dụng phần mềm để định chuẩn xạ tuyệt đối cho liệu ảnh PLR mức 1.5 1.1 ảnh radar ASA level 1B Công cụ đọc file sản phẩm mức level 1B ảnh ASA Dữ liệu radar sau định chuẩn hiệu chỉnh hình học để liệu ảnh trùng hệ tọa độ 2.3.2 Lọc nhiễu đa thời gian không gian Các ảnh radar SAR thường có tượng muối tiêu, giống đặc tính ảnh radar mà tránh được, gọi nhiễu đốm (speckles) Hiện tượng nhiễu đốm làm giảm chất lượng ảnh gây khó khăn cho công tác giải đoán ảnh radar Nguyên nhân tượng xây dựng phá hoại cách ngẫu nhiên sóng giao thao có pha lệch nhau, liên kết chặt chẽ với tán xạ sóng trở lại phần tử ảnh Việc giảm nhiễu tượng áp dụng phương pháp lọc không gian phương pháp lọc đa thời gian Phương pháp lọc nhiễu đa thời gian đưa Quegan et al [16] Công thức lọc nhiễu đa thời gian sau: 𝑁 𝐸[𝐼𝑘 ] 𝐼𝑖 (𝑥, 𝑦) 𝐽𝑘 (𝑥, 𝑦) = ∑ 𝑁 𝐸[𝐼𝑖 ] 𝑖=1 221 Trong đó: N số ảnh đăng ký lọc nhiễu đa thời gian, giá trị cường độ (x,y) ảnh thứ k biểu thị Ik(x,y), k = 1…N, E[I] giá trị trung bình địa phương phần tử ảnh cửa sổ lọc với trung tâm điểm (x,y) ảnh I 2.3.3 Phương pháp lấy mẫu Điều quan trọng việc lựa chọn vị trí lấy mẫu huấn luyện đảm bảo cho liệu huấn luyện với lớp khác có khác biệt Trong vài lớp đồng cần vài vị trí lấy mẫu Nhiều vị trí lấy mẫu cần thiết cho lớp có biến động lớn Những quy luật chung cung cấp Jensen [31] việc chọn số phần tử ảnh lớp gấp 10 lần số kênh sử dụng để thống kê phát triển mẫu huấn luyện Điều đảm bảo cho phép máy tính tính toán ma trận phương sai hiệp phương sai, bước tính toán thường thực phần mềm phân loại (ENVI, ERDAS,…) Và ghi vị trí lấy mẫu lớn 10 phần tử ảnh không cung cấp nhiều thông tin Bởi vậy, việc lấy mẫu vị trí, vị trí lấy 10 phần tử ảnh cho lớp tốt lấy mẫu huấn luyện với 60 phân tử ảnh cho lớp [32] 2.3.4 Phương pháp đánh giá độ xác Để đánh giá kết phân loại đề tài sử dụng phương pháp ma trận sai số, việc quan trọng lựa chọn điểm đánh giá sai số, đề tài sử dụng phương pháp đánh giá sai số theo phương pháp lấy mẫu hệ thống (systematic pattern) Trong đề tài này, mẫu kiểm tra lấy theo phương pháp lấy mẫu hệ thống, vị trí lấy mẫu điểm mắt lưới có khoảng cách 1km hình Các điểm mẫu kiểm tra đánh giá sai số lấy dựa liệu tham khảo liệu thực địa, ảnh Google Earth Hình 3: Các vị trí lấy mẫu kiểm tra theo phương pháp lấy mẫu hệ thống Có nhiều quy luật nhanh không khó khăn xác định số mẫu cần để đánh giá độ xác Tuy nhiên, có vài hướng dẫn tốt đề nghị Fitzpatrick-Lins (1981) áp dụng công thức xác suất nhị thức (binomial probability) để ước lượng số mẫu cần thiết cho vùng nghiên cứu N = Z p q/ E2; đó: N số mẫu, Z = (phân bố chuẩn với độ tin cậy 95%), p độ xác mong đợi, q 100 - p, E sai số cho phép Ví dụ, độ xác mong đợi 85%, sai số cho phép 5% (khoảng tin cậy 95%), số mẫu cần 204 vị trí lấy mẫu [32] Trong đề tài này, số mẫu kiểm tra lấy 246 điểm mẫu kiểm tra KẾT QUẢ 3.1 Lọc nhiễu đa thời gian Đề tài thực lọc đa thời gian với ba thời điểm ảnh PLR với ngày 23/08/2010, 08/10/2010 23/11/2010 Kết lọc đa thời gian cho ảnh PLR ngày 23/11/2010, phân cực kép HH HV với cửa sổ để tính giá trị trung bình địa phương (E[I]) khác x 3, x 5, x x (hình 4) Dễ nhận thấy kết trước lọc sau lọc có khác biệt nhiều Sau lọc, đối tượng nhìn thấy đồng loại bỏ bớt tượng nhiễu đốm Kết sau lọc đa thời gian cho thấy với cửa sổ lọc lớn bớt nhiễu đốm Do đó, đề tài sử dụng phương pháp lọc đa thời gian với cửa sổ x 222 Ảnh gốc Cửa sổ lọc 3x3 Cửa sổ lọc 5x5 Cửa sổ lọc 7x7 Cửa sổ lọc 9x9 Hình 4: Phép lọc đa thời gian với cửa sổ lọc khác PLR_20101123_HV (dB) -5 -15 -25 -35 -45 -40 -30 -20 -10 PLR_20101123_HH (dB) 10 20 Dancu Av_day Av_TB Av_thua Av_Open1 Av_Open2 Av_Open3 Rh_day Rh_TB Rh_thua Rh_Av1 Rh_Av2 MN1 MN2 MN3 Rh_Ao1 Rh_Ao2 PLR_20101123_Spk9 -5 PLR_20101123_HV_Spk9 (dB) PLR_20101123 -15 -25 -35 -45 -30 -20 -10 10 PLR_20101123_HH_Spk9 (dB) 20 Dancu Av_day Av_TB Av_thua Av_Open1 Av_Open2 Av_Open3 Rh_day Rh_TB Rh_thua Rh_Av1 Rh_Av2 MN1 MN2 MN3 Rh_Ao1 Rh_Ao2 Hình 5: Biểu đồ tán xạ phân cực HH HV cho khóa giải đoán ảnh PLR 23/11/2010 trước lọc đa thời gian (bên trái) sau lọc đa thời gian (bên phải) 3.2 Khả phân loại theo loài vào theo mật độ ảnh PLR Chủ yếu vào liệu thực địa đồ loại đất rừng Phân viện Điều tra Quy hoạch rừng Nam Bộ để chọn khóa giải đoán phân cấp theo loài mật độ rừng Các khóa giải đoán trình bày bảng Tất khóa giải đoán trích thông tin tán xạ ngược cho phân cực HH HV trước lọc đa thời gian sau lọc đa thời gian cho ảnh ngày 23/11/2010 Hình 6a 6b trình bày giá trị trung bình độ lệch chuẩn sau thống kê cho trường hợp trước sau lọc nhiễu đa thời gian, cho thấy kết ảnh sau lọc đa thời gian làm cho giá trị độ lệch chuẩn giảm nhiều hai phân cực HH HV Điều thể rõ hình số 5, lớp đối tượng bị nhiễu với so với trường hợp lọc nhiễu đa thời gian Hình cho thấy biểu đồ tán xạ phân cực HH HV cho trường hợp trước sau lọc đa thời gian Dễ nhận thấy đối tượng RNM mặt nước giảm bớt nhiễu nhiều, đối tượng dân cư bị ảnh hưởng phép lọc 223 Bảng 2: Các khóa giải đoán sử dụng cho việc phân loại theo loài mật độ ảnh PLR STT 10 11 12 13 14 15 16 17 Ký hiệu Dancu Av_day Av_TB Av_thua Rh_day Rh_TB Rh_thua Av_Open1 Av_Open2 Av_Open3 Rh_Av1 Rh_Av2 MN1 MN2 MN3 Rh_Ao1 Rh_Ao2 Mô tả Các công trình xây dựng (không phải rừng) Rừng mắm có mật độ dày có độ che phủ khoảng từ 70% trở lên Rừng mắm có mật độ trung bình có độ che phủ khoảng từ 50% đến 70% Rừng mắm có mật độ thưa có độ che phủ khoảng từ 30% đến 50% Rừng đước có mật độ dày có độ che phủ khoảng từ 70% trở lên Rừng đước có mật độ trung bình có độ che phủ khoảng từ 50% đến 70% Rừng đước có mật độ thưa có độ che phủ khoảng từ 30% đến 50% Rừng mắm phát triển bãi bồi ven biển có mật độ dày Rừng mắm phát triển bãi bồi ven biên có mật độ trung bình Rừng mắm phát triển bãi bồi ven biển có mật độ thưa Rừng mắm đước hỗn giao có mật độ dày Rừng mắm đước hỗn giao có mật độ trung bình Mặt nước biển Mặt nước sông Mặt nước ao hồ Rừng đước xen kẽ ao nuôi tôm loại (RNM có độ che phủ thấp mặt nước) Rừng đước xen kẽ ao nuôi tôm loại (RNM có độ che phủ cao mặt nước) b -10 -10 -15 -15 HV (dB) HV (dB) a Av_day -20 Av_TB Rh_day -20 Rh_TB Av_thua Rh_thua -25 -25 -20 -15 -10 -5 -20 HH (dB) -15 -10 -5 HH (dB) Hình 6: Biểu đồ tán xạ phân cực HH HV cho loài mật độ RNM PLR 23/11/2010 sau lọc đa thời gian Trong hình 6, 7a 7b, ta thấy khó có khả phân biệt đối tương rừng đước rừng mắm chúng có giá trị tán xạ ngược trung bình độ lệch chuẩn gần Điều tương tự cho loại rừng hỗn giao mắm đước, có giá trị trung bình độ lệch chuẩn gần với loại rừng mắm rừng đước Còn loại rừng mắm phát triển bãi bồi ven biển (Av_Open) có khả nhận biết với ảnh radar PLR Tuy nhiên, có khả nhầm lẫn cao với loại rừng đước xen khe ao nuôi tôm loại (Rh_Ao1) giá trị trung bình chúng gần hai phân cực Điều giải thích rừng mắn phát triển thường ngập nước mật độ thấp nên phần lớn tán xạ ngược sóng bị mặt nước phản xạ giống loại Rh_Ao1 Cuối lại rừng đước xen kẽ ao nuôi tôm loại (Rh_Ao1) lại có khả nhầm lẫn với RNM trung bình thưa (kể rừng mắm rừng đước) Do đó, khó khăn phân loại theo loài ảnh PLR kênh L phân cực kép HH, HV với thời điểm ảnh Đồng thời, từ kết đánh giá cho thấy khả phân loại theo mật độ che phủ RNM Tuy nhiên, có khả nhầm lẫn rừng mắm phát triển bãi bồi (Av_Open) với rừng đước xen kẽ ao nuôi tôm loại (Rh_Ao1); loại RNM thưa trung bình (Av_TB, Av_thua, Rh_thua Rh_TB) với loại rừng đước xen kẽ ao nuôi tôm loại (Rh_Ao2) 224 PLR_20101123_HH -4.0 -6.0 -8.0 -10.0 -12.0 -14.0 -16.0 -18.0 Av_day Av_TB Av_thua Av_Open Av_Open Av_Open Rh_day Rh_TB Rh_thua Rh_Av1 Rh_Av2 High -10.3 -7.7 -5.6 -10.5 -8.9 -6.8 -10.4 -7.3 -4.5 -8.3 -6.8 Low -16.8 -14.2 -11.6 -15.9 -14.9 -13.6 -17.2 -14.2 -12.2 -15.9 -12.7 Mean -12.5 -9.9 -7.7 -12.4 -10.9 -9.0 -12.6 -9.5 -6.8 -10.6 -8.8 PLR_20101123_HV -13.0 -15.0 -17.0 -19.0 -21.0 -23.0 -25.0 -27.0 Av_Open Av_Open Av_Open Rh_day Av_day Av_TB Av_thua Rh_TB Rh_thua Rh_Av1 Rh_Av2 High -15.7 -14.6 -14.9 -18.6 -17.5 -15.5 -15.9 -14.4 -13.4 -13.7 -13.6 Low -21.5 -20.2 -20.4 -24.1 -23.4 -26.3 -22.4 -20.0 -19.3 -21.5 -19.6 Mean -17.7 -16.6 -16.8 -20.6 -19.6 -18.1 -18.1 -16.3 -15.4 -16.1 -15.7 Hình 7a: Biểu đồ biểu thị giá trị trung bình độ lệch chuẩn (đơn vị dB) khóa giải đoán ảnh PLR 23/11/2010, phân cực HH (phía trên) HV (phía dưới) trước lọc đa thời gian PLR_20101123_HH_Spk9 -4.0 -6.0 -8.0 -10.0 -12.0 -14.0 -16.0 -18.0 Av_day Av_TB Av_thua Av_Open Av_Open Av_Open Rh_day Rh_TB Rh_thua Rh_Av1 Rh_Av2 High_Spk9 -11.2 -8.5 -6.5 -10.7 -9.8 -7.9 -11.5 -8.5 -5.8 -9.3 -7.7 Low_Spk9 -13.7 -11.4 -9.5 -13.2 -12.3 -10.8 -14.3 -11.4 -8.7 -12.3 -10.4 Mean_Spk9 -12.3 -9.7 -7.7 -11.8 -10.9 -9.1 -12.7 -9.7 -7.0 -10.5 -8.9 PLR_20101123_HV_Spk9 -13.0 -15.0 -17.0 -19.0 -21.0 -23.0 -25.0 -27.0 Av_Open Av_Open Av_Open Rh_day Av_day Av_TB Av_thua Rh_TB Rh_thua Rh_Av1 Rh_Av2 High_Spk9 -16.6 -15.6 -15.5 -19.0 -18.5 -16.4 -16.9 -15.2 -14.2 -15.0 -14.5 Low_Spk9 -19.1 -18.2 -17.9 -21.5 -21.0 -21.5 -19.7 -17.5 -16.7 -17.7 -17.0 Mean_Spk9 -17.7 -16.7 -16.5 -20.1 -19.6 -18.3 -18.1 -16.2 -15.3 -16.2 -15.5 Hình 7b: Biểu đồ biểu thị giá trị trung bình độ lệch chuẩn (đơn vị dB) khóa giải đoán ảnh PLR 23/11/2010, phân cực HH (phía trên) HV (phía dưới) sau lọc đa thời gian 225 3.3 Khảo sát khả phân loại theo loài mật độ ảnh ASA Các khóa giải đoán lấy tương tự trường hợp ảnh PLR Tất khóa trích thông tin tán xạ ngược cho phân cực kép HH, HV ảnh ASA 03/04/2012 Do liệu có ảnh nên lọc đa thời gian Bảng 4.3 trình bày giá trị trung bình độ lệch chuẩn sau thống kê Trong hình cho thấy giá trị trung bình loại RNM chênh lệch không nhiều, mà giá trị độ lệch chuẩn loại lớn Do đó, khả tách biệt phân loại RNM theo loài mật độ khó khăn với ảnh ASA phân cực kép HH, HV ASA_20120403_HH 0.0 -5.0 -10.0 -15.0 -20.0 -25.0 Av_Open Av_Open Av_Open Rh_day Av_day Av_TB Av_thua Rh_TB Rh_thua Rh_Av1 Rh_Av2 High -4.6 -3.4 -3.3 -4.4 -4.1 -5.5 -4.4 -4.2 -4.1 -4.8 -3.2 Low -30.0 -30.0 -30.0 -30.0 -17.7 -30.0 -30.0 -30.0 -30.0 -18.2 -15.6 Mean -7.6 -6.5 -6.6 -7.8 -6.9 -8.5 -7.6 -7.2 -7.2 -7.6 -6.0 ASA_20120403_HV 0.0 -5.0 -10.0 -15.0 -20.0 -25.0 -30.0 Av_Open Av_Open Av_Open Rh_day Av_day Av_TB Av_thua Rh_TB Rh_thua Rh_Av1 Rh_Av2 High -10.0 -9.6 -9.8 -10.0 -10.1 -10.1 -10.1 -8.9 -10.0 -9.6 -8.1 Low -40.0 -40.0 -31.0 -21.7 -28.9 -22.9 -40.0 -25.3 -40.0 -21.9 -40.0 Mean -13.2 -12.8 -12.8 -12.8 -13.1 -12.9 -13.2 -11.8 -13.1 -12.4 -11.2 Hình 8: Biểu đồ biểu thị giá trị trung bình độ lệch chuẩn (đơn vị dB) khóa phân loại ảnh ASA 03/04/2012, phân cực HH (phía trên) HV (phía dưới) 3.4 Phân loại RNM sử dụng ảnh PLR Từ kết phân tích thống kê liệu mẫu RNM ảnh PLR, đồng thời nghiên cứu tính hệ số tách biệt Jeffries - Matusita cho khóa giải đoán bảng Kết hệ số tách biệt Jeffries - Matusita trình bày bảng Theo Richards [30] cặp khóa giải đoán có hệ số tách biệt từ 1,9 hai đối tượng phân biệt tốt Hệ số hai đối tượng gần không phân biệt được, nên gộp chung thành nhóm với khóa giải đoán Còn hệ số từ đến 1,9, hệ số lớn độ tách biệt cặp khóa giải đoán lớn Trong nghiên cứu này, gộp chung đối tượng có hệ số tách biệt Jeffries - Matusita 1,5 để đảm bảo độ xác Do đó, khóa giải đoán lại gồm nhóm: RNM dày, RNM thưa, mặt nước, dân cư 226 Bảng 3: Hệ số tách biệt Jeffries-Matusita khóa giải đoán cho liệu ảnh ALOS PLR 23/11/2010 10 11 12 13 14 15 16 17 1,97 1,95 1,51 1,92 1,80 1,14 1,98 1,91 1,87 1,89 1,98 1,96 1,83 1,78 0,36 1,93 1,89 1,07 0,84 1,58 1,21 1,97 0,12 1,63 1,83 1,93 1,98 1,92 1,94 1,48 0,37 1,41 1,99 1,98 1,35 1,62 10 1,90 1,89 1,28 0,86 1,99 1,97 1,39 1,92 1,20 11 1,94 1,37 0,85 1,68 1,99 1,98 1,63 1,56 0,31 1,59 12 1,95 1,89 0,91 1,79 2,00 2,00 1,61 1,93 0,54 1,42 1,06 13 2,00 2,00 2,00 2,00 2,00 2,00 2,00 2,00 2,00 2,00 2,00 2,00 14 2,00 2,00 2,00 2,00 2,00 2,00 2,00 2,00 2,00 2,00 2,00 2,00 0,96 15 1,98 1,99 2,00 2,00 1,91 1,91 1,94 1,97 2,00 2,00 2,00 2,00 1,62 1,47 16 1,92 1,99 1,91 1,37 1,98 1,95 1,63 1,99 1,94 1,82 1,97 1,98 2,00 2,00 2,00 17 1,96 1,31 0,79 1,58 1,46 1,71 1,53 1,35 1,21 1,72 1,42 1,36 1,90 1,86 1,38 1,96 Kết phân loại với đối tượng sau bỏ đối tượng dễ nhầm lẫn RNM trung bình RNM xen kẽ mặt nước Kết phân loại thực cho phương pháp phân loại SVM trình bày hình bảng Dễ nhận thấy với hai phương pháp SVM cho độ xác toàn cục hệ số Kappa cao 0,7322 81.91% Trong đó, sai số người sản xuất nhỏ 69,7%; đối tượng RNM thưa sai số người sử dụng 83.9% Trong trường hợp xảy nhầm lẫn RNM thưa thành đối tượng mặt nước nhiều nhất, điều làm giảm sai số người sản xuất đối tượng 69,7% (bảng 4) Còn sai số người sử dụng nhỏ 74.2% đối tượng mặt nước Bảng 4: Ma trận sai số phân loại cho ảnh PLR 23/11/2010 với phương pháp phân loại SVM Dữ liệu mặt đất Loại phân loại Dancu RNM_day RNM_thua MN Tổng Dancu 13 0 13 RNM_day 235 25 260 RNM_thua 37 265 11 316 MN 12 90 293 395 Tổng 16 284 380 304 984 Độ xác người sản xuất (%) 81,3 82,8 69,7 96,4 Độ xác người dùng (%) 100,0 90,4 83,9 74,2 Độ xác toàn cục = (806/984) = 81,91% Hệ số Kappa = 0,7322 227 Hình 9: Kết phân loại ảnh PLR 23/11/2010 theo phương pháp SVM KẾT LUẬN Phương pháp lọc đa thời gian cho thấy phương pháp hiệu cao việc lọc nhiễu đốm ảnh radar nâng cao độ xác phân loại Tuy nhiên, khó khăn áp dụng cần phải có nhiều thời điểm ảnh khu vực loại liệu cảm, góc tới hướng chụp Kết khảo sát khả phân loại theo loài cụ thể rừng mắm đước khó có khả nhận biết ảnh PLR hai phân cực HH HV với thời điểm Tuy nhiên ảnh radar PLR nhận biết rừng mắm phát triển tự nhiên khu vực bãi bồi Điều giải thích khu vực thường xuyên bị ngập nước làm giảm tán xạ ngược ảnh radar Đối với ảnh ASA với bước sóng kênh C có tương tác tầng tán rừng, gây khó khăn phân biệt đối tượng RNM Và kết cho thấy phân cực kép HH HV có phân loại tốt cặp phân cực HH VV việc phân loại Để nâng cao đánh giá khả phân loại theo mật độ RNM chi tiết cần có nghiên cứu chế tương tác sóng radar loại đối tượng RNM liệu đo chi tiết TÀI LIỆU THAM KHẢO A Tạp chí Hoekman, D.H., Quinones, M.J., - Land cover type and biomass classification using AirSAR data for evaluation of monitoring scenarios in the Colombian Amazon IEEE Transactions on Geoscience and Remote Sensing, 38 (2000) 685-696 Mougin, E., Proisy, C., Marty, G., Fromard, F., Puig, H., Betoulle, J.L., Rudant, J.P., - Multifrequency and multipolarization radar backscattering from mangrove forests IEEE Transactions on Geoscience and Remote Sensing 37 (1999) 94-102 McNeill, S., Pairman, D., - Stand age retrieval in production forest stands in New Zealand using C- and L- band polarimetric radar IEEE Transactions on Geoscience and Remote Sensing 43 (2005) 2503-2515 Kuplich, T.M - Classifying regenerating forest stages in Amazonia using remotely sensed images and a neural network Forest Ecology and Management, 234 (2006) 1-9 Rignot, E., Chellappa, R., Dubois, P., - Unsupervised segmentation of polarimetric SAR data using the covariance matrix IEEE Transactions on Geoscience and Remote Sensing, 30 (1992) 697-705 228 Claudia Kuenzer, Andrea Bluemel, Steffen Gebhardt, Tuan Vo Quoc and Stefan Dech - Remote Sensing of Mangrove Ecosystems: A Review Remote Sens., (2011) 878-928; doi:10.3390/ rs3050878 Mougin, E., Proisy, C., Marty, G., Fromard, F., Puig, H., Betoulle, J.L., Rudant, J.P., - Multifrequency and multipolarization radar backscattering from mangrove forests IEEE Transactions on Geoscience and Remote Sensing 37 (1999) 94-102 Proisy, C.; Mougin, E.; Fromard, F.; Karam, M.A - Interpretation of polarimetric radar signatures of mangrove forests Remote Sens Environ 71 (2000) 56-66 Blasco, F et al., - Recent advances in mangrove studies using remote sensing data Marine Freshwater Resources., 49 (1998) 287-296 10 Giri, C et al., - Status and distribution of mangrove forests of the world using earth observation satellite data Wiley online library/ Global Ecology and Biogeography, 20, (2011) 154-159 11 Grover, K., S Quegan, and C da Costa Freitas, - Quantitative estimation of tropical forest cover by SAR, IEEE Trans Geosci Remote Sens., 37, (1999) 479–490 12 Podest, E and S Saatchi, - Application of multiscale texture in classifying JERS-1 radar data over tropical vegetation, Int J Remote Sens., vol 23, (2002) 1487–1506 13 Simard, M., S Saatchi, andG.DeGrandi, - The use of decision tree and multiscale texture for classification of JERS-1 SAR data over tropical forest, IEEE Trans.Geosci Remote Sens., 38, (2000) 2310–2321 14 Almeida-Filho, R., A Rosenqvist, Y Shimabukuro, and J dos Santos, - Evaluation and perspectives of using multitemporal L-band SAR data to monitor deforestation in the Brazilian Amazônia, IEEE Geosci Remote Sens Lett., 2, (2005) 409–412 15 Lardeux, C., P.-L Frison, C Tison, J.-C Souyris, B Stoll, B Fruneau, and J.-P Rudant, 2009 Support vector machine for multifrequency SAR polarimetric data classification, IEEE Trans Geosci Remote Sens., 47, 12 (2009) 4143–4152 16 Quegan, S., T L Toan, J J Yu, F Ribbes and N Floury, - Multitemporal ERS SAR Analysis Applied to Forest Mapping, IEEE Transactions on Geoscience and Remote Sensing, 38, (2000) 17 Hoekman, D., and M Vissers, - ALOS PALSAR PLR radar observation of tropical peat swamp forest as a monitoring tool for environmental protection and restoration, in Proc IEEE Int Geosci Remote Sens Symp., Barcelona, Spain (2007) 3710-3714 18 Podest, E and S Saatchi, - Application of multiscale texture in classifying JERS-1 radar data over tropical vegetation, Int J Remote Sens., 23, (2002) 1487-1506 19 Ghedira, H., Bernier, M., Ouarda, T., - Application of Neural Networks for Wetland Classification in RADARSAT SAR Imagery, IEEE (2000) 675-677 20 Townsend, P A., Foster, J R., - Assessing Flooding and Vegetation Structure in Forested Wetlands using Radarsat SAR Imagery, IEEE (2002) 1171-1173 21 Bourgeau-Chavez, L L , Kasischke, E S., Brunzell, S M., Mudd, J P., Smith, K B And Frick, A L Analysis of space borne SAR data for wetland mapping in Virginia riparian ecosystems, Int j remote sensing, 22 (2001) 3665-3687 22 Sato, R., Yamaguchi, Y., Yamada, H and Boerner, W.M., - Seasonal change monitoring of wetlands by using airborne and satellite PALSAR sensing, Proc IGARSS, (2008) 289-292 23 Townsend, P A., - Estimating forest structure in wetlands using multitemporal SAR , Remote Sensing of Environment, Vol.79 , Issues (2-3), February (2002) 288-304 B Sách, báo cáo kỹ thuật, luận án tiến sĩ, website,… 24 Takeuchi, W et al., - Investigating the performance of JERS-1 SAR and ALOS PALSAR mosaics for forest cover in Vietnam, Report at the APRSAF Workshop, Ha Noi (2008) 25 FAO - Tropical silviculture Vol.1 (1952) 26 FAO - Mangrove forest Management guidelines FAO Forestry Paper 117 FAO, Rome (1994) 27 Tobias Mette et al., - Viewing forest in POLinSAR, Proceedings of Int’l workshop for 3D RS in Forestry, Viennam 2006 28 Lucas, R.M., et al., - Characterisation and monitoring of mangrove using ALOS PALSAR data, Proceedings of the 15 Australasian Remote sensing and Photogrammetry Conference (2010) 29 Cổng Thông tin Điện tử tỉnh Cà Mau Truy cập ngày 19/06/2014, http://www.camau.gov.vn 30 J.A Richards, - Remote Sensing Digital Image Analysis, Springer-Verlag, Berlin (1999) 240 31 Jensen, J, R., - Introductory digital image processing - A remote sensing perspective Prentiss Hall 3rd Ed (2005) 32 Roger, M M., - Field Methods in Remote Sensing The Guilford Press A Division of Guilford Publication, Inc ISBN 1-59385-079-4 (2005) 15-26 229 IDENTIFYING MANGROVE FORESTS USING RADAR REMOTE SENSING DATA Hoang Phi Phung (1), Lam Dao Nguyen (1), Pham Bach Viet (2) Vietnam Southern Satellite Technology Application Center – Vietnam National Satellite Center - VAST, (1) Ho Chi Minh City University of Social Sciences and Humanities – Vietnam National University Ho Chi Minh City, Ho Chi Minh City (2) ABSTRACT Mangrove is one of the ecologically significant ecosystems in coastal areas, both on environment and biological resources Radar remote sensing demonstrates a high potential in detecting, identifying, mapping and monitoring mangrove forests Advantages of radar remote sensing are that almost unaffected by the weather phenomena in the atmosphere, e.g clouds so that it can acquire images at day and night times This study considers possibilities of ALOS PALSAR (L-band) and ENVISAT ASAR APP (C-band) for identifying mangrove forests Results show that using single-date data of ENVISAT ASAR APP including dual polarization HH&HV are difficult to classify mangrove objects; whilst single-date data of ALOS PALSAR with dual polarization HH&HV have a better classification for tree density but at species level identification (e.g Avicenna or Rhizophora) is more difficult Keywords: ALOS PALSAR, ENVISAT ASAR, indentify, mangrove forests, polarization 230 [...]... thấy là một phương pháp hiệu quả cao trong việc lọc nhiễu đốm của ảnh radar và nâng cao độ chính xác phân loại Tuy nhiên, khó khăn khi áp dụng là cần phải có nhiều hơn một thời điểm ảnh ở cùng khu vực và cùng loại dữ liệu như cùng một bộ cảm, góc tới và hướng chụp Kết quả khảo sát khả năng phân loại theo loài cụ thể ở đây là rừng mắm và đước khó có khả năng nhận biết trong ảnh PLR hai phân cực HH và HV... ảnh radar PLR có thể nhận biết được các rừng mắm mới phát triển tự nhiên ở khu vực bãi bồi Điều này có thể giải thích khu vực này thường xuyên bị ngập nước làm giảm tán xạ ngược trên ảnh radar Đối với ảnh ASA với bước sóng kênh C chỉ có tương tác ở tầng trên của tán rừng, gây khó khăn khi phân biệt các đối tượng RNM Và kết quả cho thấy phân cực kép HH và HV có phân loại tốt hơn cặp phân cực HH và VV trong. .. cặp phân cực HH và VV trong việc phân loại Để nâng cao và đánh giá khả năng phân loại theo mật độ RNM chi tiết hơn cần có những nghiên cứu về cơ chế tương tác của sóng radar đối với các loại đối tượng RNM và dữ liệu đo chi tiết hơn TÀI LIỆU THAM KHẢO A Tạp chí 1 Hoekman, D.H., Quinones, M.J., - Land cover type and biomass classification using AirSAR data for evaluation of monitoring scenarios in the... F., Puig, H., Betoulle, J.L., Rudant, J.P., - Multifrequency and multipolarization radar backscattering from mangrove forests IEEE Transactions on Geoscience and Remote Sensing 37 (1999) 94-102 3 McNeill, S., Pairman, D., - Stand age retrieval in production forest stands in New Zealand using C- and L- band polarimetric radar IEEE Transactions on Geoscience and Remote Sensing 43 (2005) 2503-2515 4 Kuplich,... Marty, G., Fromard, F., Puig, H., Betoulle, J.L., Rudant, J.P., - Multifrequency and multipolarization radar backscattering from mangrove forests IEEE Transactions on Geoscience and Remote Sensing 37 (1999) 94-102 8 Proisy, C.; Mougin, E.; Fromard, F.; Karam, M.A - Interpretation of polarimetric radar signatures of mangrove forests Remote Sens Environ 71 (2000) 56-66 9 Blasco, F et al., - Recent advances... 38, 2 (2000) 17 Hoekman, D., and M Vissers, - ALOS PALSAR PLR radar observation of tropical peat swamp forest as a monitoring tool for environmental protection and restoration, in Proc IEEE Int Geosci Remote Sens Symp., Barcelona, Spain (2007) 3710-3714 18 Podest, E and S Saatchi, - Application of multiscale texture in classifying JERS-1 radar data over tropical vegetation, Int J Remote Sens., 23, 7... 23, 7 (2002) 1487-1506 19 Ghedira, H., Bernier, M., Ouarda, T., - Application of Neural Networks for Wetland Classification in RADARSAT SAR Imagery, IEEE (2000) 675-677 20 Townsend, P A., Foster, J R., - Assessing Flooding and Vegetation Structure in Forested Wetlands using Radarsat SAR Imagery, IEEE (2002) 1171-1173 21 Bourgeau-Chavez, L L , Kasischke, E S., Brunzell, S M., Mudd, J P., Smith, K B And... (2) ABSTRACT Mangrove is one of the ecologically significant ecosystems in coastal areas, both on environment and biological resources Radar remote sensing demonstrates a high potential in detecting, identifying, mapping and monitoring mangrove forests Advantages of radar remote sensing are that almost unaffected by the weather phenomena in the atmosphere, e.g clouds so that it can acquire images at... Prentiss Hall 3rd Ed (2005) 32 Roger, M M., - Field Methods in Remote Sensing The Guilford Press A Division of Guilford Publication, Inc ISBN 1-59385-079-4 (2005) 15-26 229 IDENTIFYING MANGROVE FORESTS USING RADAR REMOTE SENSING DATA Hoang Phi Phung (1), Lam Dao Nguyen (1), Pham Bach Viet (2) Vietnam Southern Satellite Technology Application Center – Vietnam National Satellite Center - VAST, (1) Ho Chi Minh... Freitas, - Quantitative estimation of tropical forest cover by SAR, IEEE Trans Geosci Remote Sens., 37, 1 (1999) 479–490 12 Podest, E and S Saatchi, - Application of multiscale texture in classifying JERS-1 radar data over tropical vegetation, Int J Remote Sens., vol 23, 7 (2002) 1487–1506 13 Simard, M., S Saatchi, andG.DeGrandi, - The use of decision tree and multiscale texture for classification of JERS-1