Nghiên cứu giải pháp kỹ thuật nâng cao độ chính xác trong phân loại ảnh tại khu vực có độ phủ hỗn hợp

ĐẠI HỌC QUỐC GIA HÀ NỘI TRƢỜNG ĐẠI HỌC KHOA HỌC TỰ NHIÊN - Nguyễn Thị Thanh Bình NGHIÊN CỨU GIẢI PHÁP KỸ THUẬT NÂNG CAO ĐỘ CHÍNH XÁC TRONG PHÂN LOẠI ẢNH TẠI KHU VỰC CÓ ĐỘ PHỦ HỖN HỢP LUẬN VĂN THẠC SĨ KHOA HỌC Hà Nội -2016 ĐẠI HỌC QUỐC GIA HÀ NỘI TRƢỜNG ĐẠI HỌC KHOA HỌC TỰ NHIÊN Nguyễn Thị Thanh Bình NGHIÊN CỨU GIẢI PHÁP KỸ THUẬT NÂNG CAO ĐỘ CHÍNH XÁC TRONG PHÂN LOẠI ẢNH TẠI KHU VỰC CÓ ĐỘ PHỦ HỖN HỢP Chuyên ngành: Bản đồ, viễn thám hệ thông tin địa lý Mã số: 60440214 LUẬN VĂN THẠC SĨ KHOA HỌC Ngƣời hƣớng dẫn khoa học: TS Phạm Minh Hải XÁC NHẬN HỌC VIÊN ĐÃ CHỈNH SỬA THEO GÓP Ý CỦA HỘI ĐỒNG Giáo viên hướng dẫn Chủ tịch hội đồng chấm luận văn thạc sĩ khoa học TS Phạm Minh Hải PGS.TS Đinh Thị Bảo Hoa Hà Nội - 2016 LỜI CẢM ƠN Để hoàn thành luận văn này, tác giả xin gửi lời cảm ơn chân thành tới thầy, cô giáo Khoa Địa lý, Trường Đại học Khoa học Tự nhiên Bộ môn Bản đồ,Viễn thám GIS, Trung tâm Nghiên cứu Chuyển giao công nghệ viễn thám- Cục viễn thám quốc gia tạo điều kiện giúp đỡ tác giả trình thực hoàn thiện luận văn Tác giả xin gửi lời cảm ơn chân thành sâu sắc tới TS.Phạm Minh Hải, người tận tình bảo giúp đỡ tác giả suốt thời gian học tập, công tác thực luận văn Do thời gian trình độ hạn chế nên luận văn chắn không tránh khỏi thiếu sót, mong nhận đóng góp quý thầy cô bạn đồng nghiệp để luận văn hoàn thiện Xin chân thành cảm ơn! Hà Nội, ngày 22 tháng 12 năm 2016 Nguyễn Thị Thanh Bình MỤC LỤC DANH MỤC CÁC TỪ VIẾT TẮT DANH MỤC CÁC BẢNG BIỂU DANH MỤC HÌNH VẼ MỞ ĐẦU Tính cấp thiết đề tài: Mục tiêu nghiên cứu 10 Nội dung nghiên cứu 10 Phạm vi nghiên cứu 10 Kết đạt đƣợc 10 Ý nghĩa khoa học thực tiễn 11 Phƣơng pháp nghiên cứu kỹ thuật sử dụng 11 Cấu trúc luận văn 11 CHƢƠNG 1: TỔNG QUAN TÌNH HÌNH NGHIÊN CỨU TRONG VÀ NGOÀI NƢỚC 12 1.1 Các khái niệm 12 1.2 Tổng quan tình hình nghiên cứu nƣớc 18 1.2.1 Trên giới 18 1.2.2 Ở Việt Nam 19 CHƢƠNG 2: CƠ SỞ LÝ LUẬN PHÂN LOẠI ẢNH VIỄN THÁM 24 2.1 Đặc trƣng phổ phản xạ đối tƣợng tự nhiên 24 2.1.1 Đặc tính phản xạ phổ thực vật 24 2.1.2 Đặc tính phản xạ phổ đất 25 2.1.3 Đặc tính phản xạ phổ nước 25 2.2 Khái quát phƣơng pháp phân loại ảnh truyền thống 26 2.2.1 Phân loại không kiểm định 29 2.2.1 Phân loại có kiểm định 31 2.3 Các yếu tố ảnh hƣởng đến độ xác kết phân loài 33 2.3.1 Đặc điểm khu vực nghiên cứu 33 2.3.2 Đặc điểm tư liệu viễn thám 33 2.3.3 Dữ liệu đa thời gian 34 2.3.4 Sử dụng kỹ thuật chuyển đổi liệu 34 2.3.5 Thuật toán phân loại sử dung 34 2.4 Đánh giá độ xác kết phân loại 35 2.5 Cơ sở khoa học phƣơng pháp giảm nhiễu điểm ảnh phân loại theo giá trị phổ sử dụng ba đối tƣợng đất, nƣớc, thực vật 38 2.5.1 Cơ sở lý thuyết xác định giá trị phổ thực 38 2.5.2 Nguyên lý số Nước-Đất-Thực vật 41 2.6 Lập trình chƣơng trình tính toán toán tỷ lệ thành phần Nƣớc -ĐấtThực vật điểm ảnh ngôn ngữ lập trinh Matlab 44 CHƢƠNG 3: THỰC NGHIỆM TÍNH TOÁN GIÁ TRỊ PHỔ ENDMEMBER VÀ TỶ LỆ THÀNH PHẦN ĐẤT-NƢỚC-THỰC VẬT TRÊN ẢNH VIỄN THÁM 53 3.1 Đặc điểm khu vực thực nghiệm 53 3.2 Quy trình phân loại ảnh khu vực có độ phủ hỗn hợp dựa tỷ lệ thành phần Đất- Nƣớc- Thực vật điểm ảnh 55 3.3 Đặc điểm tƣ liệu ảnh viễn thám thực nghiệm 56 3.3.1 Ảnh Landsat 56 3.3.2 Ảnh Sentinel 58 3.4 Thực nghiệm tính toán xác định giá trị phổ thực đối tƣợng đất, nƣớc, thực vật ảnh 60 3.5 Thực nghiệm tính toán tỷ lệ thành phần đối tƣợng đất, nƣớc, thực vật điểm ảnh 61 3.5.1 Chạy chương trình tính toán tỷ lệ thành phần đối tượng đất - nước, thực vật điểm ảnh 61 3.5.2 So sánh số thực vật phương pháp đề xuất với số thực vật (NDVI) 62 3.5.3 So sánh số nước phương pháp đề xuất với số nước (NDWI) 64 3.6 Thực nghiệm phân loại ảnh dựa tỷ lệ thành phần đất, nƣớc, thực vật điểm ảnh 66 3.7 Đánh giá hiệu độ xác kết thực 69 3.7.1 Đánh giá độ xác kết phân loại ảnh Landsat 69 3.7.2 Đánh giá độ xác kết phân loại ảnh Sentinel 76 KẾT LUẬN VÀ KIẾN NGHỊ 83 TÀI LIỆU THAM KHẢO 85 DANH MỤC CÁC TỪ VIẾT TẮT GIS: Hệ thống thông tin địa lý GPS: Hệ thống định vị toàn cầu DN: Giá trị điểm ảnh (Digital Number) BSQ: Khuôn dạng liệu Band Sequential NDVI: Chỉ số thực vật chuẩn hóa (Normalized Difference Vegetation Index) PVI: số thực vật (Perpendicular Vegetation Index) NDWI: Chỉ số nước (Normalized Difference Water Index) MLC: Phân loại theo xác suất cực đại (Maximum Likelihood) DANH MỤC CÁC BẢNG BIỂU Bảng 2.1 Các phƣơng pháp phân loại ảnh viễn thám [14] 27 Bảng 3.1 Đặc điểm ảnh vệ tinh Landsat LDCM (Landsat 8) 57 Bảng 3.2 Đặc điểm ảnh vệ tinh Sentinel 59 Bảng 3.3 So sánh diện tích đối tƣợng đất, nƣớc, thực vật kết phân loại hai ảnh Landsat8 Sentinel phƣơng pháp đề xuất 68 Bảng 3.4 Thống kê kết phân loại ảnh Landsat phƣơng pháp đề xuất phƣơng pháp MLC 70 Bảng 3.5 Đánh giá độ xác kết phân loại phƣơng pháp đề xuất với phƣơng pháp phân loại MLC ảnh Landsat 72 Bảng 3.6 Ma trận sai số kết phân loại phƣơng pháp đề xuất ảnh Landsat 75 Bảng 3.7 Ma trận sai số kết phân loại phƣơng pháp MLC ảnh Landsat 75 Bảng 3.8 Thống kê kết phân loại ảnh Sentinel phƣơng pháp đề xuất phƣơng pháp MLC 77 Bảng 3.9 Đánh giá độ xác kết phân loại phƣơng pháp đề xuất với phƣơng pháp phân loại MLC ảnh Sentinel 78 Bảng 3.10 Ma trận sai số kết phân loại phƣơng pháp đề xuất ảnh Sentinel 81 Bảng 3.11 Ma trận sai số kết phân loại phƣơng pháp MLC ảnh Sentinel 81 DANH MỤC HÌNH VẼ Hình 1.1 Minh họa độ phân giải không gian ảnh viễn thám 13 Hình 1.2: Minh họa điểm ảnh 14 Hình 1.3 Nhầm lẫn phổ gây khu vực có độ phủ hỗn hợp 15 Hình 1.4:Các tình tạo nhiễm điểm ảnh 17 Hình 2.1 Đặc tính phản xạ phổ thực vật 24 Hình 2.2 Đặc tính phản xạ phổ đất 25 Hình 2.3 Đặc tính phản xạ phổ nƣớc 26 Hình 2.4 Minh họa thuật toán K-means 30 Hình 2.5 Nguyên lý phân loại theo xác suất cực đại 32 Hình 2.6 Ví dụ minh họa trƣờng hợp có endmember a,b,c 39 Hình 2.7 Chiết tách đối tƣợng thực vật 40 Hình 2.8 Chiết tách đối tƣợng nƣớc 40 Hình 2.9.Mối tƣơng quan kênh NIR Red không gian chiều với endmember Đất- Nƣớc- Thực vật 41 Hình 2.10 Nguyên lý số đất, nƣớc, thực vật 43 Hình 2.11 Giao diện chƣơng trình phân loại ảnh đƣợc xây dựng ngôn ngữ lập trình Matlab 45 Hình 2.12 Mở ảnh kênh R NIR 46 Hình 2.13.Sơ đồ khối mô tả tính toán giá trị phổ thực ba đối tƣợng Đất Nƣớc- Thực vật 46 Hình 2.14 Xác định tam giác phổ 47 Hình 2.15 Tính toán tạo ảnh số nƣớc 48 Hình 2.16 Tính toán tạo ảnh số thực vật 49 Hình 2.17 Tính toán tạo ảnh số đất 50 Hình 2.18 Ảnh tổ hợp từ ba ảnh số đất, nƣớc, thực vật 52 Hình 3.1 Sơ đồ khu vực nghiên cứu 54 Hình 3.2 Quy trình phân loại ảnh 55 Hình 3.3 (a) Landsat tổ hợp màu giả (b) Ảnh Sentinel -2 tổ hợp màu giả 60 Hình 3.4 (a) Kết tính toán giá trị phổ thực đất, nƣớc, thực vật ảnh Landsat (b) Kết tính toán giá trị phổ thực đất, nƣớc, thực vật ảnh ảnh Sentinel-2 61 Hình 3.5.Minh họa tính toán tỷ lệ ba đối tƣợng đất, nƣớc, thực vật điểm ảnh 61 Hình 3.6 (a) Ảnh số nƣớc; (b) Ảnh số thực vât ; (c) ảnh số đất ảnh Landsat 62 Hình 3.7 (a) Ảnh số nƣớc; (b) Ảnh số thực vât ; (c) ảnh số đất ảnh Sentinel 62 Hình 3.8 (a) Ảnh số thực vật phƣơng pháp đề xuất; (b) Ảnh số thực vât NDVI (ảnh Landsat 8) 63 Hình 3.9 (a) Kết chiết xuất đối tƣợng thực vật từ ảnh số thực vật đề tài; (b) Kết chiết xuất đối tƣợng thực vật từ ảnh số thực vât NDVI (ảnh Landsat 8) 64 Hình 3.10 (a) Ảnh số nƣớc phƣơng pháp đề xuất; (b) Ảnh số nƣớc NDWI (ảnh Landsat 8) 65 Hình 3.11 (a) Kết chiết xuất đối tƣợng nƣớc từ ảnh số nƣớc đề tài; (b) Kết chiết xuất đối tƣợng nƣớc từ ảnh số nƣớc NDWI (Landsat 8) 66 Hình 3.12 (a) Ảnh tổ hợp ảnh Landsat 8; (b) Ảnh tổ hợp ảnh Sentinel 67 Hình 3.13 (a) Kết phân loại ảnh Landsat 8;(b) Kết phân loại ảnh Sentinel 68 Hình 3.14 Sơ đồ điểm lấy mẫu kiểm tra ngẫu nhiên 69 Hình 3.15 Kết phân loại ảnh Landsat phƣơng pháp MLC 70 Hình 3.16 Đồ thị thể so sánh diện tích kết phân loại có kiểm định kết phân loại sử dụng tỷ lệ thành phần đất, nƣớc, thực vật ảnh Landsat 71 Hình 3.17 Kết phân loại ảnh Sentinel phƣơng pháp xác suất cực đại 76 Hình 3.18 Đồ thị thể so sánh diện tích kết phân loại MLC kết phân loại sử dụng tỷ lệ thành phần đất, nƣớc, thực vật ảnh Sentinel 77 Bảng 3.5 Đánh giá độ xác kết phân loại phương pháp đề xuất với phương pháp phân loại MLC ảnh Landsat TT Vị trí 105.779,20.9902 (Sông Nhuệ) 105.8589,20.9698 (Hồ Yên Sở) 105.8693,21.0849 (Cầu Đông Trù) Ảnh gốc Phương pháp MLC 72 Phương pháp đề tài Đối chiếu thực địa TT Vị trí 105.8434,21.014 (Công viên Thống Nhất) 105.81,21.0321 (Công Viên Thủ Lệ) 105.814,20.995 (Khương Đình) 105.8454,21.0569 (Bãi sông Hồng) Ảnh gốc Phương pháp MLC 73 Phương pháp đề tài Đối chiếu thực địa TT Vị trí 105.819,21.017 (Hồ Đống Đa) 105.786,20.998 (Hồ Mễ Trì) 10 105.796,21.04 (Hồ Nghĩa Tân) Ảnh gốc Phương pháp MLC 74 Phương pháp đề tài Đối chiếu thực địa Bảng 3.6 Ma trận sai số kết phân loại phương pháp đề xuất ảnh Landsat Các pixel đƣợc phân loại Các điểm thực địa Nước Thực vật Đất Tổng Độ xác sản xuất Nước 711 70 232 1013 70.2 Thực vật 45 13720 1823 15588 88.0 Đất 426 1771 8952 11149 80.3 Tổng 1182 15561 11007 27750 Độ xác sử dụng 60.2 88.2 81.3 84.3 Bảng 3.7 Ma trận sai số kết phân loại phương pháp MLC ảnh Landsat Các pixel đƣợc phân loại Các điểm thực địa Nƣớc Thực vật Đất Tổng Độ xác sản xuất Nước 50 11 951 1012 4.94 Thực vật 12 11840 3745 15597 75.9 Đất 65 311 10765 11141 96.6 Tổng 127 12162 15461 27750 Độ xác sử dụng 39.7 97.4 69.4 81.6 Có thể nhận thấy đối tượng dạng tuyến sông ngòi phân loại tốt phương pháp đề xuất hạn chế sai số lấy mẫu sai số nhiễu điểm ảnh Riêng khu vực sông Hồng lượng phù sa lớn nên phân loại vào nhóm đất, kết phù hợp với phương pháp luận đề xuất 75 Kết đánh giá độ xác cho thấy phương pháp đề xuất đưa kết phân loại xác vượt trội so với sử dụng phương pháp MLC đặc biệt phân loại đối tượng nước Độ xác tổng thể phương pháp đề xuất cao phương pháp MLC 3% 3.7.2 Đánh giá độ xác kết p hân loại ảnh Sentinel Nƣớc Thực vật Đất ẩm Đất khô Hình 3.17 Kết phân loại ảnh Sentinel phƣơng pháp xác suất cực đại 76 Bảng 3.8 Thống kê kết phân loại ảnh Sentinel phương pháp đề xuất phương pháp MLC TT Loại đối Số lượng điểm ảnh Diện tích (ha) tượng PP MLC PP đề tài Độ lệch PP MLC PP đề tài Độ lệch Thực vât 807048 782166 24882 8070,48 7821,66 248,82 Nước 157053 269502 112449 1570,53 2695,02 1301,028 Đất ẩm 105385 941286 835901 1053,85 9412,86 11,2564 Đất khô 1396516 473048 923468 13965,16 4730,48 13492,112 Hình 3.18 Đồ thị thể so sánh diện tích kết phân loại MLC kết phân loại sử dụng tỷ lệ thành phần đất, nƣớc, thực vật ảnh Sentinel Kết so sánh điểm ảnh diện tích kết phân loại có kiểm định kết phân loại sử dụng tỷ lệ thành phần đất, nước, thực vật cho thấy số lượng điểm ảnh diện tích đối tượng không chênh lệch nhiều Đối tượng thực vật gần giống đối tượng phân loại nhóm nước phương pháp đề xuất tăng so với phương pháp phân loại theo xác suất cực đại Kết hợp với kết so sánh đối chiếu đánh giá độ xác bảng 3.7, thấy kết phân loại ảnh sử dụng tỷ lệ thành phần đất, nước, thực vật giảm đáng kể tượng nhiễu điểm ảnh, góp phần phân lớp điểm ảnh lớp phân loại 77 Bảng 3.9 Đánh giá độ xác kết phân loại phương pháp đề xuất với phương pháp phân loại MLC ảnh Sentinel TT Vị trí Ảnh gốc Phương pháp MLC 105.807,20.953 (Cầu Hữu Hòa 2) 105.791,20.977 (Hồ Văn Quán) 105.897,21.043 (127 Nguyễn Văn Linh) 78 Phương pháp đề tài Đối soát thực địa TT Vị trí Ảnh gốc Phương pháp MLC 105.779,20.99 (Sông Nhuệ) 105.814,21.019 (Hồ Thành Công) 105.82,21.029 (Hồ Giảng Võ) 105.816,21.01 (Thái Thịnh) 79 Phương pháp đề tài Đối soát thực địa TT 10 Vị trí Ảnh gốc Phương pháp MLC 105.811,21.028 (Hồ Ngọc Khánh) 105.819,21.017 (Hồ Đống Đa) 105.808,21.013 (Sông Tô Lịch) 80 Phương pháp đề tài Đối soát thực địa Ma trận sai số đánh giá độ xác kết phân loại theo phương pháp đề xuất ảnh Sentinel thể sau: Bảng 3.10 Ma trận sai số kết phân loại phương pháp đề xuất ảnh Sentinel Các pixel đƣợc phân loại Các điểm thực địa Nước Thực vật Đất Tổng Độ xác sản xuất Nước 12111 1748 2423 16282 74.8 Thực vật 279 90004 12632 102915 87.45 Đất 520 6580 92403 99503 92.86 Tổng 12910 98332 107458 218700 Độ xác sử dụng 93.8 91.5 85.98 88.9 Bảng 3.11 Ma trận sai số kết phân loại phương pháp MLC ảnh Sentinel Các pixel đƣợc phân loại Các điểm thực địa Nước Thực vật Đất Tổng Độ xác sản xuất Nước 8690 1890 2650 13230 65.7 Thực vật 310 89940 16580 106830 84.2 Đất 660 6520 91460 98640 92.7 Tổng 9660 98350 110690 218700 Độ xác sử dụng 89.9 91.44 81 82.6 86.9 Có thể nhận thấy hai phương pháp phân loại bị ảnh hưởng nhiễu mây, nhiên phương pháp phân loại đề xuất giữ độ xác tốt đặc biệt phân loại yếu tố hình tuyến sông ngòi Nhiều điểm ảnh phân loại nhóm nước so với phương pháp phân loại theo xác xuất cực đại Điều phù hợp với thống kê điểm ảnh diện tích sau phân loại trình bày Kết đánh giá từ ma rận sai số cho thấy phương pháp đề xuất cho độ xác cao phương pháp MLC Có thể nhận thấy ưu điểm phương pháp phân lo ại dựa tỷ lệ thành phần đất, nước, thực vật phân loại tốt đối tượng dạng tuyến thủy hệ giao thông Đối với hai loại tư liệu ảnh viễn thám sử dụng Landsat Sentinel phương pháp đề xuất cho kết phân loại có độ xác cao giảm nhiễu điểm ảnh Tuy nhiên kết phân loại phương pháp đề xuất cho thấy ưu điểm trội kết phân loại ảnh Landsat tốt ảnh Sentinel Điều giải thích chất liệu phân loại ảnh Landsat có độ phân giải thấp (30x30m) so với Sentinel (10x10m).Độ phân giải thấp gây nhiều nhiễu khu vực hỗn hợp làm giảm độ xác sử dụng phương pháp phân loại xác xuất cực đại Phương pháp đề xuất có hiệu việc phân loại liệu thuật toán đề xuất loại bỏ tốt nhiễu điểm ảnh gây sai sót trình phân loại Điều cho thấy ứng dụng đầy hứa hẹn phương pháp phân loại dựa tỷ lệ thành phần đất, nước, thực vật việc tăng độ xác để thành lập đồ che phủ đất sử dụng liệu miễn phí Landsat tương lai 82 KẾT LUẬN VÀ KIẾN NGHỊ Hiện nay, công nghệ viễn thám có tốc độ phát triển nhanh Số lượng vệ tinh có độ phân giải cao siêu cao ngày phát triển Cùng với xu hướng miễn phí hóa hàng Terabyte ảnh vệ tinh có độ phân giải trung bình nhỏ chụp phủ bề mặt trái đất vệ tinh Landsat, Sentinel Ứng dụng nguồn liệu ảnh viễn thám có độ phân giải trung bình nhỏ phục vụ giám sát nguồn tài nguyên thiên nhiên, tai biến thiên nhiên, hay đánh giá nhanh tác động môi trường xu phổ biến giới năm gần Đặc biệt, sử dụng ảnh viễn thám để theo dõi biến động đối tượng bề mặt trái đất cung cấp cho ta thông tin xác trạng loại lớp phủ mặt đất, biến đổi qua thời gian Đó thay đổi quy mô, diện tích xu hướng biến đổi Đây sở khoa học để đưa sách quản lý nguồn tài nguyên, giám sát thay đổi môi trường Trong trình này, phân loại ảnh công cụ thiếu để khai thác nguồn tài nguyên liệu ảnh vệ tinh hiệu hợp lý Đề tài góp phần giải thách thức liên quan đến giảm nhiễu đối tượng ảnh nhằm nâng cao xác kết phân loại ảnh Với giải pháp nâng cao độ xác công tác phân loại ảnh khu vực có lớp phủ hỗn hợp, đề tài phát triển phương pháp giảm nhiễu điểm ảnh cách tính toán giá trị phổ thực yếu tố đất, nước, thực vật tỷ lệ thành phần yếu tố ảnh Nội dung phương pháp xây dựng sở lý thuyết chặt chẽ, có công tác thực nghiệm chứng minh sản phẩm phương pháp có độ xác cao, có ưu số sử dụng viễn thám số thực vật (NDVI), số nước (NDWI) Tóm lại, việc sử dụng giải pháp nâng cao độ xác công tác phân loại ảnh khu vực có lớp phủ hỗn hợp công tác phân loại ảnh đề tài phát triển tương đối đơn giản, nhanh chóng, hiệu Nếu ứng dụng rộng rãi tiết kiệm chi phí, công sức, thời gian, mà kết thu có độ xác cao, vượt trội so với phương pháp phân loại truyền thống Phương pháp đề xuất để tính giá trị endmember đối tượng tỷ trọng đất-nước-thực vật điểm ảnh sở để tích hợp giá trị đối tượng điểm ảnh xung quanh, cho thấy phương pháp đơn giản, nhanh chóng hiệu tăng độ xác phân loại Các thuật toán đề 83 xuất áp dụng nghiên cứu trường hợp Hà Nội mà phải đối mặt với khó khăn việc lập đồ sử dụng đất lớp phủ phức tạp Kết từ việc áp dụng phương pháp để xử lý hai tập liệu viễn thám Landsat Sentinel để tăng cường việc phân loại độ che phủ đất Hà Nội Nếu áp dụng rộng rãi, mang lại độ xác cao để lập đồ che phủ đất đô thị, so với phương pháp truyền thống Kết phân loại phương pháp đề xuất cho thấy ưu điểm trội kết phân loại ảnh Landsat-8 tốt ảnh Sentinel Điều giải thích chất liệu phân loại ảnh Landsat-8 có độ phân giải thấp (30x30 m) so với Sentinel (10x10 m) Độ phân giải thấp gây nhiều nhiễu khu vực hỗn hợp làm giảm độ xác sử dụng phương pháp phân loại Maximum Likelihood Phương pháp đề xuất có hiệu việc phân loại liệu thuật toán loại bỏ tốt nhiễu điểm ảnh gây sai sót trình phân loại Điều cho thấy ứng dụng đầy hứa hẹn phương pháp phân loại dựa tỷ lệ thành phần đất, nước, thực vật việc tăng độ xác để thành lập đồ che phủ đất sử dụng liệu miễn phí Landsat tương lai 84 TÀI LIỆU THAM KHẢO Tiếng Việt Nguyễn Ngọc Thạch, Cơ sở viễn thám ,Đại học Khoa học Tự Nhiên- Đại học Quốc Gia Hà Nội Hải, H.M 2013 Nghiên cứu ứng dụng thuật toán bầu chọn (Voting Principle) hàm tin cậy (Bayesian Belief Function) nhằm nâng cao độ xác phân loại ảnh viễn thám, Đề tài nghiên cứu khoa học cấp sở Bộ Tài nguyên Môi trường, trang 6-8 Trần Thị Vân,2008, Đô thị hóa chất lượng môi trường đô thị từ viễn thám mặt không thấm:trường hợp thành phố Hồ Chí Minh, Viện Môi trường Tài Nguyên Tiếng Anh Adams, J.B., D.E Sabol, V Kapos, R.A Filho, D.A Roberts, M.O Smith, and A.R Gillespie, Classification of multispectral images based on fractions of endmembers: Application to land cover change in the Brazilian Amazon , Remote Sensing of Environment, 52:137–154, ( 1995) Keshava, N Mustard, J.F 2002 “Spectral unmixing”, IEEE Signal Processing Magazine, Số 19(1), trang 44-57 Fisher, P 1997 “The pixel: a snare and a delusion”, International Journal of Remote Sensing, Số 18(3) Shimabukuro, Y.E Smith, J.A 1991 “The least squares unmixing models to generate fraction images derived from remote sensing multispectral data”, IEEE Transactions on Geoscience and Remote Sensing, Số 29(1), trang 16-20 Horwitz, H.M., Nalepka, R.F., Hyde, P.D Morgenstern, J.P 1971 “Estimating the Proportions of Objects within a Single Resolution Element of a Multispectral Scanner”, International Sympo-sium on Remote Sensing of Environment, trang 1307-1320 Foschi, G.P 1994 A geometric approach to a mixed pixel problem: Detecting subpixel woody vegetation, Remote Sensing of Environment, Số 50(3), trang 317-327 10 Gebbinck, M 1998 Decomposition of mixed pixels in remote sensing images to improve the area estimation of agriculture fields, Thesis dissertation, Katholieke Universtity Nijmegen 85 11 Zhenghai, W., Guangdao, H Shuzheng, Y 1997 Decomposition Mixed Pixel of Remote Sensing Image Based on Tray Neural Network Mode l, Lecture Notes in Computer Science, Số 4683, trang 305-309 12 Lu, D., Moran, E., Batistella, M., Linear Mixture Model Applied to Amazonian Vegetation Classification, Remote Sensing of Environment, 87, pp 456-469, (2003) 13 Lu, D and Weng Q., Spectral Mixture Analysis of the Urban Landscape in Indianapolis with Landsat ETM+ Imagery, Photogrammetric Engineering & Remote Sensing, Vol 70, No 9, pp.1053-1062, (2004) 14 Lu, D and Weng Q., A survey of image classification methods and techniques for improving classification performance, International Journal of Remote Sensing, Vol 28, No 5, 10 March 2007, 823–870, (2007) 15 Walker, S., E Swails, S Petrova, F Casarim, K Goslee , and S Brown, 2012, Decomposition of mixed pixels in remote sensing images to improve the area estimation of agricultural fields, Maurice Stefan klein Gebbinck , Report produced under lowering Emissions in Asia’s Forest (LEAF) Program 16 Pie Liang, 2009, Study on mixed pixel classification method of remote sensing image based on fuzzy theory, Liaoning Technical University 17 Thi Hang Do, Venkatesh Raghavan, Xuan Luan Truong, Poliyapramvinayaraj, Go Yonezawa and Pavithra Jayasinghe, 2016 , Combining pixel-based and object-based fuzzy classification for lulc mapping using spectral indices of RAPID EYE imagery and FOSS4G, GIS IDEAS 86 ... cứu đề tài: Nghiên cứu giải pháp kỹ thuật nâng cao độ xác phân loại ảnh khu vực có độ phủ hỗn hợp Mục tiêu nghiên cứu Đưa giải pháp giảm nhiễu nâng cao độ xác công tác phân loại ảnh khu vực có. .. KHOA HỌC TỰ NHIÊN Nguyễn Thị Thanh Bình NGHIÊN CỨU GIẢI PHÁP KỸ THUẬT NÂNG CAO ĐỘ CHÍNH XÁC TRONG PHÂN LOẠI ẢNH TẠI KHU VỰC CÓ ĐỘ PHỦ HỖN HỢP Chuyên ngành: Bản đồ, viễn thám hệ thông tin... định, đặc biệt khu vực có bề mặt lớp phủ hỗn hợp, kết phân loại ảnh bị ảnh hưởng lớn vấn đề nhiễu điểm ảnh Nhiều giải pháp giảm nhiễu điểm ảnh để nâng cao độ xác kết phân loại nghiên cứu phát triển.Tuy