Phân loại lớp phủ đô thị với ảnh vệ tinh venus cho hà nội việt nam

ĐẠI HỌC QUỐC GIA HÀ NỘI TRƯỜNG ĐẠI HỌC CÔNG NGHỆ - NGUYỄN THỊ HỒNG LUYẾN PHÂN LOẠI LỚP PHỦ ĐÔ THỊ CHO KHU VỰC HÀ NỘI-VIỆT NAM SỬ DỤNG ẢNH VỆ TINH VENUS LUẬN VĂN THẠC SĨ NGÀNH HỆ THỐNG THÔNG TIN Hà Nội - 2019 ĐẠI HỌC QUỐC GIA HÀ NỘI TRƯỜNG ĐẠI HỌC CÔNG NGHỆ - NGUYỄN THỊ HỒNG LUYẾN PHÂN LOẠI LỚP PHỦ ĐÔ THỊ CHO KHU VỰC HÀ NỘI-VIỆT NAM SỬ DỤNG ẢNH VỆ TINH VENUS CHUYÊN NGÀNH: HỆ THỐNG THÔNG TIN MÃ SỐ: 8480104.01 LUẬN VĂN THẠC SĨ NGÀNH HỆ THỐNG THÔNG TIN HƯỚNG DẪN KHOA HỌC: TS BÙI QUANG HƯNG Hà Nội - 2019 LỜI CAM ĐOAN Tôi xin cam đoan báo cáo luận văn viết cá nhân hướng dẫn cán hướng dẫn khoa học, thầy giáo, TS Bùi Quang Hưng Tất kết đạt luận văn trình tìm hiểu, nghiên cứu, khảo sát, xây dựng kết hợp với kinh nghiệm riêng dẫn thầy giáo, TS Bùi Quang Hưng Nội dung trình bày luận văn cá nhân tổng hợp từ nhiều nguồn tài liệu tham khảo khác có xuất xứ rõ ràng trích dẫn hợp pháp Tơi xin hồn tồn chịu trách nhiệm chịu hình thức kỷ luật theo quy định cho lời cam đam Hà Nội, ngày 10 tháng 08 năm 2019 Người cam đoan Nguyễn Thị Hồng Luyến LỜI CẢM ƠN Tôi xin gửi lời cảm ơn chân thành sâu sắc tới thầy giáo, TS Bùi Quang Hưng, cô giáo, PGS Nguyễn Thị Nhật Thanh, người trực tiếp hướng dẫn giúp đỡ phương pháp tiếp cận, bảo kinh nghiệm, tài liệu tham khảo để giúp tơi hồn thành đề tài Tơi xin gửi lời cảm ơn chân thành đến anh Phạm Tuấn Dũng, bạn Phan Anh thuộc trung tâm Cơng nghệ tích hợp liên ngành Giám sát trường (FIMO center), trường Đại học Công nghệ theo sát, cách tiếp cận vấn đề cách thực tiễn q trình nghiên cứu luận văn Tơi bày tỏ lời cảm ơn chân thành tới thầy, cô giáo giảng dậy thời gian học tập trường Đại học Công nghệ Tôi xin gửi lời cảm ơn đến người thân, bạn bè, đồng nghiệp người dành thời gian nghe lời chia sẻ, tâm đưa lời khuyên, lời động viên chân thành quý báu giúp tơi thêm tinh thần phấn đấu, hồn thành mục tiêu học tập nâng cao kiến thức Hà Nội, ngày 10 tháng năm 2019 Học viên thực luận văn MỤC LỤC CHƯƠNG TỔNG QUAN 1 Tổng quan toán nghiên cứu: Giới thiệu tổng quan viễn thám liệu viễn thám 2.1 Khái niệm viễn thám 2.2 Nguyên lý thu nhận liệu viễn thám 2.3 Phân loại viễn thám với hệ thống cảm biến tự động: 2.4 Các đặc trưng ảnh viễn thám 11 Ứng dụng ảnh viễn thám để phân loại lớp phủ mặt đất lớp phủ đô thị 13 3.1 Ứng dụng ảnh viễn thám để phân loại lớp phủ mặt đất 13 3.2 Ứng dụng ảnh viễn thám để phân loại lớp phủ thị 15 3.3 Bài tốn phân lớp phủ đô thị Việt Nam 15 Dữ liệu vệ tinh Venus .16 4.1 Giới thiệu tổng quan vệ tinh Venus 16 4.2 Đặc trưng định dạng ảnh vệ tinh Venus: 17 Mục đích ý nghĩa tốn giải luận văn 19 5.1 Ý nghĩa khoa học 19 5.2 Ý nghĩa thực tiễn 19 CHƯƠNG PHƯƠNG PHÁP PHÂN LOẠI LỚP PHỦ ĐÔ THỊ 20 Các phương pháp phân loại lớp phủ mặt đất lớp phủ đô thị sử dụng ảnh viễn thám 20 1.1 Các phương pháp phân loại lớp phủ mặt đất 20 1.2 Các phương pháp phân loại lớp phủ đô thị 21 Một số phương pháp kết hợp ảnh 21 Các phương pháp học máy tảng nghiên cứu phân lớp phủ 23 3.1 Support Vector Machine .23 3.2 Artificial Neural Network 25 3.3 eXtreme Gradient Boosting 26 Các số đánh giá 28 CHƯƠNG MƠ HÌNH THỰC NGHIỆM ĐÁNH GIÁ HIỆU QUẢ THỰC NGHIỆM PHÂN LOẠI LỚP PHỦ CHO THỦ ĐÔ HÀ NỘI – VIỆT NAM SỬ DỤNG ẢNH VỆ TINH VENUS 31 Yêu cầu hệ thống công cụ sử dụng thực nghiệm 31 Tiền xử lý liệu 32 2.1 Trích xuất liệu khu vực Hà Nội 32 2.2 Quá trình kết hợp ảnh 32 Đánh giá phân loại lớp phủ cho thủ đô Hà Nội – Việt Nam sử dụng ảnh vệ tinh Venus 34 3.1 Xây dựng liệu học kiểm tra với ảnh Venus đơn 34 3.2 Sơ đồ thực nghiệm trình kết hợp phân lớp ảnh 36 3.3 Kết 36 KẾT LUẬN 42 TÀI LIỆU THAM KHẢO 43 PHỤ LỤC DANH SÁCH BẢNG SỬ DỤNG Bảng 1.1 Bảng so sánh số đặc tính ảnh vệ tinh 13 Bảng 1.2 Đặc điểm ảnh vệ tinh Venus 18 Bảng Đặc trưng phương pháp kết hợp ảnh 22 Bảng 3.1 Thống kê tập liệu ảnh Venus 32 Bảng 3.2 Tổng hợp số Year score, DOY score, Opacity score 34 Bảng 3.4 Tập điểm mẫu liệu huấn luyện liệu kiểm tra .40 DANH SÁCH HÌNH VẼ SỬ DỤNG Hình 1.1 Quá trình thu nhận liệu viễn thám Hình 1.2 Nguyên lý thu nhận ảnh viễn thám .5 Hình 1.3 Giới thiệu cấu tạo hệ thống viễn thám điển hình Hình 1.4 Hệ thống cảm biến bị động (ảnh phía trên) cảm biến chủ động (ảnh bên dưới)7 Hình 1.5 Vệ tinh địa tĩnh Vệ tinh quỹ đạo cực 10 Hình 1.6 Các bước sóng thường sử dụng viễn thám .11 Hình 1.7 Độ phân giải không gian ảnh vệ tinh .11 Hình 1.8 Độ phân giải phổ ảnh vệ tinh 12 Hình 1.9 Bản đồ thay đổi phân lớp phủ đất cho đồng sông Hồng tính đến năm 2010 14 Hình 1.10 Ảnh vệ tinh Venus 17 Hình 2.1 Ví dụ mơ hình tri giác đa lớp multilayer perceptron (MLP) 25 Hình 2.2 Ví dụ Confusion Marix 28 Hình 3.1 Sơ đồ tổng quan cho trình thực nghiệm 36 Hình 3.2 Ảnh đại diện cho DOY 15 với tổ hợp màu giả thị (Kênh 5-4-7) 37 Hình 3.3 Ảnh đại diện cho DOY 75 với tổ hợp màu giả thị (Kênh 4-5-7) 38 Hình 3.4 Ảnh đại diện cho DOY 135 với tổ hợp màu giả đô thị (Kênh 5-4-7 38 Hình 3.5 Ảnh đại diện cho DOY 195 với tổ hợp màu giả đô thị (Kênh 4-5-7) 39 Hình 3.6 Ảnh đại diện cho DOY 255 với tổ hợp màu giả đô thị (Kênh 4-5-7) 39 Hình 3.7 Ảnh đại diện cho DOY 315 với tổ hợp màu giả đô thị (Kênh 5-4-7) 40 DANH SÁCH THUẬT NGỮ TIẾNG ANH VÀ CÁC TỪ VIẾT TẮT Thuật ngữ Ý nghĩa Geographic Information Viết tắt Hệ thống thông tin địa lý GIS Land cover Lớp phủ đất LC Land use and land cover Sử dụng đất phân lớp che phủ đất LULCC System classification Instantaneous field of Trường quan sát thời IFOV view Thermal Infrared Sensor Cảm biến hồng ngoại nhiệt TIRS Centre National d’Etudes Trung tâm nghiên cứu không gian quốc CNES Spatiales gia (Pháp) Israeli Space Agency Cơ quan không gian Israel ISA Top of the Atmosphere Đỉnh tầng khí TOA Thermal Infrared Hồng ngoại nhiệt Digital Elevation Model Mơ hình số độ cao (bề mặt đất, tầng DEM đất, ) Pixel Điểm ảnh Band Kênh ảnh United States Geological Cục Khảo sát Địa chất Hoa Kỳ USGS Survey National Aeronautics and Cơ quan Hàng không Vũ trụ Hoa Kỳ NASA Space Administration Operational Land Imager Bộ thu nhận ảnh mặt OLI Thermal Infrared Sensor TIRS Bộ cảm biến hồng ngoại nhiệt Google Earth Engine Best-Available-Pixel GEE Phương pháp lựa chọn điểm ảnh tốt BAP CHƯƠNG TỔNG QUAN Tổng quan toán nghiên cứu: 1.1 Khu vực nghiên cứu: Hà Nội có mức độ tăng trưởng thị nhanh, cần có kế hoạch phát triển thị tồn diện với biện pháp quy hoạch thích hợp cần nhà nước có sách đưa thực kịp thời Lý chọn Hà Nội: khu vực phi nông nghiệp chủ yếu che phủ bề mặt không thấm nước thảm thiên nhiên Thành phố Hà Nội chủ yếu chia thành khu vực nông nghiệp (56,6%) khu vực phi nông nghiệp (40,6%) năm 2010 [1] Các khu vực phi nông nghiệp chủ yếu che phủ bề mặt không thấm nước cảnh quan thiên nhiên Qua trình điều tra hai lớp LC cho Hà Nội, bao gồm khu vực không thấm nước gán với lớp phủ thị lớp khác lại để xác định mật độ phủ thị Nhiều mơ hình tăng trưởng thị có khái niệm hóa động lực tăng trưởng theo giai đoạn chu kỳ, thay tuyến tính khơng gian thời gian Kết khó để mơ hình hóa phức tạp khu vực thị mơ hình 1.2 Mục tiêu nghiên cứu: - Nghiên cứu cách áp dụng phương pháp phân lớp ảnh vệ tinh Venus, sử dụng thuật toán phân lớp để phân lớp phủ đô thị cho thủ đô Hà Nội năm 2018 tính tốn độ xác cho kết đạt Phát triển thêm hướng nghiên cứu kết hợp ảnh vệ tinh Venus (composite) để phân lớp Thu thập phân loại tập liệu để phân loại lớp phủ đô thị cho ảnh ảnh Venus kết hợp, đưa đồ phân lớp phủ đô thị đánh giá độ xác so với phân lớp ảnh đơn - Định lượng tốc độ tăng trưởng đô thị Hà Nội cách sử dụng số liệu không gian; Giới thiệu tổng quan viễn thám liệu viễn thám 2.1 Khái niệm viễn thám Khái niệm viễn thám: Viễn thám môn khoa học nghiên cứu việc đo đạc, thu thập thông tin đối tượng, vật cách sử dụng thiết bị đo qua tác 36 Thực phân lớp cho ảnh Venus đơn lẻ theo ngày chụp cụ thể, áp dụng phương pháp phân lớp Neural Network, SVM đo độ xác tương ứng: - Neural Network: 47.23 % - Random forest: 45.61 % - SVM: 46.92 % - XGBoost: 48.99% 3.2 Sơ đồ thực nghiệm trình kết hợp phân lớp ảnh Hình 3.1 Sơ đồ tổng quan cho trình thực nghiệm 3.3 Kết Kết ảnh trình kết hợp ảnh Điều chỉnh điểm năm điểm mờ để phù hợp với Với pixel cụ thể ảnh, điểm tính toán dựa điểm nhỏ: DOY điểm ngày năm, điểm mờ khoảng cách từ pixel mây/ bóng mây Các điểm phân lớp dựa vào: điểm theo tầng ảnh điểm theo tầng pixel Ngày năm DOY điểm theo tầng ảnh Điều có nghĩa với 37 pixel thành phần ảnh chia theo dạng xếp chồng, bậc thang Độ mờ khoảng cách mây hay bóng mây điểm chia hạng, bậc pixel Mỗi pixel bậc dựa chiến lược chia thứ hạng điểm Các ảnh kết hợp giả màu thị thể hình 3.2-3.7 Chúng ta dễ dàng quan sát ảnh gần khơng ảnh hưởng đám mây Các hình ảnh kết hợp làm bật khu vực đô thị, khu đông dân cư với tông màu vàng sẫm có gam màu ánh hồng sáng Các yếu tố thủy văn nhận biết rõ với màu đen xanh nước biển (Blue) Các yếu tố có màu xanh (Green) khu vực vùng thực vật khác Hơn nữa, ảnh hiển thị thay đổi mà khu vực Hà Nội qua thời điểm năm Riêng với khu vực liên quan đến lớp thị (Urban) có ổn định khu vực liên quan đến nơng nghiệp thực vật khơng bị ảnh hưởng yếu tố mùa vụ thay đổi Hình 3.2 Ảnh đại diện cho DOY 15 với tổ hợp màu giả thị (Kênh 5-4-7) 38 Hình 3.3 Ảnh đại diện cho DOY 75 với tổ hợp màu giả thị (Kênh 4-5-7) Hình 3.4 Ảnh đại diện cho DOY 135 với tổ hợp màu giả đô thị (Kênh 5-4-7 39 Hình 3.5 Ảnh đại diện cho DOY 195 với tổ hợp màu giả thị (Kênh 4-5-7) Hình 3.6 Ảnh đại diện cho DOY 255 với tổ hợp màu giả thị (Kênh 4-5-7) 40 Hình 3.7 Ảnh đại diện cho DOY 315 với tổ hợp màu giả đô thị (Kênh 5-4-7) Tôi tiếp tục sử dụng tập liệu mục 3.1 để thực phân lớp ảnh Venus sau kết hợp Bảng 3.5 Tập điểm mẫu liệu huấn luyện liệu kiểm tra Dữ liệu huấn luyện Dữ liệu kiểm tra Lớp đô thị 623 327 Lớp khác 1256 718 Tổng cộng 1879 1045 Dựa tọa độ tập liệu điểm mẫu, giá trị điểm ảnh tất kênh ảnh ảnh kết hợp ghi thành file với định dạng csv Trong nghiên cứu này, ảnh kết hợp ( ngày: 15, 75, 135, 195 315 Riêng ngày 295 không dùng vào phân lớp ngày thuộc mùa mưa Việt Nam nên số liệu không xác) đại diện cho file csv với định dạng cột dòng, cột tương ứng với số kênh ảnh, dòng giá trị điểm ảnh 41 tập điểm mẫu Các file tập liệu huấn luyện liệu kiểm thử dùng trình phân loại lớp phủ sau Thực phân lớp cho ảnh Venus kết hợp theo ngày chụp cụ thể( ngày: 15, 75, 135, 195 315), áp dụng phương pháp phân lớp XGBoots đo độ xác tổng thể 99.90% Mức độ xác đảm bảo độ tin cậy thống kê sử dụng kết việc phân loại lớp phủ đô thị cho Hà Nội – Việt Nam năm 2018 Các hạn chế hướng nghiên cứu tiếp theo: Do vệ tinh Venus vệ tinh nên có số lượng ảnh chụp chưa nhiều, cơng trình, báo khoa học nghiên cứu nên tơi chưa có nhiều kết để so sánh Hiện so sánh độ xác với ảnh Landsat8 ảnh Venus có nhiều điểm khác biệt tọa độ, liệu đào tạo kiểm thử chưa lớn Trong tương lai, nghiên cứu thêm báo cáo khoa học, cơng trình nghiên cứu ảnh Venus kết hợp để có kết phân lớp cao 42 KẾT LUẬN Từ đóng góp nhiều ý nghĩa thực tiễn, công nghệ viễn thám ngày thu hút nhiều quan tâm nhà khoa học giới, đặc biệt xử lý ảnh viễn thám phân loại lớp phủ mặt đất Bên cạnh đó, việc sử dụng hình ảnh vệ tinh quang học dễ bị ảnh hưởng tác động mây Trong luận văn này, tơi trình bày khái niệm khoa học viễn thám, ảnh vệ tinh ứng dụng lĩnh vực khác Đặc biệt, tơi trình bày bước thực để thu thập ảnh Venus từ kho liệu ảnh TheIA Thực phân lớp ảnh Venus đơn sử dụng thuật toán phân lớp đặc trưng để so sánh độ xác đạt Sau xử lý ảnh vệ tinh, để tạo ảnh kết hợp với điểm ảnh tốt nhất, bị ảnh hưởng mây bóng mây Kết trình xử lý ảnh ảnh kết hợp đại diện cho TargetDOY năm Từ ảnh kết hợp mây này, kết hợp với tập liệu điểm mẫu thực địa thủ Hà Nội-Việt Nam, q trình phân loại lớp phủ đô thị thực Các phương pháp đánh giá phân lớp thực để đánh giá kết này, thực nghiệm với ảnh Venus đơn ảnh Venus kết hợp Bên cạnh đó, có vấn đề tồn q trình phân loại lớp phủ đô thị cho thủ đô Hà Nội-Việt Nam như: số lượng ảnh chụp còn, tập liệu huấn luyện kiểm thử ghi nhận chưa nhiều Trong tương lai, nghiên cứu thêm việc xây dựng tập huấn luyện kiểm thử nhiều nữa, sử dụng kết hợp nhiều loại ảnh vệ tinh khác khác như: MODIS, Sentinel v.v… trình tạo ảnh kết hợp phân loại lớp phủ cho Hà Nội-Việt Nam khu vực nghiên cứu khác 43 TÀI LIỆU THAM KHẢO Danielle Labbé, “Facing the urban transition in Hanoi: recent urban planning issues and initiatives” Institut national de la recherche scientifique Centre - Urbanisation Culture Société, pp 07–08, 2010 Sustainability-11-01768-v3 C D Man, T T Nguyen, H Q Bui, and K Lasko, “Improvement of land-cover classification over frequently cloud-covered areas using Landsat timeseries composites and an ensemble of supervised classifiers,” Int J Remote Sens., vol 39, no 4, pp 1243–1255, 2018 M C Hansen, D P Roy, E Lindquist, B Adusei, C O Justice, and A Altstatt, “A method for integrating MODIS and Landsat data for systematic monitoring of forest cover and change in the Congo Basin,” vol 112, pp 2495–2513, 2008 ĐHQG.Khí Tượng Vệ Tinh (NXB Đại Học Quốc Gia 2007) - Nguyễn Văn Tuyên, 155 Trang MAJA ATBD Algorithm Theoretical Basis Document_V1.0 2017/Dec/07 Centre National d’Etudes Spatiales – France, “The Venµs mission and products”, pp.3-9, 2014 Tạp chí phát triển KH&CN, tập 14, số M1 - 2011 “Ứng dụng viễn thám GIS giám sát thị hóa thành phố Hồ Chí Minh thể qua mặt không thấm” - Trần Thị Vân, Viện Môi trường Tài nguyên, ĐHQG-HCM Evaluating the performance of multitemporal image compositing_INT J REMOTE SENSING, 2003, VOL 24, NO 6, 1219–1236 10 J C White et al., “Pixel-Based Image Compositing for Large-Area Dense Time Series Applications and Science,” Can J Remote Sens., vol 8992, pp 192–212, 2014 11 P Griffiths, P Grif, S Van Der Linden, T Kuemmerle, and P Hostert, “A Pixel-Based Landsat Compositing Algorithm for Large Area Land Cover 44 Mapping A Pixel-Based Landsat Compositing Algorithm for Large Area Land Cover Mapping,” 2013 12 M C Hansen, D P Roy, E Lindquist, B Adusei, C O Justice, and A Altstatt, “A method for integrating MODIS and Landsat data for systematic monitoring of forest cover and change in the Congo Basin,” vol 112, pp 2495–2513, 2008 13 Cortes C and Vapnik V (1995) Support-Vector Networks Mach Learn, 20(3), 273–297 14 Taylor & Francis, “Pixel-Based Image Compositing for Large-Area DenseTime Series Applications and Science” Canadian Journal of Remote Sensing, pp.192–212, 2014 15 S Georganos, T Grippa, S Vanhuysse, M Lennert, M Shimoni, and E Wolff, “Very High Resolution Object-Based Land Use – Land Extreme Gradient Boosting,” IEEE Geosci Remote Sens Lett., pp 1–5, 2018 16 T Chen and C Guestrin, “XGBoost : A Scalable Tree Boosting System,” pp 785–794, 2016 17 M Sokolova and G Lapalme, “A systematic analysis of performance measures for classification tasks,” Inf Process Manag., vol 45, no 4, pp 427– 437, 2009 18 “Google Earth Engine.” [Online] Available: https://code.earthengine.google.com/ 19 P Thi, M Thy, V Raghavan, and N J Pawar, “Urban Expansion of Can Tho City, Vietnam: A Study based on multi-temporal Satellites Images,” Geoinformatics, vol 21, no 3, pp 147–160, 2010 20 “L1C and L2A Venus product format” [Online] Available:http://www.cesbio.ups-tlse.fr/multitemp/?page_id=16067 21 “Niên giám thống kê tóm tắt 2017” [Online] Available: http://thongkehanoi.gov.vn/a/nien-giam-thong-ke-tom-tat-20171532053197/ PHỤ LỤC 3.1 Xây dựng liệu học kiểm tra với ảnh vệ tinh Venus: Thực chuyển đổi Polygon sang point cho tập Training, Testing từ shapefile ảnh Landsat8 chụp Hà Nội sử dụng ArCMap Bước 1: Mở phần mềm ArCMap, chọn tìm kiếm từ khóa “ Feature Vertices to Points (Data Management)(Tool)” để chuyển đến hình “Feature to Points” Bước 2: Tại hình “Feature to Points”, chọn shape file ảnh Landsat8 chụp Hà Nội vùng “Input Features” Bước 3: Tại vùng “Output Features Class” chọn thư mục lưu file đặt tên file tương ứng Bước 4: Chọn “Inside (Optional)” chọn OK để chuyển đổi file Thực tương tự với Shapefile tập Training Thực Extract multi value to point: Bước 1: Mở ArcMap, search “extract multi value to point”, chuyển đến hình” extract multi value to point”: + Mục “Input point feature” tìm đến shpfile chuyển sang point cho shapefile Training/ testing + Mục “Input rasters” chọn ảnh composite theo DOY 15, 75,… Bước 2: Tại khu vực “Result”, kéo file shpfile output vào vùng hiển thị Tại vùng Layer, click chuột phải vào tên file\ chọn “Open attribute table” để mở file Bước 3: Trên vùng hiển thị Table, trỏ vào “Table option” để chọn Export file Bước 4: Trên hình “Export data”, Chọn đến thư mục lưu file chọn export với định dạng txt Thực để lấy Training cho ảnh Composite lấy tập Testing tương tự Thực lọc lấy điểm thuộc vùng ảnh Venus Bước 1: Dùng Excel mở file txt bước 4, mục II Vào Data, chọn “From text” button, tìm đến vùng lưu file txt cần mở chọn “Import” Bước 2: Trên hình “Text Import Wizard-Step of 3”, chọn Delimited chọn loại “1258: Vietnamese (Window)” trường “File origin” chọn “Next” Bước 3: Trên hình “Text Import Wizard-Step of 3”, vùng “Delimiters” chọn loại “Tab”, “Semicolon” “Comma” sau chọn “Next” “Finish” Bước 4: Trên hình “Import Data”, chọn “OK” button Bước 5: Sau bước có file dạng sau Thực lọc để xóa liệu điểm “-10000” “-9000” Thực lấy nhãn tương ứng cột B C sang file excel khác đặt tên tương ứng “Train_Label” “Test_label” Tiếp tục thực cho file Training Testing tương ứng ... trưởng đô thị thành phố Hà Nội – Việt Nam Góp phần thêm vào kết đồ phân lớp phủ cho kho liệu nghiên cứu ảnh vệ tinh Venus 20 CHƯƠNG PHƯƠNG PHÁP PHÂN LOẠI LỚP PHỦ ĐÔ THỊ Các phương pháp phân loại lớp. .. Venus (composite) để phân lớp Thu thập phân loại tập liệu để phân loại lớp phủ đô thị cho ảnh ảnh Venus kết hợp, đưa đồ phân lớp phủ đô thị đánh giá độ xác so với phân lớp ảnh đơn - Định lượng... pháp phân lớp ảnh vệ tinh Venus, sử dụng thuật toán phân lớp để phân lớp phủ đô thị cho thủ đô Hà Nội năm 2018 tính tốn độ xác cho kết đạt Phát triển thêm hướng nghiên cứu kết hợp ảnh vệ tinh Venus