Nghiên cứu và ứng dụng học máy trong phân lớp lúa sử dụng ảnh viễn thám

ĐẠI HỌC QUỐC GIA HÀ NỘI TRƯỜNG ĐẠI HỌC CÔNG NGHỆ PHAN ANH NGHIÊN CỨU VÀ ỨNG DỤNG HỌC MÁY TRONG PHÂN LỚP LÚA SỬ DỤNG ẢNH VIỄN THÁM LUẬN VĂN THẠC SĨ HỆ THỐNG THÔNG TIN Hà Nội - 2019 ĐẠI HỌC QUỐC GIA HÀ NỘI TRƯỜNG ĐẠI HỌC CÔNG NGHỆ PHAN ANH NGHIÊN CỨU VÀ ỨNG DỤNG HỌC MÁY TRONG PHÂN LỚP LÚA SỬ DỤNG ẢNH VIỄN THÁM NGÀNH: HỆ THỐNG THÔNG TIN CHUYÊN NGÀNH: HỆ THỐNG THÔNG TIN MÃ SỐ: 8480104.01 LUẬN VĂN THẠC SĨ HỆ THỐNG THÔNG TIN GIẢNG VIÊN HƯỚNG DẪN: PGS TS NGUYỄN THỊ NHẬT THANH Hà Nội - 2019 MỤC LỤC LỜI CẢM ƠN LỜI CAM ĐOAN TÓM TẮT LUẬN VĂN CHƯƠNG GIỚI THIỆU CHUNG 1.1 Đặt vấn đề 1.2 Mục tiêu, đóng góp cấu trúc luận văn CHƯƠNG 2: CƠ SỞ LÝ THUYẾT 2.1 Giới thiệu viễn thám 2.1.1 Giới thiệu chung 9 2.1.2 Phân loại viễn thám 2.2 Ảnh viễn thám 10 2.2.1 Ảnh Landsat 10 2.2.2 Ảnh Sentinel 1A 11 2.3 Phương pháp học máy toán phân lớp lúa 12 2.3.1 Support Vector Machine 2.3.2 XGBoost 12 13 CHƯƠNG ĐỀ XUẤT PHƯƠNG PHÁP PHÂN LỚP LÚA SỬ DỤNG HỌC MÁY 15 3.1 Khu vực nghiên cứu 15 3.2 Thu thập liệu 15 3.2.1 Dữ liệu tham chiếu 15 3.2.2 Ảnh vệ tinh Landsat 16 3.2.3 Ảnh vệ tinh Sentinel 1A 16 3.3 Đề xuất phương pháp 18 3.4 Đánh giá kết 21 3.4.1 Đánh giá với liệu kiểm tra 21 3.4.2 Đánh giá với số liệu thống kê 22 3.4.3 Đánh giá đồ trực quan 22 3.4.4 Đánh giá với nghiên cứu liên quan 23 CHƯƠNG THỰC NGHIỆM VÀ KẾT QUẢ 24 4.1 Kết phân lớp 24 4.1.1 Phân lớp lúa sử dụng ảnh Landsat 24 4.1.2 Phân lớp lúa sử dụng ảnh Sentinel 1A 26 4.1.3 Nhận xét phân lớp lúa sử dụng Landsat Sentinel 1A 4.2 Đánh giá trực quan 29 30 4.3 Đánh giá độ xác dựa nghiên cứu liên quan 33 CHƯƠNG KẾT LUẬN 35 DANH MỤC BẢNG BIỂU Bảng 1 Thống kê diện tích khu vực trồng lúa lớn nước ta Bảng Thông tin ảnh vệ tinh Landsat sử dụng nghiên cứu 16 Bảng Số lượng ảnh liệu đặc trưng từ ảnh vệ tinh Sentinel 1A 17 Bảng Mơ tả cơng thức tính số đánh giá độ xác phân lớp 22 Bảng Dữ liệu huấn luyện kiểm tra với toán phân lớp lúa sử dụng ảnh Landsat 24 Bảng Kết phân lớp lúa sử dụng ảnh vệ tinh Landsat với phân lớp XGBoost 25 Bảng Kết độ xác hồi tưởng mơ hình phân lớp lúa sử dụng ảnh vệ tinh Landsat 25 Bảng 4 Kết so sánh diện tích đồ phân lớp lúa số liệu thống kê 25 Bảng Số lượng liệu huấn luyện kiểm tra với liệu Sentinel 1A 26 Bảng Kết phân lớp lúa với liệu Sentinel 1A phân lớp SVM 27 Bảng Kết độ xác độ hồi tưởng mơ hình phân lớp lúa với liệu Sentinel 1A 27 Bảng Kết so sánh với số liệu thống kê số liệu ước tính đồ vụ xuân 2018 28 Bảng Bộ liệu huấn luyện kiểm tra để so sánh hiệu quản phân lớp ảnh Sentinel 1A Landsat 29 Bảng 10 Kết so sánh hiệu phân lớp lúa hai loại liệu Sentinel 1A Landsat 29 Bảng 11 Kết phân lớp lúa theo tháng sử dụng ảnh Sentinel 1A 30 Bảng 12 So sánh số liệu với nghiên cứu liên quan 33 DANH MỤC HÌNH ẢNH Hình Viễn thám bị động (hình trên) viễn thám chủ động (hình dưới) 10 Hình 2 Vệ tinh địa tĩnh (bên trái) vệ tinh quỹ đạo cực (bên phải) 10 Hình Ảnh ghép Landsat khu vực ĐBSH 11 Hình Ảnh ghép vệ tinh Sentinel 1A khu vực ĐBSH 12 Hình Khu vực Đồng sông Hồng 15 Hình Workflow phương pháp phát giám sát lúa liên tục khu vực ĐBSH 18 Hình 3 Phương pháp ghép ảnh theo tháng 20 DANH MỤC TỪ VIẾT TẮT STT LỜI CẢM ƠN Đầu tiên xin chân thành bày tỏ lịng cảm ơn đến PGS TS Nguyễn Thị Nhật Thanh Người tận tình giúp đỡ hướng dẫn tơi q trình hồn thành luận văn Tơi xin gửi lời cảm ơn sâu sắc đến Thầy, Cô Trung tâm Công nghệ Giám sát Hiện trường (FIMO) Thầy, Cô công tác khoa Công nghệ thông tin, trường Đại học Công nghệ - ĐHQGHN hỗ trợ, giảng dạy, truyền đạt kiến thức giúp tơi hồn thành khóa học Cuối cùng, muốn gửi lời cảm ơn sâu sắc đến bố mẹ em trai đồng hành tơi q trình học tập Cơng trình tài trợ phần từ đề tài KHCN, cấp ĐHQGHN, Mã số đề tài: QG.18.36 Hà Nội, ngày 28 tháng 03 năm 2019 Học viên Phan Anh LỜI CAM ĐOAN Tôi xin cam đoan luận văn “Nghiên cứu ứng dụng học máy phân lớp lúa sử dụng ảnh viễn thám” thực hướng dẫn PGS TS Nguyễn Thị Nhật Thanh Tham khảo từ nghiên cứu liên quan trích dẫn cách rõ ràng danh mục tài liệu tham khảo Khơng có việc chép tài liệu, cơng trình nghiên cứu người khác mà không rõ tài liệu tham khảo Hà Nội, ngày 28 tháng năm 2019 Học viên Phan Anh NGHIÊN CỨU VÀ ỨNG DỤNG HỌC MÁY TRONG PHÂN LỚP LÚA SỬ DỤNG ẢNH VIỄN THÁM Phan Anh Khóa học ngành học: K24 – Hệ thống thông tin Tóm tắt luận văn thạc sĩ: Đồng sơng Hồng (ĐBSH) bốn khu vực có diện tích canh tác lúa lớn nước ta Hàng năm, hai vụ lúa thường gieo trồng khu vực ĐBSH lúa nơng nghiệp canh tác khu vực Tuy nhiên, với điều kiện khí hậu đặc trưng, lũ lụt mưa bão hàng năm thường gây ảnh hưởng nghiêm trọng đến diện tích lúa gieo trồng Hiện nay, việc sử dụng cơng nghệ viễn thám toán giám sát, quan trắc loại bề mặt lớp phủ trái đất nói chung giám sát lúa nói riêng áp dụng phổ biến rộng rãi Dữ liệu vệ tinh sử dụng bao gồm hai loại liệu quang học radar Tuy có số nghiên cứu sử dụng liệu viễn thám phục vụ cho việc giám sát lúa khu vực ĐBSH Tuy nhiên nghiên cứu hạn chế liệu ảnh phạm vi thực Chính vậy, luận văn này, tơi tìm hiểu nghiên cứu ứng dụng học máy phân lớp lúa sử dụng ảnh viễn thám tiến hành thực nghiệm khu vực ĐBSH Nội dung luận văn trình bày sở lý thuyết viễn thám, phương pháp học máy ứng dụng tốn phân lớp lúa Từ tiến hành đánh giá hiệu loại liệu viễn thám phương pháp học máy để xây dựng phương pháp giám sát lúa liên tục khu vực ĐBSH Từ khóa: Lúa, ĐBSH, Sentinel 1A, giám sát liên tục a) Độ tương quan số liệu thống kê b) Độ tương quan số liệu thống đồ lúa năm 2015 SLTK kê đồ lúa năm 2016 SLTK Hình Độ tương quan số liệu diện tích ước tỉnh từ đồ lúa sô liệu thống kê 4.1.2 Phân lớp lúa sử dụng ảnh Sentinel 1A Bản đồ phân bố điểm mẫu huấn luyện vào kiểm tra với liệu Sentinel 1A thể Hình 4.3 Hình Bản đồ phân bố điểm mẫu huấn luyện kiểm tra với liệu Sentinel 1A Bảng Số lượng liệu huấn luyện kiểm tra với liệu Sentinel 1A Dữ liệu 26 Huấn luyện Kiểm tra Kết đánh giá mơ hình phân lớp lúa với liệu kiểm tra thể Bảng 4.6 Bảng 4.7 Có thể thấy rằng, liệu kênh VH có độ xác cao VV việc phân lớp lúa Tuy nhiên, việc kết hợp liệu VV VH đem lại độ xác cao kết hợp phân tách đối tượng lúa rõ ràng (Bảng 4.7) Bảng Kết phân lớp lúa với liệu Sentinel 1A phân lớp SVM Bảng Kết độ xác độ hồi tưởng mơ hình phân lớp lúa với liệu Sentinel 1A Bộ liệu đặc trưng VV VH (VV-VH)/(VV+VH) VVVH Kết đánh giá mơ hình phân lớp lúa với số liệu thống kê thể Bảng 4.8 Sự khác biệt diện tích lúa ước tính từ đồ lúa so với thống kê khoảng 27 2,536 ~ (0,47%) Tuy nhiên sai số hai tỉnh Quảng Ninh Hải Dương lại nằm khoảng lớn 10,000 Độ tương quan số liệu thống kê số liệu ước tính từ đồ theo cấp tỉnh 0.9491 (Hình 4.4) Bảng Kết so sánh với số liệu thống kê số liệu ước tính đồ vụ xuân 2018 Tỉnh Thai Binh Quang Ninh Số liệ kê 79,31 16,50 Vinh Phuc 30,83 Bac Ninh 37,89 Ha Noi 93,31 Nam Đinh 73,93 Ninh Binh 40,60 Hai Phong 34,16 Hung Yen 33,37 Hai Duong 68,47 Ha Nam 31,27 Tổng 539,6 10 Hình 4 Độ tương quan giữ số liệu thống kê số liệu ước tính đồ năm 2018 vụ xuân 28 4.1.3 Nhận xét phân lớp lúa sử dụng Landsat Sentinel 1A Để so sánh kết phân lớp lúa ảnh Landsat ảnh Sentinel 1A, cần thực đánh giá liệu huấn luyện kiểm tra Bộ liệu huấn luyện kiểm tra để so sánh chất lượng phân lớp sử dụng ảnh Sentinel 1A Landsat thể Bảng 4.9 sử dụng phương pháp lấy mẫu tích hợp 75 polygons chọn để gán nhãn cho khu vực lúa, 75 polygons sử dụng để gán nhãn cho khu vực lúa liệu huấn luyện Trong liệu kiểm tra, 549 điểm chọn cho lớp lúa, 849 điểm chọn cho lớp lúa Dữ liệu năm 2015 năm 2016 sử dụng để đánh giá chất lượng hai loại liệu ảnh Bảng Bộ liệu huấn luyện kiểm tra để so sánh hiệu phân lớp ảnh Sentinel 1A Landsat Dữ liệu Huấn luyện Kiểm tra Kết so sánh chất lượng phân lớp lúa hai loại liệu Sentinel 1A Landsat thể Bảng 4.10 Dữ liệu Sentinel 1A có độ xác cao liệu Landsat Bảng 10 Kết so sánh hiệu phân lớp lúa hai loại liệu Sentinel 1A Landsat Năm 2015 2016 Dựa vào thực nghiệm thấy rằng: - - Độ xác mơ hình phân lớp lúa phụ thuộc vào o Phương pháp lấy mẫu cho liệu huấn luyện o Số lượng liệu huấn luyện o Mơ hình học máy Sentinel 1A có kết tốt Landsat : o Vượt trội độ phân giải thời gian không gian o Dữ liệu LS8 bị thưa ảnh hưởng điều kiện môi trường 29 Do liệu Sentinel 1A chọn để giám sát lúa định kỳ theo th khu vực ĐBSH Bảng 11 Kết phân lớp lúa theo tháng sử dụng ảnh Sentinel 1A Thời gian tháng tháng tháng Số lư Bảng 4.11 thể kết phân lớp lúa theo tháng sử dụng ảnh Sentinel 1A Có thể thấy rằng, kết phân lớp lúa theo tháng tăng dần từ tháng đến tháng (83,98% 89,10 %) Điều lý giải đặc trưng phổ lúa thể rõ ràng theo thời gian Dựa vào Hình 4.5, thấy rằng, phổ tán xạ lúa biến đổi mạnh theo quy tăng theo thời gian từ đầu vụ trước sau giảm đột ngột tượng nước dẫn ruộng đầu vụ sau 4.2 Đánh giá trực quan Mơ hình phân lớp lúa có độ xác cao với liệu đặc trưng VVVH chọn để lập đồ lúa định kỳ khu vực ĐBSH Bản đồ lúa khu vực ĐBSH vụ xuân 2018 thể Hình 4.6 Có thể thấy rằng, lúa trồng hầu hết tỉnh khu vực Tỉnh Quảng Ninh có diện tích lớn lúa lại canh tác khu vực Lúa trồng nông nghiệp trồng nhiều khu vực Đồng Bằng Sơng Hồng Hình 4.7 thể đồ lúa tỉnh Bắc Ninh định kỳ theo tháng Có thể thấy rằng, đồ lúa tháng dễ bị nhầm lẫn với loại lớp phủ khác (Hình 4.7) Tuy nhiên, từ tháng trở đi, lúa phát xác Có thể thấy rằng, khơng phải tất khu vực trồng lúa ĐBSH trồng gieo cấy hai vụ Đơng Xn Hè Thu (Hình 4.8) Việc kết hợp đồ vụ đồ lúa toàn khu vực năm 2018 (Hình 4.8) Việc chạy mơ hình phân lớp lúa sử dụng ảnh Sentinel 1A thực từ bắt đầu vụ Đông-Xuân kết thúc vụ lúa Hè-Thu khu vực ĐBSH Việc tổng hợp đồ theo tháng kết hợp với q trình chạy mơ hình từ đầu mùa vụ thứ (ĐơngXn) đến kết thúc vụ thứ hai (Hè-Thu) thu kết quả: đồ lúa sớm (Hình 4.7), đồ lúa đơn (Hình 4.6), đồ lúa theo vụ (Hình 4.8) Điều giải vấn đề đặt phần 1.2 – Mục tiêu luận văn 30 Hình Biến đổi phổ loại bề mặt lớp phủ năm 2018 với liệu kênh VH Hình Bản đồ lúa vụ đơng xn khu vực ĐBSH 31 Hình Bản đồ lúa theo tháng tỉnh Bắc Ninh vụ xuân 2018 Hình Bản đồ lúa tổng hợp lúa năm khu vực ĐBSH năm 2018 32 4.3 Đánh giá độ xác dựa nghiên cứu liên quan Chất lượng đồ lúa đánh giá thêm cách so sánh với số liệu thống kê từ GSO cấp tỉnh (Bảng 4.8) Kết so sánh diện tích lúa cấp tỉnh thể Bảng 4.8 với sai số toàn vùng khoảng 0,47%, (~ 2,536 ha) Có thể thấy rằng, diện tích lúa ước tính giống hầu hết tỉnh thuộc RDD Bản đồ lúa Hải Dương Quảng Ninh gây khác biệt lớn so với liệu thống kê (lần lượt 12.023 10.665 ha) Bảng 12 So sánh số liệu với nghiên cứu liên quan Nghiên Năm cứu Lasko cộng 2016 [18] Duy cộng [21] Kết luận văn 2007 2011 2018 Như đề cập trên, liệu quang học radar sử dụng để lập đồ lúa gạo khu vực ĐBSH Sự khác biệt đặc trưng liệu (ảnh quang học, ảnh radar) phương pháp huấn luyện mơ phương pháp lấy mẫu chọn liệu huấn luyện kiểm tra ảnh hưởng nhiều đến độ xác mơ hình phân lớp Đối với liệu SAR, Duy cộng báo cáo diện tích trồng tối đa cho tất mùa năm từ 2007 - 2011 cho 10 tỉnh không bao gồm tỉnh Quảng Ninh với tổng chênh lệch so với sở liệu thống kê 67.500 [21] Trong nghiên cứu, đồ lúa lấy từ liệu ảnh WMS sử dụng phương pháp tiếp cận dựa ngưỡng để phân loại lúa với độ xác OA 83,9% Năm 2016, Lasko cộng sử dụng phân lớp SVM với liệu ảnh S1A cho tỉnh khu vực ĐBSH(Vĩnh Yên, Hưng Yên, Bắc Ninh, Hà Nội, Hà Nam), đạt kết phân lớp cao với OA 93,5% với đặc trưng VVVH [18] Diện tích lúa ước tính báo cáo nghiên cứu 216.784 cho năm 2016 So với liệu thống kê, khác biệt khoảng 18.916 33 Có thể thấy rằng, độ xác đồ gạo phụ thuộc nhiều vào cách chọn liệu huấn luyện kiểm tra đặc tính liệu ảnh vệ tinh Dựa kết nghiên cứu liên quan, phương pháp học máy chứng minh tính hiệu so với phương pháp tách ngưỡng truyền thống sử dụng liệu ảnh vệ tinh radar 34 CHƯƠNG KẾT LUẬN Trong q trình thực luận văn, tơi tìm hiểu trau dồi kiến thức xử lý ảnh viễn thám quang học, radar, kiến thức học máy Vận dụng kiến thức tìm hiểu được, thực luận văn với mục đích so sánh đánh giá hiệu việc phân lớp lúa sử dụng ảnh vệ tinh Landsat ảnh vệ tinh Sentinel 1A sử dụng phương pháp học máy Từ đó, đề xuất phương pháp giám sát lúa định kỳ khu vực Đồng sông Hồng Với nhiều tính vượt trội khơng bị ảnh hưởng điều kiện thời tiết, điều kiện ngày đêm, độ phân giải không gian thời gian Ảnh vệ tinh Sentinel 1A đem lại kết phân lớp cao so với ảnh LandSat Do liệu Sentinel 1A chọn sử dụng cho toán giám sát lúa liên tục khu vực ĐBSH Kết độ xác đồ lúa vụ sử dụng liệu đặc trưng VVVH 90.5% Cũng với đặc trưng VVVH, đồ lúa tháng, hai tháng ba tháng thành lập để giám sát định kỳ với độ xác 83,98%, 87,3% 89.1% Nội dung nghiên cứu luận văn rằng, phương pháp lấy mẫu, liệu huấn luyện phương pháp phân lớp đặc tính liệu ảnh vệ tinh ảnh hưởng mạnh mẽ đến kết phân lớp kết đồ lúa Kết luận văn sử dụng báo nộp vào tạp chí Remote Sensing trình review với tiêu đề “Rapid assessment of flooding inundation affected rice in Red River Delta using Sentinel 1A Imagery” Tuy nhiên, luận văn số vấn đề tồn như: đồ lúa sớm (1 tháng) bị nhầm lẫn với khu vực nước khoảng thời gian bắt đầu trồng lúa, nước dẫn vào ruộng Điều giải việc sử dụng kết hợp đồ lúa vụ trước, đồ trồng nông nghiệp đồ nước để giúp lập đồ lúa sớm xác Thêm vào đó, việc lập đồ lúa tỉnh Quảng Ninh sai số cao (hơn 10,000 ha), điều nguyên nhân việc lấy mẫu thông qua ảnh vệ tinh Google Earth có sai số khu vực này, cần thực địa lấy mẫu để đồ lúa có độ xác cao Trong tương lai, việc sử dụng kết hợp hai loại liệu vệ tinh (quang học radar) áp dụng phương pháp học máy tiên tiến học sâu (deep learning) cân nhắc sử dụng nghiên cứu để đánh giá so sánh hiệu việc phân lớp lúa Ngoài ra, việc giám sát loại nông nghiệp công nghiệp khác thách thức đặt việc giám sát định kỳ sử dụng công nghệ viễn thám 35 Tham chiếu [1] K Okamoto and H Kawashima, “Estimation of rice-planted area in the tropical zone using a combination of optical and microwave satellite sensor data,” Int J Remote Sens., 1999, vol 20, no 5, pp 1045-1048 [2] T Le Toan et al., “Rice crop mapping and monitoring using ERS-1 data based on experiment and modeling results,” IEEE Trans Geosci Remote Sens., 1997, VOL 35, NO 1, pp 41 - 56 [3] I W Nuarsa, F Nishio, C Hongo, and I G Mahardika, “Using variance analysis of multitemporal MODIS images for rice field mapping in Bali Province, Indonesia,” Int J Remote Sens., 2012, Vol 33, No 17, pp 5402 - 5417 [4] X Xiao et al., “Mapping paddy rice agriculture in southern China using multitemporal MODIS images,” Remote Sens Environ., 2005, pp 480 - 492 [5] G Manfron, A Crema, M Boschetti, and R Confalonieri, “Testing automatic procedures to map rice area and detect phenological crop information exploiting time series analysis of remote sensed MODIS data,” in SPIE Remote Sensing, 2012, Vol 8531, pp 85301 - 85311 [6] H K Hoang, M Bernier, S Duchesne, and Y M Tran, “Rice Mapping Using RADARSAT-2 Dual- and Quad-Pol Data in a Complex Land-Use Watershed: Cau River Basin (Vietnam),” IEEE J Sel Top Appl Earth Obs Remote Sens., 2016, VOL 9, NO 7, pp 8082 - 3096 [7] Q Li, H Zhang, X Du, N Wen, and Q Tao, “County-level rice area estimation in southern China using remote sensing data,” J Appl Remote Sens., 2014 Vol 8, pp 083657-1 - 083657-16 [8] S Park, J Im, S Park, C Yoo, H Han, and J Rhee, “Classification and mapping of paddy rice by combining Landsat and SAR time series data,” Remote Sens., 2018, pp 447 - 469 [9] H Tian, M Wu, L Wang, and Z Niu, “Mapping early, middle and late rice extent using Sentinel-1A and Landsat-8 data in the poyang lake plain, China,” Sensors (Switzerland), 2018, pp 185 - 200 [10] D Mandal, V Kumar, A Bhattacharya, Y S Rao, P Siqueira, and S Bera, “Sen4Rice: A processing chain for differentiating early and late transplanted rice using time-series sentinel-1 SAR data with google earth engine,” IEEE Geosci Remote Sens Lett., 2018 [11] T Sakamoto, C Van Phung, A Kotera, K D Nguyen, and M Yokozawa, “Analysis of rapid expansion of inland aquaculture and triple rice-cropping areas in a coastal area of the Vietnamese Mekong Delta using MODIS time-series imagery,” Landsc Urban Plan., 2009, pp 34 - 46 36 [12] C Kontgis, A Schneider, and M Ozdogan, “Mapping rice paddy extent and intensification in the Vietnamese Mekong River Delta with dense time stacks of Landsat data,” Remote Sens Environ., 2015, pp 255 - 269 [13] A Bouvet and T Le Toan, “Remote Sensing of Environment Use of ENVISAT / ASAR wide-swath data for timely rice fields mapping in the Mekong River Delta,” Remote Sens Environ., vol 115, no 4, pp 1090–1101, 2011 [14] D B Nguyen, K Clauss, S Cao, V Naeimi, C Kuenzer, and W Wagner, “Mapping Rice Seasonality in the Mekong Delta with multi-year envisat ASAR WSM Data,” Remote Sens., 2015, pp 15868–15893 [15] N T Son, C F Chen, C R Chen, H N Duc, and L Y Chang, “A phenologybased classification of time-series MODIS data for rice crop monitoring in Mekong Delta, Vietnam,” Remote Sens., 2013, pp 135-156 [16] N Torbick, W Salas, D Chowdhury, P Ingraham, and M Trinh, “Mapping rice greenhouse gas emissions in the Red River Delta, Vietnam,” Carbon Manag., 2017 pp 3004 - 3012 [17] M D Chuc, N H Anh, N T Thuy, B Q Hung, and N T N Thanh, “Paddy rice mapping in red river delta region using landsat images: Preliminary results,” in Proceedings - 2017 9th International Conference on Knowledge and Systems Engineering, KSE 2017, 2017 pp 209 - 214 [18] K Lasko, K P Vadrevu, V T Tran, and C Justice, “Mapping Double and Single Crop Paddy Rice with Sentinel-1A at Varying Spatial Scales and Polarizations in Hanoi, Vietnam,” IEEE J Sel Top Appl Earth Obs Remote Sens., 2018, VOL 11, NO 2, pp 498 - 512 [19] K H Hoang, M Bernier, S Duchesne, and M Y Tran, “Classification of rice fields in a complex land-use watershed in Northern Vietnam using RADARSAT-2 data,” in International Geoscience and Remote Sensing Symposium (IGARSS), 2014, pp 1501 - 1503 [20] K Clauss, M Ottinger, and C Kuenzer, “Mapping rice areas with Sentinel-1 time series and superpixel segmentation,” Int J Remote Sens., 2018, pp 1399 - 1420 [21] D Nguyen, W Wagner, V Naeimi, and S Cao, “Rice-plandted area extraction by time series analysis of ENVISAT ASAR WS data using a phenology-based classification approach: A case study for Red River Delta, Vietnam,” in International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences - ISPRS Archives, 2015., pp 77 - 83 [22] J G Liu and P J Mason, Essential image processing and GIS for remote sensing 2013 [23] C Cortes and V Vapnik, “Support-Vector Networks,” Mach Learn., 1995, pp 273 - 297 37 [24] T Chen, T He, and M Benesty, “Extreme Gradient Boosting,” arXiv, 2016, pp 785 - 794 [25] S Park, J Im, S Park, C Yoo, H Han, and J Rhee, “Classification and mapping of paddy rice by combining Landsat and SAR time series data,” Remote Sens., 2018, 10, 447, pp - 22 [26] T Chen and C Guestrin, “XGBoost : Reliable Large-scale Tree Boosting System,” in Conference on Knowledge Discovery and Data Mining, 2016 pp 1- 38 ... hiểu nghiên cứu ứng dụng học máy phân lớp lúa sử dụng ảnh viễn thám tiến hành thực nghiệm khu vực ĐBSH Nội dung luận văn trình bày sở lý thuyết viễn thám, phương pháp học máy ứng dụng tốn phân lớp. .. trình nghiên cứu người khác mà khơng rõ tài liệu tham khảo Hà Nội, ngày 28 tháng năm 2019 Học viên Phan Anh NGHIÊN CỨU VÀ ỨNG DỤNG HỌC MÁY TRONG PHÂN LỚP LÚA SỬ DỤNG ẢNH VIỄN THÁM Phan Anh Khóa học. .. mơ hình phân lớp lúa cho tháng bốn tháng mùa vụ Trong đó, mơ hình phân lớp lúa tháng sử dụng để giải toán lúa sớm lúa muộn Mơ hình phân lớp theo vụ sử dụng để giải toán phân lớp lúa đơn (lúa/ không