Hiệu chỉnh khí quyển: cho phép hiệu chỉnh giá trị bức xạ phổ sau khi loại trừ các ảnh hưởng của khí quyển. Đề tài sử dụng công cụ Radiometric Correction/Dark Substract trong phần mềm ENVI 5.0 để hiệu chỉnh.
Ghép ảnh: xây dựng vùng ảnh bao phủ tòa bộ khu vực Đồng Bằng Sông Cửu Long dựa trên 4 tấm ảnh LANDSAT 8 cùng thời gian chụp ảnh trong năm. Sử dụng công cụ Mosaicking/Georeference trên ENVI. Nắn chỉnh hệ tọa độ: UTM; datum: WGS-84; Zone: 48 North; Units: meter.
22
Tích hợp ảnh để tạo một ảnh đa phổ có độ phân giải cao 15 m. Sử dụng công cụ Transform/Image Sharpening/PC Spectral Sharpening.
Cắt ảnh: giới hạn vùng nghiên cứu chỉ bao phủ khu vực ĐBSCL để giảm dung lượng ảnh. Sử dụng chức năng Basic Tools/ Resize Data (Spatial/Spectral).
Tạo mặt nạ ảnh: để giới hạn ranh giới vùng ĐBSCL với chức năng Masking (Build Mask/Apply Mask).
Xây dựng bảng chìa khoá giải đoán: Từ các dấu hiệu đặc trưng như tone ảnh, sa cấu, hình dạng, vị trí…để lập ra bảng chìa khoá giải đoán để phân biệt các đối tượng với nhau trên ảnh.
Điều tra thực địa
+Xây dựng tuyến khảo sát và chấm vị trí khảo sát dựa trên hiện trạng phân bố.
+Dựa trên 129 điểm khảo sát ngoài thực địa tháng 1 năm 2014 của học viên cao học K19 ngành quản lý đất đai (Phụ chương 1).
Phân loại có kiểm soát
+ Dựa trên kết quả kiểm tra thực địa, chọn các pixel mẫu đặc trưng của đối tượng tiến hành phân loại ảnh có kiểm soát.
+ Tạo ROI (Region of Interest) vùng mẫu để xác định từng loại hiện trạng phân bố trên vùng ĐBSCL.
+ Sau khi việc chọn mẫu phân loại cho từng nhóm đối tượng được hoàn thành người giải đoán có thể tiến hành phân loại có kiểm soát trên phần mềm ENVI. Tuy nhiên với các mẫu đã chọn, ENVI còn cung cấp cho chúng ta một tiện ích rất hữu hiệu, đó là tính toán sự khác biệt giữa các mẫu – Computer ROI Separability, mỗi mẫu phân loại sẽ được so sánh lần lượt với các mẫu còn lại. Cặp giá trị thể hiện sự khác biệt được đặt sau các mẫu có ý nghĩa như sau:
Nếu cặp giá trị này nằm trong khoảng từ 1,9 đến 2,0 chứng tỏ các mẫu đã được chọn có sự khác biệt tốt.
Nếu cặp giá trị này nằm trong khoảng từ 1,0 đến 1,9 thì chúng ta nên chọn lại sao cho mẫu đó có sự khác biệt tốt hơn.
Nếu có giá trị nhỏ hơn 1,0 ta nên gộp hai mẫu đó lại với nhau, tránh hiện tượng phân loại nhầm lẫn.
Với chức năng hữu ích này sẽ giúp cho người giải đoán có nhận định ban đầu về kết quả phân loại. Từ đó người giải đoán có thể thay đổi các mẫu phân loại sao cho kết quả phân loại được tốt nhất (Nguyễn Quang Tuấn, 2008).
23
+ Sử dụng phương pháp phân loại gần đúng nhất (Maximum Likelihood Classifier - MLC) đây là phương pháp được áp dụng khá phổ biến và được xem như là thuật toán chuẩn để so sánh với các thuật toán khác được sử dụng trong xử lý ảnh viễn thám. Mỗi pixel được tính xác suất thuộc vào một loại nào đó và nó được chỉ định gán tên loại mà xác suất thuộc vào loại đó là lớn nhất (Lê Văn Trung, 2010).
Đánh giá độ chính xác sau phân loại
Theo Nguyễn Ngọc Thạch (2005), độ chính xác kết quả giải đoán được tính như sau:
Độ chính xác toàn cục = Tổng pixel phân loại đúng / Tổng pixel được phân loại
Bên cạnh đó hệ số Kapa (k) cũng được tính toán để đánh giá mức độ tin cậy của kết quả phân loại. Theo Nguyễn Ngọc Phi (2009), hệ số Kapa được tính bằng cách:
Hệ số Kapa = A/B Trong đó:
A= số pixel phân loại đúng – số pixel phân loại sai B= tổng số pixel được phân loại
Thang đánh giá có thể khái quát sau:
k < 0,20: Sự chấp nhận kết quả ở mức độ kém.
0,20 < k < 0,40: Sự chấp nhận kết quả ở mức trung bình- kém. 0,40< k< 0,60: Sự chấp nhận kết quả ở mức trung bình.
0,60< k< 0,80: Sự chấp nhận kết quả ở mức tốt. Khi k= 1: Độ chính xác phân loại là tuyệt đối.
(adsbygoogle = window.adsbygoogle || []).push({});