4. ĐỐI TƯỢNG VÀ PHẠM VI NGHIÊN CỨU
3.3.2. Xây dựng khóa giải đoán ảnh
3.3.2.1. Phân mảnh ảnh
Đối với phân loại theo phương pháp định hướng đối tượng, việc phân mảnh ảnh đóng một vai trò hết sức quan trọng. Đây là bước đầu tiên của việc xây dựng khóa giải đoán ảnh. Quá trình này được thực hiện dựa trên việc lựa chọn các tham số: trọng số giữa hình dạng - màu sắc, trọng số giữa độ chặt - độ trơn, trọng số các kênh tham gia vào quá trình phân mảnh, tỷ lệ (mức độ khái quát hóa các pixels gộp thành một đối tượng ảnh - lô phân mảnh), trọng số các kênh ảnh và yếu tố khác.
Trong giai đoạn này, do chưa xác định cấp sử dụng đất của từng lô phân mảnh nên các lô phân mảnh được xem là các đối tượng chưa định danh (đối tượng ảnh). Tuy nhiên, mỗi lô phân mảnh chính là một khoanh trạng thái lớp phủ cần phân loại, do vậy, để có thể kết quả phân mảnh chính xác nhất, công đoạn này phải được thực hiện nhiều lần với các tham số khác nhau, từ đó lựa chọn tham số thích hợp nhất.
Trong nghiên cứu này, qua quá trình kiểm tra và chạy thử nhiều lần các thông số, chúng tôi nhận thấy các tham số được lựa chọn với các thông số như bên dưới đảm bảo được việc phân ảnh thành các mảnh thích hợp cho vùng nghiên cứu, gồm:
- Hình dạng - shape: 0,3 (màu sắc - color: 0,7).
- Độ chặt - compactness: 0,6 (độ trơn - smoothness: 0,4). - Tỷ lệ - Scale parameter: 30.
- Trọng số các kênh ảnh SPOT 5: + Kênh 1 (green): 1
+ Kênh 2 (red): 1
+ Kênh 3 (near infrared): 1 + Kênh 4 (mid infrared): 1
- Yếu tố khác: Ranh giới đất lâm nghiệp (để phân biệt đất lâm nghiệp và đất không phải lâm nghiệp).
Các tham số được lựa chọn tham gia vào quá trình phân mảnh ảnh và kết quả phân mảnh ảnh được thể hiện hình 3.8 và hình 3.9.
Hình 3.8. Thuật toán phân mảnh ảnh trên phần mềm eCognition
Hình 3.9. Kết quả phân mảnh ảnh SPOT 5 3.3.2.2. Tạo các lớp cần phân loại
Sau khi phân mảnh ảnh viễn thám, chúng tôi tiến hành xây dựng khóa giải đoán ảnh. Để thực hiện công việc này, trước hết ta phải xác định trước là cần phân loại ảnh thành bao nhiêu lớp, sau đó đặt tên và gán màu cho mỗi lớp. Trong nghiên cứu này sẽ tiến hành phân loại các lớp như sau:
- Đất phi lâm nghiệp - Đất lâm nghiệp: + Rừng giàu; + Rừng trung bình; + Rừng nghèo;
Cây phân loại được xây dựng trền phần mềm eCognition thể hiện hình 3.10.
Hình 3.10. Cây phân loại được tạo trên phần mềm eCognition 3.3.2.3. Thiết lập các chỉ số phục vụ quá trình phân loại
Mỗi giá trị độ sáng của các kênh phổ hay giá trị độ sáng trung bình của các kênh ảnh là một tiêu chí để ta phân loại các trạng thái rừng. Tuy nhiên, những khu vực có các trạng thái rừng phức tạp, chỉ dựa vào các tiêu chí này có thể sẽ không phân loại được hết các trạng thái đó, do đó, ta cần tạo thêm các tiêu chí khác để có thêm nhiều lựa chọn cho phân loại. Những nghiên cứu trước đây đã cho thấy chỉ số thực vật NDVI và tỷ số thực vật RIV dùng để xác định mật độ phân bố của thảm thực vật, đánh giá trạng thái sinh trưởng và phát triển của cây trồng, mức độ che phủ thảm thực vật, phân biệt các lớp thảm thực vật khác nhau nhất là những thảm thực vật có độ che phủ cao rất tốt. Do vậy, trong nghiên cứu này chúng tôi tiến hành thiết lập thêm chỉ số thực vật NDVI và tỷ số RIV.
Chỉ số thực vật NDVI và tỷ số thực vật RIV được thiết lập trên phần mềm eCognition được thể hiện hình 3.11 và hình 3.12.
Như vậy, ngoài giá trị của các kênh phổ và giá trị độ sáng trung bình brightness (giá trị này có sẵn trong phần mềm eCognition nên không phải thiết lập) ta có thêm hai giá trị nữa dùng để phân loại là NDVI và RIV.
Hình 3.11. Chỉ số NDVI được thiết lập bằng phân mềm eCognition
3.3.2.4. Tìm thuật toán phân loại
Mỗi đối tượng ảnh sau kết quả phân mảnh có các giá trị đặc trưng là các giá trị độ sáng kênh ảnh kênh 1, kênh 2,…, độ sáng trung bình brightness hay các giá trị chỉ số được thiết lập từ các kênh ảnh như NDVI, RIV,…Đây là cơ sở để phân loại đối tượng ảnh. Như vậy, đối với ảnh SPOT 5, các tiêu chí để phân loại gồm: trị độ sáng kênh 1 (green), kênh 2 (red), kênh 3 (nir), kênh 4 (mir) và các chỉ số được thiết lập khác. Trong nghiên cứu này chúng tôi nghiên cứu ảnh SPOT 5 và sử dụng 7 tiêu chí gồm: kênh ảnh green, red, nir, mir, giá trị độ sáng trung bình brightness, chỉ số thực vật NDVI và tỷ số chỉ số thực vật RIV để phân loại.
Để tìm thuật toán phân loại, mỗi tiêu chí ta đi tìm một giá trị để phân loại gọi là giá trị ngưỡng. Sau khi xác định ngưỡng cho từng tiêu chí ta tiến hành phân tích để chọn tiêu chí sử dụng để phân loại. Nếu như một tiêu chí không thể phân loại được thì ta có thể sử dụng nhiều tiều chí khác nhau để phân loại. Trường hợp không xác định được thuật toán để phân loại ta phải kiểm tra lại độ tin cậy của các điểm lấy mẫu, nếu độ tin cậy của các điểm lấy mẫu đảm bảo thì ta tiến hành phân mảnh ảnh lại bằng cách thay đổi các thông số tham gia vào quá trình phân mảnh để tìm thuật toán giải đoán. Thuật toán giải đoán ảnh trong nghiên cứu này được xây dựng trình tự như sau.
a. Khảo sát thực địa lấy mẫu
Tiến hành khảo sát thực địa để lấy mẫu đặc trưng cho các trạng thái: rừng giàu, rừng trung bình, rừng nghèo và đất chưa thành rừng bằng máy đo GPS cầm tay. Tổng số mẫu đi khảo sát là 94 mẫu, cụ thể như sau:
- Rừng giàu: 18 mẫu; - Rừng trung bình: 29 mẫu; - Rừng nghèo: 29 mẫu;
- Đất chưa thành rừng: 20 mẫu.
Tọa độ các điểm mẫu GPS xem phần phụ 1.
b. Xác định giá trị đặc trưng của đối tượng ảnh mẫu
Đối tượng ảnh mẫu là đối tượng ảnh chứa điểm mẫu. Từ các điểm mẫu trên, chúng tôi tiến hành xác định các giá trị đặc trưng (giá trị độ sáng của các kênh ảnh và giá trị các chỉ brightness, NDVI, RIV) của các đối tượng ảnh mẫu. Các giá trị đặc trưng của một đối tượng ảnh được xác định bằng phần mềm eCognition, phương pháp xác định được thể hiện hình 3.13.
Hình 3.13. Các giá trị đặc trưng của 2 đối tượng ảnh khác nhau
Kết quả xác định các giá trị đặc trưng của các đối tượng ảnh mẫu được phân thành bốn loại, gồm 18 mẫu rừng giàu, 29 mẫu rừng trung bình, 29 mẫu rừng nghèo và 20 mẫu đất chưa thành rừng (xem phụ lục 2).
c. Tìm giá trị ngưỡng để phân loại
Để tìm các giá trị ngưỡng phân loại các lớp trạng thái được dự định cần phân loại ta tiến hành tìm ngưỡng phân loại cho từng lớp một. Ví dụ, ta cần phân loại thành bốn lớp: rừng giàu, rừng trung bình, rừng nghèo và đất chưa thành rừng, đầu tiên ta tìm ngưỡng để phân loại rừng giàu với các trạng khái rừng trung bình, rừng nghèo và đất chưa thành rừng; tiếp đến tìm ngưỡng để phân loại rừng trung bình với các trạng thái rừng nghèo và đất chưa thành rừng; cuối cùng là tìm ngưỡng để phân loại trạng thái rừng nghèo với đất chưa thành rừng. Trên cơ sở đó sẽ tiến hành xây dựng thuật toán phân loại.
➢ Tìm Ngưỡng phân loại cho một tiêu chí
Mỗi tiêu chí có nhiều giá trị ngưỡng để phân loại khác nhau, do đó ta cần phải đi tìm giá trị ngưỡng tốt nhất cho từng tiêu chí. Giá trị ngưỡng tốt nhất cho một tiêu chí là giá trị dùng để phân loại sao cho số mẫu loại này sang loại khác là nhỏ nhất (ưu tiên 1) và tổng số mẫu lẫn giữa hai loại là nhỏ nhất (ưu tiên 2). Ví dụ, ta xét một tiêu chí sau đây với 3 giá trị ngưỡng là x, y và z (hình 3.14).
Hình 3.14. Số mẫu lẫn ứng với một giá trị ngưỡng
Số mẫu loại 1 lẫn sang loại 2 và số mẫu loại 2 lẫn sang loại 1 ứng với từng giá trị ngưỡng x, y và z được thể hiện bảng 3.1.
Bảng 3.1. Số mẫu lẫn ứng với các giá trị ngưỡng khác nhau
Giá trị ngưỡng Số mẫu loại 1 lẫn sang loại 2 Số mẫu loại 2 lẫn sang loại 1 Tổng số mẫu lẫn x 5 0 5 y 2 2 4 z 1 6 7
Với kết quả này ta chọn ngưỡng tốt nhất có giá trị là “x”. Lý do: nếu chọn ngưỡng giá trị x (số mẫu lẫn loại loại 2 sang loại 1 bằng 0) sẽ tách được toàn bộ mẫu loại 2 và ta cần tìm thêm một tiêu chí khác nữa (với ngưỡng tương ứng) để phân loại các mẫu loại 2 với các mẫu lẫn loại 1 sang loại 2 (5 mẫu); nếu chọn ngưỡng giá trị “y” sẽ tách được một phần mẫu loại 1 và một phần mẫu loại 2 và ta cần phải tìm thêm 2 tiêu chí khác nữa, một tiêu chí để phân loại mẫu loại 1 với mẫu lẫn loại 2 sang loại 1 (2 mẫu) và một tiêu chí để phân loại mẫu loại 2 với mẫu lẫn loại 1 sang 2 (2 mẫu).
➢ Chọn tiêu chí để phân loại
Tiêu chí được lựa chọn để phân loại là tiêu chí ứng với ngưỡng tương ứng, sao cho tổng số mẫu lẫn là nhỏ nhất (ưu tiên 1) và khoảng ngưỡng nhỏ nhất (ưu tiên 2).
Sau đây là kết quả tìm giá trị ngưỡng để phân loại trong nghiên cứu này.
Loại 1
Loại 2
Giá trị x Giá trị y Giá trị z
Từ các giá trị đặc trưng của các đối tượng ảnh mẫu ở phụ lục 2, ta sử dụng phần mềm Microsoft Excel lần lượt tìm ngưỡng phân loại rừng giàu, rừng trung bình, rừng nghèo và đất chưa thành rừng được kết quả như sau.
Ngưỡng phân loại rừng giàu
Kết quả tìm ngưỡng phân loại các mẫu rừng giàu (“G”) với các mẫu của các trạng thái rừng trung bình, rừng nghèo và đất chưa thành rừng (“T.N.C”) thể hiện bảng 3.2.
Bảng 3.2. Giá trị ngưỡng tốt nhất phân loại “G” với “T.N.C”
CHỈ SỐ Khoảng ngưỡng tối ưu Ngưỡng phân loại “G” “G” lẫn sang “T.N.C” “T.N.C” lẫn sang “G” Tổng số mẫu lẫn Tiêu chí được chọn NDVI 0,3636 – 0,3640 > 0,3638 9 2 11 RIV 2,143 – 2,145 > 2,144 9 2 11 Brightness 47,51 – 47,52 < 47,52 0 3 3 Chọn Green 82,34 – 98,21 < 90,28 17 14 31 Mir 33,07 – 33,32 < 33,20 10 0 10 Nir 36,61 – 36,90 < 36,76 16 0 16 Red 17,74 – 17,90 < 17,82 12 1 13
Từ bảng 3.2 ta thấy, tiêu chí “brightness” ứng với giá trị ngưỡng 47,52 có số mẫu rừng giàu lẫn sang mẫu của các trạng thái rừng trung bình, rừng nghèo và đất chưa thành rừng bằng “0” nên ta chọn tiêu chí này để phân loại (tất cả mẫu rừng giàu đều có giá trị brightness nhỏ hơn 47,52), tuy nhiên vẫn còn 3 mẫu lẫn (có 3 mẫu mẫu của các trạng thái rừng trung bình, rừng nghèo và đất chưa thành rừng có giá trị brightness nhỏ hơn 47,52 ), do đó, ta tiếp tục tìm giá trị ngưỡng của tiêu chí khác để phân loại các mẫu rừng giàu với ba mẫu lẫn này (“T.N.C-G”).
Kết quả tìm ngưỡng phân loại các mẫu rừng giàu với 3 mẫu của các trạng thái rừng trung bình, rừng nghèo và đất chưa thành rừng lẫn sang rừng giàu thể hiện bảng 3.3.
Bảng 3.3. Giá trị ngưỡng tốt nhất phân loại loại “G” với loại “T.N.C-G” CHỈ SỐ Khoảng ngưỡng tối ưu Ngưỡng phân loại “G” “G” lẫn sang “T.N.C-G” Số mẫu “T.N.C-G” lẫn sang “G” Tổng số mẫu lẫn Tiêu chí được chọn NDVI 0,3151 – 0,3194 > 0,3173 0 0 0 RIV 1,921 – 1,939 > 1,930 0 0 0 Chọn Brightness 47,51 – 96,91 < 72,21 0 3 3 Green 90,68 – 90,74 > 90,71 1 0 1 Mir 38,16 – 84,10 < 61,13 0 3 3 Nir 41,24 – 87,66 < 64,45 0 3 3 Red 20,66 – 21,98 < 21,32 2 1 3
Từ bảng 3.5 ta thấy, tiêu chí “NDVI” và “RIV” ứng với các giá trị ngưỡng 0,3173 và 1,930 đều có thể phân loại hoàn toàn các mẫu rừng giàu với 3 mẫu lẫn (“TNC-G”), tuy nhiên, khoảng ngưỡng NDVI là 0,3151 – 0,3194 có 44 giá trị và khoảng ngưỡng RIV là 1,921 – 1,939 có 19 giá trị nên ta chọn tiêu chí “RIV” để phân loại.
Tóm lại, thuật toán để phân loại rừng giàu là: Brightness < 47,52 và RIV >1,930.
Ngưỡng phân loại rừng trung bình
Kết quả tìm ngưỡng phân loại các mẫu rừng trung bình (“TB”) với các mẫu của các trạng thái rừng nghèo và đất chưa thành rừng (“ N.C”) thể hiện bảng 3.4.
Bảng 3.4. Giá trị ngưỡng tốt nhất phân loại “TB” với loại “N.C”
CHỈ SỐ Khoảng ngưỡng tối ưu Ngưỡng phân loại “TB” “TB” lẫn sang “N.C” “N.C” lẫn sang “TB” Tổng số mẫu lẫn Tiêu chí được chọn NDVI 0,3252 – 0,3259 > 0,3256 4 3 7 RIV 1,965 – 1,968 > 1,967 4 3 7 Brightness 49,78 – 49,84 < 49,81 2 13 15 Green 93,92 – 94,10 > 94,01 4 16 20 Mir 39,28 – 39,31 < 39,30 4 7 11 Nir 40,89 – 40,92 < 40,91 2 0 2 Chọn Red 20,79 – 20,90 < 20,85 2 1 3
Từ bảng 3.6 ta thấy, tiêu chí “Nir” ứng với giá trị ngưỡng 40,91 là tiêu chí tốt nhất để phân loại, tuy nhiên, vẫn còn 2 mẫu rừng trung bình lẫn sang mẫu của các trạng thái rừng nghèo và đất chưa thành rừng, do đó, ta tiếp tục tìm giá trị ngưỡng của tiêu chí khác để phân loại 2 mẫu lẫn này “TB-N.C” với “N.C”.
Kết quả tìm ngưỡng phân loại 2 mẫu rừng trung bình lẫn sang “N.C” với các mẫu của các trạng thái rừng nghèo và đất chưa thành rừng thể hiện bảng 3.5.
Bảng 3.5. Giá trị ngưỡng tốt nhất phân loại “TB-N.C” với “N.C”
CHỈ SỐ Khoảng ngưỡng tối ưu Ngưỡng phân loại “TB-N.C” “TB-N.C” lẫn sang “N.C” “N.C” ..lẫn sang.. “TB-N.C” Tổng số mẫu lẫn Tiêu chí được chọn NDVI 0,3443 – 0,3529 > 0,3486 0 0 0 RIV 2,051 – 2,092 > 2,072 0 0 0 Brightness 46,32 – 46,83 < 46,58 2 0 2 Green 82,34 – 98,21 < 90,28 2 14 16 Mir 30,60 – 32,08 < 31,34 2 0 2 Nir 36,60 – 38,78 < 37,69 2 0 2 Red 19,74 – 19,86 < 19,80 0 0 0 Chọn
Từ bảng 3.5 ta thấy, tiêu chí “NDVI”, “RIV” và “Red” ứng với các giá trị ngưỡng 0,3486, 2,072 và 19,80 đều có thể phân loại hoàn toàn 2 mẫu lẫn, tuy nhiên, khoảng ngưỡng “Red” có giá trị nhỏ nhất nên ta chọn tiêu chí này để phân loại.
Tóm lại, thuật toán để phân loại rừng trung bình là: Nir < 40,91 hoặc Red < 19,80.
Ngưỡng phân loại rừng nghèo
Kết quả tìm ngưỡng phân loại các mẫu rừng nghèo (“N”) với các mẫu đất chưa thành rừng (“C”) thể hiện bảng 3.6.
Bảng 3.6. Giá trị ngưỡng tốt nhất phân loại “N” với “C” CHỈ SỐ Khoảng ngưỡng tối ưu Ngưỡng phân loại “N” “N” lẫn sang “C” “C” lẫn sang “N” Tổng số mẫu lẫn Tiêu chí được chọn NDVI 0,2758 – 0,2765 > 0,2762 0 0 0 RIV 1,762 – 1,765 > 1,764 0 0 0 Chọn Brightness 54,47 – 54,59 < 54,53 0 7 7 Green 86,65 – 92,99 > 89,82 5 11 16 Mir 46,79 – 49,01 < 47,90 0 5 5 Nir 45,67 – 46,02 < 45,85 6 1 7 Red 26,60 – 26,76 < 26,68 4 1 5
Từ bảng 3.6 ta thấy, sử dụng tiêu chí “NDVI” và “RIV” với giá trị ngưỡng tương ứng là 0,2762 và 1,764 đều có thể phân loại triệt để “N” và “C”. Căn cứ vào khoảng ngưỡng ta sử dụng tiêu chí “RIV” để phân loại.
Thuật toán để phân loại rừng nghèo là RIV > 1,764.
Các đối tượng ảnh chưa được phân loại sẽ được phân loại vào lớp trạng thái đất chưa thành rừng.
Qua quá trình phân tích trên ta nhận thấy, việc xác định ngưỡng phân loại là một công việc hết sức quan trọng để làm cơ sở cho việc xây dựng khóa giải đoán ảnh. Ngưỡng phân loại tốt thì khóa giải đoán ảnh sẽ chính xác. Để có được ngưỡng phân loại tốt nhất thì số lượng mẫu chúng ta thu thập phải đáng tin cậy và phải đầy đủ các kiểu cho một trạng thái. Ví dụ, trạng thái rừng giàu là trạng thái rừng có trữ lượng gỗ từ 201- 300 m3/ha, để thu thập mẫu cho trạng thái rừng này ta cần thu thập mẫu ở các kiểu trạng thái 201m3/ha, 211m3/ha, …, 300m3/ha. Nếu như mẫu không đầy đủ sẽ dẫn