4. ĐỐI TƯỢNG VÀ PHẠM VI NGHIÊN CỨU
2.3.3. Phương pháp điều tra mẫu
2.3.3.1. Chọn mẫu
➢ Lấy mẫu phục vụ giải đoán ảnh
Đi thực địa, chọn mẫu ngẫu nhiên, sử dụng phương pháp quan sát, phỏng vấn chuyên gia để xác định loại mẫu (trạng thái rừng) và sử dụng máy đo GPS cầm tay để xác định vị trí mẫu.
➢ Lấy mẫu phục vụ đánh giá độ chính xác kết quả giải đoán ảnh
Mẫu được chọn trên tuyến qua tất cả các trạng thái rừng, sử dụng phương pháp quan sát, phỏng vấn chuyên gia để xác định loại mẫu và sử dụng máy đo GPS cầm tay để xác định vị trí mẫu.
2.3.3.2. Thiết lập các đặc trưng mẫu
Để phong phú thông tin và có thêm các thông tin cần thiết về đối tượng ảnh cần được phân loại, ngoài các giá trị độ sáng của từng kênh phổ, ta thiết lập thêm chỉ số: độ sáng trung bình của các kênh phổ (brightness), chỉ số thực vật (NDVI) và tỷ số thực vật (RIV). Tập hợp các giá trị này tạo nên một đặc trưng cho đối tượng ảnh. Như vậy, đặc trưng của một đối tượng ảnh SPOT 5 gồm có các giá trị: NDVI, RIV, brightness, kênh 1, kênh 2, kênh 3 và kênh 4.
Giá trị độ sáng trung bình (brightness) được xác định bởi công thức (3.1):
Brightness = (kênh 1 + kênh 2 + kênh 3 + kênh 4)/4 (3.1) Chỉ số khác biệt thực vật NDVI (normalized defference vegetation index) và tỷ số thực vật RIV (ratio vegetion index) được xác định bởi các công thức (3.2) và (3.3):
NDVI = (kênh 3 - kênh 2)/(kênh 3 + kênh 2) = (nir - red)/(nir + red) (3.2)
RIV = kênh 3/kênh 2 = kênh 3/kênh 2 = nir/red (3.3) Trong đó, nir là giá trị bức xạ của bước sóng cận hồng ngoại (near infrared), red là giá trị bức xạ của bước sóng nhìn thấy (visible).
Chỉ số thực vật NDVI được dùng rất rộng rãi để xác định mật độ phân bố của thảm thực vật, đánh giá trạng thái sinh trưởng và phát triển của cây trồng. Khoảng giá trị của NDVI từ -1 đến +1. Trong thực tế, giá trị của NDVI sẽ tiến dần về 0 nếu không có cây xanh và tiến dần về 1 nếu có mật độ thực vật cao.
Tỷ số thực vật RVI được dùng để đánh giá mức độ che phủ và phân biệt các lớp thảm thực vật khác nhau nhất là những thảm thực vật có độ che phủ cao. Trong thực tế, giá trị RIV sẽ tiến về không nếu không có cây xanh và tăng dần theo hàm lượng sinh khối và chất diệp lục trong lá cây.
2.3.3.3. Thống kê các đặc trưng mẫu
Từ các mẫu điều tra ngoài thực địa tiến hành xác định các đặc trưng của đối tượng ảnh mẫu trên ảnh, sau đó, lập bảng thống kê các đặc trưng từng loại đối tượng ảnh mẫu trên Excel.
2.3.3.4. Xử lý số liệu mẫu điều tra
Sử dụng phương pháp toán học xử lý các thông tin mang tính định lượng để: tìm thuật toán phân loại các đối tượng ảnh mẫu và xác định độ chính xác của kết quả giải đoán ảnh.
➢ Tìm thuật toán phân loại các đối tượng ảnh mẫu
Từ bảng thống kê các đặc trưng từng loại đối tượng ảnh mẫu, lập bảng tính trên phần mềm Excel để tìm thuật toán phân loại các đối tượng ảnh mẫu.
Phương pháp để tìm thuật toán phân loại các đối tượng ảnh mẫu được khái quát như hình 2.2.
Hình 2.2. Sơ đồ tìm thuật toán phân loại các đối tượng ảnh mẫu
➢ Xác định độ chính xác của kết quả giải đoán ảnh
Từ kết quả giải đoán ảnh và kết quả điều tra ngoài thực địa, tiến hành lập bảng ma trận sai số trên phần mềm Excel để đánh giá độ chính xác của kết quả giải đoán ảnh. LOẠI A LOẠI B CÁC ĐỐI TƯỢNG CẦN PHÂN LOẠI KHÔNG THUỘC LOẠI A KHÔNG THUỘC LOẠI B
Thỏa điều kiện Không thỏa điều kiện
Thỏa điều kiện Không thỏa điều kiện
Độ chính xác kết quả giải đoán ảnh được đánh giá thông qua độ chính xác tổng thể của kết quả giải đoán và hệ số Kappa.
Độ chính xác tổng thể của kết quả giải đoán được tính bằng tỷ số giữa tổng số mẫu phân loại chính xác với tổng số mẫu điều tra. Kết quả này phản ánh độ chính xác của bản đồ được thành lập từ kết quả giải đoán trên.
Hệ số Kappa được tính theo công thức:
1 1 2 1 ( . ) ( . ) R R ii i i i i R i i i N n n n K N n n + + = = + + = − = − Trong đó:
N - Tổng số pixel lấy mẫu hay tổng số mẫu K - hệ số Kappa
nii - số pixels hay số mẫu phân loại chính xác của lớp thứ i ni+ - tổng số pixels hay số mẫu điều tra của lớp thứ i
n+i - tổng số pixels hay số mẫu lớp thứ i sau điều tra
Hệ số này đánh giá khả năng phân loại các trạng thái khác nhau và được chia làm 3 mức sau:
+ K < 0,4: Mức độ chấp thuận thấp
+ 0,4 ≤ K ≤ 0,8: Mức độ chấp thuận vừa phải + K > 0,8: Mức độ chấp thuận cao .