b. Điều kiện văn hoá xã hội
4.3.2. Xử lý ảnh vệ tinh khu vực nghiên cứu
4.3.2.1. Nhập ảnh
Đây là công đoạn chuyển ảnh từ các khuôn dạng khác nhau về khuôn dạng của chương trình ENVI để tiến hành các bước tiếp theo. Khuôn dạng ảnh trong ENVI là dạng image.
Đối với ảnh SPOT 5 tiến hành tạo file.hdr, sau đó nhập ảnh vào phần mềm ENVI4.7 để xử lý.
Vệ tinh Sentinel 2A phóng lên quỹ đạo vệ tinh năm 2015 và Sentinel 2B phóng lên quỹ đạo vào năm 2017, do vậy phần mềm ENIVI 4.7 là phiên bản chưa được cập nhật để xử lý ảnh Sentinel do vậy phải tiến hành chuyển đổi định dạng sang phần mềm ENVI. Sử dụng công cụ Data Conversion của phần mềm SNAP chuyển 4 kênh Blue, Green, Red và NIR sang định dạng của phần mềm ENVI. Sau đó tiến hành ghép các kênh ảnh tạo thành file ảnh gồm có 4 kênh ảnh Sentinel của khu vực nghiên cứu.
4.3.2.2.Tăng cường chất lượng ảnh.
Khu vực nghiên cứu sử dụng ảnh SPOT5 có 4 kênh đa phổ với độ phân giải 10m và Ảnh Sentinel-2A với 4 kênh phổ với độ phân giải 10m. Trên phần mềm xử lý ảnh ENVI chọn phương pháp Equalization – Cân bằng: phương pháp này sẽ kéo giãn cân bằng đồ thị của dữ liệu được hiển thị. Việc tăng cường chất lượng ảnh cho phép thao tác, chuyển đổi giúp người giải đoán dễ đọc, dễ hiểu ảnh hơn.
Để nâng cao chất lượng hình ảnh nhằm phục vụ công tác giải đoán ảnh viễn thám, suy giải các đối tượng cần trộn ảnh toàn sắc và ảnh đa phổ đã xử lý màu để tạo ảnh màu phân giải cao.
4.3.2.3. Nắn chỉnh hình học
Thực chất của việc nắn chỉnh hình học là đưa ảnh về hệ tọa độ quy chiếu cần thành lập bản đồ đồng thời loại bỏ các sai số hình học, sai số do chênh cao địa hình…
Ảnh vệ tinh năm 2010 và năm 2018 đều đã được hiệu chỉnh phổ nên đề tài không thực hiện hiệu chỉnh phổ. Ảnh Sentinel 2018 khi thu thập đã được xử lý ở mức 1C, nghĩa là được hiệu chỉnh khí quyển và hiệu chỉnh hình học về hệ tọa độ WGS 84, múi chiếu 48, phép chiếu UTM. Vì vậy không cần phải qua các bước hiệu chỉnh phổ và hiệu chỉnh hình học.
Ảnh năm 2010 chưa được hiệu chỉnh hình học, vì vậy cần phải hiệu chỉnh. Để nghiên cứu biến động 2 ảnh vệ tinh cần nắn chỉnh chính xác đảm bảo các đối tượng trùng khớp do đó độ chính xác tối thiểu cần đạt được để hạn chế sai số là nhỏ dưới 0,5 pixel.
Chọn ảnh vệ tinh năm 2018 làm cơ sở, tiến hành nắn ảnh vệ tinh năm 2010 theo ảnh năm 2018.
Các bước để nắn chỉnh hình học ảnh vệ tinh: - Chọn điểm khống chế ảnh:
Chọn 5 điểm khống chế phải phân bố đều trên ảnh, các địa vật được chọn làm điểm khống chế ảnh phải là những địa vật rõ nét trên cả 2 ảnh, dễ nhận biết. Các điểm khống chế là các điểm giao của ngã ba, ngã tư,…
Tọa độ các điểm khống chế ảnh khi nắn ảnh 2010 theo ảnh 2018 thể hiện trên hình 4.4.
Sau khi chọn đủ 5 điểm khống chế, phần mềm tự động tính toán sai số trung phương khi nắn (RMS). Sai số nắn ảnh năm 2010 đạt 0,278 pixel (hình 4.5) nên đạt yêu cầu để thực hiện các bước xử lý ảnh tiếp theo.
Hình 4.5. Sai số các điểm nắn ảnh
Sau khi chọn đủ số điểm khống chế ảnh, ta có thể lựa chọn một trong ba phương pháp nắn sau:
+ Phương pháp RST: chỉ thực hiện những chuyển dịch đơn giản như xoay, xác định tỷ lệ và tịnh tiến ảnh.
+ Phương pháp Polynomial: cho kết quả tốt hơn phương pháp RST.
+ Phương pháp Triangulation (lưới tam giác): Chọn các điểm khống chế làm các đỉnh của các tam giác không đều và tiến hành nội suy.
Quá trình nắn ảnh được thực hiện bằng phần mềm ENVI theo phương pháp nắn Polynomial, chọn phương pháp nội suy là phương pháp láng giềng gần nhất (Nearest Neighbor).
* Cắt ảnh
Ảnh vệ tinh trước khi đưa vào phân loại cần được cắt theo ranh giới khu vực nghiên cứu. Mở file địa giới hành chính huyện Nam Trực, Trực Ninh, dùng chức năng cắt ảnh trong phần mềm ENVI ta được ảnh cắt theo địa giới hành chính khu vực nghiên cứu. Kết quả thu được ảnh vệ tinh năm 2010 (hình 4.7) và năm 2018 (hình 4.8) khu vực nghiên cứu đã được cắt theo ranh giới hành chính.
Hình 4.7. Ảnh cắt theo ranh giới năm 2010
Hình 4.8. Ảnh cắt theo ranh giới năm 2018
4.3.2.4. Phân loại ảnh
Bước 1: Xây dựng tệp mẫu các loại hình sử dụng đất
- Định nghĩa các lớp
Từ tư liệu ảnh, căn cứ vào mức phản xạ phổ của các đối tượng thể hiện bằng màu sắc trên ảnh tiến hành định nghĩa các lớp phân loại. Mặc dù ảnh vệ tinh Spot và Sentinel đều có độ phân giải cao nhưng trên thực thực tế rất khó phân biệt được sự khác nhau của một số loại đất cụ thể. Qua nhiều lần thực nghiệm và kiểm chứng chỉ có thể phân biệt được thành 5 lớp. Các lớp phân loại cụ thể bao gồm: đất trồng lúa, đất trồng cây hàng năm khác, đất trồng cây lâu năm, đất xây dựng và đất mặt nước.
Bảng 4.6. Mô tả các loại sử dụng đất dùng trong phân loại
STT Loại sử dụng đất Mô tả
1 Đất trồng lúa Đất chuyên trồng lúa nước,
2 Đất trồng hàng năm Đất trồng rau màu, đậu tương, lạc, khoai… 3 Đất trồng cây lâu năm Đất trồng chuối, nhãn, táo, ổi, thanh long
4 Đất xây dựng Đất ở, xây dựng cơ quan, trụ sở, đất khu công nghiệp 5 Mặt nước Đất sông, kênh mương, ao hồ
Xây dựng tệp mẫu cho 5 loại sử dụng đất bao gồm: Đất trồng lúa (30 mẫu), đất trồng cây hàng năm khác (30 mẫu), đất cây lâu năm (30 mẫu), đất xây dựng (30 mẫu), Mặt nước (30 mẫu). Vị trí điểm lấy mẫu phân loại ảnh thể hiện ở Phụ lục 1.
- Chọn vùng mẫu:
Đây là bước quan trọng trong quá trình giải đoán ảnh. Các mẫu được lựa chọn phải đặc trưng cho từng loại sử dụng đất.
Mỗi một mẫu ở đây được thu thập ngoài thực địa (đối với ảnh 2018) và được đánh dấu khoanh vị trí trên ảnh vệ tinh, đồng thời tại mỗi điểm lấy mẫu được chụp một ảnh cảnh quan nhằm mô tả đặc điểm mẫu ảnh trên thực tế và các dấu hiệu giải đoán trên ảnh cho từng loại hình sử dụng đất.
Từ dữ liệu thu thập được bằng GPS cầm tay tiến hành chọn vùng mẫu trực tiếp trên tư liệu ảnh. Số lượng vùng mẫu phải thỏa mãn yêu cầu phân bố đều trên toàn bộ khu vực nghiên cứu và đặc trưng cho đặc tính phổ của từng lớp. Số lượng vùng mẫu quá ít sẽ không đảm bảo độ chính xác, ngược lại nếu nhiều quá sẽ làm tăng khối lượng tính toán lên rất nhiều đôi khi làm nhiễu kết quả tính toán. Diện tích các vùng lấy mẫu đủ lớn, đồng thời các vùng mẫu không được nằm gần ranh giới giữa các lớp đối tượng với nhau. Những vị trí mẫu không thỏa mãn về phổ và cấu trúc với các mẫu khác trong cùng một lớp phân loại thì loại bỏ.
Mẫu giải đoán ảnh vệ tinh năm 2010 và 2018 thể hiện trong bảng 4.7
Bảng 4.7. Mẫu giải đoán ảnh vệ tinh
STT Loại sử dụng đất Mẫu ảnh năm 2010 Mẫu ảnh năm 2018 Ảnh thực địa 1 Đất trồng lúa 2 Đất trồng cây hàng năm khác 3 Đất xây dựng 4 Đất lâu năm 5 Đất mặt nước
- Tính toán chỉ số thống kê mẫu:
Sau khi lựa chọn xong tệp mẫu cần tính toán chỉ số khác biệt của các mẫu phân loại. Dựa vào đặc tính phản xạ phổ của các đối tượng được chọn trong tệp mẫu tiến hành tính toán sự khác biệt giữa các mẫu phân loại theo phương pháp phân tích ROI Separability.
Trong phương pháp phân tích Separability, chương trình sẽ tính toán giá trị khoảng cách phổ trung bình của các tín hiệu giữa các lớp loại sử dụng đất khác nhau.
+ Nếu kết quả tính toán có giá trị = 1 thì giá trị các mẫu giống nhau hoàn toàn.
+ Nếu kết quả tính toán có giá trị >1 và <2 thì có sự khác biệt.
+ Nếu kết quả tính toán có giá trị =2 thì giá trị các mẫu khác biệt hoàn toàn. + Nếu kết quả tính toán các mẫu nhỏ hơn 1,5 chứng tỏ sự khác biệt giữa các mẫu không lớn cần tiến hành chọn lại để tránh bị nhầm lẫn khi phân loại.
Kết quả tính toán sự khác biệt giữa các mẫu phân loại năm 2010 thể hiện trong bảng 4.8.
Bảng 4.8. Giá trị khác biệt phổ giữa các mẫu phân loại ảnh năm 2010
Loại sử dụng đất (1) (2) (3) (4) (5)
Đất trồng lúa (1) - 1,99 1,55 1,78 1,83 Đất trồng cây hàng năm(2) - 1,84 1,90 2,00 Đất xây dựng (3) - 1,72 1,81 Đất trồng cây lâu năm (4) - 1,93 Mặt nước (5) -
Kết quả trong bảng 4.8 cho thấy: Sự khác biệt giữa các lớp mẫu có giá trị từ 1,55 đến 2,00, chứng tỏ các mẫu được chọn có sự khác biệt khá tốt. Trong đó lớp đất trồng cây hàng năm với đất mặt nước có sự khác biết hoàn toàn với chỉ số bằng 2,00, lớp đất trồng lúa và lớp đất xây dựng có chỉ số khác biệt bằng 1,55 là do tại thời điểm chụp ảnh năm 2010, nhiều thửa đất trồng lúa đang bỏ trống và đất rất khô, nên khi chụp ảnh độ phản xạ lớn gần giống với đất xây dựng nên sự khác biệt của hai lớp ở mức trung bình.
Sự khác biệt giữa các lớp của tệp mẫu năm 2010 có sự khác biệt khá tốt nên đáp ứng yêu cầu phần loại ảnh.
Kết quả tính toán sự khác biệt lớp mẫu đối với ảnh năm 2018 thể hiện trong( bảng 4.9).
Bảng 4.9. Giá trị khác biệt phổ giữa các mẫu phân loại ảnh năm 2018
Loại sử dụng đất (1) (2) (3) (4) (5) Đất trồng lúa (1) - 1,99 1,77 1,94 1,97 Đất trồng cây hàng năm khác (2) - 1,94 1,98 1,96 Đất xây dựng (3) - 1,68 1,91 Đất trồng cây lâu năm (4) - 1,95 Mặt nước (5) -
Kết quả trong bảng 4.9 cho thấy: Sự khác biệt giữa các lớp mẫu phân loại ảnh năm 2018 có giá trị từ 1,68 đến 1,99 chứng tỏ các mẫu được chọn có sự khác biệt khá tốt. Trong đó lớp đất trồng cây hàng năm với đất trồng lúa có sự khác biết gần tuyệt đối với chỉ số bằng 1,99, lớp đất lớp đất trồng lúa và lớp đất xây dựng có chỉ số khác biệt bằng 1,68 là do tại thời điểm chụp ảnh năm 2010, nhiều thửa đất trồng lúa đang bỏ trống và đất rất khô, nên khi chụp ảnh độ phản xạ lớn gần giống với đất xây dựng nên sự khác biệt của hai lớp ở mức trung bình.
Sự khác biệt giữa các lớp của tệp mẫu năm 2018 có sự khác biệt tốt nên đáp ứng yêu cầu phần loại ảnh.
Bước 2: Phân loại ảnh
Ảnh vệ tinh năm 2010 và năm 2018 được phân loại độc lập với nhau. Có nhiều phương pháp phân loại ảnh khác nhau, tuy nhiên trong đề tài này tôi sử dụng phương pháp phân loại có kiểm định theo thuật toán xác suất cực đại (Maximum likelihood).
Sau khi xây dựng tệp mẫu phân loại ảnh tiến hành phân loại ảnh theo phương pháp phân loại có kiểm định theo thuật toán xác suất cực đại (Maximum likelihood). Kết quả phân loại ảnh vệ tinh năm 2010 và năm 2018 thể hiện tại hình 4.9 và 4.10.
4.3.2.5. Đánh giá độ chính xác phân loại
Để đánh giá độ chính xác phân loại, tiến hành thu thập số liệu thực địa với sự trợ giúp của GPS cầm tay để kiểm tra và đánh giá độ chính xác kết quả phân loại. Mẫu kiểm tra thực địa không trùng vị trí với mẫu đã sử dụng khi phân loại và phân bố đều trên khu vực nghiên cứu. Đề tài nghiên cứu 2 thời điểm là năm 2010 và 2018 vì vậy chỉ có thể điều tra thực địa để lấy mẫu phân loại ảnh và kiểm tra đối với ảnh năm 2018. Đối với ảnh năm 2010 thì các vị trí kiểm tra đối soát căn cứ theo bản đồ hiện trạng sử dụng đất của năm 2010.
Số lượng mẫu kiểm tra để đánh giá độ chính xác phân loại thường khó xác định vì nếu sử dụng các công thức cơ bản trong phân phối chuẩn hoặc phân phối xấp xỉ chuẩn để tính số lượng mẫu điều tra sẽ rất lớn nên không thể thực hiện được. Vì vậy với mỗi loại hình sử dụng đất tiến hành kiểm tra 30 điểm. Tiến hành kiểm tra phân loại ảnh năm 2010 với bản đồ hiện trạng sử dụng đất và ảnh phân loại năm 2018 với thực địa.
- Kết quả kiểm tra và đánh giá độ chính xác phân loại ảnh năm 2010 thể hiện trong bảng 4.10.
Bảng 4.10. Đánh giá độ chính xác kết quả phân loại ảnh năm 2010
Loại đất (1) (2) (3) (4) (5) Tổng hàng (điểm) ĐCX sử dụng (%) Đất trồng lúa (1) 26 1 1 28 92,86 Đất trồng cây hàng năm khác (2) 2 28 2 1 33 84,85 Đất cây lâu năm (3) 28 2 30 93,33 Đất xây dựng (4) 1 1 27 29 93,10 Đất mặt nước (5) 1 1 28 30 93,33 Tổng cột (điểm) 30 30 30 30 30 150 Độ chính xác sản xuất 86,67 93,33 93,33 90 93,33 Độ chính xác tổng thể 137/150 91,33% Hệ số Kappa 0,89
Trong bảng 4.10, các phần tử nằm trên đường chéo chính là số điểm phân loại đúng của từng lớp đối tượng, các phần tử còn lại là số điểm bị phân loại nhầm sang các lớp khác.
+ Tổng hàng là tổng số điểm tương ứng của lớp đó sau phân loại.
Độ chính xác sản xuất (Produce’s Accuracy ) của từng lớp phân loại được tính bằng số điểm được phân loại đúng trên tổng số điểm kiểm tra.
Độ chính xác sử dụng (User ’s Accuracy) của từng lớp phận loại được tính bằng số điểm được phân loại đúng trên tổng số điểm sau phân loại của lớp đó.
Độ chính xác tổng thể được tính bằng tỷ lệ phần trăm của số điểm được phân loại đúng trên tổng số điểm kiểm tra của mẫu kiểm chứng.
Để đánh giá độ tin cậy của kết quả phân loại ta dùng chỉ số thống kê Kappa. Kết quả trong bảng 4.10 cho thấy: Trong các lớp phân loại có lớp đất trồng cây hàng năm, lớp đất cây lâu năm và lớp đất mặt nước độ chính xác sản xuất và độ chính xác sử dụng cao từ 90,0% đến 93,33%.
Đối với đất lúa, trong 30 điểm kiểm chứng thì có 2 điểm bị phân loại nhầm sang lớp đất cây hàng năm khác, 1 điểm nhầm sang lớp xây dựng và 1 điểm nhầm sang lớp đất mặt nước nên độ chính xác sử dụng đạt 86,67% (bảng 4.10) Vì ảnh vệ tinh năm 2010 chụp vào vụ mùa gặt, đất lúa thường bỏ trống nên khi phân loại bị nhầm sang đất xây dựng. Cũng với 30 điểm kiểm chứng ở lớp đất xây dựng thì có 2 điểm bị phân loại nhầm sang các lớp đất cây lâu năm, 1 điểm nhầm sang lớp trồng lúa nên độ chính xác sản xuất đạt 93,33%. Nguyên nhân do đất trồng cây hàng năm và đất lúa có sự khác biệt về phổ không lớn cho nên việc nhầm lẫn khi phân loại là điều khó thể tránh khỏi.
Đối với đất mặt nước, trong 30 điểm kiểm chứng thì có 28 điểm được phân loại đúng, 1 điểm nhầm sang đất lúa và 1 điểm nhầm sang đất cây hàng năm. Nguyên nhân là do đất lúa và đất cây hàng năm sau khi thu hoạch xong nước được bơm vào đồng ruộng nên khi phân loại bị nhầm sang lớp đất mặt nước.
Độ chính xác tổng thể ảnh phân loại năm 2010 là 91,33%, chỉ số Kappa bằng 0,89. Như vậy ảnh được phân loại với độ chính xác cao đáp ứng yêu cầu đề tài.
- Kết quả kiểm tra và đánh giá độ chính xác phân loại ảnh năm 2018 thể hiện trong bảng 4.11.
Trong ma trận sai số phân loại ảnh năm 2018, với 150 điểm kiểm chứng trên 5 loại hình sử dụng đất thì có 133/150 điểm được phân loại đúng. Các lớp đất trồng cây hàng năm khác, lớp đất cây lâu năm và lớp đất mặt nước có độ