2.2.3. Cắt ảnh theo khu vực nghiên cứu
Đầu tiên chúng ta mở ảnh cắt theo khung ảnh, sau đó chồng lớp ranh giới thành phố dạng shapefile lên trên cùng một cửa sổ Display.
Hình 2.17. Chồng file ranh giới trước khi cắt hoàn chỉnh
Tiếp theo trên thanh menu chính chọn Basic Tools\Masking\Build Mask. Options\Import EVFs chọn file ranh giới thành phố
44
Vào Basic Tools\ Masking\ Apply Mask xuất hiện hộp thoại Apply Mask Input
File nhấn vào Select Mask Band.
Hình 2.19. Kết quả sau khi cắt theo ranh giới
2.2.4. Tăng cƣờng chất lƣợng ảnh
ENVI cung cấp các công cụ khá hữu hiệu cho việc tăng cƣờng khả năng hiển thị các thông tin trên ảnh. Để thực hiện chức năng này ta làm nhƣ sau
Trên cửa sổ chính chọn Enhance từ đó một danh sách các phƣơng pháp sẽ đƣợc xổ ra, sau đó ta chọn một phƣơng pháp để tăng cƣờng khả năng hiển thị ảnh. Ta cũng có thể tăng cƣờng lọc ảnh bằng cách chọn Enhance\Filter để chọn một phƣơng pháp lọc
ảnh, làm mịn hoặc tăng độ nét của ảnh.
45
2.2.5. Tổ hợp màu
Một ảnh màu trên ảnh đa phổ là gán ba kênh phổ nào đó cho ba màu cơ bản (red, green, blue). Mỗi đối tƣợng có những phản xạ mạnh yếu khác nhau trên cùng kênh phổ và một đối tƣợng cũng có phản xạ khác nhau ở các kênh phổ khác nhau. Do đó tùy thuộc vào đặc trƣng phản xạ phổ của đối tƣợng cần quan tâm và màu muốn thể hiện đối tƣợng đó mà có cách chọn kênh phổ gán vào từng loại màu thích hợp. Trong q trình tổ hợp màu của 3 kênh ảnh ứng với ba màu cơ bản (R_G_B) sẽ sảy ra sự pha trộn màu. Vì vậy, để đảm bảo màu của đối tƣợng ít bị thay đổi ta kết hợp kênh ảnh mà đối tƣợng phản xạ mạnh với kênh ảnh đối tƣợng phản xạ yếu. Ví dụ, để thực vật có màu G, nƣớc có màu B, ta sẽ gán kênh 4 là kênh có đối tƣợng thực vật phản xạ mạnh nhất vào màu G, nƣớc phản xạ kênh 1 mạnh vào B và để nƣớc, thực vật không thay đổi màu sắc đã chọn, ta gán màu R với kênh mà cả thực vật và nƣớc đều phản xạ yếu.
Tổ hơp kênh 5, 4, 3 Tổ hợp kênh 3, 2, 1 Tổ hợp kênh 7, 5, 4
Hình 2.21. Tổ hợp màu các band ảnh khác nhau
2.2.6. Xây dựng mẫu phân loại
Độ chính xác của kết quả phân loại tùy thuộc vào độ chính xác của q trình lấy mẫu, vì vậy các mẫu đƣợc lựa chọn hết sức cẩn thận.
Bảng 2.2. Lựa chọn các mẫu để phân loại
Đối tƣợng Ảnh vệ tinh Yếu tố giải đốn Thuyết minh
Đất ở Màu tím nhạt lốm
đốm xen lẩn với màu xanh nhạt của cây lâu năm, cấu trúc hạt thô.
Tổ hợp màu tƣơng ứng các kênh 5,4,3, ảnh Landsat TM độ phân giải 30 m
46 Đất lâm nghiệp Màu xanh lá cây,phân bố ở vùng núi, có độ nhàu rất rõ do cấu trúc nhiều tầng. Tổ hợp màu tƣơng ứng các kênh 5,4,3, ảnh Landsat TM độ phân giải 30 m Đất chƣa sử dụng Có màu trắng hoặc trắng ngã sang vàng, hồng. Tổ hợp màu tƣơng ứng các kênh 5,4,3, ảnh Landsat TM độ phân giải 30 m Đất trồng cây lâu năm Đất trồng cây lâu năm có màu xanh, phân bố thành từng cụm. Tổ hợp màu tƣơng ứng các kênh 5,4,3, ảnh Landsat TM độ phân giải 30 m Đất mặt nƣớc chuyên dùng
Màu xanh đậm, hơi tối suối có dạng tuyến, cấu trúc mịn. Tổ hợp màu tƣơng ứng các kênh 5,4,3, ảnh Landsat TM độ phân giải 30m Đất trồng cây hằng năm khác
Màu xanh lá cây nhạt, cấu trúc mịn, phân bố ở các bãi bồi ven sông, xen lẫn trong vùng trồng lúa, sát vùng rừng trồng. Tổ hợp màu giả 5,4,3, ảnh Landsat TM độ phân giải 30 m.
Đất trồng lúa Màu xanh, cấu trúc
mịn, phân bố ở vùng đồng bằng, ven sông có hình dạng ơ thửa rõ rệt. Tổ hợp màu giả 5,4,3, ảnh Landsat TM độ phân giải 30 m. 2.2.7. Phân loại
Phân loại ảnh số là việc phân loại và sắp xếp các pixel trên ảnh thành những nhóm khác nhau dựa trên một số đặc điểm chung về giá trị độ xám, sự đồng nhất,
47 (adsbygoogle = window.adsbygoogle || []).push({});
mật độ, tone ảnh... có hai kiểu phân loại chính, là phân loại không chọn mẫu và phân loại có chọn mẫu.
- Phân loại không chọn mẫu - Unsupervised Classification
Với phƣơng pháp phân loại này, các pixel sẽ đƣợc phân chia tự động vào các lớp dựa trên một số đặc điểm về sự đồng nhất giá trị phổ sử dụng kỹ thuật gộp nhóm, phƣơng pháp này đƣợc áp dụng trong trƣờng hợp ta không biết hoặc không quen với những đối tƣợng xuất hiện trên ảnh, đồng thời nó cũng loại bỏ đƣợc những sai số chủ quan của con ngƣời. Phần mềm ENVI cung cấp cho chúng ta hai phƣơng pháp phân loại không chọn mẫu là Isodata và K-Means.
- Phân loại có chọn mẫu - Supervised Classification
Phân loại có chọn mẫu là phƣơng pháp phân loại ảnh số dựa trên các pixel mẫu đã đƣợc chọn sẵn bởi ngƣời thực hiện công tác phân loại. Bằng cách chọn mẫu ngƣời phân loại đã chỉ ra giúp phần mềm xác định những pixel có cùng một số đặc trƣng đối tƣợng về phổ phản xạ, từ đó gộp những đối tƣợng có chung đặc điểm về thành một lớp.
Để phân loại theo phƣơng pháp này chúng ta bắt buộc phải xác định xem sẽ phân làm mấy loại đất từ đó đi chọn mẫu cho các loại đất đó, việc này có thể đƣợc tiến hành ngay trên ảnh hoặc tiến hành ngoài thực địa, để hạn chế sai số, đảm bảo khách quan chính xác thì chúng ta phải đi thực địa để lấy mẫu là tốt nhất.
Phƣơng pháp lấy mẫu: Chúng ta phải sử dụng GPS có độ chính xác cao tiến hành bấm điểm khoanh vùng các khu vực đƣợc chọn làm mẫu. Sau đó dùng phần mềm Mapinfo hiển thị điểm, nối điểm và chuyển sang định dạng vector để chồng các mẫu lấy đƣợc lên ảnh. Sau khi đã chồng các mẫu lấy đƣợc lên ảnh (giống nhƣ chồng lớp ranh giới lên ảnh, đã trình bày ở phần nắn ảnh) thì trên cửa sổ hiển thị ảnh ta tiến hành chọn mẫu.
Trong giới hạn đề tài xin trình bày phƣơng pháp phân loại có chọn mẫu sử dụng thuật tốn Maximum Likelihood vì nó đạt độ chính xác hơn so với cách phân loại không chọn mẫu.
- Chọn mẫu phân Loại
Tiến hành phân loại ảnh dựa trên đặc điểm các đối tƣợng khác nhau thì có sự phản xạ với bƣớc sóng khác nhau. Phƣơng pháp đƣợc sử dụng là Maximum Likehood. Do đặc điểm ảnh Landsat có kích thƣớc các pixel khá lớn nên trong nghiên cứu này chỉ phân loại các mục đích sử dụng đất chủ yếu của vùng.
Để có thể chọn đƣợc các mẫu có độ chính xác cao, sử dụng máy định vị toàn cầu (GPS) đi thực địa, kết hợp với sử dụng các loại bản đồ hiện trạng sử dụng đất, bản đồ địa chính để tham khảo, đối chiếu.
48
Để làm việc này, trên cửa sổ hiển thị ảnh chọn Tool/Region Of Interest/ROI Tool… sẽ xuất hiện hộp thoại ROI Tool cho ta chọn mẫu. Đầu tiên ta phải chọn nơi lấy mẫu là trên
cửa sổ hiển thị ảnh, trên cửa sổ Scroll hay trên cửa sổ Zoom. Để chính xác thì nên chọn Zoom. Sau đó ta dùng chuột trái để khoanh các vùng mẫu và kích chuột phải để đóng vùng, mỗi loại đất ta có thể chọn nhiều mẫu và đặt tên cho mẫu ngay tại khung này, chọn xong một mẫu ta bấm New Region để chọn mẫu tiếp theo, mẫu nào chọn khơng vừa ý ta có thể xóa ngay bằng nút Delete trên hộp thoại.
Hình 2.22. Kết quả chọn vùng mẫu
Từ hộp thoại ROI Tool chọn Option\Computer ROI Separability. Khi đó trên ảnh sẽ
xuất hiện hộp thoại Select Input File for ROI Separability, chọn ảnh tƣơng ứng và nhấn
49
Hình 2.23. Báo cáo sự khác biệt giữa các mẫu
Quan sát các giá trị trong hộp thoại này ta thấy mỗi mẫu phân loại sẽ đƣợc so sánh lần lƣợt với các mẫu còn lại. Cặp giá trị thể hiện sự khác biệt, đƣợc đặt trong dấu ngoặc đơn sau các mẫu. Với ý nghĩa nhƣ sau:
- Nếu cặp giá trị này nằm trong khoảng 1.9 đến 2.0 chứng tỏ các mẫu đƣợc chọn có sự khác biệt tốt.
- Nếu cặp giá trị này nằm trong khoảng từ 1.0 đến 1.9 thì nên chọn lại sao mẫu đó có sự khác biệt tốt hơn.
- Nếu có giá trị nhỏ hơn 1 ta nên gộp hai mẫu đó lại với nhau để tránh hiện tƣợng phân loại nhầm lẫn.
Sau khi chọn xong hết tất cả các vùng mẫu thì trên hộp thoại ROI Tool vào
File/Save ROIs… để lƣu kết quả chọn mẫu vừa tiến hành.
- Phân loại Maximum Likelihood
Phƣơng pháp Maximum Likelihood coi số liệu thống kê của mỗi lớp trong mỗi kênh ảnh đƣợc phân tán một cách thơng thƣờng và phƣơng pháp này có tính đến khả năng một pixel thuộc một lớp nhất điịnh. Nếu nhƣ không chọn một ngƣỡng xác suất thì sẽ phải phân loại tất cả các pixel. Mỗi pixel đƣợc gán cho một lớp có độ xác suất cao nhất nghĩa là “Maximum Likelihood”).
50
Để tiến hành phân loại với phƣơng pháp này, từ thanh cơng cụ chính của ENVI chọn Classification\Supervised và chọn Maximum Likelihood. Xuất hiện hộp thoại
Classification Input file, để mặc định của phần mềm. Xuất hiện hộp thoại Maximum (adsbygoogle = window.adsbygoogle || []).push({});
Likelihood nhƣ hình dƣới:
Hình 2.24. Hộp thoại Maximum Likelihood Parameters
Sau khi kết thúc kết quả phân loại xuất hiện trong hộp thoại Available bands List
Hình 2.25. Kết quả phân loại Maximum Likelihood
2.2.8. Kỹ thuật hậu phân loại
Các kết quả sau phân loại cần phải đƣợc xem xét, đánh giá về độ chính xác khái qt hóa các lớp thơng tin, tính tốn các chỉ số thống kê, áp dụng các phân tích theo đa số và theo thiểu số cho các ảnh phân loại, nhóm các lớp, chồng các lớp phân loại lên một ảnh, tính tốn cho ảnh vùng đệm, tính tốn cho ảnh phân đoạn, tạo các layer dạng vector cho các lớp đã phân loại... Phần mềm ENVI hỗ trợ cho ngƣời sử dụng một số công cụ để thực hiện các u cầu trên trong nhóm cơng cụ Post Classification.
51
2.2.8.1. Thống kê kết quả - Class Statistics
Đây là chức năng đầu tiên ta thực hiện ngay sau khi phân loại. Chức năng này cho phép ta tính tốn thống kê ảnh dựa trên các lớp kết quả phân loại.
Để thực hiện thống kê, từ thực đơn chính của cửa sổ ENVI chúng ta chọn
Classification\Post Classification\Class Statistics. Tiếp theo chọn file kết quả đã phân
loại trong hộp thoại Classification Input file và chọn file ảnh tƣơng ứng dùng để thực
hiện thống kê trong Statistics input file.
Hình 2.26. Hộp thoại thống kê kết quả
Sau đó chọn các tham số trong hộp thoại Compute statistics parameters và lƣu kết
quả thống kê.
2.2.8.2. Ma trận sai số - Confusion Matrix
Chức năng lập ma trận sai số của ENVI cho phép ta so sánh ảnh đã đƣợc phân loại với kết quả thực địa hoặc các vùng mẫu với mục đích đánh giá độ chính xác kết quả phân loại.
Để thực hiện chức năng này, từ thực đơn lệnh chính của ENVI ta vào
Classification\Post Classification\Cofusion Matrix. Sau đó chọn phƣơng pháp sử dụng
ảnh, kết quả từ thực địa hoặc sử dụng file chọn vùng mẫu từ thực địa. Trong đề tài chúng tôi sử dụng phƣớng pháp sử dụng file chọn vùng mẫu từ thực địa.
Hình 2.27. Hộp thoại Match Classes Parameters 2.2.8.3. Phân tích theo đa số và thiểu số - majority/minority 2.2.8.3. Phân tích theo đa số và thiểu số - majority/minority
52
Đây là một cơng cụ quan trọng và hữu ích nhất trong kỹ thuật hậu phân loại trong phần mềm ENVI dùng để giải đoán ảnh viễn thám. Sử dụng phƣơng pháp này để gộp những pixel lẻ tẻ hoặc phân loại lẫn trong các lớp vào chính lớp chứa nó.
Để thực hiện chức năng, từ thực đơn lệnh của ENVI ta chọn Classification\Post Classification\Majority/Minority Analysis.
Hình 2.28. Hộp thoại Majority/Minority Parameters 2.2.8.4. Gộp lớp - Combine 2.2.8.4. Gộp lớp - Combine
Chức năng gộp lớp cung cấp thêm một cơng cụ để khái qt hóa kết quả phân loại. Các lớp có đặc tính tƣơng tự nhau có thể gộp vào để tạo thành lớp chung.
Để thực hiện chức năng, từ thực đơn lệnh của ENVI ta chọn Classification\Post Classification\Combine Classes.
Hình 2.29. Hộp thoại Combine Classes Parameters 2.2.8.5. Kỹ thuật sieve classes và clump classes 2.2.8.5. Kỹ thuật sieve classes và clump classes
Đây là 2 kỹ thuật cuối cùng mà chúng ta sử dụng trong các bƣớc hậu phân loại mục đích để loại bỏ những Pixel nhiễu và những pixel trống, bị co lại thành cụm nhỏ. (adsbygoogle = window.adsbygoogle || []).push({});
53
Hình 2.30. Hộp thoại Sieve Parameters và Clump Parameters 2.2.8.6. Thay đổi tên và màu cho các lớp phân loại 2.2.8.6. Thay đổi tên và màu cho các lớp phân loại
Khi đã có ảnh kết quả phân loại, chúng ta có thể thay đổi màu cho phù hợp với tên gọi và quy định của chúng.
Để thực hiện chức năng trên, từ cửa sổ ảnh phân loại chọn Tools\Color Mapping\Class Color Mapping.
Hình 2.31. Hộp thoại Class Color Mapping
- Kết quả giải đoán và hậu phân loại các loại đất
54
Hình 2.33. Kết quả hậu phân loại năm 2014
2.3. THÀNH LẬP BẢN ĐỒ HIỆN TRẠNG SỬ DỤNG ĐẤT CÁC THỜI ĐIỂM 2006, 2010, 2014 2006, 2010, 2014
2.3.1. Hiện trạng sử dụng đất năm 2006
Trên cơ sở đánh giá sơ bộ kết quả phân loại các đối tƣợng sử dụng đất thành phố Kon Tum, cùng với việc tích hợp các thơng tin thu thập đƣợc và những hiểu biết về khu vực, việc phân loại dựa trên đối tƣợng đƣợc tiến hành trên ảnh Landsat năm 2006 có kết quả về diện tích và phần trăm của các đối tƣợng nhƣ sau:
Bảng 2.3. Kết quả tính diện tích và phần trăm các đối tượng trên ảnh Landsat TM
năm 2006
STT Loại hình sử dụng đất Kí hiệu Diện tích (ha) Phần trăm (%)
1 Đất nông nghiệp NNP 24132.95 55
1.1 Đất lâm nghiệp LNP 5106.01 11.6
1.3 Đất trồng lúa LUA 1807.37 4.1
1.4 Đất trồng cây hằng năm HNK 13273.55 30.2 1.5 Đất trồng cây lâu năm CLN 3946.01 9.0
2 Đất phi nông nghiệp PNN 11462.03 26.1
2.1 Đất ở dân cƣ OTC 9412.72 21.4
2.2 Đất mặt nƣớc SMN 2049.31 4.7
3 Đất chƣa sử dụng CSD 8289.55 18.9
55
Hình 2.34. Cơ cấu sử dụng đất thành phố Kon Tum năm 2006
Nhận xét chung về hiện trạng sử dụng đất thành phố Kon Tum Năm 2006:
Từ Hình 2.34 ta có thể dễ dàng nhận thấy, đất nơng nghiệp ln chiếm diện tích cao trong cơ cấu sử dụng đất của thành phố năm 2006 chiếm 55% diện tích tự nhiên (bao gồm các loại đất lâm nghiệp, đất trồng lúa, đất trồng cây hằng năm và đất trồng cây lâu năm) trong đó đất trồng cây hằng năm chiếm diện tích cao nhất 13273.55 ha, chiếm 30.2% diện tích đất tự nhiên của thành phố. Đất lâm nghiệp và đất trồng cây lâu năm cũng chiếm một diện tích lớn trong cơ cấu sử dụng đất của thành phố. Diện tích đất lâm nghiệp là 5106.01 ha, chiếm 11.6% diện tích đất tự nhiên. Diện tích đất trồng cây lâu năm là 3946.01 ha chiếm 9 % diện tích đất tự nhiên. Diện tích đất lâm nghiệp cũng nhƣ diện tích đất trồng cây lâu năm trên địa bàn thành phố chiếm diện tích tƣơng đối cao là tƣơng đối phù hợp với điều kiện tự nhiên, điều kiện khí hậu nhiệt đới gió mùa, thổ nhƣỡng cũng nhƣ địa hình thuận lợi cho trồng cây lâu năm. Diện tích đất trồng lúa trên địa bàn thành phố là 1807.37 ha chiếm 4.1% diện tích đất tự nhiên. Điều này là hồn tồn phù hợp với tình hình sản xuất thực tế trên địa bàn thành phố cũng nhƣ phù hợp với điều kiện địa hình cao ngun nhƣ nơi đây, địa hình chia cắt, khơng thuận lợi cho trồng lúa, diện tích đất trồng lúa chỉ tập trung ở những nơi bằng phẳng, ven các con sơng lớn. Diện tích đất trồng lúa tập trung chủ yếu ở các xã Đồn Kết, Hịa Bình, Đăk Cấm, Đăk Blà, Ya Chim.