Hình 3.5 Ảnh đại diện cho DOY 195 với tổ hợp màu giả đô thị (Kênh 4-5-7)
Hình 3.7 Ảnh đại diện cho DOY 315 với tổ hợp màu giả đô thị (Kênh 5-4-7)
Tôi đã tiếp tục sử dụng tập dữ liệu như ở mục 3.1 để thực hiện phân lớp ảnh Venus sau khi kết hợp.
Bảng 3.5 Tập điểm mẫu dữ liệu huấn luyện và dữ liệu kiểm tra
Dữ liệu huấn luyện Dữ liệu kiểm tra
Lớp đô thị 623 327
Lớp khác 1256 718
Tổng cộng 1879 1045
Dựa trên tọa độ của các tập dữ liệu điểm mẫu, giá trị điểm ảnh tại tất cả các kênh ảnh của ảnh kết hợp sẽ được ghi thành các file với định dạng csv. Trong nghiên cứu này, mỗi ảnh kết hợp ( các ngày: 15, 75, 135, 195 và 315. Riêng ngày 295 không dùng vào phân lớp vì ngày này thuộc mùa mưa ở Việt Nam nên các chỉ số dữ liệu sẽ không chính xác) đại diện sẽ cho 1 file csv với định dạng cột và dòng, các cột tương ứng với số kênh ảnh, mỗi dòng là các giá trị của một điểm ảnh trong
tập điểm mẫu. Các file này sẽ là tập dữ liệu huấn luyện và dữ liệu kiểm thử dùng trong quá trình phân loại lớp phủ sau đó.
Thực hiện phân lớp cho ảnh Venus kết hợp theo ngày chụp cụ thể( các ngày: 15, 75, 135, 195 và 315), áp dụng các phương pháp phân lớp như XGBoots đo độ chính xác tổng thể là 99.90%. Mức độ chính xác này đảm bảo độ tin cậy trong thống kê và có thể sử dụng kết quả việc phân loại lớp phủ đô thị cho Hà Nội – Việt Nam năm 2018.
4. Các hạn chế và hướng nghiên cứu tiếp theo:
Do vệ tinh Venus là vệ tinh mới nên có số lượng ảnh chụp được chưa nhiều, các công trình, bài báo khoa học nghiên cứu còn ít nên tôi chưa có nhiều kết quả để so sánh. Hiện tôi so sánh độ chính xác với ảnh Landsat8 nhưng ảnh Venus cũng có nhiều điểm khác biệt về tọa độ, về dữ liệu đào tạo và kiểm thử chưa lớn. Trong tương lai, tôi sẽ nghiên cứu thêm các báo cáo khoa học, các công trình nghiên cứu về ảnh Venus đã được kết hợp để có kết quả phân lớp cao hơn.
KẾT LUẬN
Từ các đóng góp rất nhiều ý nghĩa trong thực tiễn, công nghệ viễn thám càng ngày càng thu hút được nhiều sự quan tâm của các nhà khoa học trên thế giới, đặc biệt là trong xử lý ảnh viễn thám và phân loại lớp phủ mặt đất. Bên cạnh đó, việc sử dụng hình ảnh vệ tinh quang học rất dễ bị ảnh hưởng bởi những tác động của mây.
Trong luận văn này, tôi đã trình bày các khái niệm cơ bản của khoa học viễn thám, ảnh vệ tinh và các ứng dụng của nó trong những lĩnh vực khác nhau. Đặc biệt, tôi đã trình bày các bước thực hiện để thu thập các ảnh Venus từ kho dữ liệu ảnh của TheIA. Thực hiện phân lớp ảnh Venus đơn sử dụng các thuật toán phân lớp đặc trưng để so sánh độ chính xác đạt được. Sau đó xử lý các ảnh vệ tinh, để tạo ra các bức ảnh kết hợp với những điểm ảnh tốt nhất, ít bị ảnh hưởng bởi mây hoặc bóng mây.
Kết quả của quá trình xử lý ảnh là những bức ảnh kết hợp đại diện cho các TargetDOY trong năm. Từ các bức ảnh kết hợp ít mây này, kết hợp với tập dữ liệu điểm mẫu đã thực địa tại thủ đô Hà Nội-Việt Nam, quá trình phân loại lớp phủ đô thị được thực hiện. Các phương pháp đánh giá phân lớp cũng đã được thực hiện để đánh giá kết quả này, thực nghiệm với cả ảnh Venus đơn và ảnh Venus kết hợp.
Bên cạnh đó, vẫn có những vấn đề còn tồn tại trong quá trình phân loại lớp phủ đô thị cho thủ đô Hà Nội-Việt Nam như: số lượng ảnh chụp được còn, tập dữ liệu huấn luyện và kiểm thử ghi nhận được chưa nhiều.
Trong tương lai, tôi sẽ nghiên cứu thêm về việc xây dựng tập huấn luyện và kiểm thử nhiều hơn nữa, sử dụng kết hợp nhiều loại ảnh vệ tinh khác nhau khác như: MODIS, Sentinel v.v… trong quá trình tạo ảnh kết hợp và phân loại lớp phủ cho Hà Nội-Việt Nam cũng như các khu vực nghiên cứu khác.
TÀI LIỆU THAM KHẢO
1. Danielle Labbé, “Facing the urban transition in Hanoi: recent urban planning issues and initiatives” Institut national de la recherche scientifique Centre - Urbanisation Culture Société, pp. 07–08, 2010
2. Sustainability-11-01768-v3
3. C. D. Man, T. T. Nguyen, H. Q. Bui, and K. Lasko, “Improvement of land-cover classification over frequently cloud-covered areas using Landsat 8 time- series composites and an ensemble of supervised classifiers,” Int. J. Remote Sens., vol. 39, no. 4, pp. 1243–1255, 2018.
4. M. C. Hansen, D. P. Roy, E. Lindquist, B. Adusei, C. O. Justice, and A. Altstatt, “A method for integrating MODIS and Landsat data for systematic monitoring of forest cover and change in the Congo Basin,” vol. 112, pp. 2495–2513, 2008.
5. ĐHQG.Khí Tượng Vệ Tinh (NXB Đại Học Quốc Gia 2007) - Nguyễn Văn Tuyên, 155 Trang
6. MAJA ATBD Algorithm Theoretical Basis Document_V1.0 2017/Dec/07
7. Centre National d’Etudes Spatiales – France, “The Venµs mission and products”, pp.3-9, 2014
8. Tạp chí phát triển KH&CN, tập 14, số M1 - 2011 “Ứng dụng viễn thám và GIS giám sát đô thị hóa thành phố Hồ Chí Minh thể hiện qua các mặt không thấm” - Trần Thị Vân, Viện Môi trường và Tài nguyên, ĐHQG-HCM 9. Evaluating the performance of multitemporal image compositing_INT. J.
REMOTE SENSING, 2003, VOL. 24, NO. 6, 1219–1236
10. J. C. White et al., “Pixel-Based Image Compositing for Large-Area Dense Time Series Applications and Science,” Can. J. Remote Sens., vol. 8992, pp. 192–212, 2014.
11. P. Griffiths, P. Grif, S. Van Der Linden, T. Kuemmerle, and P. Hostert, “A Pixel-Based Landsat Compositing Algorithm for Large Area Land Cover
Mapping A Pixel-Based Landsat Compositing Algorithm for Large Area Land Cover Mapping,” 2013.
12. M. C. Hansen, D. P. Roy, E. Lindquist, B. Adusei, C. O. Justice, and A. Altstatt, “A method for integrating MODIS and Landsat data for systematic monitoring of forest cover and change in the Congo Basin,” vol. 112, pp. 2495–2513, 2008.
13. Cortes C. and Vapnik V. (1995). Support-Vector Networks. Mach Learn, 20(3), 273–297.
14. Taylor & Francis, “Pixel-Based Image Compositing for Large-Area DenseTime Series Applications and Science” Canadian Journal of Remote Sensing, pp.192–212, 2014
15. S. Georganos, T. Grippa, S. Vanhuysse, M. Lennert, M. Shimoni, and E. Wolff, “Very High Resolution Object-Based Land Use – Land Extreme
Gradient Boosting,” IEEE Geosci. Remote Sens. Lett., pp. 1–5, 2018.
16. T. Chen and C. Guestrin, “XGBoost : A Scalab
785–794, 2016.
17. M. Sokolova and G. Lapalme, “A systematic analysis of performance measures for classification tasks,” Inf. Process. Manag., vol. 45, no. 4, pp. 427– 437, 2009.
18. “Google Earth Engine.” [Online]. Available: https://code.earthengine.google.com/.
19. P. Thi, M. Thy, V. Raghavan, and N. J. Pawar, “Urban Expansion of Can Tho City, Vietnam: A Study based on multi-temporal Satellites Images,” Geoinformatics, vol. 21, no. 3, pp. 147–160, 2010.
20. “L1C and L2A Venus product format” [Online].
Available:http://www.cesbio.ups-tlse.fr/multitemp/?page_id=16067 21. “Niên giám thống kê tóm tắt 2017” [Online]. Available:
http://thongkehanoi.gov.vn/a/nien-giam-thong-ke-tom-tat-2017- 1532053197/
PHỤ LỤC
3.1. Xây dựng bộ dữ liệu học và kiểm tra với ảnh vệ tinh Venus:
Thực hiện chuyển đổi Polygon sang point cho tập Training, Testing từ shapefile của ảnh Landsat8 chụp Hà Nội sử dụng ArCMap
Bước 1: Mở phần mềm ArCMap, chọn tìm kiếm từ khóa “ Feature Vertices to Points (Data Management)(Tool)” để chuyển đến màn hình “Feature to Points”
Bước 2: Tại màn hình “Feature to Points”, chọn shape file ảnh Landsat8 chụp Hà Nội tại vùng “Input Features”
Bước 3: Tại vùng “Output Features Class” chọn thư mục lưu file và đặt tên file tương ứng
Bước 4: Chọn “Inside (Optional)” và chọn OK để chuyển đổi file Thực hiện tương tự với Shapefile tập Training
Thực hiện Extract multi value to point:
Bước 1: Mở ArcMap, search “extract multi value to point”, chuyển đến màn hình” extract multi value to point”:
+ Mục “Input point feature” tìm đến shpfile đã được chuyển sang point cho shapefile Training/ testing
Bước 2: Tại khu vực “Result”, kéo file shpfile output vào vùng hiển thị. Tại vùng Layer, click chuột phải vào tên file\ chọn “Open attribute table” để mở file
Bước 4: Trên màn hình “Export data”, Chọn đến thư mục lưu file và chọn export với định dạng txt
Thực hiện lần lượt để lấy Training cho các ảnh Composite và lấy tập Testing tương tự
Thực hiện lọc lấy các điểm thuộc trong vùng ảnh Venus
Bước 1: Dùng Excel mở file txt ở bước 4, mục II. Vào Data, chọn “From text” button, tìm đến vùng lưu file txt cần mở và chọn “Import”
Bước 2: Trên màn hình “Text Import Wizard-Step 1 of 3”, chọn Delimited và chọn loại “1258: Vietnamese (Window)” ở trường “File origin” và chọn “Next”.
Bước 3: Trên màn hình “Text Import Wizard-Step 2 of 3”, tại vùng “Delimiters” chọn cả 3 loại “Tab”, “Semicolon” và “Comma” sau đó chọn “Next” và “Finish”
Bước 5: Sau bước 4 sẽ có file dạng như sau. Thực hiện lọc để xóa đi các dữ liệu điểm “-10000” và “-9000”. Thực hiện lấy nhãn tương ứng ở cột B và C sang một file excel khác và đặt tên tương ứng là “Train_Label” hoặc “Test_label”.