Nguồn ảnh: JAPAN INTERNATIONAL COOPERATION AGENCY (JICA) Dựa trên bản đồ phân loại lớp phủ Viêng Chăn các năm 1995, 2005 (hình 3.12 và hình 3.13) và bản đồ phân loại lớp phủ đô thị 2018 (hình 3.11), dễ dàng nhận thấy phần diện tích đô thị của Viêng Chăn tập trung chủ yếu ở 4 quận trung tâm của thành phố, nơi tập trung dân cƣ đông đúc nhất. Theo từng năm, phần lớp phủ đô thị cũng phát triển tăng thêm ở các quận trung tâm cũng nhƣ dọc theo các con sông lớn của thành phố, điều này phù hợp với tập tính sinh hoạt tự nhiên của ngƣời dân nơi đây, nơi chƣa có quá nhiều khu công nghiệp cũng nhƣ thành phố chƣa thực sự phát triển mạnh.
Theo thống kê, năm 1995, tỉ lệ diện tích đô thị chiếm khoảng 3% tổng diện tích thủ đô Viêng Chăn và tăng dần lên con số hơn 5% năm 2005. Ngoài ra, theo thống kê chính thức của Cục thống kê Lào, diện tích đô thị của Viêng Chăn năm 2017 là khoảng 276km2
, so với phần kết quả của nghiên cứu này là 213.6km2, sự khác biệt này là do trong nghiên cứu này chỉ coi các đối tƣợng mặt không thấm là đặc trƣng của đô thị (nhƣ đã trình bày ở chƣơng I), vẫn còn có đối tƣợng nằm trong diện tích đô thị nhƣng chƣa bóc tách đƣợc với các đối tƣợng khác, ví dụ nhƣ vƣờn hoặc khu đất trống trong khuôn viên gia đình ở các quận trung tâm, các đối tƣợng này có thể bị lẫn với các đối tƣợng là đất trống không sử dụng, v.v…
KẾT LUẬN
Với những đóng góp rất nhiều ý nghĩa trong thực tiễn, công nghệ viễn thám càng ngày càng thu hút đƣợc 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. LULCC là một ứng dụng truyền thống trong viễn thám. Nhiều nghiên cứu LULCC đã đƣợc thực hiện ở nhiều nơi khác nhau trên Trái đất. Tuy nhiên LULCC sử dụng hình ảnh vệ tinh quang học rất dễ bị ảnh hƣởng bởi những tác động của mây.
Luận văn 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, luận văn đã trình bày các bƣớc thực hiện để thu thập các ảnh Landsat 8 từ kho dữ liệu ảnh của NASA thông qua GEE. 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 hƣởng bởi mây hoặc bóng mây.
Kết quả của quá trình xử lý ảnh là những bức Ảnh 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 Viêng Chăn - Lào, quá trình phân loại lớp phủ đô thị đƣợc thực hiện. Kết quả cuối cùng là bản đồ lớp phủ đô thị cho thủ đô Viêng Chăn - Lào năm 2018. Các phƣơng pháp đánh giá phân lớp cũng đã đƣợc thực hiện để đánh giá kết quả này, OA đạt đƣợc 97.07% cùng với hệ số Kappa là 0.82. Kết quả phân lớp cuối này đảm bảo độ tin cậy trong thống kê.
Đối với mỗi khu vực nghiên cứu, phƣơng pháp này xử lý tập ảnh vệ tinh đƣợc tổng hợp qua nhiều năm và việc chọn TargetDOY trải đều qua các thời điểm trong năm, đảm bảo cho việc thu thập đầy đủ các đặc trƣng địa hình của khu vực nghiên cứu thay đổi theo thời gian cùng với việc xử lý để lấy đƣợc các điểm ảnh tốt nhất, ít bị ô nhiễm, ít bị ảnh hƣởng bởi mây nên phƣơng pháp này hoàn toàn có thể áp dụng đƣợc cho các khu vực nghiên cứu khác nhau. Cộng thêm với việc thu thập đƣợc các ảnh vệ tinh mới nhất của khu vực nghiên cứu, ta có thể xây dựng đƣợc bản đồ lớp phủ đô thị mới nhất khu vực này một cách nhanh chóng và chính xác. Tổng hợp và phân tích các bản đồ lớp phủ đô thị qua các thời kỳ sẽ giúp các nhà phát
triển, các nhà hoạch định chính sách thấy đƣợc sự thay đổi trong việc sử dụng đất đô thị và có đƣợc hƣớng phát triển đúng đắn và hợp lý.
Bên cạnh đó, vẫn có những vấn đề còn tồn tại trong quá trình phân loại lớp phủ đô thị cho thủ đô Viêng Chăn - Lào. Thời tiết khí hậu ở Lào đƣợc chia làm 02 mùa rõ rệt là mùa mƣa và mùa khô. Mùa mƣa tại Lào diễn ra từ tháng 5 đến tháng 10 và đặc biệt trong các tháng 6, tháng 7 và tháng 8, thƣờng diễn ra mƣa rất lớn và gây ngập, đọng nƣớc ở nhiều nơi. Điều này có thể gây ra sự sai lệch đối với việc phân loại các điểm ảnh trong các ảnh vệ tinh thu thập đƣợc trong khoảng thời gian kể trên. Ngoài ra, do số liệu thống kê về Viêng Chăn đƣợc công bố là rất ít ỏi nên trong luận văn chƣa thể so sánh cụ thể kết quả ƣớc tính từ bản đồ lớp phủ đô thị đƣợc xây dựng với các kết quả đo đạc thực tế.
Trong tƣơng lai, tôi sẽ tìm kiếm thêm các số liệu thống kê về sự phát triển của Viêng Chăn để so sánh kết quả nghiên cứu và số liệu thống kê. Đồng thời, nghiên cứu thêm về các loại ảnh vệ tinh khác nhƣ: MODIS, Sentinel v.v… và nghiên cứu thêm về các chỉ số khác nhƣ Normalized Difference Water Index (NDWI), Normalized Difference Built-up Index (NDBI), Built-up Index (BU), Urban Index (UI), Index-based Built-up Index (IBI), v.v… để kết hợp các ảnh và chỉ số này trong quá trình tạo ảnh kết hợp và phân loại lớp phủ cho Viêng Chăn cũng nhƣ các khu vực nghiên cứu khác. Bên cạnh đó, việc nghiên cứu để xây dựng và kết hợp thêm các bộ phân lớp khác để kết quả phân lớp đƣợc nâng cao hơn cũng rất cần thiết.
TÀI LIỆU THAM KHẢO
[1] Canada Natural Resources, Fundamentals of Remote Sensing. .
[2] K. Hibbard et al., “Research priorities in land use and land-cover change for the Earth system and integrated assessment modelling §,” vol. 2128, no. July, pp. 2118-2128, 2010.
[3] “Thƣ viện học liệu mở Việt Nam.” [Online]. Available: https://voer.edu.vn. [4] Q. Weng, Urban Remote Sensing. Taylor & Francis Group, LLC, 2018.
[5] A. Schneider, M. A. Friedl, and D. Potere, “A new map of global urban extent from MODIS satellite data,” IOPScience, vol. 044003, 2009.
[6] N. Son, C. Chen, C. Chen, B. Thanh, and T. H. Vuong, “Assessment of urbanization and urban heat islands in Ho Chi Minh City , Vietnam using Landsat data,” Sustain. Cities Soc., 2017.
[7] S. Saksena et al., “Classifying and mapping the urban transition in Vietnam,”
Appl. Geogr., vol. 50, pp. 80-89, 2014.
[8] P. Taylor, H. M. Pham, and Y. Yamaguchi, “Urban growth and change analysis using remote sensing and spatial metrics from 1975 to 2003 for Hanoi , Vietnam,” Int. J. Remote Sens., no. 04 Apr 2011, pp. 37-41, 2011. [9] R. B. Smith, “Introduction to Remote Sensing of Environment ( RSE ),”
2002.
[10] E. Vermote, C. Justice, M. Claverie, and B. Franch, “Preliminary analysis of the performance of the Landsat 8/OLI land surface re flectance product,”
Remote Sens. Environ., vol. 185, pp. 46-56, 2016.
[11] N. Gorelick, M. Hancher, M. Dixon, S. Ilyushchenko, D. Thau, and R. Moore, “Google Earth Engine : Planetary-scale geospatial analysis for everyone,” Remote Sens. Environ., no. 2016, 2017.
[12] M. M. Median, “Seasonal Composite Landsat TM/ETM+ Images Using the Medoid (a Multi-Dimensional Median),” Remote Sens., pp. 6481-6500, 2013. [13] 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.
[14] D. P. Roy et al., “Web-enabled Landsat Data ( WELD ): Landsat ETM + composited mosaics of the conterminous United States,” Remote Sens.
Environ., vol. 114, no. 1, pp. 35-49, 2010.
[15] P. Potapov, S. Turubanova, and M. C. Hansen, “Regional-scale boreal forest cover and change mapping using Landsat data composites for European Russia,” Remote Sens. Environ., vol. 115, no. 2, pp. 548-561, 2011.
[16] 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.
[17] 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.
[18] C. Gómez, J. C. White, and M. A. Wulder, “Optical remotely sensed time series data for land cover classification : A review,” ISPRS J. Photogramm.
Remote Sens., vol. 116, pp. 55-72, 2016.
[19] 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.
[20] C. Cortes and V. Vapnik, “Support-Vector Networks,” vol. 297, pp. 273-297, 1995.
[21] 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.
[22] T. Chen and C. Guestrin, “XGBoost : A Scalable Tree Boosting System,” pp. 785-794, 2016.
[23] 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.
[24] S. Godbole and S. Sarawagi, “Discriminative Methods for Multi-labeled Classification,” pp. 22-30, 2004.
[25] J. Cohen, “A Coefficient of Agreement for Nominal Scales,” vol. XX, no. 1, pp. 37-46, 1960.
[26] L. S. B. Ministry of Planning And Investment, Statistical Yearbook 2017, no. June. 2018.
[27] “Thủ đô Viêng Chăn (Cộng hòa Dân chủ Nhân dân Lào).” [Online]. Available:
http://www.mofahcm.gov.vn/vi/hoptac_qt/nr041014110554/ns070223150533 .
[28] “USGS Earth Explorer.” [Online]. Available: https://earthexplorer.usgs.gov/.
[29] “Google Earth Engine.” [Online]. Available:
https://code.earthengine.google.com/.
[30] 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.
[31] J. Peng, Y. Li, L. Tian, Y. Liu, and Y. Wang, “Vegetation Dynamics and Associated Driving Forces in Eastern China during 1999-2008,” Remote
Sens., vol. 7, pp. 13641-13663, 2015.