Thu thập dữ liệu
Dữ liệu ảnh Sentinel-2 và Landsat đƣợc tìm kiếm và lọc theo tiêu chí: o Nằm trong khu vực huyện Tiên Lãng
o Thời gian từ 01 tháng 01 năm 2010 đến 31 tháng 12 năm 2010 đối với ảnh Landsat 7, từ 01-01-2018 đến 30-10-2018 đối với ảnh Sentinel-2. o Mức độ che phủ của mây dƣới 30%
Sau khi lọc ảnh theo tiêu chí đề ra chúng ta sẽ cĩ một bộ sƣu tập ảnh cho tất cả các ảnh theo năm.
Tách mây
Nhƣ đã nêu trƣớc đĩ, kênh ảnh QA60 của Sentinel-2 chứa thơng tin về các đám mây. Kênh phổ này vì thế đƣợc sử dụng để xĩa pixel đám mây trong hình ảnh; tuy nhiên, với độ phân giải thấp (60m), hĩa ra nĩ khơng hiệu quả. Các cạnh của mây vẫn cịn trong hình ảnh đám mây đƣợc loại bỏ và cũng cĩ pixel thậm chí khơng đƣợc đánh dấu trong kênh phổ này.
Đối với vấn đề này, học viên sử dụng phƣơng pháp phân loại để loại bỏ đám mây. Đám mây và các mẫu khơng đƣợc chọn sẽ đƣợc lấy từ một hình ảnh thích hợp trong bộ sƣu tập. Các đặc tính của các đối tƣợng mây và khơng mây sau đĩ đƣợc trích xuất bằng cơng cụ GEE. Sau đĩ, đối với mỗi hình ảnh trong bộ sƣu tập, một bộ phân loại Nạve Bayes liên tục đƣợc sử dụng để phân tách các pixel mây và khơng mây. Do đĩ, một mặt nạ mây đƣợc tạo ra và các pixel trên đám mây đƣợc xĩa khỏi hình ảnh. Việc tách mây và loại bỏ bĩng của mây cũng đƣợc thực hiện tƣơng tự đối với ảnh Landsat.
Cĩ thể nĩi rằng đây là bƣớc cực kỳ quan trọng, nếu mây khơng đƣợc loại bỏ hồn tồn các pixel mây sẽ gây ra nhiễu và giảm độ chính xác của phân loại sau này.
a) Landsat 7-2010 b) Sentinel-2 -2018
Hình 2.8. Ảnh kết quả tổ hợp màu RGB dùng cho mục đích phân loại sau khi tiền xử lý khi tiền xử lý
Tính tốn các chỉ số
Để xác định sự thay đổi của tập hợp hỗn độn bề mặt nƣớc và rừng ngập mặn qua thời gian cần những kênh phổ hoặc chỉ số thực vật nhạy cảm với cả đối tƣợng nƣớc và đối tƣợng thực vật. Các chỉ số phổ thực vật đƣợc phân tách từ các băng thị phổ, cận hồng ngoại, hồng ngoại và dải đỏ là các tham số trung gian mà từ đĩ cĩ thể thấy đƣợc các đặc tính khác nhau của thảm thực vật nhƣ: sinh khối, chỉ số diện tích lá, khả năng quang hợp, tổng các sản phẩm sinh khối theo mùa. Những đặc tính đĩ cĩ liên quan và phụ thuộc rất lớn vào dạng thực vật bao phủ và thời tiết, đặc tính sinh lý, sinh hố và sâu bệnh. Cơng nghệ gần đúng để giám sát đặc tính các hệ sinh thái khác nhau là phép nhận dạng chuẩn và phép so sánh giữa chúng.
Các kênh chỉ số đƣợc dùng để hỗ trợ cho việc tách chiết các đối tƣợng trên ảnh viễn thám tốt hơn. Ngồi việc sử dụng các kênh phổ thì học viên cịn sử dụng thêm các kênh chỉ số để phân loại cả hai ảnh Landsat TM, Sentinel-2. Các kênh chỉ số này đƣợc tính từ các kênh phổ của ảnh viễn thám.
biết đƣợc tác động của thời tiết khí hậu đến sinh quyển. NDVI biến thiên từ -1 đến 1, giá trị càng cao thì trạng thái của thực vật càng xanh tốt. Phƣơng pháp luận xây dựng chỉ số thực vật NDVI chủ yếu dựa trên sự khác nhau của cƣờng độ phản xạ và hấp thụ của bức xạ cận hồng ngoại và bức xạ khả kiến (với bức xạ đỏ là đại diện) khi tƣơng tác với thực vật trong quá trình quang hợp. Nếu cây xanh tốt, quá trình quang hợp xảy ra mạnh mẽ đồng nghĩa với việc diệp lục của lá cây cần hấp thụ nhiều bức xạ tia đỏ và phản xạ mạnh tia cận hồng ngoại, do đĩ chỉ số NDVI đạt giá trị cao và ngƣợc lại cây vàng úa, NDVI sẽ mang giá trị thấp.
Chỉ số thực vật tăng cƣờng EVI là một chỉ số thực vật độ nhạy cảm cao hơn chỉ số NDVI ở những vùng cĩ sinh khối cao.
Xây dựng hệ thống chú giải
Xác định hệ thống phân loại là bƣớc đầu tiên rất quan trọng để xây dựng bản đồ sử dụng đất cũng nhƣ bản đồ lớp phủ trong viễn thám. Hệ thống phân loại cần phải phù hợp với khả năng cung cấp thơng tin của dữ liệu viễn thám. Thiết lập phân loại khơng chỉ dựa vào các đối tƣợng nhìn thấy trên ảnh, mà cịn phụ thuộc vào rất nhiều các yếu tố khác: độ phân giải của ảnh viễn thám, thời gian chụp của vệ tinh, những kiến thức hiểu biết về địa phƣơng. GEE cung cấp một bản đồ nền và DEM cĩ độ phân giải cao, dựa vào đĩ học viên đã lựa chọn các mẫu giải đốn cho từng loại lớp phủ:
Bảng 2.5. Chú giải phân loại
Lớp phủ phân loại Chi tiết đối tƣợng
Rừng ngập mặn 1. Rừng ngập mặn
Mặt nƣớc 2.Sơng suối, kênh mƣơng, nuơi trồng thủy sản Lớp phủ đất nơng nghiệp
3.Vùng chuyên canh lúa, lúa màu
4.Vùng chuyên canh rau màu, cây ngắn ngày khác 5.Đất trồng cây lâu năm
Lớp phủ đất xây dựng
6.Khu dân cƣ đơ thị, dân cƣ nơng thơn 7.Khu cơng nghiệp, cơng trình xây dựng 8.Đƣờng giao thơng
cứu. Các mẫu khơng cần phải là một vùng lớn mà chỉ cần vùng nhỏ đại diện cho đặc điểm của lớp phủ mà chúng thuộc về, thậm chí cĩ thể là điểm.
Đối với mỗi mẫu phân loại, khoảng 300 điểm sẽ đƣợc chọn ngẫu nhiên trong các vùng mẫu giải đốn. Tập dữ liệu đào tạo cho phân loại đƣợc tạo ra bằng cách lấy giá trị từ 55 kênh ảnh cho từng điểm đối với Sentinel-2 và 9 kênh ảnh cho Landsat 7. Sau đĩ, tập dữ liệu đào tạo cĩ khoảng 1200 quan sát, mỗi quan sát chứa 55 và 9 thuộc tính kênh phổ và thuộc tính của từng lớp một.
c) Bãi bồi cát chƣa sử dụng d) Khu dân cƣ
e) Đất lúa f) Hoa màu
Hình 2.9. Mẫu dùng cho mục đích phân loại ảnh
Với mục tiêu của luận văn chỉ xem xét đánh giá tác động của nuơi trồng thủy sản đến rừng ngập mặn nên học viên gộp các đối tƣợng đất lúa, hoa màu, bãi bồi,
đất trống vào một nhĩm. Tĩm lại hệ thống chú giải sẽ bao gồm các lớp sau: Rừng ngập mặn, mặt nƣớc, dân cƣ và các loại lớp phủ khác.
Xây dựng mơ hình phân loại
Nhƣ đã đề cập ở trên học viên sử dụng thuật tốn Random Forest để phân loại lớp phủ rừng ngập mặn. Random Forest là một thành viên trong họ thuật tốn decision tree (cây quyết định). Một cây quyết định là một cách đơn giản để biểu diễn một giao thức (protocol). Nĩi cách khác, cây quyết định biểu diễn một kế hoạch, trả lời câu hỏi phải làm gì trong một hồn cảnh nhất định. Ví dụ, cây quyết định đƣợc sử dụng trong tổng đài điện thoại để quyết định xem tổng đài viên sẽ trả lời nhƣ thế nào dựa trên phản hồi của khách hàng. Nĩ cũng đƣợc sử dụng trong hệ điều hành của bất kì cỗ máy nào mà chúng ta cĩ thể tƣởng tƣợng (tàu ngầm, bom nguyên tử,...) hay đơn giản, cây quyết định đƣợc các bác sĩ sử dụng để chẩn đốn bệnh.
Ý tƣởng phía sau Random Forest khá đơn giản. Thuật tốn này sinh một số cây quyết định (thƣờng là vài trăm) và sử dụng chúng. Cĩ hai loại cây quyết định: một là cây phân loại đƣợc sử dụng để phân loại với biến mục tiêu là phân loại và cây kia là cây hồi quy đƣợc sử dụng để dự đốn với biến mục tiêu là liên tục. Cây phân loại đƣợc sử dụng trong nghiên cứu này là cây quyết định đầu tiên. Trong một cách dễ hiểu, ý tƣởng chung của phƣơng pháp cây quyết định này là chia các đối tƣợng đích thành các lớp khác nhau bằng cách đặt ra một loạt câu hỏi về các thuộc tính của chúng. Các đối tƣợng cĩ cùng câu trả lời cho tất cả các câu hỏi sẽ thuộc về cùng một lớp.
Trong nghiên cứu này, mơ hình cây đƣợc xây dựng với tập dữ liệu đào tạo đƣợc tạo trong bƣớc trƣớc đĩ trƣớc khi đƣợc sử dụng để phân loại tất cả các pixel trong khu vực nghiên cứu. Trong số 1200 quan sát, 70% đƣợc sử dụng để tạo cây và 30% đƣợc sử dụng để xác thực cây bằng ma trận sai lẫn, lƣu ý rằng đây là kiểm tra độ chính xác của mơ hình với tập dữ liệu huấn luyện chứ khơng phải độ chính xác của bản đồ phân loại sau này.
Hình 2.10. Mơ hình cây quyết định mẫu cho mục đích phân loại
a) Ảnh Landsat 7 b) Ảnh Sentinel-2
Hình 2.11. Ma trận sai lẫn giữa lớp phủ thực tế và lớp phủ dự đốn
Mơ hình này cĩ cấu trúc nhị phân với một điều kiện logic tại mỗi điểm nhánh để xem xét cốt truyện của cây quyết định, chúng ta cĩ thể dễ dàng sử dụng quy tắc trên để phân loại các đối tƣợng. Trong mỗi nút cĩ 4 dịng: Số đầu tiên cho biết giá trị của lớp nào chiếm ƣu thế; trong khi đĩ phần thứ hai cho thấy tỷ lệ phần trăm của mỗi giá trị lớp và giá trị cuối cùng cho biết phần trăm các đối tƣợng trong số tất cả các đối tƣợng mục tiêu nằm trong nút đĩ. Độ chuẩn xác của mỗi nút là cao khi một giá trị trong dịng thứ hai lớn hơn nhiều so với hai nút kia.
1 2 3 4 1 217 5 0 3 0.96 2 1 263 0 7 0.97 3 0 0 124 5 0.96 4 0 7 2 560 0.98 0.99 0.96 0.98 0.97 0.97 Lớp phủ dự đốn Độ chính xác Lớp phủ thực tế Độ chính xác (%) 1 2 3 4 1 199 3 1 2 0.97 2 1 192 0 3 0.98 3 0 1 130 0 0.99 4 1 3 5 345 0.97 0.99 0.96 0.96 0.99 0.98 Độ chính xác (%) Lớp phủ dự đốn Độ chính xác (%) Lớp phủ thực tế
Kết quả phân loại từ ảnh vệ tinh
Mơ hình cây quyết định sau đĩ đƣợc đƣa lên GEE và sử dụng thuật tốn Random Forest đƣợc phát triển sẵn để phân loại tất cả các pixel trên khu vực. Với các quy tắc đƣợc kiểm tra bởi mơ hình cây ở trên, chỉ đơn giản GEE sẽ phân loại tất cả các điểm ảnh mà khơng cần bất kỳ quá trình đào tạo nào nữa. Random Forest sẽ dựa vào những giá trị trong từng kênh phổ để đƣa ra đƣợc kết quả một cách chính xác nhất.
Kết quả đƣợc hiển thị trong hình sau, với 4 lớp quan tâm: rừng ngập mặn, mặt nƣớc, dân cƣ và lớp phủ khác.
Hình 2.13. Kết quả phân loại lớp phủ trên ảnh Landsat 7 - 2010
Kiểm chứng kết quả phân loại
Kết quả phân loại đƣợc kiểm chứng bằng cách sử dụng quan sát trực quan các điểm ngẫu nhiên, sử dụng hình ảnh vệ tinh của Google. Đối với mỗi lớp, các điểm xác nhận đƣợc lựa chọn ngẫu nhiên bằng phần mềm với khoảng cách tối thiểu nhất định giữa hai điểm (150m đối với lớp rừng và rừng trồng, 80m đối với lớp khác). Số lƣợng các điểm ngẫu nhiên lần lƣợt là 50, 50, 25, 25 đối với rừng ngập mặn, mặt nƣớc và các loại khác, tùy thuộc vào ƣớc tính diện tích của mỗi lớp.
Hình 2.14. Các điểm dùng cho mục đích kiểm chứng
Các điểm đƣợc tạo sau đĩ đã đƣợc tải lên GEE. Bằng cách xem xét từng điểm trên hình ảnh của Google sau đĩ gán nhãn lớp, độc lập với kết quả phân loại. Ma trận sai lẫn đƣợc tạo ra để xem độ chính xác của phân loại.
Bảng 2.6. Ma trận sai lẫn đánh giá độ chính xác kết quả phân loại
Kết quả trực quan Độ chính xác (%) Mặt nƣớc Rừng ngập mặn Dân cƣ Khác Kết quả phân loại Mặt nƣớc 43 4 2 1 86.0 Rừng ngập mặn 3 45 0 2 90.0 Dân cƣ 0 0 22 3 88.0 Khác 1 2 1 21 84.0 Độ chính xác (%) 91.5 88.2 88.0 77.8 86.68
loại của ảnh rất cao và đủ cơ sở để phân tích các yếu tố chuyên đề. Học viên đã tiến hành khảo sát thực địa để kiểm chứng kết quả phân loại ảnh, kết quả cho thấy sự chính xác cao của các đối tƣợng đƣợc phân loại.
CHƢƠNG 3: TÁC ĐỘNG CỦA NUƠI TRỒNG THỦY SẢN ĐẾN HỆ SINH THÁI RỪNG NGẬP MẶN
3.1 Xu hƣớng biến đổi lớp phủ các xã ven biển huyện Tiên Lãng
Thống kê các loại đất từ kết quả phân loại ảnh của các xã ven biển huyện Tiên Lãng trong giai đoạn 2010 - 2018 đã cho thấy xu hƣớng biến đổi đất một cách chung nhất. Trong đĩ, đất khác bao gồm đất nơng nghiệp, bãi triều cồn cát và đất trống giảm mạnh, cịn diện tích đất dân cƣ tăng rất nhanh qua các năm do quá trình đơ thị hĩa và cơng nghiệp hĩa.
Bảng 3.1. Bảng diện tích các loại lớp phủ mặt đất giai đoạn 2010 - 2018 (ha)
2010 2018 Rừng ngập mặn 756,24 811,51
Mặt nƣớc 2522,71 2651,52
Dân cƣ 285,58 517,48
Khác 2315,07 1899,09
Tính tới 2018, các xã ven biển Tiên Lãng cĩ diện tích rừng ngập mặn tăng lên 55,27 ha. Đa phần diện tích rừng ngập mặn là ở ngồi đầm nuơi trồng, bảo vệ và hỗ trợ trực tiếp việc nuơi trồng thủy hải sản. Cĩ một số diện tích nhỏ rừng ngập mặn trong một số đầm tơm và hầu nhƣ khơng phát triển do khơng cịn chế độ thủy triều lên xuống và phù sa. Diện tích rừng tăng lên là do một phần hỗ trợ từ các dự án đƣợc trồng thêm và mở rộng ra các bãi bồi trên biển.
Hình 3.1. Biểu đồ biến động sử dụng đất giai đoạn 2010-2018
0 500 1000 1500 2000 2500 3000
Rừng ngập mặn Mặt nước Dân cư Khác
Biến động sử dụng đất các xã ven biển Tiên Lãng (ha)
Diện tích mặt nƣớc tăng lên một phần do chuyển đổi từ đất nơng nghiệp sang nuơi trồng thủy sản. Bên cạnh đĩ việc lấn chiếm, chặt phá rừng ngập mặn để mở rộng diện tích nuơi trồng thủy sản cũng là nguyên nhân khiến diện tích mặt nƣớc tăng lên 128.81 ha.
Việc mở rộng diện tích nuơi trồng thủy sản cũng một phần do dân cƣ tăng lên rất nhanh tại các xã ven biển. Trong giai đoạn 2010 – 2018 diện tích khu dân cƣ tăng lên 231.90 ha, tăng nhanh nhất so với các loại lớp phủ khác.
Bảng 3.2. Ma trận biến động lớp phủ mặt đất giai đoạn 2010 - 2018 (ha)
2010 2018 Rừng ngập mặn Mặt nƣớc Dân cƣ Khác Rừng ngập mặn 570,03 133,37 4,37 48,47 Mặt nƣớc 166,40 2208,22 4,70 143,39 Dân cƣ 1,31 12,01 199,00 73,26 Khác 73,77 297,91 309,42 1633,97
Sự chuyển dịch trong cơ cấu các loại đất của các xã ven biển huyện Tiên Lãng từ năm 2010 đến năm 2018 đƣợc thể hiện trong bảng ma trận biến động ở trên. Đối với rừng ngập mặn mặc dù tăng diện tích lên 55,27 ha nhƣng phần lớn diện tích RNM đã bị mất chuyển đổi sang mặt nƣớc, trong đĩ chủ yếu là mặt nƣớc dùng để nuơi trồng thủy sản với diện tích 133,37 ha, bên canh đĩ một phần diện tích RNM cũng chuyển sang diện tích khác chủ yếu là nơng nghiệp. Tuy nhiên diện tích RNM cũng tăng lên do chuyển đổi 166,40 ha mặt nƣớc, 73,77 ha diện tích khác sang trồng RNM.
Diện tích dân cƣ trong giai đoạn này tăng lên một cách nhanh chĩng, phần diện tích đất dân cƣ năm 2018 đƣợc tăng lên là do diện tích đất khác mà chủ yếu là nơng nghiệp – đất khác chuyển sang: 309,42 ha, và một phần là do diện tích mặt nƣớc chuyển sang: 4,70 ha. Bên cạnh đĩ, phần diện tích đất nơng nghiệp – đất khác bị mất đi tƣơng đối lớn 415,98 ha do chuyển sang mặt nƣớc là 143,39 ha, rừng ngập mặn 48,47 ha, và 73,26 ha sang khu dân cƣ.
Hình 3.2. Bản đồ thay đổi diện tích rừng ngập năm giai đoạn 2010 - 2018
Để hiểu rõ hơn về xu hƣớng biến động các loại hình lớp phủ huyện Tiên Lãng học viên đã tính tốn biến động lớp phủ riêng cho từng xã: