4.3. Kết quả phân loại xây dựng bản đồ hiện trạng rừng và sử dụng đất VQG
4.3.1. Kết quả phân loại trên phần mềm Ecognition
Việc chạy phân mảnh ảnh vệ tinh trên cơ sở lựa chọn các tham số:
- Nhân tố tỷ lệ (Scale paramete) - Màu sắc (color)
- Hình dạng (Shape) - Độ trơn (Smoothness) - Độ chặt (Compactness)
- Bản đồ các ô mẫu đã điều tra khảo sát ở trên
Kết quả chạy được phân tích và kiểm nghiệm các yếu tố:
- Mức độ chi tiết của các lơ chạy phân vùng – diện tích tối thiểu của một lô trạng thái ần phân loại. Việc này phụ thuộc vào quy định trên cở sở tỷ lệ bản đồ thành quả.
- Khả năng phân tách ranh giới lô trạng thái trên ảnh
Với diện tích tối thiểu là 0,5 ha, qua nhiều kiểm nghiệm, phân tích kết quả chúng tôi đưa ra khoảng giá trị các tham số chạy phân vùng phù hợp nhất như sau:
- Hình dạng – Shape: 0,2 - Độ trơn - Smoothnee: 0,5
- Diện tích tối thiểu – Scale parameter: 100
Với tham số trên kết quả phân tách đối tượng rừng và không rừng phân biệt được chi tiết, rõ rệt. Kết quả xác định các tham số cho việc phân vùng ảnh ở VQG Xuân Thuỷu thể hiện ở hình sau:
Hình 4.3: Kết quả phân vùng ảnh Thiết lập cây phân loại
Để đảm bảo có được cây phân loại để sử dụng cho phân loại thì việc phân mảnh ảnh phải tuân thủ các quy tắc sau:
- Ranh giới của đối tượng ở mức thấp hơn phải nằm trong ranh giới của đối tượng ở mức cao hơn.
- Các tiêu chí sử dụng để phân loại đối tượng ở mức thấp hơn phải bao gồm các tiêu chí ở các mức cao hơn ngay trước đó.
- Về phương diện thực nghiệm thì mạng phân cấp tạo ra các cơ sở tốt cho việc chiết xuất thông tin khi tận dụng được mọi quan hệ tạo ra từ tính phân cấp này.
Hình 4.4: Cây phân loại ảnh UAV VQG Xuân Thủy Xây dựng bộ quy tắc phân loại
Việc lập một bộ ruleset trong phân loại ảnh đối tượng dựa trên cơ sở các tiêu chí tham gia vào q trình phân loại và giá trị ngưỡng của từng tiêu chí đó cho từng trạng thái cần phân loại đã xác định ở trên. Tuy nhiên, việc xây dựng một bộ rule set trong phân loại ảnh đòi hỏi người phân tích ảnh phải có rất nhiều hiểu biết khác nhau như: đặc trưng của từng kênh ảnh, đặc trưng phản xạ của đối tượng trên ảnh, đặc trưng của từng tiêu chí phân loại, sự hiểu biết khu vực nghiên cứu, đặc tính sinh thái của từng trạng thái cũng như mối quan hệ giữa các đối tượng với nhau… Vì vậy, mỗi một trạng thái sẽ được xây dựng một quy tắc phân loại riêng, và hồn tồn phụ thuộc vào người giải đốn ảnh.
Ngun tắc xây dựng một bộ Ruleset sẽ được thực hiện từ khái quát đến chi tiết, từ các đối tượng lớn chính như đất lâm nghiệp, đất ngoài lâm nghiệp sau đó tiến hành cho trạng thái có rừng, khơng rừng và cuối cùng chi tiết hóa theo hệ thống phân loại đã xác định cho khu vực. Kết quả tồn bộ các lơ đã phân vùng ở trên đều được gán tên trạng thái theo thang phân loại.
Ngồi ra, trong qua trình phân loại sẽ dùng chức năng gộp các lô nằm kề nhau đã được phân vùng nhưng sau khi gán cùng tên trạng thái sẽ.
Hình 4.5: Bộ quy tắc phân loại ảnh máy bay UAV VQG Xuân Thủy
Dựa trên các điểm mẫu phân loại cùng với xây dựng ruleset phân loại đưa ra kết quả tự động như hình 4.6
Hình 4.6: kết quả chạy phân loại tự động dựa trên các điểm mẫu
Kết quả chạy phân loại tự động khơng chính xác 100% cho các đối tượng và hiện tượng lẫn giữa các trạng thái còn nhiều. Đối với các trạng thái lẫn tiến hành tính tốn lại giá trị để định tên lại cho các lô trạng thái lẫn. Công đoạn cuối cùng sử dụng chức năng chỉnh lý bằng tay để loại bỏ lô lẫn mà máy không thể phân tách chính xác để nâng cao kết quả giải đốn trước khi gộp đối tượng để biên tập bản đồ. Bản đồ hiện trạng rừng năm 2015 của VQG Xuân Thủy được biên tập theo hệ tọa độ VN2000, kinh tuyến trục 105 múi 6 dựa trên kết quả phân loại, giải đốn ảnh máy bay.
Hình 4.7: Bản đồ hiện trạng rừng VQG Xuân Thủy năm 2015