TRÊN NỀN TẢNG GOOGLE EARTH ENGINE (GEE) PHỤC VỤ ĐÁNH GIÁ BIẾN ĐỘNG LỚP PHỦ THỰC VẬT
4. Kết quả nghiên cứu
Hình 4: Kết quả phân loại lớp phủ thực vật khu vực tỉnh Đắk Lắk từ ảnh vệ tinh Landsat 5 TM năm 1989: (a) Ảnh gốc; (b) Phân loại hướng đối tượng + RF; (c) Phân loại dựa trên điểm
ảnh + RF; (d) Phân loại hướng đối tượng + SVM; (e) Phân loại dựa trên điểm ảnh + SVM
Hình 5: Kết quả phân loại lớp phủ thực vật khu vực tỉnh Đắk Lắk từ ảnh vệ tinh Landsat 8 năm 2021: (a) Ảnh gốc; (b) Phân loại hướng đối tượng + RF; (c) Phân loại dựa trên điểm ảnh + RF; (d) Phân loại hướng đối tượng + SVM; (e) Phân loại dựa trên điểm ảnh + SVM
Kết quả đánh giá độ chính xác phân loại lớp phủ bằng 04 phương án được trình bày trên Hình 6 và 7. Có thể nhận thấy, với cả 02 trường hợp, ảnh vệ tinh Landsat năm 1989 và 2021, phương án sử dụng phương pháp phân loại hướng đối tượng kết hợp thuật toán máy hỗ trợ vector (SVM) đều cho độ chính xác khi phân loại lớp phủ cao nhất, đạt trên 90 % (giá trị chỉ số Kappa đạt từ 0,90 đến 0,91), cao hơn đáng kể so với phương án kết hợp phân loại hướng đối tượng và thuật toán RF (độ chính xác đạt khoảng trên 85 %, giá trị chỉ số Kappa đạt 0,816 và 0,835 đối với ảnh Landsat năm 2021 và 1989). Ngoài ra, kết quả nhận được cũng cho thấy, phương pháp phân loại hướng đối tượng tỏ ra hiệu quả hơn so với phương pháp phân loại dựa trên điểm ảnh khi phân loại lớp phủ
thực vật. Trong cả 02 trường hợp, độ chính xác phân loại lớp phủ thực vật bằng phương pháp phân loại dựa trên điểm ảnh chỉ đạt trên 83 %. Từ kết quả này, trong nghiên cứu đề xuất lựa chọn phương pháp phân loại hướng đối tượng kết hợp SVM để tiến hành phân loại và đánh giá biến động lớp phủ thực vật khu vực tỉnh Đắk Lắk.
Hình 6: So sánh, đánh giá độ chính xác kết quả phân loại lớp phủ thực vật năm 2021
Hình 7: So sánh, đánh giá độ chính xác kết quả phân loại lớp phủ thực vật năm 1989
5. Kết luận
Bài báo đã trình bày một giải pháp xử lý dữ liệu ảnh viễn thám Landsat đa thời gian trên nền tảng điện toán đám mây GEE phục vụ công tác đánh giá và giám sát biến động lớp phủ thực vật.
Đây là một tiếp cận phù hợp và hiệu quả, giúp khắc phục những hạn chế về hạ tầng lưu trữ, tiết kiệm thời gian và công sức trong xử lý dữ liệu lớn viễn thám cũng như khai thác hiệu quả nguồn dữ liệu ảnh viễn thám miễn phí.
Dữ liệu ảnh Landsat 5 TM, Landsat 7 ETM+ và Landsat 8 OLI_TIRS giai đoạn 1989 - 2021 được thu thập và tiền xử lý trên nền tảng GEE, sau đó tiến hành lọc mây và cắt theo ranh giới tỉnh Đắk Lắk. Để phân loại lớp phủ thực vật, trong nghiên cứu cũng thử nghiệm với 04 phương án:
Phân loại hướng đối tượng + RF; Phân loại dựa trên điểm ảnh + RF; Phân loại hướng đối tượng +
SVM và Phân loại dựa trên điểm ảnh + SVM. Kết quả thử nghiệm với 02 cảnh ảnh Landsat năm 1989 và 2021 đều cho thấy, phương án kết hợp phân loại hướng đối tượng và thuật toán SVM cho độ chính xác cao nhất (trên 90 %, chỉ số Kappa đạt trên 0,90). Từ kết quả này, trong nghiên cứu đã đề xuất lựa chọn phương pháp phân loại lớp phủ thực vật trên cơ sở kết hợp phân loại hướng đối tượng và thuật toán máy hỗ trợ vector (SVM). Kết quả nhận được trong nghiên cứu có thể sử dụng phục vụ thành lập bản đồ hiện trạng lớp phủ thực vật cũng như cung cấp thông tin giúp các nhà quản lý đưa ra các biện pháp kịp thời trong giám sát sự thay đổi của lớp phủ thực vật.
TÀI LIỆU THAM KHẢO
[1]. Phạm Văn Chiến (2020). Nghiên cứu các chỉ số nhận biết nước từ ảnh Sentinel-2 trên nền Google Earth
Engine: Áp dụng cho thành phố Sa Đéc, tỉnh Đồng Tháp. Tạp chí Khoa học Thủy lợi và Môi trường, số 60,
113 - 120.
[2]. Nguyễn Văn Hoàng, Huỳnh Thị Kim Nhân, Nguyễn Đình Vượng (2020). Nghiên cứu ứng dụng nền
tảng Google Earth Engine thành lập bản đồ giám sát hạn hán lưu vực sông Đồng Nai vùng Đông Nam Bộ.
Tạp chí Khoa học Thủy lợi và Môi trường, số 58, 47 - 54.
[3]. Trịnh Lê Hùng, Mai Đình Sinh, Nguyễn Như Hùng, Lê Văn Phú (2021). Tự động phát hiện vùng ngập
lụt từ ảnh Sentinel - 1 sử dụng nền tảng Google Earth Engine. Tạp chí Khoa học Kỹ thuật, chuyên san Kỹ
thuật công trình đặc biệt, số 8, 29 - 43.
[4]. Trần Anh Tuấn, Nguyễn Đình Dương (2019). Tạo ảnh không mây phục vụ phân loại lớp phủ với tư
liệu Landsat đa thời gian - Nghiên cứu thử nghiệm tại tỉnh Đắk Lắk. VNU Journal of Science: Earth and
Environmental Sciences, Vol. 35, No. 4 (2019) 80 - 87.
[5]. Gomes, V., Queiroz G., Ferreire, K. (2020). An overview of platforms for big Earth observation data
management and analysis. Remote Sensing, 12, 1253. Doi:10.3390/rs12081253.
[6]. Foga, S., Scaramuzza P., Guo, S., Zhu, Z., Dilley, R., Beckmann, T., Schmidt, G., Dwyer, J., Hughes, M., Laue, B. (2017). Cloud detection algorithm comparison and validation for operational Landsat data
products. Remote Sensing of Environment 194, 379 - 390, http://doi.org/10.1016/j.rse.2017.03.026.
[7]. Jeppesen, J., Jacobsen R., Inceoglu, F., Toftegaard, T. (2019). A cloud detection algorithm for satellite
imagery based on deep learning. Remote Sensing of Environment, 229, 247 - 259.
[8]. https://earthengine.google.com/.
BBT nhận bài: 11/8/2022; Chấp nhận đăng: 31/10/2022