Chương 3. THỰC NGHIỆM - ỨNG DỤNG CÔNG NGHỆ VIỄN THÁM VÀ GIS VÀO NGHIÊN CỨU BIẾN ĐỘNG HIỆN TRẠNG SỬ DỤNG ĐẤT
3.2. Ứng dụng công nghệ viễn thám và GIS nghiên cứu biến động hiện trạng sử dụng đất giai đoạn 1996 - 2011
3.2.4. Thành lập bản đồ hiện trạng sử dụng đất thành phố Thủ Dầu Một giai đoạn
3.2.4.1 Xây dựng hệ thống chú giải hiện trạng sử dụng đất
Theo tác giả Bonn, ông đã đưa ra mối quan hệ giữa độ chi tiết của độ phân giải không gian và phép phân loại (hình 3.3)
Hình 3.3. Mối quan hệ giữa độ phân giải không gian và chi tiết phân loại (Nguồn : "Bonn F, 1996")
Theo luật đất đai hiện hành đất đai được phân ra rất nhiều loại theo mục đích sử dụng, nhưng khi nghiên cứu hiện trạng sử dụng đất tại thành phố Thủ Dầu Một thì ta chỉ nghiên cứu được hình thức sử dụng đất theo bảng 3.4 với lý do sau:
- Sử dụng tư liệu viễn thám với độ phân giải không gian là 10m, theo Bonn độ chi tiết phân loại chỉ đạt mức độ I nhằm mục đích có cái nhìn khái quát về tình hình sử dụng đất. Thêm vào đó mức độ chi tiết của chú giải trong bản đồ hiện trạng sử dụng đất phụ thuộc vào kết quả phân loại.
Độ phân giải
Mức
- Thị xã Thủ Dầu Một là khu vực có tình hình sử dụng đất manh mún và phức tạp.
- Vấn đề khó khăn lớn khi chiết xuất thông tin chính là sự nhầm lẫn các đối tượng khu nhà ở với hạ tầng kỹ thuật đô thị. Do đó, xây dựng một lớp mới lấy tên là đất đô thị.
Bảng 3.2. Danh sách mục đích sử dụng đất trong nghiên cứu
TT Tên
1 Đất nông nghiệp 2 Đất ở nông thôn 3 Đất đô thị
4 Đất chuyên dùng 5 Đất mặt nước 6 Đất chưa sử dụng
Trên cơ sở các đối tượng thuộc hệ thống sử dụng đất đã được xác định, tiến hành xây dựng thư viện mẫu phục vụ công tác phân loại. Nội dung này được thực hiện dựa trên cơ sở phân tích cấu trúc ảnh vệ tinh kết hợp với ảnh chụp ngoài thực địa. Kết quả là đã xây dựng được hệ thống mẫu - chìa khóa giải đoán ảnh SPOT khu vực nghiên cứu.
Năm 1996 Năm 2003 Năm 2011
Hình 3.4: Ảnh SPOT thành phố Thủ Dầu Một năm 1996, 2003 và 2011
STT Đối
tượng Ảnh thực địa Vùng mẫu Ghi chú
1 Nước
đục Sông Sài Gòn
2 Nước
trong Hồ
3 Thực
vật 1
Các loại cây hoa màu và cây nông nghiệp gồm lúa, ngô, mía, trồng trên các bãi bồi ven sông.
4 Thực
vật 2
Các loại cây hoa màu như ngô, khoai, đậu, lạc…
5 Đất NN 1
Vùng đất ẩm ướt
6 Đất
NN 2
Đất mới thu hoạch vẫn còn ẩm
7 Đất
NN 3 Đất khô
8 Cát
Đất chuyên dùng: Khu công nghiệp, khu sản xuất kinh doanh...
9 Khu
dân cư
- Ảnh trên là khu đô thị
- Ảnh dưới là làng mạc xen lẫn cây trồng Bảng 3.3: Hệ thống mẫu giải đoán ảnh vệ tinh khu vực nghiên cứu
3.2.4.2. Phân loại đối tượng từ ảnh SPOT các năm 1996, 2003 và 2011
Để phân loại đất ở khu vực thành phố Thủ Dầu Một – tỉnh Bình Dương, tác giả sử dụng phân mềm eCognition (eCognition Developper 8.0).
1. Tổng quan về phần mềm eCognition:
eCognition (eCognition Developper 8.0) là phần mềm cung cấp và phát triển bởi công ty Definiens AG – CHLB Đức. eConigtion được sử dụng để phân tích ảnh ở nhiều tỉ lệ khác nhau từ tỉ lệ rất nhỏ như cấu trúc tế bào đến tỷ lệ lớn như các ảnh vệ tinh. Ví dụ, sử dụng eConigtion để phân tích tế bào trong y học, chiết tách các đối tượng từ ảnh vệ tinh phục vụ cho việc quan sát, quản lý tài nguyên thiên nhiên và môi trường, phân loại rừng… trong eCognition ảnh phân tích theo hai con đường: Tự động và bán tự động.
Một số khái niệm cơ bản sử dụng trong eCognition a. Đối tượng ảnh (Image Object)
Trong xử lý ảnh, đối tượng ảnh là sản phẩm của quá trình phân mảnh ảnh (segment). Mỗi đối tượng ảnh là tập hợp của một nhóm Pixel. Mỗi đối tượng ảnh sẽ chứa rất nhiều thông tin. Thông tin về đối tượng bao gồm bốn loại: 1) thông tin về đặc trưng phổ ảnh của đối tượng, 2) thông tin về các yếu tố hình thái của đối tượng, 3) thông tin về quan hệ của đối tượng này với đối tượng khác trên ảnh và 4) thông tin về quan hệ của đối tượng trên ảnh với các đối tượng bên ngoài ảnh lấy từ các nguồn thông tin khác (bản đồ địa hình, bản đồ đất, bản đồ thuỷ văn v.v.)
b. Phân mảnh ảnh (segmentation)
Phân mảnh ảnh là sự chia nhỏ hình ảnh thành các phần nhỏ (segment) dựa trên các tiêu chí: màu sắc (color), hình dạng (shape), độ chặt (compactness), độ trơn (smoothness).
Sự phân mảnh tạo ra các đối tượng ảnh, các đối tượng ảnh này được gọi là các đối tượng ảnh nguyên thuỷ (Đối tượng ảnh chưa phân loại)
c. Mạng phân cấp đối tượng ảnh
Hình 3.5: Mạng phân cấp đối tượng ảnh
Hình 3.5 cho thấy, mức thấp nhất có thể có của một ảnh chính là mức pixel và mức cao nhất là mức toàn ảnh. Giữa hai mức này bao giờ cũng tồn tại các đối tượng ở các mức trung gian và mức này là mức “Con” (child) của mức ở trên nó đồng thời lại là mức “Cha” (parent) của các đối tượng ở mức thấp hơn.
Để đảm bảo có được mạng phân cấp 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.
d. Bộ quy tắc (Rule set)
Trong xử lý ảnh, bộ quy tắc bao gồm các tiêu chí được thiết lập sao cho đối tượng này có thể tách khỏi đối tượng khác trên ảnh phục vụ mục đích phân loại.
e. Image Object domain
Hình 3.6: Nhóm chuyên đề của đối tượng ảnh (Image Object Domain) Nhóm đối tượng ảnh là tập hợp các đối tượng thuộc một chuyên đề ở các cấp được sử dụng để phân loại (“Cha”, “Con”, “Cháu”. Chắt” v.v.). Nhóm lớn nhất chính là toàn bộ ảnh; nhóm nhỏ nhất chỉ gồm một lớp và dưới nó không còn lớp nào khác.
Trong phần mềm eCognition phân loại theo định hướng đối tượng có thể xây dựng bộ quy tắc (Rule Set) để phân loại nhưng cũng có thể phân loại theo kiểu chọn mẫu. Trong đề tài này tác giả phân loại theo hướng chọn mẫu.
Hình 3.7: Giao diện phần mềm eCognition
Điểm khác biệt lớn của eCognition là cung cấp khả năng chiết tách thông tin dựa trên phương pháp phân loại hướng đối tượng, sử dụng segmentation để phân tách ảnh. Đối với phương pháp này dữ liệu sẽ qua các bước xử lý cơ bản:
- Segmentation: phân tách ảnh thành những vùng đồng nhất - Class Hierarchy: Phân lớp đối tượng
- Select Sample: chọn mẫu - Phân loại
- Chỉnh sửa đối tượng - Xuất dữ liệu
2. Các bước tiến hành a. Segmentation.
- Thiết lập một project: vào menu project management -> new project - Tiến hành mở ảnh: vào menu File\New project\load image
Hình 3.8: Ảnh mở bằng công cụ Raster manager
+ Trên cửa sổ creat project cung cấp một số thông tin của ảnh như: hệ thống toạ độ (coordinate system), độ phân giải của ảnh (Resolution), project size, geocoding, các kênh ảnh….
+ Để phân tích trên một phần của ảnh bằng cách click vào: subset selection trên cửa sổ new project
- Trộn các kênh ảnh và tăng cường chất lượng ảnh
- Để trộn ảnh: trên thanh thực đơn chọn View Image layer mixing hoặc trên thanh công cụ
Hình 3.9: Công cụ tăng cường chất lượng ảnh - Trên hộp layer mixing, cho phép hiển thị từng layer, nhiều kênh ảnh
- Trên hộp equalzing, cho phép lựa chọn các cách tăng cường ảnh khác nhau như:linear, standard deviation, Gamma correction, Histogram, Manual
Sử dụng thuật toán Segmentation cho sự phân mảnh đối tượng ảnh Trên cửa sổ process treeclick chuột phảichọn Append new
Hình 3.10: Công cụ phân mảnh ảnh
Trên của sổ append new, trên hộp thuật toán Algorithm kéo thả để chọn thuật toán phân mảnh.
Hình 3.11: Lựa chọn thuật toán phân mảnh
eCognition cung cấp một số thuật toán cho phân mảnh ảnh (segmentation) như: Thuật toán chessboard segmentation, Thuật toán quatree based segmentation, Thuật toán multiresolution segmentation.
Thuật toán phân mảnh thường xuyên được sử dụng trong quá tình xử lý ảnh là phân mảnh đa độ phân giải (Multi-segmentation)
Multi-segmentation: Áp dụng mức độ tối ưu hoá làm giảm thiểu mức độ bất đồng nhất của đối tượng ảnh cho một độ phân giải nhất định. Thuật toán có thể được ứng dụng trên mức Pixel hay mức đối tượng ảnh.
Thuật toán được thực hiện dựa theo việc lựa chọn các trọng số về hình dạng (shape), màu sắc (color), độ chặt (compactness), độ trơn (smothness) do người phân loại lựa chọn (các trọng số này có thể thay đổi dễ dàng)
Sau khi lựa chọn các thuật toán và đặt tham số ta được kết quả phân mảnh
Hình 3.12: Ảnh sau khi phân mảnh b. Chọn mẫu và tiến hành phân loại
- Trong giới hạn của đề tài, chỉ chọn các lớp đối tượng: Đất ở đô thị, đất ở nông thôn, đất chuyên dùng, đất nông nghiệp, đất chưa sử dụng, mặt nước.
- Sau khi lựa chọn các lớp đối tượng sẽ xác định xem lớp đối tượng đó đơn thuần là đối tượng đồng nhất hay được gộp bởi một số đối tượng.
- Sau khi chọn các lớp được đối tượng, có thể xác định các thuộc tính đối tượng cho dễ hiểu theo người dùng, hiển thị các mô tả mẫu đó.
- Sử dụng chức năngClass Hierarchy để xây dựng các lớp cần phân loại.
Hình 3.13: Cửa sổ lớp phân loại - Công cụ chọn mẫu
Hình 3.14: Công cụ chọn mẫu
- Các vùng mẫu được chọn dựa vào bảng khóa giải đoán đối tượng đã xây dựng ở trên.
STT Tên đối tượng Mẫu trên ảnh 1 Đất ở đô thị
2 Đất ở nông thôn
3 Đất chuyên dùng
4 Đất nông nghiệp
5 Đất trống
6 Mặt nước
Bảng 3.4: Các đối tượng cần phân loại
- Trong quá trình chọn mẫu có thể so sánh độ khác biệt giữa các mẫu đã chọn, ví dụ so sánh đất ở đô thị với thực vật và đất ở đô thị với đất ở nông thôn
Hình 3.15: Sự khác biệt các mẫu chọn
- Tiến hành phân loại trong phần mềm eCognition, sử dụng phương pháp Nearest Neighbor\Edit Standard NN Feature Space. Trong phần lựa chọn có rất nhiều phương pháp tác giả lựa chọn phân loại theo giá trị Layer (Object features\
LayerValues)
Hình 3.16: Phương pháp phân loại
- Sau khi lựa chọn phương pháp phân loại, trên cửa sổ ProcessTree ta tiến hành phân loại. ProcessTree\ Append New, lựa chọn thuật toán classification\
chọn các lớp cần phân loại\ execute - Kết quả phân loại
Hình 3.17: Kết quả phân loại c. Chỉnh sửa đối tượng
Trong eCognition cung cấp các công cụ chỉnh sửa bằng tay như gộp vùng, tách vùng, …
Hình 3.18: Các công cụ chỉnh sửa
- Sau khi tiến hành phân loại đối với các ảnh của các thời điểm 1996, 2003, 2011 ta được kết quả phân loại, xuất kết quả đưa vào ArcGis biên tập bản đồ hiện trạng lớp sử dụng đất và thống kê cơ cấu lớp phủ của từng thời điểm. Cụ thể như sau:
Hình 3.19: Bản đồ hiện trạng sử dụng đất thành phố Thủ Dầu Một năm 1996
(Thu nhỏ từ bản đồ tỷ lệ 1: 50 000)
Hình 3.20: Bản đồ hiện trạng sử dụng đất thành phố Thủ Dầu Một năm 2003
(Thu nhỏ từ bản đồ tỷ lệ 1: 50 000)
Hình 3.21: Bản đồ hiện trạng sử dụng đất thành phố Thủ Dầu Một năm 2011
(Thu nhỏ từ bản đồ tỷ lệ 1: 50 000)
Hình 3.22: Cơ cấu hiện trạng sử dụng đất năm 1996
Hình 3.23: Cơ cấu hiện trạng sử dụng đất năm 2003
Hình 3.24: Cơ cấu hiện trạng sử dụng đất năm 2011
71%
14%
9% 4%
2%
0% Đất nông nghiệp
Đất ở nông thôn Đất đô thị Đất chuyên dùng Đất mặt nước Đất chưa sử dụng
11% 58%
22%
5% 2%
2% Đất nông nghiệp
Đất ở nông thôn Đất đô thị Đất chuyên dùng Đất mặt nước Đất chưa sử dụng
33%
29% 14%
21%
2% 1%
Đất nông nghiệp Đất ở nông thôn Đất đô thị Đất chuyên dùng Đất mặt nước Đất chưa sử dụng