Phương pháp giải đoán ảnh viễn thám

Một phần của tài liệu Luan van AG (Trang 49 - 54)

CHƯƠNG 3: PHƯƠNG PHÁP NGHIÊN CỨU 3.1. Đối tượng và phạm vi nghiên cứu

3.3. Phương pháp giải đoán ảnh viễn thám

a) Cắt ảnh, ghép ảnh

Cắt, ghép ảnh (do tỉnh An Giang trải đều trên nhiều bức ảnh của các huyện khác nhau, do đó ta tiến hành ghép các ảnh chụp tỉnh An Giang cùng một thời điểm).

Cắt ảnh: Sử dụng chức năng (File/Subset Data via ROIs) cắt vùng ảnh tỉnh An Giang.

b) Nắn ảnh

Hiệu chỉnh hình học đối với ảnh vệ tinh trong quá trình chụp ảnh do sự

tọa độ việc nắn chỉnh ảnh nhằm đưa ảnh về hình dạng thực ảnh thu được có tọa độ ở dạng kinh độ/vĩ độ, ở đây ta thống nhất nắn chỉnh tọa độ về dạng UTM (x,y), datum WGS-84, zone 48 North. Chọn các điểm khống chế mặt đất (GCP – Ground Control Point) ta chọn các điểm khống chế 4 góc ảnh và trung tâm được thể hiện trên bản đồ.

c) Tăng cường chất lượng ảnh

+ Lọc ảnh ta chọn lọc ảnh bằng phương pháp Median

+ Tăng cường độ tương phản bằng phương pháp kéo giản tuyến tính (Linear) đây là phương pháp sử dụng giá trị nhỏ nhất và lớn nhất của ảnh để thực hiện phép giãn tuyến tính. Tuyến tính 0-255 phương pháp này sẽ hiển thị các giá trị thực pixel của ảnh theo giá trị hiển thị của màn hình từ 0 đến 255.

3.3.2. Tính toán chỉ số thực vật (NDVI:Normalized Difference Vegetation Index)

Chỉ số khác biệt thực vật NDVI phản ánh hàm lượng chlorophyl trong thực vật, cây có hàm lượng chlorophyl cao tương đương chỉ số NDVI cao.

Theo Nguyễn Ngọc Thạch (2005), chỉ số khác biệt thực vật NDVI được tính theo công thức:

NDVI = NIR-Red/NIR+Red

Trong đó: NIR là kênh cận hồng ngoại.

Red là kênh đỏ.

Tính chỉ số NDVI của ảnh LANDSAT 8 bằng chức năng Transform/

NDVI/AVHRR của phần mềm ENVI.

Tạo chuỗi ảnh NDVI: sử dụng công cụ ENVI Standard tạo chuỗi ảnh thực vật NDVI trên ảnh thuộc vùng nghiên cứu

Việc phân loại có kiểm soát được thực hiện qua việc xác định các nhóm kiểm tra đại diện, từ kết quả khảo sát thực địa. Sự phân nhóm kiểm tra chỉ đạt yêu cầu khi sự phân bố các nhóm đại diện tụ họp chặt chẽ với nhau và không chồng lấp nhau. Tiến hành phân loại có kiểm soát tính toán thống kê sự phân bố mỗi nhóm band và tính toán xác suất một pixel cho trước mỗi nhóm.

Chỉ số NDVI có giá trị trong khoảng từ -1 đến +1, thực vật phát triển càng mạnh giá trị NDVI càng lớn (Gross, 2005). Sự tương quan giữa giá trị NDVI và sự hiện diện của thực vật được thể hiện ở Bảng 3.1.

Theo Bảng 3.1, trên đất lúa giá trị NDVI sẽ tăng dần theo thời gian sinh trưởng của cây lúa. Giai đoạn gieo sạ (ít thực vật) giá trị NDVI thấp, đến

giai đoạn làm đồng và trổ bông (sinh khối phát triển nhất) giá trị NDVI cao nhất và sau đó đến khi thu hoạch lúa giá trị NDVI thấp.

Bảng 3.1: Giá trị NDVI và sự hiện diện của thực vật Giá trị NDVI Thực vật

≤ 0,1 Không có hoặc rất ít 0,2 – 0,3 Ít thực vật

0,4 – 0,6 Thực vật trung bình

> 0,6 Thực vật nhiều

(Theo Gross, 2005 (Trích dẫn bởi Trần Thị Hiền, 2009))

3.3.3. Điều tra thực địa

Xác định tuyến khảo sát và thành lập các điểm khảo sát dựa trên hiện trạng phân bố các loại đất của vùng nghiên cứu.

Điều tra thực tế: sử dụng máy định vị GPS xác định tọa độ và ghi nhận đặc tính hiện trạng tại vị trí các điểm khảo sát.

Việc khảo sát nhằm kiểm tra lại kết quả phân loại không kiểm soát và làm cơ sở cho phân loại có kiểm soát. khảo sát thực tế cần thu được hiện trạng sử dụng tại khu vực khảo sát, cơ cấu mùa vụ cũng như ngày bắt đầu và kết thúc của mùa vụ.

Việc khảo sát cần chọn những điểm đại diện trên ảnh hoặc những khu vực không xác định được hiện trạng. Kết quả của việc khảo sát thực tế là ta biết hiện trạng và cơ cấu mùa vụ làm cơ sở cho việc khoanh ROI chọn vùng mẫu trong phân loại có kiểm soát.

3.3.4. Phân loại

Thành lập chìa khóa giải đoán: xây dựng chìa khóa giải đoán ảnh dựa trên 8 dấu hiệu đặc trưng như tone ảnh, màu sắc, bóng, sa cấu, hình dạng, vị trí, kích thước, kiểu mẫu, màu để phân biệt các nhóm đối tượng trên ảnh.

Khoanh vùng mẫu (ROI: Region of Interest): dựa vào kết quả kiểm tra thực địa tiến hành khoanh vùng mẫu dựa trên vị trí các điểm khảo sát cho từng nhóm đối tượng và sử dụng công cụ ROI Tool trên ENVI.

Bảng 3.2: Khóa giải đoán các đối tượng trên ảnh vệ tinh Landsat (theo Mai Trọng Thịnh & Nguyễn Hải Hòa, 2017):

TT Đối tượng Hình ảnh Yếu tố giải đoán (tổ hợp RGB: 5, 4, 3)

1 Sông Màu xanh đậm, xanh đen,

cấu trúc mịn

2 Đất thổ cư Tím hồng, tím, cấu trúc lốm đốm

3 Rừng Màu xanh, cấu trúc thô

4 Lúa Màu xanh, xanh lơ, cấu

trúc mịn

5 Cây lâu năm

Màu xanh, xanh thẫm thành từng khối có ranh giới hình học rõ ràng, tương phản tone màu cao so với đối tượng xung quanh

6 Cây hàng năm

Cấu trúc mịn, màu xanh thường bị chia cắt rất sắc nét

Tính toán sự khác biệt giữa các vùng mẫu (Compute ROI Separability):

thống kê các cặp nhóm đối tượng dựa trên các vùng mẫu được tạo để kiểm tra sự đồng nhất giữa các giá trị điểm ảnh trong mỗi mẫu phân bố trong gian, nếu giá trị thống kê dao động từ 1,9 đến 2 thì các cặp mẫu được khoanh vùng có sự đồng nhất cao và giá trị thống kê thấp hơn 1,9 thì cần phải tạo vùng mẫu lại.

Phân loại ảnh: Tiến hành phân loại có kiểm tra với các vùng mẫu đã chọn cho từng nhóm đối tượng. Nghiên cứu sử dụng phương pháp phân loại gần đúng nhất (Classification/ Supervised/ Maximum Likelihood).

Xây dựng bản đồ hiện trạng cơ cấu mùa vụ năm 2018 tỉnh An Giang từ kết quả phân loại trên phần mềm ENVI, các dữ liệu ảnh được chuyển vào môi trường GIS. Xuất các lớp bản đồ này với dạng shape file bằng chức năng Vector/Classification vector.

Chuyển các lớp cơ cấu mùa vụ có định dạng shape file “.shp”sang phần mềm MapInfo, chồng lắp các lớp bản đồ với Bản đồ hành chính lấy ranh giới và trang trí bản đồ.

3.3.5. Đánh giá độ chính xác sau phân loại

Sử dụng ma trận sai số phân loại để xác định độ chính xác giải đoán ảnh, kết quả tính được dựa vào tỷ lệ phần trăm sai số bỏ sót, tỷ lệ phần trăm sai số thực hiện và độ chính xác toàn cục. Độ chính xác kết quả giải đoán được tính như sau (Nguyễn Ngọc Thạch và ctv., 2005):

Độ chính xác toàn cục = Tổng pixel phân loại đúng/Tổng pixel được phân loại Tính toán hệ số Kappa (k): đánh giá mức độ chấp nhận kết quả phân loại (Nguyễn Ngọc Phi, 2009). Hệ số Kappa được tính theo công thức:

Hệ số Kappa = A/B

Trong đó: A: số pixel phân loại đúng – số pixel phân loại sai.

B: tổng số pixel được phân loại.

Một phần của tài liệu Luan van AG (Trang 49 - 54)

Tải bản đầy đủ (DOCX)

(131 trang)
w