CHƯƠNG 2: ỨNG DỤNG GIS VÀ VIỄN THÁM THÀNH LẬP BẢN ĐỒ HIỆN TRẠNG SỬ DỤNG ĐẤT HUYỆN HÒA VANG, THÀNH PHỐ ĐÀ NẴNG
2.3. THÀNH LẬP BẢN ĐỒ HIỆN TRẠNG SỬ DỤNG ĐẤT HUYỆN HÒA VANG CÁC THỜI ĐIỂM NĂM 2005 VÀ 2015
2.3.1. Các bước thực hiện giải đoán ảnh
2.3.1.1. Quy trình thành lập bản đồ hiện trạng sử dụng đất:
Việc thành lập bản đồ HTSDĐ của huyện Hòa Vang từng thời điểm đƣợc thể hiện qua hình 2.2.
Trang 22
Hình 2.2. Quy trình thành lập bản đồ hiện trạng sử dụng đất Ảnh Landsat TM
năm 2005
Cắt ảnh theo ranh giới
Xây dựng mẫu phân loại
Phân đoạn ảnh Khảo sát thực địa, sử dụng GPS
Chuyển đổi sang dữ liệu dạng vector
Ảnh Landsat OLI năm 2015
Hiệu chỉnh hình học Cắt ảnh theo khung
Khảo sát từng kênh
Biến đổi kênh ảnh
Tổ hợp màu
Tăng cường chất lƣợng ảnh Nắn chỉnh ảnh theo dữ liệu nền khu vực
Phân loại Đánh giá kết quả
Thành lập bản đồ hiện trạng sử dụng đất
Trang 23 Các bước thực hiện cụ thể như sau:
a. Hiệu chỉnh ảnh
- Sử dụng các kênh 4, 5, 6 đối với ảnh Landsat OLI hoặc kênh 3, 4, 5 của Landsat TM để tạo thành ảnh đa phổ.
Hình 2.3. Các kênh ảnh viễn thám
Hình 2.4. Ghép các kênh ảnh
Tiếp tục, đề tài thực hiện việc hiệu chỉnh ảnh Landsat trên ENVI.
Hình 2.5. Hiệu chỉnh các thuộc tính của ảnh Landsat
Trang 24 b. cắt ảnh của khu vực nghiên cứu
- Đầu tiên cần có 1 file Shapefile khu vực huyện Hòa Vang - Mở file ảnh đã ghép kênh bước trên, chọn WGS 84, Zone 48.
Hình 2.6. Mở ảnh vector khu vực nghiên cứu Cắt ảnh theo ranh giới khu vực nghiên cứu
- Đầu tiên chúng ta mở ảnh cắt theo khung ảnh, sau đó chồng lớp ranh giới huyện dạng shapefile lên trên cùng một cửa sổ Display.
- Tiếp theo trên thanh menu chính chọn Basic Tools\Masking\Build Mask.
Options\Import EVFs chọn file ranh giới huyện.
- Vào Basic Tools\ Masking\ Apply Mask xuất hiện hộp thoại Apply Mask Input File nhấn vào Select Mask Band.
Hình 2.7. Cắt ảnh theo ranh giới c. Tăng cường chất lượng ảnh
ENVI cung cấp các công cụ khá hữu hiệu cho việc tăng cường khả năng hiển thị các thông tin trên ảnh. Để thực hiện chức năng này ta làm nhƣ sau:
Trên cửa sổ chính chọn Enhance từ đó một danh sách các phương pháp sẽ được xổ ra, sau đó ta chọn một phương pháp để tăng cường khả năng hiển thị ảnh. Ta cũng có
Trang 25
thể tăng cường lọc ảnh bằng cách chọn Enhance\Filter để chọn một phương pháp lọc ảnh, làm mịn hoặc tăng độ nét của ảnh.
Hình 2.8. Tăng cường chất lượng hình ảnh d. Tổ hợp màu
Phương pháp tổ hợp hợp màu là phương pháp được sử dụng rộng rãi dựa trên chuẩn nền màu trong viễn thám để hỗ trợ cho công tác giải đoán ảnh. Lợi thế của ảnh chụp đa phổ là có thể sử dụng tích hợp các kênh phổ khác nhau để phân tích giải đoán các đối tượng theo các đặc trưng bức xạ phổ. Ưu điểm của phương pháp tổ hợp màu là sử dụng các kênh ảnh đa phổ hiển thị cùng một lúc trên 3 kênh ảnh được gắn tương ứng với 3 loại màu cơ bản là đỏ, xanh lá cây và xanh lam hay còn gọi là RGB. Phương pháp này có thể tổ hợp hiển thị 3 kênh ảnh của cùng một loại ảnh vệ tinh, của các ảnh vệ tinh khác nhau cùng độ phân giải, hoặc của ảnh vệ tinh và ảnh máy bay cùng độ phân giải, của ảnh radar với các thời gian chụp khác nhau.
Trong một ảnh vệ tinh có nhiều kênh phổ khác nhau, ví dụ ảnh vệ tinh Landsat-5 TM, Landsat-7 TM có 6 kênh phổ (các kênh 1-5, và 7) có thể dùng để tổ hợp màu theo tổ hợp chập 3 của 6, sẽ cho ra 6x5x4 = 120 kiểu tổ hợp khác nhau trên 3 màu RGB.
Nếu trong tổ hợp màu kênh phổ có dải sóng đƣợc gắn đúng với màu thì đƣợc gọi là tổ hợp màu thật và trong các trường hợp khác gọi là tổ hợp giả màu. Ví dụ các kênh phổ của ảnh vệ tinh Landsat-7 ETM có các kênh 1 (kênh phổ xanh lam - blue) đƣợc gắn màu xanh lam, kênh 2 (phổ xanh lá cây - green) đƣợc gắn màu lục và kênh 3 (phổ đỏ - red) đƣợc gắn màu đỏ khi hiển thị màu, nghĩa là Band 1 = blue, Band 2 = green, and Band 3 = red và tổ hợp này đƣợc gọi là tổ hợp màu thật.
Trang 26 e. Lựa chọn vùng mẫu phân loại
Việc chọn vùng mẫu có tính chất quyết định tới kết quả phân loại. Để đảm bảo độ chính xác khi lựa chọn vùng mẫu phải chú ý các yêu cầu sau:
Số lƣợng các vùng lấy mẫu của mỗi loại đối tƣợng cần phải phù hợp. Số lƣợng vùng mẫu quá ít sẽ không đảm bảo độ chính xác, ngƣợc lại nếu quá nhiều làm tăng khối lƣợng tính toán lên rất nhiều đôi khi làm nhiễu kết quả tính toán.
Diện tích các vùng mẫu đủ lớn, đồng thời các vùng mẫu không đƣợc nằm gần ranh giới giữa các lớp đối tƣợng với nhau.
Vùng mẫu đƣợc chọn phải đặc trƣng cho đối tƣợng phân loại và phân bố đều trên khu vực nghiên cứu.
Từ số liệu thực địa và bản đồ hiện trạng sử dụng đất (HTSDĐ), tiến hành chọn mẫu phân loại bằng cách khoanh vẽ trực tiếp lên trên ảnh cần phân loại.
Tính toán chỉ số thông kê vùng mẫu: Sau khi chọn mẫu xong tiến hành tính toán chỉ số thống kê vùng mẫu và sự khác biệt giữa các mẫu.
Mỗi mẫu phân loại sẽ đƣợc tính toán để so sánh sự khác biệt với các mẫu còn lại.
Nếu cặp giá trị nằm trong khoảng 1.7 đến 2.0 chứng tỏ có sự khác biệt tốt, nếu từ 1.0 đến 1.7 thì nên chọn lại để có sự khác biệt tốt hơn, nếu nhỏ hơn 1 thì gộp hai lớp để tránh nhầm lẫn.
Trên cở sở thực địa, tƣ liệu ảnh viễn thám, bản đồ HTSDĐ, chúng tôi đã xây dựng đƣợc khóa giải đoán gồm 5 loại hình sử dụng đất cơ bản nhƣ sau:
Bảng 2.4. Dấu hiệu nhận biết các đối tượng
Loại đất Ảnh vệ tinh Ảnh thực địa Đặc điểm
Đất trồng lúa
Cấu trúc mịn, có hình dáng ô thửa, phân bố chủ yếu ở vùng đồng bằng.
Đất rừng sản xuất
Cấu trúc tương đối mịn, phân bố ở rìa của rừng tự nhien hoặc trên các sườn đồi thấp.
Trang 27 Đất rừng
phòng hộ
Cấu trúc mịn, phân bố ở những khu vực miền núi, có độ nhàu rất rõ do cấu trúc nhiều tầng.
Đất ở
Cấu trúc tương đối đồng nhất, thể hiện rất rõ trên ảnh.
Đất sông suối, mặt nước
Cấu trúc mịn, thường có dạng tuyến.
Đất chƣa sử dụng
Cấu trúc mịn, phân bố chủ yếu ở những khu vực ven biển và dễ dàng nhận biết trên ảnh.
f. Phân loại
Phân loại ảnh số là việc phân loại và sắp xếp các pixel trên ảnh thành những nhóm khác nhau dựa trên một số đặc điểm chung về giá trị độ xám, sự đồng nhất, mật độ, tone ảnh... có hai kiểu phân loại chính, là phân loại không chọn mẫu và phân loại có chọn mẫu.
1. Phân loại không chọn mẫu
Với phương pháp phân loại này, các pixel sẽ được phân chia tự động vào các lớp dựa trên một số đặc điểm về sự đồng nhất giá trị phổ sử dụng kỹ thuật gộp nhóm, phương pháp này được áp dụng trong trường hợp ta không biết hoặc không quen với những đối tƣợng xuất hiện trên ảnh, đồng thời nó cũng loại bỏ đƣợc những sai số chủ quan của con người. Phần mềm ENVI cung cấp cho chúng ta hai phương pháp phân loại không chọn mẫu là Isodata và K-Means.
2. Phân loại có chọn mẫu
Phân loại có chọn mẫu là phương pháp phân loại ảnh số dựa trên các pixel mẫu đã được chọn sẵn bởi người thực hiện công tác phân loại. Bằng cách chọn mẫu người phân loại đã chỉ ra giúp phần mềm xác định những pixel có cùng một số đặc trƣng đối
Trang 28
tƣợng về phổ phản xạ, từ đó gộp những đối tƣợng có chung đặc điểm về thành một lớp.
Để phân loại theo phương pháp này chúng ta bắt buộc phải xác định xem sẽ phân làm mấy loại đất từ đó đi chọn mẫu cho các loại đất đó, việc này có thể đƣợc tiến hành ngay trên ảnh hoặc tiến hành ngoài thực địa, để hạn chế sai số, đảm bảo khách quan chính xác thì chúng ta phải đi thực địa để lấy mẫu là tốt nhất.
Phương pháp lấy mẫu: Chúng ta phải sử dụng GPS có độ chính xác cao tiến hành bấm điểm khoanh vùng các khu vực đƣợc chọn làm mẫu. Sau đó dùng phần mềm Mapinfo hiển thị điểm, nối điểm và chuyển sang định dạng vector để chồng các mẫu lấy đƣợc lên ảnh. Sau khi đã chồng các mẫu lấy đƣợc lên ảnh (giống nhƣ chồng lớp ranh giới lên ảnh, đã trình bày ở phần nắn ảnh) thì trên cửa sổ hiển thị ảnh ta tiến hành chọn mẫu.
Trong giới hạn đề tài xin trình bày phương pháp phân loại có chọn mẫu sử dụng thuật toán Maximum Likelihood vì nó đạt độ chính xác hơn so với cách phân loại không chọn mẫu.
3. Chọn mẫu phân loại
Tiến hành phân loại ảnh dựa trên đặc điểm các đối tƣợng khác nhau thì có sự phản xạ với bước sóng khác nhau. Phương pháp được sử dụng là Maximum Likehood. Do đặc điểm ảnh Landsat có kích thước các pixel khá lớn nên trong nghiên cứu này chỉ phân loại các mục đích sử dụng đất chủ yếu của vùng.
Độ chính xác của mẫu phải đảm bảo có tính đồng nhất cao; chỉ số đồng nhất dao động từ 1.9 đến 2.0 là đạt yêu cầu.
Hình 2.9. Phân loại Maximum Likelihood 4. Phân loại Maximum Likelihood
Phương pháp Maximum Likelihood coi số liệu thống kê của mỗi lớp trong mỗi kênh ảnh được phân tán một cách thông thường và phương pháp này có tính đến khả năng một pixel thuộc một lớp nhất điịnh. Nếu nhƣ không chọn một ngƣỡng xác suất
Trang 29
thì sẽ phải phân loại tất cả các pixel. Mỗi pixel đƣợc gán cho một lớp có độ xác suất cao nhất (nghĩa là “Maximum Likelihood”).
Để tiến hành phân loại với phương pháp này, từ thanh công cụ chính của ENVI chọn Classification\Supervised và chọn Maximum Likelihood.
Hình 2.10. Ảnh sau khi phân loại f. Kỹ thuật hậu phân loại
Các kết quả sau khi phân loại cần thực hiện quy trình hậu phân loại nhƣ đánh giá độ chính xác, khái quát hóa các lớp thông tin và vector hóa…..để đánh giá chất lƣợng phân loại và tạo đƣợc những lớp cho việc xuất chuyển sang dạng bản đồ ảnh và vector GIS. Phần mềm ENVI cung cấp cho chúng ta một số công cụ thỏa mãn các yêu cầu trên:
1. Thống kê kết quả - Class Statistics
Đây là chức năng đầu tiên ta thực hiện ngay sau khi phân loại. Chức năng này cho phép ta tính toán thống kê ảnh dựa trên các lớp kết quả phân loại.
Để thực hiện thống kê, từ thực đơn chính của cửa sổ ENVI chúng ta chọn Classification\Post Classification\Class Statistics. Tiếp theo chọn file kết quả đã phân loại trong hộp thoại Classification Input file và chọn file ảnh tương ứng dùng để thực hiện thống kê trong Statistics input file.
2. Ma trận sai số - Confusion Matrix
Chức năng lập ma trận sai số của ENVI cho phép ta so sánh ảnh đã đƣợc phân loại với kết quả thực địa hoặc các vùng mẫu với mục đích đánh giá độ chính xác kết quả phân loại.
Để thực hiện chức năng này, từ thực đơn lệnh chính của ENVI ta vào Classification\Post Classification\Cofusion Matrix. Sau đó chọn phương pháp sử dụng
Trang 30
ảnh, kết quả từ thực địa hoặc sử dụng file chọn vùng mẫu từ thực địa. Trong đề tài chúng tôi sử dụng phướng pháp sử dụng file chọn vùng mẫu từ thực địa.
3. Phân tích theo đa số và thiểu số - majority/minority
Đây là một công cụ quan trọng và hữu ích nhất trong kỹ thuật hậu phân loại trong phần mềm ENVI dùng để giải đoán ảnh viễn thám. Sử dụng phương pháp này để gộp những pixel lẻ tẻ hoặc phân loại lẫn trong các lớp vào chính lớp chứa nó.
Để thực hiện chức năng, từ thực đơn lệnh của ENVI ta chọn Classification\Post Classification\Majority/Minority Analys
Hình 2.11. Phân tích sau phân loại 4. Đánh giá độ chính xác Kappa
Là thuật toán xác định độ tin cậy của sự phân loại ảnh. Độ chính xác của ảnh đƣợc phân loại dựa vào khu vực mà nó đặt dữ liệu tham khảo (ground truth map). Hầu hết những phương pháp để đánh giá độ chính xác sự phân loại bao gồm một ma trận được xây dựng từ 2 loại dữ liệu (ví dụ: bản đồ sự phân loại viễn thám và dữ liệu tham khảo).
Trang 31
Độ chính xác còn thể hiện mức độ phù hợp giữa những gì quan sát đƣợc và thực tế (thường là dưới dạng phần trăm). Một ma trận sai số là một ma trận vuông được sắp xếp theo hàng và cột chỉ rõ số lƣợng các mẫu pixel đƣợc gán cho một lớp riêng biệt liên quan tới các lớp hiện thời, đƣợc thực hiện bởi việc tham khảo dữ liệu.
Độ chính xác toàn diện đƣợc tính bởi tổng pixel phân loại chính xác và tổng số pixel tách rời ra. Trong nghiên cứu này, phương pháp lấy mẫu ngẫu nhiên được dùng để đánh giá độ chính xác sự phân loại.
Để đánh giá độ chính xác của sự phân loại thảm phủ, những mẫu ngẫu nhiên đƣợc mô tả cho mỗi lớp thực vật riêng biệt. Độ chính xác rất cao của phép phân loại thường đƣợc chấp nhận phổ biến là trên 0.85 (85%), độ chính xác vừa phải thì nằm trong khoảng 0.4÷0.8. Các thông số này do Cục Địa chất Mỹ quy định.
Hệ số Kappa được sử dụng là thước đo đánh giá độ chính xác phân loại. Trái ngược hẳn với độ chính xác toàn diện đƣợc miêu tả ở trên, đây là hệ số tiện ích của tất cả các nguyên tố từ ma trận ở trên. Nó là sự khác nhau cơ bản giữa những gì có thực về sai số độ lệch của ma trận và tổng số thay đổi đƣợc chỉ ra bởi hàng và cột.
∑ ∑ ∑
r = số lƣợng cột trong ma trận ảnh
xii = số lượng pixel quan sát được tại hàng i và cột i (trên đường chéo chính)
xi+ = tổng pixel quan sát tại hàng
i x+i = tổng pixel quan sát tại cột i
N = Tổng số pixel quan sát đƣợc trong ma trận ảnh
Hệ số Kappa thường nằm giữa 0 và 1, giá trị nằm trong khoảng này thì độ chính xác của sự phân loại đƣợc chấp nhận. Kappa có 3 nhóm giá trị:
K>0.8: độ chính xác cao
0.4<K<0.8: độ chính xác trung bình
K<0.4: độ chính xác thấp
Trang 32
Độ chính xác phân loại của năm 2005 là 96% với hệ số Kappa là 0,94
Độ chính xác phân loại của năm 2015 là 96% với hệ số Kappa là 0,92
Chỉ số Kappa của các kết quả phân loại đều trên 0,92. Vì vậy đề tài chấp nhận những kết quả giải đoán ảnh viễn thám ở các thời điểm 2005 và 2015.
Trang 33