Phân Loại Lớp Phủ Đô Thị Cho Thủ Đô Viên Chăn - Lào, Sử Dụng Ảnh Composite Landsat-8.doc

Tải tài liệu tại sividoc.com
Viết đề tài giá sinh viên – ZALO:0973.287.149-TEAMLUANVAN.COM
ĐẠI HỌC QUỐC GIA HÀ NỘI
TRƯỜNG ĐẠI HỌC CÔNG NGHỆ
---------------------
BẾ HUY DƯỠNG
PHÂN LOẠI LỚP PHỦ ĐÔ THỊ CHO THỦ
ĐÔ VIÊN CHĂN - LÀO, SỬ DỤNG ẢNH
COMPOSITE LANDSAT-8
LUẬN VĂN THẠC SĨ NGÀNH HỆ THỐNG THÔNG TIN
Hà Nội - 2019

ĐẠI HỌC QUỐC GIA HÀ NỘI
TRƯỜNG ĐẠI HỌC CÔNG NGHỆ
---------------------
BẾ HUY DƯỠNG
PHÂN LOẠI LỚP PHỦ ĐÔ THỊ CHO THỦ
ĐÔ VIÊN CHĂN - LÀO SỬ DỤNG ẢNH
COMPOSITE LANDSAT-8
KHOA: CÔNG NGHỆ THÔNG TIN
CHUYÊN NGÀNH: HỆ THỐNG THÔNG TIN
MÃ SỐ: 8480104.01
LUẬN VĂN THẠC SĨ NGÀNH HỆ THỐNG THÔNG TIN
HƯỚNG DẪN KHOA HỌC: TS. BÙI QUANG HƯNG
Hà Nội - 2019

LỜI CAM ĐOAN
Tôi xin cam đoan rằng nội dung của luận văn: “Phân loại lớp phủ đô thị
cho thủ đô Viêng Chăn - Lào, sử dụng ảnh Composite Landsat 8” là nghiên
cứu của tôi đã thực hiện dưới sự định hướng của Tiến sĩ Bùi Quang Hưng và
sự hướng dẫn trực tiếp của NCS. Phạm Tuấn Dũng. Trong toàn bộ nội dung
của luận văn, những gì được trình bày là những gì tôi đã học hỏi được và phát
triển từ các nghiên cứu trước đây. Tất cả tài liệu tham khảo đều được trích dẫn
rõ ràng và hợp pháp.
Nếu phát hiện bất kỳ sự gian lận nào, tôi hoàn toàn chịu trách nhiệm về
nội dung luận văn của mình.
Hà nội, ngày tháng năm 2019
Học viên
Bế Huy Dưỡng

LỜI CẢM ƠN
Lời đầu tiên, cho phép tôi được bày tỏ lòng biết ơn sâu sắc tới TS. Bùi
Quang Hưng là người đã định hướng, hướng dẫn và nhiệt tình giúp đỡ tôi
thực hiện và hoàn thành luận văn thạc sĩ này.
Tôi xin trân trọng cảm ơn các thầy cô giáo đã giảng dạy, truyền đạt và
giúp tôi nâng cao kiến thức về chuyên ngành trong thời gian học tập tại khoa
Công nghệ Thông tin, trường Đại học Công Nghệ, ĐHQG Hà Nội, đặc biệt là
sự đào tạo, giúp đỡ của các thầy cô tại chuyên ngành Hệ thống thông tin.
Qua đây, tôi cũng xin gửi lời cảm ơn chân thành nhất tới PGS. TS.
Nguyễn Thị Nhật Thanh, NCS. Phạm Tuấn Dũng, NCS. Mẫn Đức Chức, ThS.
Phan Anh, các anh chị và các nhóm nghiên cứu thuộc Trung tâm Công nghệ
tích hợp liên ngành Giám sát hiện trường đã luôn ủng hộ, chia sẻ kiến thức và
hết sức tạo điều kiện giúp đỡ tôi hoàn thành luận văn này.
Cuối cùng, tôi xin gửi lời cảm ơn đến gia đình, bạn bè và đồng nghiệp
đã luôn ủng hộ, quan tâm và chia sẻ mọi khó khăn với tôi trong suốt quá trình
học tập và nghiên cứu.
Dù nhận được những sự giúp đỡ nhiệt tình nhưng do trình độ còn hạn
chế nên luận văn chắc chắn sẽ không tránh khỏi những thiếu sót, rất mong
nhận được sự đóng góp của quý thầy cô và các bạn đồng nghiệp để luận văn
được hoàn thiện hơn. Xin chân thành cảm ơn!
Hà Nội, ngày tháng năm 2019
Học viên
Bế Huy Dưỡng

MỤC LỤC
MỞ ĐẦU ............................................................................................................... 1
CHƯƠNG 1. TỔNG QUAN NGHIÊN CỨU ....................................................... 3
1. Khái quát về bài toán nghiên cứu................................................................... 3
2. Khái quát về viễn thám và phân loại lớp phủ mặt đất ................................... 4
3. Viễn thám ....................................................................................................... 8
3.1 Khái niệm viễn thám ............................................................................... 8
3.2 Phân loại hệ thống viễn thám ................................................................ 10
3.3 Các quang phổ thường được sử dụng trong hệ thống thống viễn thám 12
4. Ảnh vệ tinh ................................................................................................... 13
4.1 Nhận thức chung về ảnh vệ tinh ............................................................ 13
4.2 Ảnh Landsat 8 ........................................................................................ 16
5. Google Earth Engine .................................................................................... 21
CHƯƠNG 2. PHƯƠNG PHÁP PHÂN LOẠI LỚP PHỦ ĐÔ THỊ SỬ DỤNG
ẢNH VỆ TINH LANDSAT 8................................................................................... 23
1.Các phương pháp kết hợp ảnh...................................................................... 23
2. Các thuật toán thường được sử dụng trong phân loại lớp phủ ..................... 25
2.1Support Vector Machine........................................................................ 26
2.2 XGBoost ................................................................................................ 28
3. Phương pháp đánh giá kết quả phân lớp ...................................................... 30
CHƯƠNG 3. THỰC NGHIỆM PHÂN LOẠI LỚP PHỦ .................................. 34
CHO THỦ ĐÔ VIÊNG CHĂN - LÀO VÀ KẾT QUẢ...................................... 34
1. Khu vực nghiên cứu: .................................................................................... 34
2. Tập dữ liệu ảnh Landsat 8 ............................................................................ 36
3. Tạo ảnh Composite ...................................................................................... 38
4. Dữ liệu huấn luyện và dữ liệu kiểm thử ....................................................... 41
5. Phân loại lớp phủ đô thị ............................................................................... 42
6. Kết quả ......................................................................................................... 43
6.1 Kết quả của quá trình kết hợp ảnh ......................................................... 43
6.2 Kết quả của quá trình phân lớp .............................................................. 46

6.3 Đánh giá kết quả ................................................................................... 46
KẾT LUẬN.........................................................................................................51
TÀI LIỆU THAM KHẢO...................................................................................53

DANH SÁCH BẢNG BIỂU
Bảng 1.1 Bảng thông tin bước sóng tương ứng với màu sắc ....................................13
Bảng 1.2 Bảng so sánh một số đặc tính của các ảnh vệ tinh.....................................15
Bảng 1.3 Đặc điểm ảnh vệ tinh LDCM (Landsat 8) .................................................18
Bảng 2.1 Các phương pháp kết hợp ảnh ...................................................................25
Bảng 2.2 Ví dụ về Ma trận nhầm lẫn ........................................................................31
Bảng 2.3 Ví dụ về Hệ số Kappa................................................................................33
Bảng 3.1 Danh sách các quận trực thuộc thủ đô Viêng Chăn - Lào .........................35
Bảng 3.2 Tập dữ liệu ảnh Landsat 8..........................................................................37
Bảng 3.3 Tổng hợp về các chỉ số Year score, DOY score, Opacity score, Distance to
cloud/cloud shadow trong quá trình kết hợp ảnh L8SR............................................39
Bảng 3.4 Tập điểm mẫu để xây dựng tập dữ liệu huấn luyện và dữ liệu kiểm thử .. 41
Bảng 3.5 Kết quả phân loại lớp phủ đô thị Viêng Chăn năm 2018. .........................47
Bảng 3.6 Bảng tổng hợp so sánh kết quả phân loại lớp phủ đô thị Viêng Chăn. .....48

DANH SÁCH HÌNH VẼ
Hình 1.1 Thủ đô Viêng Chăn - Lào............................................................................ 3
Hình 1.2 Quá trình thu nhận dữ liệu trong viễn thám. ............................................... 8
Hình 1.3 Giới thiệu về hệ thống viễn thám điển hình................................................ 9
Hình 1.4 Hệ thống cảm biến bị động (trái) và cảm biến chủ động (phải).................10
Hình 1.5 Vệ tinh địa tĩnh (trái) và Vệ tinh quỹ đạo cực (phải).................................11
Hình 1.6 Các bước sóng thường được sử dụng trong viễn thám ..............................12
Hình 1.7 Ví dụ hiển thị ảnh trong viễn thám.............................................................14
Hình 1.8 Ví dụ hiển thị ảnh Landsat 8 kết hợp 7 kênh ảnh.......................................15
Hình 1.9 Các thế hệ vệ tinh Landsat. ........................................................................16
Hình 1.10 Hình ảnh của vệ tinh Landsat 8................................................................17
Hình 1.11 Minh họa góc nhìn tạo bởi vệ tinh (Viewing Zenith Angle) và góc nhìn
tạo bởi mặt trời với phương thẳng đứng (Solar Zenith Angle).................................20
Hình 1.12 Ví dụ kết hợp màu tự nhiên của dữ liệu ảnh Level 1 (trái) và ảnh Surface
Reflectance (phải) .....................................................................................................20
Hình 1.13 Kiến trúc tổng thể của Google Earth Engine ...........................................21
Hình 2.1 Ý tưởng cơ bản của SVM...........................................................................27
Hình 2.2 Ý tưởng cơ bản của XGBoost. ...................................................................28
Hình 3.1 Sơ đồ tổng quan cho quá trình thực nghiệm. .............................................34
Hình 3.2 Địa lý và thủy văn Thủ đô Viêng Chăn - Lào............................................35
Hình 3.3 Hình ảnh ghép cho khu vực thủ đô Viêng Chăn - Lào ..............................37
Hình 3.4 Sơ đồ tính NDVI Score. .............................................................................40
Hình 3.5 Ảnh đại diện cho DOY 15 với tổ hợp màu giả đô thị (Kênh 7-6-4)..........43
Hình 3.6 Ảnh đại diện cho DOY 75 với tổ hợp màu giả đô thị (Kênh 7-6-4)..........43
Hình 3.7 Ảnh đại diện cho DOY 135 với tổ hợp màu giả đô thị (Kênh 7-6-4)........44
Hình 3.10 Ảnh đại diện cho DOY 315 với tổ hợp màu giả đô thị (Kênh 7-6-4)......45
Hình 3.11 Bản đồ lớp phủ đô thị Viêng Chăn, năm 2018.........................................46
Hình 3.12 Bản đồ lớp phủ Viêng Chăn 1995............................................................49
Hình 3.13 Bản đồ lớp phủ Viêng Chăn 2005............................................................50

DANH SÁCH THUẬT NGỮ TIẾNG ANH VÀ CÁC TỪ VIẾT TẮT
Thuật ngữ Ý nghĩa Viết tắt
Land use and land cover Phân lớp che phủ đất và sử dụng đất LULCC
classification
Geographic Information System Hệ thống thông tin địa lý GIS
Geostationary satellite Vệ tinh địa tĩnh
Polar orbital satellite Vệ tinh quỹ đạo cực
Visible Light Ánh sáng nhìn thấy được
Near Infrared Cận hồng ngoại
Middle Infrared Hồng ngoại trung bình
Thermal Infrared Hồng ngoại nhiệt
Microwave Siêu cao tần
Pixel Điểm ảnh
Band Kênh ảnh
United States Geological Survey Cục Khảo sát Địa chất Hoa Kỳ USGS
National Aeronautics and Space Cơ quan Hàng không và Vũ trụ Hoa NASA
Administration Kỳ
Landsat Data Continuity Vệ tinh Landsat thứ 8 LDCM
Mission
Operational Land Imager Bộ thu nhận ảnh mặt OLI
Thermal Infrared Sensor Bộ cảm biến hồng ngoại nhiệt TIRS
Digital Number Dạng số nguyên DN
Landsat Surface Reflectance LaSRC
Code
Viewing zenith angle Góc nhìn tạo bởi vệ tinh và phương
thẳng đứng
Solar zenith angle Góc mặt trời và phương thẳng đứng
Google Earth Engine GEE
Best-Available-Pixel Phương pháp lựa chọn điểm ảnh tốt BAP
nhất
Normalized Difference Chỉ số khác biệt thực vật NDVI
Vegetation Index

1
MỞ ĐẦU
Thủ đô Viêng Chăn (hay Viên Chăn, Vientiane), là thành phố thủ đô của
nước Cộng hòa Dân chủ Nhân dân Lào, có tiềm năng phát triển kinh tế và dân số
lớn. Do đó, nhiều khả năng cao khu vực đô thị của thành phố này sẽ mở rộng nhanh
chóng ra các vùng ngoại ô dọc theo tuyến đường huyết mạch với cơ sở hạ tầng
không đầy đủ. Điều này tạo ra một thành phố với nhiều vấn đề ngổn ngang, điều
kiện sống tồi tệ, các dịch vụ xã hội không phù hợp, đồng thời phá hỏng những gì
thiên nhiên ban tặng cho nơi đây. Trước thực trạng này, chính quyền thủ đô Viêng
Chăn đã kêu gọi các chuyên gia, các nhà khoa học, các nhà nghiên cứu cùng giúp
đỡ và đóng góp vào kế hoạch phát triển thủ đô Viêng Chăn.
Để đối phó với vấn đề này, các biện pháp tính toán hợp lý cần được thực hiện
dựa trên kế hoạch phát triển đô thị toàn diện. Chính quyền thủ đô Viêng Chăn cũng
như người dân thành phố cần xem xét cẩn thận các vấn đề này và lựa chọn đường
lối phát triển hợp lý nhất cho thủ đô Viêng Chăn nhằm mục đích vừa phát triển
thành phố về kinh tế, dân số, cũng như vẫn giữ gìn được những nét bản sắc vốn có
để Viêng Chăn trở thành thành phố thu hút với nhân dân Lào cũng như với khách du
lịch nước ngoài.
Mục tiêu của đề tài là phân loại lớp phủ đô thị cho thủ đô Viêng Chăn, đồng
thời xây dựng được bản đồ lớp phủ đô thị cho thủ đô Viêng Chăn năm 2018. Để xây
dựng được bản đồ lớp phủ đô thị, luận văn đã áp dụng phương pháp xử lý kết hợp
ảnh Landsat8 và sử dụng thuật toán phân lớp để phân loại lớp phủ đô thị cho thủ đô
Viêng Chăn - Lào. Việc xây dựng được bản đồ lớp phủ đô thị, đồng thời giám sát sự
thay đổi của lớp phủ đô thị qua nhiều năm sẽ giúp chính quyền địa phương và người
dân nơi đây có thêm được dữ liệu và căn cứ để lựa chọn phương hướng phát triển
toàn diện cho thủ đô Viêng Chăn trong tương lai.
Luận văn này được chia làm 05 phần chính.
- Phần Mở đầu: Giới thiệu về thực trạng phát triển tại Viêng Chăn và sự cần
thiết của việc nghiên cứu phân loại lớp phủ đô thị cho Viêng Chăn.

2
- Chương 1: Tổng quan về nghiên cứu. Chương này, giới thiệu khái quát về
viễn thám và bài toán phân loại lớp phủ mặt đất.
- Chương 2: Phương pháp phân loại lớp phủ đô thị sử dụng ảnh vệ tinh
Landsat 8
- Chương 3: Thực nghiệm phân loại lớp phủ cho thủ đô Viêng Chăn - Lào
và kết quả.
- Phần Kết luận: Tổng kết về các kết quả đạt được của luận văn, những khó
khăn gặp phải và định hướng nghiên cứu tiếp theo để cải thiện kết quả cuối cùng.

3
CHƯƠNG 1: TỔNG QUAN NGHIÊN CỨU
1.1. Khái quát về bài toán nghiên cứu
Hình Error! No text of specified style in document..1 Thủ đô Viêng Chăn -
Lào Nguồn ảnh: Vientiane Capital Urban Development Master Plan
Viêng Chăn là thủ đô của nước Cộng hòa Dân chủ Nhân dân Lào, là thành
phố trung ương duy nhất và lớn nhất ở Lào, là trung tâm văn hóa, chính trị, kinh tế,
xã hội của cả nước, thủ đô Viêng Chăn hứa hẹn sẽ có tiềm năng tăng trưởng kinh tế
và nhân khẩu cao.
Sau khi mở cửa đất nước vào năm 1986, nhằm thúc đẩy sự phát triển của đất
nước, chính phủ Lào đã cho phép người dân cũng như các nhà đầu tư nước ngoài có
quyền sở hữu đất hoặc thuê đất phục vụ cho các mục đích sản xuất kinh tế, đồng thời
cũng ban hành các Luật và quy định liên quan cho vấn đề này. Các nhà đầu tư đã sử
dụng đất để trồng trọt, khai khoáng, sản xuất thủy điện v.v…, quá trình này góp phần
giúp người dân bản địa có thêm thu nhập, góp phần phát triển kinh tế đất nước.

4
Tuy nhiên, mặt trái của nó cũng phát sinh nhiều các vấn đề. Để tập hợp đất
cho các mục đích kinh tế khác nhau, các nhà đầu tư cũng như chính quyền sẽ buộc
phải di chuyển một phần hoặc toàn bộ dân cư trong khu vực đó. Việc di chuyển dân
cư này sẽ làm phát sinh ra những khu vực dân cư mới, bao gồm các cơ sở hạ tầng
như: chợ, trường học, nhà ở, đường giao thông, vệ sinh, v.v… hoặc dân cư sẽ dồn
tập trung vào một số khu vực nhất định. Điều này góp phần tạo nên sự phát triển mở
rộng của các đô thị.
Trong nhiều năm tới, tại thành phố Viêng Chăn, nhiều khả năng khu vực đô
thị sẽ nhanh chóng mở rộng về phía ngoại ô dọc theo các tuyến đường huyết mạch.
Theo đó với cơ sở hạ tầng không đầy đủ sẽ tạo ra nhiều vấn đề với đô thị ngổn
ngang, điều kiện sống tồi tệ và dịch vụ xã hội không phù hợp. Sự phát triển cơ sở hạ
tầng ồ ạt, không xác định đúng hướng phát triển, sẽ làm mất đi sự quyến rũ, dịu
dàng vốn có của thành phố đồng thời kéo chậm sự phát triển kinh tế và xã hội của
thành phố này. Để đối phó với vấn đề đó, kế hoạch phát triển đô thị toàn diện cùng
với các biện pháp thích hợp cần phải được các nhà hoạch định chính sách đưa ra và
thực hiện kịp thời.
Mục tiêu của đề tài là nghiên cứu về cách áp dụng phương pháp xử lý kết
hợp ảnh landsat 8 (composite) sau đó sử dụng các thuật toán phân lớp để phân loại
lớp phủ đô thị cho thủ đô Viêng Chăn - Lào năm 2018. Việc phân loại được lớp phủ
đô thị và giám sát sự thay đổi của lớp phủ qua nhiều năm sẽ phần nào đó giúp chính
quyền địa phương cùng toàn thể người dân Thủ đô Viêng Chăn xem xét và kiểm tra
cẩn thận phương hướng phát triển cho thủ đô Viêng Chăn trong tương lai.
1.2. Khái quát về viễn thám và phân loại lớp phủ mặt đất
Công nghệ viễn thám đã trở thành một trong những thành tựu khoa học vũ
trụ phát triển đến trình độ cao và ngày càng trở thành một kỹ thuật phổ biến được
ứng dụng rộng rãi trong nhiều lĩnh vực kinh tế xã hội ở nhiều nước trên toàn thế
giới. Công nghệ viễn thám đã được áp dụng trong nhiều lĩnh vực, ví dụ như: nông
nghiệp, lâm nghiệp, địa chất, thủy văn, băng biển, lập bản đồ che phủ đất, đại dương
và ven biển…[1] và nhu cầu này ngày càng gia tăng. Những kết quả thu được từ

5
công nghệ viễn thám giúp các nhà khoa học, các nhà hoạch định chính sách có các
phương án, kế hoạch có tính chiến lược về sử dụng và quản lý tài nguyên thiên
nhiên, môi trường.
Việc nghiên cứu sử dụng đất và phân lớp che phủ đất (LULCC - Land use
and land cover classification) đã được xem xét như một trong những ứng dụng
truyền thống và quan trọng nhất trong viễn thám vì các sản phẩm LULCC rất cần
thiết cho một loạt các ứng dụng liên quan đến môi trường [2].
Lớp phủ đề cập đến lớp phủ trên bề mặt trái đất, có thể là thực vật, hạ tầng đô
thị, nước, đất trồng hay các loại khác. Xác định, phân định và lập bản đồ lớp phủ là
rất quan trọng cho việc nghiên cứu giám sát toàn cầu, quản lý tài nguyên và các hoạt
động lập kế hoạch. Xác định lớp phủ chính là cơ sở cho các hoạt động giám sát
(phát hiện thay đổi) có thể được thực hiện, và cung cấp thông tin bao phủ mặt đất
cho các bản đồ chuyên đề cơ sở.
Các thuật ngữ “Land use” và “Land cover” thường được sử dụng thay thế
cho nhau, nhưng chúng có những ý nghĩa riêng biệt. Lớp phủ (Land cover) đề cập
đến lớp phủ trên bề mặt trái đất, có thể là thực vật, hạ tầng đô thị, nước, đất trồng
hay các loại khác. Xác định, phân định và lập bản đồ lớp phủ là rất quan trọng cho
việc nghiên cứu giám sát toàn cầu, quản lý tài nguyên và các hoạt động lập kế
hoạch. Xác định lớp phủ chính là cơ sở cho các hoạt động giám sát (phát hiện thay
đổi) có thể được thực hiện, và cung cấp thông tin bao phủ mặt đất cho các bản đồ
chuyên đề cơ sở. Việc sử dụng đất (Land use) đề cập đế mục đích mà đất phục vụ,
chẳng hạn như: giải trí, môi trường hoang dã hoặc nông nghiệp.
Khi sử dụng cùng nhau, cụm từ Land Use/ Land Cover đề cập đến việc phân
loại hoặc phân lớp các hoạt động của con người và các thành phần tự nhiên trong
một khung cảnh hoặc khu vực nhất định trong khoảng thời gian dựa trên các phân
tích khoa học và thống kê nguồn dữ liệu phù hợp.
Các ứng dụng của LULCC trong viễn thám[1]
- Quản lý tài nguyên thiên nhiên
- Bảo vệ môi trường sống hoang dã

6
- Đầu vào cơ sở cho việc lập bản đồ thông tin địa lý (Geographic Information
System - GIS)
- Sự mở rộng lấn chiếm của đô thị
- Định tuyến và lên kế hoạch cho các hoạt động xác định địa chấn/ thăm dò/
khai thác tài nguyên
- Phác họa thiệt hại (động đất, lũ lụt, núi lửa, lốc xoáy, hỏa hoạn)
- Ranh giới pháp lý cho việc ước tính thuế và tài sản
- Phát hiện mục tiêu: xác định dải hạ cánh, đường, cầu, bề mặt đất/ nước.
Một trong những thách thức cấp bách nhất ở hiện tại và cả tương lai là sự đô
thị hóa trên toàn cầu. Đô thị hóa là quá trình phát triển kinh tế, xã hội, song song với
sự mở rộng không gian đô thị. Ở khía cạnh xã hội học, tùy thuộc vào từng quốc gia
khác nhau, định nghĩa đô thị được sử dụng khác nhau, tuy nhiên hầu hết các quốc
gia đều định nghĩa đô thị là khu vực tập trung dân cư với mật đột cao và phần lớn
dân cư hoạt động trong lĩnh vực kinh tế phi nông nghiệp. Đô thị là trung tâm chính
trị, hành chính, kinh tế, văn hóa hoặc chuyên ngành, có vai trò thúc đẩy sự phtá triển
kinh tế - xã hội của quốc gia hoặc vùng lãnh thổ, một địa phương, bao gồm nội
thành, ngoại thành của thành phố; nội thị, ngoại thị của thị xã; thị trấn. [3]
Khi dân số trên toàn cầu tăng lên và nền kinh tế của các quốc gia tiếp tục phát
triển mà không còn dựa vào các hệ thống nông nghiệp, các thành phố sẽ tăng lên và mở
rộng hơn. Sự phát triển đô thị thường xâm phạm đến đất trồng rừng hoặc đất nông
nghiệp. Sự tăng trưởng thành phố là một chỉ số của công nghiệp hóa (phát triển) và
nhìn chung đều có ảnh hưởng tiêu cực đến sức khỏe môi trường của một vùng.
Việc định lượng cho hiện tượng này vẫn chưa hoàn toàn có thể nắm được
hết. Đặc biệt, thông tin chính xác trên thế giới về vị trí và sự phân bố dân cư ở các
vùng đô thị và nông thôn là vẫn còn thiếu. Tỉ lệ mặt đất được bao phủ bởi diện tích
xây dựng là bao nhiêu? Tỉ lệ giữa các vùng đô thị và nông thôn là thế nào? Có bao
nhiêu thành phố trên Thế giới? [4]
Việc thay đổi mục đích sử dụng đất từ nông nghiệp sang đô thị cần được
giám sát để ước tính dân số, dự đoán và hoạch định hướng phát triển của đô thị cho
các nhà phát triển đồng thời giám sát các mối gây hại và nguy hiểm cho môi trường

7
lân cận [5]. Các khu tị nạn hoặc các thành phố tạm cư cũng cần được giám sát và
ước tính số lượng dân cư và mật độ dân cư. Việc phân tích đất sử dụng cho nông
nghiệp và đô thị là rất quan trọng để đảm bảo hướng phát triển không xâm lấn vào
đất nông nghiệp có giá trị, và để đảm bảo nông nghiệp phát triển trên vùng đất thích
hợp và sẽ không bị ảnh hưởng bởi hạ tầng liền kề. Có được thông tin lớp phủ đô thị
sẽ giúp những nhà hoạch định chính sách xây dựng được chiến lược phát triển hợp
lý và bền vững mà vẫn có thể bảo vệ được môi trường.
Với các phân tích đa thời gian, viễn thám mang đến góc nhìn riêng biệt về
cách các thành phố phát triển. Yếu tố chính để lập bản đồ thay đổi sử dụng đất từ
nông thôn sang đô thị là khả năng phân biệt giữa việc sử dụng đất ở nông thôn (như
việc sử dụng cho canh tác, các đồng cỏ cho gia súc v.v…) và sử dụng đất ở đô thị
(dân cư, thương mại, giải trí). Phương pháp viễn thám có thể được sử dụng để phân
loại các lớp phủ một cách kinh tế và lặp đi lặp lại trên các khu vực rộng lớn.
Đất đô thị là đất thuộc khu vực nội thành, nội thị xã, thị trấn được quy hoạch
sử dụng làm nhà ở, trụ sở các cơ quan tổ chức, các cơ sở sản xuất kinh doanh, các
cơ sở hạ tầng phục vụ lợi ích công cộng, quốc phòng an ninh và các mục đích khác
của xã hội. Ngoài ra theo quy định các loại đất ngoại thành, ngoại thị xã đã có quy
hoạch của cơ quan Nhà nước có thẩm quyền phê duyệt để phát triển đô thị cũng
được tính vào đất đô thị.[3]
Trong viễn thám, lớp phủ đô thị sẽ được đặc trưng bởi hỗn hợp các kiểu vật
liệu khác nhau và là các tổ hợp của các lớp phủ khác biệt nhau về phổ phản xạ. Do
tính chất không đồng nhất này, nên việc phân loại các kiểu lớp phủ đô thị thường
gặp rất nhiều khó khăn. Do đó, nơi nào có xây dựng, có sự bê tông hóa bề mặt sẽ
được nhận dạng và phát hiện lớp phủ đô thị, dựa theo các đặc tính của mặt không
thấm nước [4][6][7][8]. Đường giao thông, các công trình nhà ở, bãi đỗ xe được phủ
bởi vật liệu không thấm nước như nhựa đường, đá, vật liệu xây dựng v.v… là các
mặt không thấm, dù chúng có tính chất vật lý riêng nhưng sẽ được ghi nhận là đối
tượng thuộc lớp phủ đô thị. Và cũng như nhiều nghiên cứu khác, trong nghiên cứu
này, đối tượng mặt không thấm được xem như là đặc trưng của đô thị và được dùng
để xác định và phân loại lớp phủ đô thị cho thủ đô Viêng Chăn - Lào.

8
1.3. Viễn thám
1.3.1. Khái niệm viễn thám
Hình Error! No text of specified style in document..2 Quá trình thu nhận
dữ liệu trong viễn thám.
Nguồn ảnh: Nelson Mandela University
Viễn thám được định nghĩa là khoa học và công nghệ thu nhận thông tin về
một đối tượng, một vùng hoặc một hiện tượng thông qua việc phân tích các tài liệu
thu được bởi các thiết bị chuyên dụng. Các thiết bị này không tiếp xúc trực tiếp với
các đối tượng, khu vực hoặc hiện tượng nghiên cứu [9]
Sóng điện từ được phản xạ hoặc bức xạ từ một đối tượng là nguồn dữ liệu
chính trong viễn thám. Một bức ảnh viễn thám cung cấp thông tin về các đối tượng
dưới dạng năng lượng bức xạ trong các bước sóng được ghi lại. Việc đo đạc và

9
phân tích quang phổ cho phép trích xuất các thông tin hữu ích về từng lớp phủ mặt
đất khác nhau do sự tương tác giữa bức xạ điện từ và vật thể.
Các thiết bị được sử dụng để cảm nhận sóng điện từ được gọi là cảm biến.
Các cảm biến có thể là các máy ảnh hoặc máy quét được gắn trên các vật mang khác
nhau. Các vật mang này có thể là máy bay, khinh khí cầu, tàu con thoi hoặc vệ
tinh... Hình 1.1 thể hiện một sơ đồ điển hình cho việc thu nhận ảnh viễn thám. Bức
xạ mặt trời là nguồn năng lượng chính được sử dụng trong viễn thám. Các bước
sóng điện từ được chuyển đến cảm biến nằm trên các vật mang. Thông tin từ năng
lượng phản xạ có thể được xử lý và ứng dụng trong nhiều lĩnh vực khác nhau như
Nông nghiệp, Lâm nghiệp, địa chất, khí tượng, môi trường…
Một hệ thống viễn thám làm việc theo mô hình sau: đầu tiên tia sáng, có thể
phát ra từ mặt trời hoặc chính bản thân vệ tinh, gặp bề mặt Trái đất. Sau đó nó được
hấp thụ một phần, phản xạ và bức xạ trở lại bầu khí quyển. Trong bầu khí quyển tia
sáng có thể cũng bị hấp thụ, phản xạ hoặc bức xạ thêm nữa. Trên bầu trời, cảm biến
vệ tinh sẽ thu nhận tia phản xạ đến nó. Sau đó là quá trình truyền, nhận, xử lý và
chuyển đổi năng lượng bức xạ thành dữ liệu ảnh. Cuối cùng, công việc giải thích và
phân tích hình ành được áp dụng để có thể ứng dụng trong đời sống thực tế. Hình
1.3 mô tả các thành phần cơ bản của hệ thống viễn thám. [1]

10
Hình Error! No text of specified style in document..3 Giới thiệu về hệ thống viễn
thám điển hình.
Nguồn ảnh: Natural Resources Canada (https://www.nrcan.gc.ca)
Trong đó:
- A: Nguồn năng lượng hoặc ánh sáng
- B: Truyền năng lượng qua khí quyển
- C: Các vật thể được tương tác
- D: Vệ tinh
- E: Hệ thống thu nhận
- F: Hệ thống phân tích hình ảnh
- G: Hệ thống ứng dụng.
1.3.2. Phân loại hệ thống viễn thám
Các hệ thống viễn thám có thể được phân loại theo các tiêu chí sau: nguồn
năng lượng, quỹ đạo của vệ tinh, quang phổ thu nhận, v.v… [1]
Phân loại dựa trên nguồn năng lượng: có hệ thống viễn thám gián tiếp và
trực tiếp, như hình 1.4.
- Hệ thống cảm biến chủ động (active): Cảm biến phát ra bức xạ hướng về
phía vật thể được nghiên cứu. Bức xạ phản xạ lại từ vật thể được phát hiện và đọ
đạc bởi bộ cảm biến [1]. Ví dụ như: radar.
- Hệ thống cảm biến bị động (passive): Mặt trời cung cấp nguồn năng lượng
rất thuận tiện cho viễn thám. Bộ cảm biến bị động chỉ có thể được sử dụng để phát
hiện ra năng lượng khi nguồn năng lượng tự nhiên có sẵn. Đối với tất cả năng lượng
phản xạ, cảm biến này chỉ đo được trong khoảng thời gian mặt trời chiếu sáng vào
bề mặt Trái đất.[1]

11
Hình Error! No text of specified style in document..4 Hệ thống cảm biến bị động
(trái) và cảm biến chủ động (phải).
Nguồn ảnh: Grind GIS (https://grindgis.com)
Phân loại dựa vào quỹ đạo vệ tinh: (như hình 1.5)
- Vệ tinh địa tĩnh (Geostationary satellite): Các vệ tinh có hướng nhìn tới
cùng một khu vực của bề mặt trái đất vào tất cả các khoảng thời gian được gọi là vệ
tinh địa tĩnh[1], các vệ tinh này có tốc độ góc quay bằng tốc độ góc quay của trái
đất, nghĩa là vị trí tương đối của vệ tinh so với trái đất là đứng yên. Các vệ tinh thời
tiết và truyền thông là những vệ tinh thuộc loại này.
- Vệ tinh quỹ đạo cực (Polar orbital satellite): các vệ tinh với mặt phẳng
quỹ đạo bay vuông góc hoặc gần như vuông góc so với mặt phẳng xích đạo của Trái
đất, nên chúng có thể lấy ảnh của mọi vùng trên trái đất vào các giờ cố định.

12
Hình Error! No text of specified style in document..5 Vệ tinh địa tĩnh (trái) và Vệ
tinh quỹ đạo cực (phải)
Nguồn ảnh: Grind GIS (https://grindgis.com)
Phân loại dựa vào quang phổ nhận được: gồm 3 loại cơ bản:
- Viễn thám trong dải sóng nhìn thấy được và hồng ngoại: 0.4-0.76µm (1µm
= 1 x 10-3
mm).
- Viễn thám hồng ngoại nhiệt: bước sóng từ 3-22µm
- Viễn thám siêu cao tần: 1mm-1m
1.3.3. Các quang phổ thường được sử dụng trong hệ thống thống viễn thám
Trong thực tế, có rất nhiều kiểu ánh sáng khác nhau. Tuy nhiên chỉ có một
vài kênh quang phổ được sử dụng trong viễn thám (như hình 1.6). Sau đây là những
kênh thường xuyên được sử dụng:
- Ánh sáng nhìn thấy được (Visible Light): ánh sáng có bước sóng trong
khoảng 0.4-0.7µm, tương ứng với bước sóng từ màu tím (Violet) đến màu đỏ (Red).
Các bước sóng phổ biến mà chúng ta cảm nhận được như các màu sắc cụ thể từ
phần nhìn thấy được của quang phổ được liệt kê như ở hình 1.6. Và đây cũng là
phần duy nhất của quang phổ mà chúng ta có thể liên kết với khái niệm màu sắc
(phần quang phổ còn lại chúng ta không thể thấy được bằng mắt thường mà phải sử

13
dụng các thiết bị chuyên dụng như cảm biến v.v…). Red, Green, Blue có thể được
gọi là các màu chính hoặc các bước sóng chính, bởi vì không có màu chính nào có
thể được tạo ra từ 2 màu bất kỳ nào khác, nhưng bất kỳ màu nào khác cũng có thể
được tạo ra từ việc kết hợp Red, Blue, Green theo các tỉ lệ khác nhau [1]. Năng
lượng được cung cấp bởi các kênh sóng này đóng vai trò đặc biệt quan trọng trong
viễn thám.
Hình Error! No text of specified style in document..6 Các bước sóng thường được
sử dụng trong viễn thám
Nguồn ảnh: Introduction to Remote Sensing of Environment - R.B. Smith (2002) [9]
STT Màu sắc Bước sóng
1 Violet 0.400 - 0.446 µm
2 Blue 0.446 - 0.500 µm
3 Green 0.500 - 0.578 µm
4 Yellow 0.578 - 0.592 µm
5 Orange 0.592 - 0.620 µm
6 Red 0.620 - 0.700 µm
Bảng Error! No text of specified style in document..1 Bảng thông tin bước sóng
tương ứng với màu sắc

14
- Cận hồng ngoại (Near Infrared): ánh sáng có bước sóng trong khoảng 0.7-
1.34µm.
- Hồng ngoại trung bình (Middle Infrared): ánh sáng có bước sóng trong
khoảng từ 1.55-2.4µm
- Hồng ngoại nhiệt (Thermal Infrared): ánh sáng có bước sóng trong khoảng
3-22µm
- Siêu cao tần (Microwave): ánh sáng có bước sóng từ 1mm-1m, phần phổ
này là mối quan tâm gần đây của viễn thám. Nó bao gồm các bước sóng dài nhất
dược sử dụng cho viễn thám. Các bước sóng ngắn hơn có các tính chất tương tự như
vùng hồng ngoại nhiệt, trong khi các bước sóng dài hơn đã gần tiệm cận các bước
sóng được sử dụng cho phát sóng vô tuyến.
1.4. Ảnh vệ tinh
1.4.1. Nhận thức chung về ảnh vệ tinh
Ảnh vệ tinh là những ảnh về Trái đất và những hành tinh khác được thu thập
bởi các vệ tinh quan sát. Các vệ tinh này thường được điều hành bởi các cơ quan
chính phủ hoặc doanh nghiệp trên thế giới.

15
Hình Error! No text of specified style in document..7 Ví dụ hiển thị ảnh trong
viễn thám
Nguồn ảnh: Natural Resources Canada [1]
Một bức ảnh có thể được thể hiện và hiển thị ở dạng kỹ thuật số bằng cách
chia bức ảnh thành các khu vực nhỏ cùng kích thước và hình dạng, được gọi là các
thành phần ảnh hoặc điểm ảnh (pixel), và biểu thị độ sáng của từng khu vực với một
giá trị số hoặc số điện tử [1]. Ví dụ dưới, ảnh được quét và chia thành các điểm ảnh
với mỗi điểm ảnh được gán một giá trị số đại diện liên quan đến độ sáng. Máy tính
hiển thị mỗi giá trị số này ở các cấp độ sáng khác nhau.
Trong viễn thám, người ta chia bước sóng làm nhiều khoảng khác nhau, và
thông tin thu thập được trong mỗi khoảng bước sóng này sẽ được lưu trữ, gọi là một
kênh (band). Chúng ta có thể kết hợp và hiển thị các thông tin bằng số của kênh
bằng cách sử dụng ba màu chính (Blue, Green và Red). Dữ liệu từ mỗi kênh được
hiển thị như là một trong các màu chính và, tùy thuộc vào độ sáng tương ứng của

16
mỗi điểm ảnh trong mỗi kênh, các màu chính kết hợp theo các tỉ lệ khác nhau để
hiển thị ra các màu khác nhau.
Hình Error! No text of specified style in document..8 Ví dụ hiển thị ảnh Landsat 8
kết hợp 7 kênh ảnh
Nguồn ảnh: Monde Spartial (https://www.mondegeospatial.com/2017/12/band-
combinations-for-landsat-8.html)
Hiện nay có nhiều vệ tinh quan sát Trái đất và chúng thường mang các đặc
điểm chung gồm: độ phân giải không gian, độ phân giải quang phổ, độ phân giải
phóng xạ và độ phân giải thời gian.
Độ phân Độ phân giải Độ phân
Độ phân
giải quang phổ giải
STT Vệ tinh Loại giải thời
không (loại trừ kênh phóng
gian
gian Toàn sắc) xạ
1 MODIS Quang học
250 -
36 kênh 12 bits
Hàng
1000m ngày
4 kênh 2-3 ngày,
2 SPOT 5 Quang học 10m (Green, Red, Near 8 bits phụ thuộc
IR, SWIR) vào vĩ độ
3 Landsat Quang học 30m 10 kênh (Coastal -> 12 bits 16 ngày

17
8 TIRS2)
4
Sentinel
Quang học
10 - 12 kênh
12 bits 10 ngày
2A 20m (Coastal -> SWIR)
Bảng Error! No text of specified style in document..2 Bảng so sánh một số đặc tính
của các ảnh vệ tinh
Mỗi độ phân giải được mô tả như sau [1]:
- Độ phân dải không gian: liên quan đến khoảng rộng tức thời của góc nhìn
(IFOV), đây là vùng trên mặt đất được nhìn thấy bởi cảm biến của vệ tinh. Ví dụ, vệ
tinh Landsat 8 có độ phân giải không gian là 30m, điều đó có nghĩa rằng một điểm
ảnh của ảnh Landsat 8 bao phủ một khu vực 30x30m trên bề mặt trái đất.
- Độ phân giải quang phổ: độ phân giải quang phổ cho biết khả năng nhận
ánh sáng mặt trời của cảm biến. Nếu các máy ảnh thông thường trên các điện thoại
chỉ có thể thu nhận được các bước sóng trong khoảng nhìn thấy bao gồm ánh sáng
đổ, xanh lá cây và xanh nước biển (RBG), nhiều cảm biến vệ tinh có khả năng thu
được nhiều bước sóng khác nhau như là cận hồng ngoại, sóng hồng ngoại ngắn,
v.v… Chẳng hạn, cảm biến TIRS được gắn trên vệ tinh Landsat 8 có thể nhận bước
sóng trong khoảng từ 10.6-12.51µm.
- Độ phân giải phóng xạ: được mô tả là khả năng phân biệt những khác biệt
rất nhỏ trong năng lượng ánh sáng. Độ phân giải phóng xạ tốt hơn có thể phát hiện
được những khác biệt nhỏ trong phản năng lượng và chùm tia phản chiếu.
- Độ phân giải thời gian: là khoảng thời gian giữa hai lần quan sát liên tiếp
cùng một khu vực trên bề mặt Trái đất. Vệ tinh Landsat 8 có độ phân giải thời gian
là 16 ngày.

18
1.4.2. Ảnh Landsat 8
Hình Error! No text of specified style in document..9 Các thế hệ vệ tinh Landsat.
Nguồn ảnh: USGS (https://landsat.gsfc.nasa.gov/a-landsat-timeline/)
Bắt đầu từ năm 1972, khi vệ tinh đầu tiên trong hệ thống các vệ tinh Landsat
đã được phóng lên quỹ đạo, chúng tạo ra một kho lưu trữ dữ liệu khổng lồ về bề mặt
trái đất, với dữ liệu có độ phân giải trung bình. Đây là chương trình hợp tác chung
giữa Cục Khảo sát Địa chất Hoa Kỳ (United States Geological Survey - USGS) và
Cơ quan Hàng không và Vũ trụ Hoa Kỳ (National Aeronautics and Space
Administration - NASA), chương trình này hỗ trợ các nghiên cứu về viễn thám trên
toàn cầu và giúp những nhà hoạch định chính sách và quản lý đất đai đưa ra những
quyết định sáng suốt về môi trường và tài nguyên thiên nhiên.
“Các thế hệ vệ tinh Landsat là nền tảng cho khả năng quan sát Trái đất của
chúng ta. Thế giới dựa vào dữ liệu Landsat để phát hiện và đo lường độ che phủ đất
và thay đổi trong việc sử dụng đất, sức khỏe của hệ sinh thái và nguồn nước,” Giám
đốc NASA Charles Bolden đã phát biểu trước Ủy ban Khoa học, Vũ trụ và Công
nghệ Hoa Kỳ vào tháng 04 năm 2015.
Ảnh Landsat 8 là ảnh được thu từ vệ tinh LDCM (Landsat Data Continuity
Mission), vệ tinh Landsat thứ 8, được phóng vào ngày 11 tháng 2 năm 2013. Thời
gian hoạt động của vệ tinh theo thiết kế là 5,25 năm nhưng nó được cung cấp đủ
năng lượng để có thể kéo dài hoạt động đến 10 năm. Vệ tinh Landsat 8 được lập
trình để bay vòng quanh Trái đất trong 99 phút và có thể bao phủ hết bề mặt Trái
đất trong 16 ngày. Với khoảng 400 bức ảnh thu được mỗi ngày, vệ tinh Landsat 8
cung cấp góc nhìn chính xác hơn về sự biến đổi của Trái đất trong vòng đời của nó.

19
Hình Error! No text of specified style in document..10 Hình ảnh của vệ tinh
Landsat 8
Nguồn ảnh: NASA (https://www.nasa.gov/)
LDCM mang theo 2 bộ cảm: bộ thu nhận ảnh mặt đất (OLI - Operational
Land Imager) và bộ cảm biến hồng ngoại nhiệt (TIRS - Thermal Infrared Sensor).
Những bộ cảm này được thiết kế để cải thiện hiệu suất và độ tin cậy cao hơn so với
các bộ cảm Landsat trước.
Ảnh từ vệ tinh này sẽ cung cấp những thông tin quan trọng trong nhiều lĩnh vực
như quản lý năng lượng và nước, theo dõi rừng, sức khỏe con người và môi trường, quy
hoạch đô thị, khắc phục thảm họa và lĩnh vực nông nghiệp. Dữ liệu thu được sẽ được
phân phối miễn phí đến người dùng qua Internet. Mỗi sản phẩm ảnh ảnh là một tệp nén
bao gồm 12 tệp ảnh ở định dạng TIFF và một tệp metadata. Các ảnh Landsat 8 được
lữu trữ dưới định dạng raster, cấu trúc dữ liệu mô tả không gian dưới dạng các ô vuông
điểm ảnh (pixel), mỗi ảnh là một lưới các điểm ảnh. Trong 12 tệp TIFF thì có 11 tệp
được đánh số thứ tự từ 1 đến 11, các tệp này cho biết số thứ tự của các dải phổ. Mỗi file
này lưu trữ giá trị năng lượng mà cảm biến nhận được dưới dạng số nguyên 16-bit
(DN). Tệp còn lại là tệp BQA được thêm bởi nhà sản xuất.
So với Landsat 7, LDCM có cùng độ rộng dải chụp, cùng độ phân giải ảnh
và chu kỳ lặp lại (16 ngày). Tuy nhiên, ngoài các dải phổ tương tự Landsat 7, bộ
cảm OLI thu nhận thêm dữ liệu ở 2 dải phổ mới nhằm phục vụ quan sát mây và
quan sát chất lượng nước ở các hồ và đại dương nước nông ven biển cũng như sol

20
khí. Bộ cảm TIRs thu nhận dữ liệu ở 2 dải phổ hồng ngoại nhiệt, phục vụ theo dõi
tiêu thụ nước.
Vệ tinh Bands
Bước sóng Độ phân giải
(micrometers) (meters)
Band 1 - Coastal aerosol 0.433- 0.453 30
Band 2 - Blue 0.450- 0.515 30
LDCM -
Band 3 - Green 0.525- 0.600 30
Band 4 - Red 0.630- 0.680 30
Landsat 8
Band 5 - Near Infrared (NIR) 0.845- 0.885 30
(Bộ cảm
Band 6 - SWIR 1 1.560- 1.660 30
OLI và
Band 7 - SWIR 2 2.100- 2.300 30
TIRs)
Band 8 - Panchromatic 0.500- 0.680 15
Band 9 - Cirrus 1.360- 1.390 30
Band 10 - Thermal Infrared (TIR) 1 10.3- 11.3 100
Band 11 - Thermal Infrared (TIR) 2 11.5- 12.5 100
Bảng Error! No text of specified style in document..3 Đặc điểm ảnh vệ
tinh LDCM (Landsat 8)
Trong đó:
- Kênh 1: được gọi là kênh coastal aerosol, dùng để quan sát vùng nước
nông và theo dõi các hạt mịn như bụi và khói, đại dương và thực vật.
- Kênh 2: Dùng để lập bản đồ địa hình, bản đồ đất và phân biệt địa hình
theo mùa
- Kênh 3: Phản ánh trạng thái thực vật, sử dụng lập bản đồ quản lí thực vật.
- Kênh 4: Phân biệt giữa thực vật và đất, độ dốc thảm thực vật
- Kênh 5: Dùng để nghiên cứu hệ sinh thái dưới nước, xác định sinh khối
thực vật. Dựa vào độ xanh có thể đo nước trong lá và sức khỏe cây trồng.
- Kênh 6: Phân biệt độ ẩm của đất và thực vật, xuyên qua được các đám
mây mỏng.
- Kênh 7: Phản ảnh rõ nét về độ ẩm của đất và thực vật hơn kênh 6
- Kênh 8: Quan sát tổng quan đối tượng, vì có độ phân giải 15m nên các đối
tượng hiện lên rõ nét hơn.
- Kênh 9: Chủ yếu dùng trong quan sát mây, đặc biệt tăng cường phát hiện

các đám mây ti

21
- Kênh 10: Dùng để lập bản đồ nhiệt và độ ẩm của đất
- Kênh 11: Bản đồ nhiệt và đất ở kênh này được xác định rõ nét hơn.
Trong nghiên cứu này, ảnh Landsat 8 Surface Reflectance được sử dụng. Dữ
liệu Landsat 8 Surface Reflectance được tạo ra từ giải thuật Landsat Surface
Reflectance Code (LaSRC), thuật toán ban đầu được phát triển bởi Tiến sĩ Eric
Vermote tại trung tâm NASA Goddard Space Flight Center (GSFC). LaSRC sử
dụng kênh phổ Coastal aerosol để thực hiện các thử nghiệm đảo ngược độ mờ
không khí, sử dụng dữ liệu khí hậu phụ trợ từ cảm biến MODIS, và sử dụng một mô
hình chuyển đổi phóng xạ độc đáo. LaSRC mã hóa góc nhìn của vệ tinh so với
phương thẳng đứng về 0, và góc nhìn tạo bởi vệ tinh (Viewing zenith angle) cùng
góc mặt trời (solar zenith angle) được sử dụng như một phần của quá trình tính toán
hiệu chỉnh khí quyển [10].
Hình Error! No text of specified style in document..11 Minh họa góc nhìn tạo bởi
vệ tinh (Viewing Zenith Angle) và góc nhìn tạo bởi mặt trời với phương thẳng đứng
(Solar Zenith Angle)
Nguồn ảnh: Support to Aviation Control Service
(http://sacs.aeronomie.be/info/sza.php)
Hiện nay, dữ liệu ảnh Landsat 8 SR gồm 7 kênh phổ, bao gồm: Coastal
Aerosol, Blue, Green, Red, NIR, SWIR1, SWIR2. Bên cạnh đó, cũng có các kênh
phổ tách mây và một số dữ liệu phụ trợ.

22
Hình Error! No text of specified style in document..12 Ví dụ kết hợp màu tự
nhiên của dữ liệu ảnh Level 1 (trái) và ảnh Surface Reflectance (phải)
Nguồn ảnh: USGS - (https://www.usgs.gov/media/files/landsat-8-surface-
reflectance-code-lasrc-product-guide)
Ví dụ trên (hình 1.12) là ảnh Landsat 8 trước và sau khi hiệu chỉnh khí
quyển. Trong ảnh chưa hiệu chỉnh (trái), ta có thể thấy rõ ràng các ảnh hưởng của
khí quyển lên các khu vực bị mờ (không bao gồm các khu vực có mây). Ảnh hưởng
này đã giảm đáng kể trong bức ảnh được hiệu chỉnh (phải). Việc hiệu chỉnh khí
quyển góp phần giúp quá trình xử lý ảnh sau này sẽ chính xác và hiệu quả hơn.
1.5. Google Earth Engine
Google Earth Engine (GEE) là một nền tảng cloud, làm việc thông qua giao
diện lập trình ứng dụng (API) của Javascript được gọi là Code Editor. GEE cho
phép phân tích dữ liệu địa lý môi trường ở phạm vi toàn cầu với dung lượng lưu trữ
hàng pentabyte dữ liệu ảnh. Dữ liệu của GEE được tổng hợp từ rất nhiều nguồn dữ
liệu ảnh vệ tinh công cộng từ NASA, NOAA, ESA và các dữ liệu khác. GEE tận
dụng hệ thống tính toán được tối ưu hóa cho xử lý song song dữ liệu địa kông gian.
GEE đưa khả năng tính toán lớn của Google hỗ trợ các nghiên cứng/ứng dụng liên
quan đến các lĩnh vực môi trường, địa lý, không gian như các nghiên cứu về tăng
trưởng đô thị, quản lý nước, suy giảm diện tích rừng, diện tích đất, các thảm họa
thiên nhiên, hạn hán, lũ lụt, bệnh dịch, an ninh lương thực, giám sát khí hậu và bảo
vệ môi trường.

23
Hình Error! No text of specified style in document..13 Kiến trúc tổng thể của
Google Earth Engine
Google Earth Engine sử dụng một tập các công nghệ từ Google bao gồm: hệ
thống quản lý cụm Borg, các cơ sở dữ liệu phân tán Bigtable và Spanner, hệ thống
quản lý file Colossus, nền tảng cho xử lý song song FlumeJava. Ngoài ra, Earth
Engine còn kết hợp với Google Fusion Tables, là một cơ sở dữ liệu dựa trên web có
hỗ trợ dữ liệu địa lý (points, lines, polygons). [11]
Quá trình xử lý cơ bản: Ở tầng trên cùng là Earth Engine Code Editor/ ứng
dụng web của bên thứ 3 sử dụng Client Library để gửi truy vấn tương tác hoặc hàng
loạt lệnh (batch) cho hệ thống thông qua các REST API. Các truy vấn on-the-fly
được xử lý bởi Frond Ends Servers, nó chuyển tiếp các truy vấn con phức tạp tới
Compute Master, Compute Master có nhiệm vụ quản lý việc phân phối tính toán
giữa các Compute Servers. Các batch được xử lý tương tự bởi Batch Computaion
nhưng hệ thống này sử dụng FlumeJava để phân phối tính toán. Dưới cùng là các
dịch vụ dữ liệu, bao gồm một Assest Database chứa siêu dữ liệu (metadata) của
từng ảnh và cung cấp khả năng lọc hiệu quả. Hệ thống quản lý cụm Borg quản lý
từng thành phần của hệ thống và mỗi dịch vụ được cân bằng trên nhiều dịch vụ.

24
Thất bại của bất kỳ dịch vụ riêng lẻ nào chỉ ảnh hưởng đến truy vấn đó, người dùng
chỉ cần gọi lại truy vấn. [11]
Bên cạnh nguồn ảnh, Earth Engine cũng cung cấp rất nhiều chức năng cho
phép xử lý ảnh. Các chức năng chủ yếu xoay quanh thao tác với hai loại dữ liệu
chính là: raster và vector. Các chức năng được thiết kế từ các thao tác đơn giản như:
cộng/trừ band đến phức tạp như: các thuật toán học máy. Bên cạnh đó, các chức
năng định vị, tìm kiếm ảnh cũng không thể thiếu. Tất cả đều được cung cấp thông
qua hai API JavaScript và Python.

25
CHƯƠNG 2: PHƯƠNG PHÁP PHÂN LOẠI LỚP PHỦ ĐÔ THỊ SỬ
DỤNG ẢNH VỆ TINH LANDSAT 8
2.1. Các phương pháp kết hợp ảnh
Các hình ảnh vệ tinh quang học có một nhược điểm lớn, đó là chúng bị ảnh
hưởng nặng nề bởi các đám mây. Nếu một vùng quan sát bị bao phủ bởi mây trong
suốt quá trình vệ tinh bay qua, dữ liệu ghi nhận từ vệ tinh này được coi như là
không có gì. Do đó, đã có rất nhiều nhà nghiên cứu tìm các các phương pháp khác
nhau để xử lý mây và ảnh hưởng của mây đối với các ảnh vệ tinh này. Khái niệm
ảnh vệ tinh kết hợp (composite), là những hình ảnh được tạo ra việc kết hợp từ
nhiều hình ảnh thu được trong nhiều ngày và phương pháp này đã được sử dụng
rộng rãi.[12]
Kết hợp ảnh dựa trên các điểm ảnh là một mô hình trong ngành khoa học
viễn thám, tập trung vào việc tạo ra các bức ảnh kết hợp không có mây, phóng xạ.
Ảnh kết hợp này là những ảnh của khoảng không gian lớn liền kề nhau [13]. Trong
quá khứ, đã có một số phương pháp kết hợp cho những ảnh có độ phân giải không
gian thấp (chẳng hạn 500x500m hoặc lớn hơn). Những phương pháp này đều có
mục đích chính là để giảm tác động của mây, sự ô nhiễm hóa chất, suy giảm khí
quyển, hướng phản xạ bề mặt và các hiệu ứng góc nhìn, những thứ vốn luôn có
trong các bức ảnh. Do độ phân giải thời gian của các vệ tinh cao, nên các phương
pháp kết hợp tương đối đơn giản, chẳng hạn sử dụng giá trị lớn nhất của Chỉ số
Khác biệt Thực vật (NDVI) hoặc tối thiểu góc nhìn để chọn một giá trị quan sát
thích hợp cho một điểm ảnh đích. Kể từ khi kho dữ liệu ảnh Landsat mở, các
phương pháp kết hợp cho các ảnh Landsat đã được phát triển nhiều hơn và được
hưởng lợi từ các phương pháp tiếp cận sẵn có cho dữ liệu MODIS và AVHRR.
Gần đây, một số lượng lớn các phương pháp kết hợp các điểm ảnh tốt nhất
(Best-Available-Pixel - BAP) đã được đề xuất cho các ảnh vệ tinh cỡ vừa và lớn.
Nguyên lý chung của các phương pháp BAP đó là: các tác giả xây dựng một số quy
tắc nhất định, lựa chọn và thay thế các điểm ảnh bị mây, các điểm ảnh kém chất

26
lượng bởi các điểm ảnh chất lượng tốt nhất từ một tập các ứng viên. Việc lựa chọn
các quy tắc dựa trên các thông tin quang phổ, đó là, tối đa chỉ số khác biệt thực vật
(NDVI) [14] và trung bình quang phổ cận hồng ngoại (NIR) [15]. Theo một hướng
khác, Griffiths và các đồng sự đã đề xuất một phương pháp BAP xếp hạng điểm ảnh
ứng viên bởi tập chỉ số như là khoảng cách tới mây và bóng mây, năm và ngày
trong năm (DOY) [16]. Phương pháp này được cải thiện bằng việc kết hợp thêm các
chỉ số mới về độ mờ trong khí quyển và loại cảm biến [13]. Năm 2018, nhóm tác
giả Mẫn Đức Chức, Nguyễn Thanh Thủy, Bùi Quang Hưng, Kristofer Lasko và
Nguyễn Thị Nhật Thanh đã thực hiện một cải tiến mới trong việc kết hợp ảnh. Để
lựa chọn được điểm ảnh tốt nhất, nhóm tác giả xây dựng bộ chỉ số Year, DOY,
Opacity, DistanceToCloud/CloudShadow [17]. Gómez và các đồng sự gần đây đã
có một bài viết nhấn mạnh tiềm năng của BAP cho việc giám sát các khoảng mây
bao phủ dài [18], bao gồm các ứng dụng trong sinh khối rừng, phục hồi và lập bản
đồ loài, các ứng dụng phát hiện thay đổi, và các ứng dụng lớp phủ.
Tác
Ảnh
vệ Phương pháp
giả
tinh
= min{ & ℎ
1 , … , & ℎ
ℎ}
Trong đó:
Hanse : Điểm ảnh được lựa chọn cho việc kết hợp
1
n, Lands ℎ
2008 at 5, 7
& ℎ : xác suất bị ảnh hưởng bởi mây/bóng mây
của cùng điểm ảnh trong n ảnh ứng viên
[19] Nếu 2 hoặc nhiều hơn các điểm ảnh ứng viên có cùng
Pcloud&shadow, thì chọn điểm ảnh gần nhất so với giá trị tham
chiếu rừng (100)
max{ 1
, … , ℎ
} ,
Roy, Lands
= {max{ 1
, … , ℎ } ,
2 2010 Trong đó:
at 5, 7
[14] NDVI: Chỉ số khác biệt thực vật
BTEM: Nhiệt độ độ sáng
Các điểm ảnh ứng viên đủ điều kiện phải có giá trị mây,

27
tuyết và ô nhiễm khí quyển nhỏ nhất.
= min abs{ 1
Potapo −,…, ℎ
−}
3
v, Lands Trong đó:
2011 at 7 NIR: Giá trị phổ kênh hồng ngoại
[15] Chỉ những ảnh vệ tinh thu được trong mùa cây phát triển
mới đủ điều kiện cho thủ tục xếp hạng
White,
Lands
4 2014 = max{ ( , & ℎ , , )1
[13]
at 5, 7
Mẫn
Đức Lands = max{ ( , , , & ℎ )1
5 Chức,
at 8
2018
[17]
Bảng 2.1. Các phương pháp kết hợp ảnh
2.2. Các thuật toán thường được sử dụng trong phân loại lớp phủ
Các phương pháp phân lớp học máy có giám sát, như Random Forest (RF) và
Support Vector Machines (SVM) [20], đã được sử dụng rộng rãi trong việc phân
tích hình ảnh dựa trên đối tượng địa lý (GEOBIA), nhờ tính hiệu quả và dễ dàng sử
dụng. Trong hàng thập kỷ qua, việc sử dụng chúng đã liên tục được mở rộng và
nhiều nghiên cứu đã chứng minh khả năng ứng dụng của chúng. Các nghiên cứu
gần đây đã chỉ ra rằng, các biến thể tiên tiến của các thuật toán nói trên, như
Rotation forest ensembles, Logistic model trees, và Canonical correlation forest, đã
cho thấy kết quả vượt trội trong một số trường hợp thử nghiệm gần đây. Mặt khác,
sự ra đời và phát triển dữ liệu lớn đã chuyến hướng nghiên cứu sang Mạng thần
kinh nhân tạo (Artificial Neural Networks) và đặc biệt trong kỹ thuật mạng thần

28
kinh tích chập (Convolutional Neural Network - CNN), như một sự thay đổi với các
phương pháp GEOBIA có giám sát truyền thống [21].
Một kỹ thuật phân lớp có giám sát khác thuộc họ cây hồi quy và phân lớp
(CART) là Gradient Boosting Machines (GBMs). Trong quá khứ, GBM và các biến
thể của nó đã thành công trong việc áp dụng cho một số ứng dụng viễn thám, như là
dự đoán loài, ước tính sinh khối trên mặt đất, và phân lớp cảnh.
Gần đây, khoảng tháng 7 năm 2014, Chen và Guestrin, đã công bố một bản
nâng cấp của GBM, được gọi là eXtreme Gradient Boosting (XGBoost) [21][22].
Từ sau đó, nó đã tạo nên ảnh hưởng lớn trong cộng đồng Học máy, trở thành giải
pháp chiến thắng trong nhiều cuộc thi Học máy. Một số nghiên cứu trong các lĩnh
vực khoa học khác đã chứng minh hiệu suất vượt trội của nó so với các thuật toán
phổ biến.
2.1.1. Support Vector Machine
Support Vector Machine (SVM) là một thuật toán thuộc nhóm các phương
pháp học có giám sát do Vladimir N. Vapnik đề xuất vào năm 1995 [20] và được sử
dụng rất phổ biến ngày nay trong các bài toán phân lớp (classification) hay hồi quy
(Regression). Ý tưởng của SVM là tìm một siêu phẳng (hyper lane) để phân tách
các điểm dữ liệu. Siêu phẳng này sẽ chia không gian thành các miền khác nhau và
mỗi miền sẽ chứa một loại dữ liệu.
Giả sử cho tập dữ liệu học gồm n dữ liệu gắn nhãn D= {(x1, y1), (x2, y2), … (xn,
yn)} với ∈ {−1, 1} là một số nguyên xác định lớp của xi. Mỗi xi là một văn bản được biểu
diễn dưới dạng một vector thực d chiều. Bộ phân lớp tuyến tính được xác định thông qua
một siêu phẳng sẽ có dạng:
f(x) = w.x - b = 0 (1)
trong đó w là vector pháp tuyến của siêu phẳng và b
đóng vai trò tham số mô hình
Bộ phân lớp nhị phân h: Rd
 {0, 1} được xác định thông qua dấu của f(x):
1 ế ( )>0 (2)
ℎ( ) = {0 ế ( ) ≤ 0

29
Để tìm được siêu phẳng phân cách có lề cực đại, cần xây dựng các vector hỗ
trợ và các siêu phẳng song song với siêu phẳng phân cách và gần vector hỗ trợ nhất,
đó là các hàm:
w.x - b = 1 (3)
w.x - b = -1
Khoảng cách giữa 2 siêu phẳng sẽ là
2
do đó cần phải cực tiểu hóa ||w|| để
|| ||
đảm bảo với mọi i ta có:
. − ≥ 1 ℎ ớ ℎứ ℎấ (4)
{ . − ≤ −1 ℎ ớ ℎứ ℎ
Hình 2.1. Ý tưởng cơ bản của SVM.
Nguồn ảnh: http://bytepawn.com/svm-with-pytorch.html
Tập dữ liệu huấn luyện này có thể được phân tách bằng một siêu phẳng nếu tồn
tại một vector w = (w1, BR, wk) và một vô hướng b thỏa mãn bất đẳng thức sau:
(w + b) -1 + ≥ 0 ∀y = {+1, -1}
(5)
ξi là một biến cho biết khoảng cách mẫu dữ liệu từ siêu
phẳng tối ưu
Hàm mục tiêu có thể được viết như sau:
1
|| ||
2
+ ∑ =1
(6)
2

30
C là hằng số được sử dụng để kiểm soát mức độ phạt liên quan đến các mẫu
huấn luyện xảy ra ở phía sai của siêu phẳng tách tối ưu. C nên được xem xét chặt
chẽ cho từng nhiệm vụ phân loại cá nhân.
2.1.2. XGBoost
eXtreme Gradient Boosting (XGBoost) là một phương pháp phân lớp mới
được giới thiệu bởi Tianqui Chen [21][22]. XGBoost thể hiện là một công cụ mạnh
trong nhiều lĩnh vực phân lớp. Phương pháp phân lớp này được chứng minh rằng rất
mạnh mẽ trong cuộc thi Kaggle. Nó là một phiên bản được tinh chỉnh của Gradient
Boosting Machines (GBM). Trong Gradient Boosting, các cây được xây dựng liên
tiếp nhau và mỗi mô hình mới sử dụng thuật toán Gradient Descent. Ý tưởng chính
của thuật toán là thay vì xây dựng một mô hình dự đoán có độ chính xác tương đối,
ta đi xây dựng nhiều mô hình dự đoán có độ chính xác kém hơn khi đi riêng lẻ
nhưng lại cho độ chính xác cao khi kết hợp lại. Mô hình cuối cùng là kết quả của sự
tăng thêm của nhiều hàm khác nhau từ khi bắt đầu. Trong XGBoost, các cây có thể
được xây dựng song song. Nó cũng có mô hình bên trong để xử lý dữ liệu đầu vào
thưa. Do đó nó có thể làm việc tốt trong nhiều trường hợp mà dữ liệu ảnh bị thiếu
do mây. Nguyên lý chính khác biệt giữa các phương pháp tăng cường và các
phương pháp thông thường khác đó là sự tối ưu hóa được tổ chức dựa trên các hàm
của các phương thức cũ.
Hình 2.2. Ý tưởng cơ bản của XGBoost.
Nguồn ảnh: https://ongxuanhong.wordpress.com/2017/12/21/xgboost-thuat-
toan-gianh-chien-thang-tai-nhieu-cuoc-thi-kaggle/

31
Giả sử ta có:
 n: số lượng mẫu huấn luyện

 m: số lượng đặc trưng
 D = {(xi, yi)} là tập dữ liệu với |D| = n, ∈ , ∈
 q: cấu trúc của một cây, ánh xạ mẫu dữ liệu vào nút lá tương ứng.

 T: số lượng nút lá trên cây

 fk: cấu trúc các cây k độc lập của mô hình

 wi: trọng số của nút lá thứ i.
 ̂( ): giá trị dự đoán của trường hợp thứ I tại vòng lặp thứ t.

 Ij = {i|q(xi) = j}: tập các giá trị tại nút lá j

 IL: tập giá trị nút lá bên trái

 IR: tập giá trị nút lá bên phải
 I = IL∪IR
(7)
yi’ = Φ(xi) = ∑ =1 ( ), ∈
Trong đó: = { ( ) = ( )}( : ) → , ∈
F là không gian hàm của các quá trình học cơ bản, xi là một vector đầu vào
mảng n chiều, yi’ là hàm dự đoán. Để xây dựng một tập các hàm sử dụng mô hình,
hàm mục tiêu (objective function) như sau được sử dụng:
ℒ( )=∑ (̂ , )+∑ Ω( )
(8)
Ω( ) =
1
|| ||2 trong đó T số lượng các lá, w là các trọng số
+ 2
lá
Tiến trình học:
ℒ( ) = ∑ + ( ))+ Ω( )
(9)
( , ̂( −1)
=1
[ ( , ̂( −1) 1
ℒ( )~∑ + ( ))+ ℎ 2 ( )] + Ω( )
2
=1

32
Với
=
( −1)
( , ̂( −1)) và ℎ = 2( −1) ( , ̂( −1))
̂ ̂
1 1 2
ℒ( ) = ∑ [ ( ) + ℎ 2 ( )]2+ + ∑
=1 2 2 =1
ℒ( ) = ∑
1
+ ) 2
[(∑ ) + (ℎ ] +
=1 2
Trọng số tối ưu tại mỗi nút lá:
∗ ∑
=−∑ ℎ+
Hàm lỗi tính trên toàn bộ cây:
1 (∑
2
̆( )
)
()=− ∑
ℒ 2 ∑ ℎ + +
=1
Điều kiện rẽ nhánh
1 (∑ )2 (∑ )2 (∑ )2
ℒ =
[ + − ] −
2 ∑ ℎ + ∑ ℎ + ∑ ℎ+
(10)
(11)
(12)
(13)
Tuy nhiên, hàm mục tiêu coi các hàm là tham số của nó do đó không thể
huấn luyện với các phương pháp tryền thống trong không gian Euclide. Do đó, nó
được huấn luyện theo một phương pháp mới, nó đưa vào những gì đã học và thêm
một cây mới tại một thời điểm. Hơn thế nữa, các hàm mất mát (loss function) khác
có thể được sử dụng trong XGBoost, chẳng hạn như: Gaussian L2, Laplace L1,
Binomial, Adaboost, Huber… hoặc bất kỳ hàm nào khác được tinh chỉnh bởi người
dùng. Các quá trình học có thể được chỉ định dựa vào mục đích.
2.2. Phương pháp đánh giá kết quả phân lớp
Để đánh giá độ chính xác của quá trình phân lớp, thì Ma trận nhầm lẫn
(Confusion Matrix), Độ chính xác (Precision), Độ hồi tưởng (Recall) và chỉ số F1
được dùng ở các lớp cụ thể, hệ số Kappa và Độ chính xác tổng thể (Overall
Accuracy - OA) được sử dụng cho tính toán ở mức phân lớp chung.

33
Ma trận nhầm lẫn là một cách tính độ chính xác dựa trên một ma trận, trong
ma trận đó ta có thể biết được mỗi lớp được phân loại thế nào, lớp nào được phân
loại đúng nhiều nhất và dữ liệu thuộc lớp nào thường bị phân loại nhầm vào lớp
khác. Ma trận này sẽ thể hiện có bao nhiêu điểm ảnh đúng là thuộc vào một lớp và
được dự đoán vào một lớp.[23]
Ta xét ví dụ như Bảng 2.2, tổng cộng có 10 điểm ảnh.
Dự đoán lớp 0 Dự đoán lớp 1 Dự đoán lớp 2 Tổng số
Đúng là lớp 0 2 1 1 4
Tổng số 3 4 3 10
Bảng 2.2. Ví dụ về Ma trận nhầm lẫn
- Xét lớp 0, có 3 điểm ảnh được phân loại vào lớp 0 nhưng chỉ chỉ có 2 điểm
ảnh được phân lớp đúng, 1 điểm ảnh của lớp1 nhưng được phân loại vào lớp 0.
- Xét lớp 1, có 4 điểm ảnh được phân loại là lớp 1 nhưng chỉ có 2 điểm ảnh
được phân lớp đúng, 1 điểm ảnh thuộc lớp 0 và 1 điểm ảnh thuộc lớp 2 nhưng được
phân loại vào lớp 1.
- Tương tự là lớp 2, có 2 điểm ảnh được phân loại đúng vào lớp 2, 1 điểm
ảnh của lớp 0 được phân loại vào lớp 2.
Chỉ số Độ chính xác và Độ hồi tưởng [24]
Độ chính xác được định nghĩa là tỉ lệ số điểm được phân vào đúng lớp trong
số những điểm được phân loại vào lớp đó.
Độ hồi tưởng được định nghĩa là tỉ lệ số điểm được phân lớp đúng và những
điểm thực sự thuộc đúng lớp đó.
Từ đó, ta có công thức:
Precision =
(14)
+
Recall =
(15)
+

34
Trong đó:
- Tp là số phần tử được phân loại đúng vào lớp P.
- TN là số phần tử không thuộc lớp P nhưng được phân loại sai vào lớp P.
- FN là số phần từ thuộc lớp P nhưng không được phân loại chính xác.
- FP là số phần tử không thuộc lớp P nhưng được phân loại sai vào lớp P.
Độ chính xác cao đồng nghĩa với việc độ chính xác của các điểm tìm được là
cao. Độ hồi tưởng cao đồng nghĩa với việc tỉ lệ các điểm đúng thuộc lớp P cao, tức
tỉ lệ bỏ sót các điểm thực sự thuộc lớp P là thấp.
Chỉ số F1
Chỉ số F1 là chỉ số mang tính chất điều hòa hai chỉ số là Độ hồi tưởng và Độ
chính xác. Công thức tính chỉ số này là:
F =2∗ 1 =2∗∗ (16)
1
1
+
1 +
Chỉ số F1 có giá trị nằm trong nửa khoảng (0,1]. F1 càng cao, bộ phân lớp
càng tốt. Khi cả Độ hồi tưởng và Độ chính xác đều bằng 1 (tốt nhất có thể), F1=1.
Khi cả Độ hồi tưởng và Độ chính xác đều thấp, ví dụ bằng 0.1, F1=01.
Độ chính xác tổng thể (OA) được tính toán dựa trên số điểm ảnh được nhận
dạng đúng lớp trên tổng số điểm ảnh được kiểm tra:
(17)
OA =
Trong đó:
- Ncorrect: Số lượng các điểm được phân lớp chính xác.
- Ntotal: Tổng số lượng các điểm được kiểm tra.
Hệ số Kappa
Hệ số Kappa (K) [25] là hệ số trong thống kê, dùng để đo đạc độ đồng thuận
giữa các thành phần định tính (phân loại), được tính bởi công thức sau:
= − (18)
1 −

35
Trong đó :
- Po là Giá trị đồng thuận quan sát được giữa các biến đánh giá (tương tự
như Độ chính xác).
- Pe là Xác suất giả định của khả năng đồng thuận, được xác định bởi công
thức sau:
= 1 ∑ (19)
1 2
2
Với N là số lượng phần tử, nki là số lần dự đoán
- Nếu K < 0.4 => Độ chính xác thấp
- Nếu 0.4 ≤ K <0.8 => Độ chính xác vừa phải
- Nếu K ≥ 0.8 => độ chính xác cao
- Khi Kappa = 1 => độ chính xác phân loại là tuyệt đối.
Ta xét ví dụ sau:
Dự đoán lớp 1 Dự đoán lớp 2 Tổng số
Đúng là lớp 1 20 5 25
Đúng là lớp 2 10 15 25
Tổng số 30 20 50
Bảng 2.3. Ví dụ về Hệ số Kappa
Từ ma trận Bảng 2.3, ta có:
=
20+15
= 0.7
50
1 =
20+5 20+10
= 0.3
20+5+10+15 20+5 +10+15
2 =
10+15 5+ 15
= 0.2
20+5+10+15 20+5 +10+15
=1+2 = 0.3 + 0.2 = 0.5
=
0.7 − 0.5
= 0.4
1− 0.5

36
CHƯƠNG 3: THỰC NGHIỆM PHÂN LOẠI LỚP PHỦ
CHO THỦ ĐÔ VIÊNG CHĂN - LÀO VÀ KẾT QUẢ
Hình 3.1. Sơ đồ tổng quan cho quá trình thực nghiệm.
3.1. Khu vực nghiên cứu:
Sau nhiều năm chiến tranh và nội chiến, Lào đã được giải phóng, tuyên bố
độc lập và thành lập nước Cộng hòa Dân chủ Nhân dân Lào vào ngày 02 tháng 12
năm 1975. Viêng chăn là thành phố thủ đô của Lào, được thành lập năm 1989 khi
được tách ra từ tỉnh Viêng Chăn.
Thủ đô Viêng Chăn có diện tích khoảng 3.920km2
, nằm ở phía tây bắc Lào. Đây
là trung tâm chính trị, văn hoá, kinh tế của Lào. Thành phố nằm bên tả ngạn sông Mê
Kông, bờ bên kia là Thái Lan. Thủ đô Viêng Chăn - Lào gồm có 9 quận (như bảng 3.1)

37
[26], nhưng trong đó, có 5 quận được coi là khu vực đô thị chính của thủ đô Viêng
Chăn, bao gồm: Chanthabuly, Sikhottabong, Xaysetha, Sisattanak, Hadxaifong, các
khu vực còn lại hầu hết địa hình là đồi núi và đất trồng nông lâm nghiệp.
Hình 3.2. Địa lý và thủy văn Thủ đô Viêng Chăn - Lào
Nguồn ảnh: National Geographic Office, JST compilation
STT Tên quận
1 Chanthabuly
2 Sikhottabong
3 Xaysetha
4 Sisattanak
5 Naxaithong
6 Xaythany
7 Hadxaifong
8 Sangthong
9 Mayparkngum
Bảng 3.1 Danh sách các quận trực thuộc thủ đô Viêng Chăn - Lào

38
Viêng Chăn có khí hậu nhiệt đới gió mùa và chia làm hai mùa rõ rệt, đó là
mùa mưa và mùa khô. Mùa mưa từ tháng Năm đến tháng Mười và mùa khô từ tháng
Mười Một đến tháng Tư. Nhiệt độ trung bình hàng năm là 29 độ C, cao nhất có thể
lên đến 40 độ C và thấp nhất khoảng 19 độ C, tháng nóng nhất trong năm là tháng
Tư, trùng với dịp tết năm Pee Mai của Lào. Lượng mưa trung bình hàng năm từ
1.500 đến 2.000 mm.
Có 03 con sông lớn ở thủ đô Viêng Chăn - Lào. Sông lớn nhất là sông
Mekong, Viêng Chăn nằm trên khúc của dòng sông Mekong, sông Mekong chảy từ
phía Bắc Lào vào phía tây thành phố và chạy theo chạy theo biên giới giáp với Thái
Lan và kết thúc ở phía đông Lào. Sông lớn thứ hai là sông Nam Ngum, sông chảy
qua 2 quận Xaythany and Mayparkngum sau đó gặp sông Mekong ở phía đông
thành phố. Sông Nam Ton chạy theo hướng từ Bắc xuống phía Nam, chia tách 2
quận SangThong và Sikhottabong.
Lào nổi tiếng là đất nước của Chùa tháp và lễ hội. Chỉ trong lòng một thủ đô
nhỏ bé nhưng có đến hàng trăm ngôi chùa lớn nhỏ, có những ngôi chùa rất nổi tiếng
như tượng đài That Luang (Tháp Lớn), chùa Sisaket, chùa Ong Teu Mahavihan,
chùa Sỉ Muông, chùa Hor Phra Keo… Ngoài ra còn rất nhiều di tích, bảo tàng và
công viên khác.
Về kinh tế Viêng Chăn nói riêng và Lào nói chung, hầu hết kế sinh nhai của
người dân vẫn phụ thuộc vào nông nghiệp. Đồng bằng Viêng Chăn bao gồm tỉnh
Viêng Chăn và thủ đô Viêng Chăn là một trong sáu vùng sản xuất lúa gạo lớn ở
Lào. Bên cạnh đó, du lịch, thương mại, công nghiệp là những lĩnh vực có thế mạnh
của Viêng Chăn. Những năm gần đây, ngành du lịch đặc biệt phát triển với các danh
lam thắng cảnh và di tích vốn có. Những ngành nghề đặc biệt phát triển là công
nghiệp thực phẩm, dệt lụa, kéo sợi bông, thuộc da, đóng đồ gỗ, làm hàng thủ công
mỹ nghệ. [27]
3.2. Tập dữ liệu ảnh Landsat 8
Tất cả các ảnh Landsat 8 Surface Reflectance (L8SR) của thủ đô Viêng Chăn -
Lào trong khoảng thời gian từ 2016 đến 2018 đều được cung cấp bởi USGS Earth

39
Explorer [28]. Trong nghiên cứu này, các ảnh này được thu thập bởi chương trình
tải ảnh được phát triển trên Code Editor của Google Earth Engine (GEE) [29],
những ảnh bị bao phủ hoàn toàn bởi mây sẽ bị loại bỏ. Tập dữ liệu ảnh bao gồm 203
ảnh (chi tiết như Bảng 3.2)
STT Năm Số lượng ảnh
1 2016 70
2 2017 61
3 2018 72
Tổng cộng 203
Bảng 3.2. Tập dữ liệu ảnh Landsat 8
Khu vực Viêng Chăn được bao phủ bởi 4 ảnh trong 2 lần liên tục vệ tinh
Landsat 8 quét qua nên tất các hình ảnh liên quan khu vực này được thu thập và
ghép lại tạo thành bản đồ cho khu vực thủ đô Viêng Chăn, các điểm ảnh sẽ được xử
lý dựa theo tọa độ.
Hình 3.3. Hình ảnh ghép cho khu vực thủ đô Viêng Chăn - Lào
Hình ảnh được xử lý trên GEE.

40
3.3. Tạo ảnh Composite
Mục đích chính của bước này là tạo ra một chuỗi ảnh ít bị ảnh hưởng bởi
mây nhất để có thể lấy được các thay đổi quang phổ cho phân loại lớp phủ đô thị
Viêng Chăn trong năm 2018.
Ảnh mục tiêu cho việc kết hợp là 6 ảnh L8SR ít mây nhất, chọn các ngày
mục tiêu là: DOY 15, DOY 75, DOY 135, DOY 195, DOY 255, DOY 315. Các
ngày mục tiêu này được chọn dải đều trong các khoảng trong năm, với mục đích để
ghi nhận được đầy đủ các thay đổi về lớp phủ của khu vực cần nghiên cứu theo các
mùa trong năm. Những ngày này là những ngày mục tiêu cho quá trình kết hợp,
trong quá trình này những điểm ảnh của ảnh kết hợp sẽ là những điểm ảnh cùng tọa
độ và có chất lượng tốt nhất từ những ảnh ứng viên dựa trên phương pháp tính chỉ
số được mô tả như sau.
Với mỗi điểm ảnh của ảnh mục tiêu, giá trị của điểm này sẽ được lựa chọn
giữa các điểm ảnh ở cùng vị trí giữa các ảnh ứng viên. Điểm ảnh tốt nhất sẽ được
lựa chọn dựa vào các quy tắc dựa trên 5 chỉ số phụ sau: year score, DOY score,
opacity score và Distance from cloud/cloud shadow và chỉ số NDVI. Những chỉ số
này được chia làm 2 loại là: chỉ số cấp độ ảnh và chỉ số cấp độ điểm ảnh. Year và
DOY là những chỉ số cấp độ ảnh. Điều đó có nghĩa rằng mỗi điểm ảnh trong cùng
một ảnh ứng viên đều có chung chỉ số này. Opacity, Distance to cloud/cloud
shadow và NDVI là các chỉ số ở cấp độ điểm ảnh. Mỗi điểm ảnh có chỉ số riêng dựa
vào chiến lược xếp hạng chỉ số.
Đối với chỉ số Year, do sự biến đổi của địa hình theo thời gian thì những ảnh
cùng năm hoặc càng gần so với năm cần xây dựng bản đồ, sẽ được ghi nhận là
những ảnh có chỉ số Year càng cao và ngược lại, càng xa thì chỉ số Year này càng
thấp. Như vậy thì ảnh ở năm càng xa năm 2018 thì chỉ số Year của ảnh càng giảm.
Chỉ số DOY được tính với hàm phân phối Gaussian [17]. DOY Score được
tính toán như sau:
ScoreDOY =
1
−1
(
xi− µ
)2
(20)
2
√2
Trong đó là độ lệch tiêu chuẩn, µ là DOY mục tiêu và xi là DOY của ảnh ứng viên. DOY score chỉ xác
định số thứ tự của ngày trong năm, không liên quan đến số năm. DOY của ứng viên càng gần với DOY mục tiêu
thì chỉ số DOY càng

41
lớn, nghĩa là ta coi ảnh hưởng của các yếu tố bên ngoài lên cùng 1 điểm ảnh trong
cùng 1 ngày giữa các năm sẽ gần như là tương đồng.
Bên cạnh đó, đối với mỗi ngày mục tiêu (DOY) thì ta xem xét các ảnh ứng
viên có imgDOY trong đoạn targetDOY 30, tức là xem xét các ảnh trong đoạn 30
ngày trước và sau TargetDOY. Do 1 năm có 365 hoặc 366 ngày, nên để tránh việc bỏ
sót các ảnh ứng viên, thì các ảnh có imgDOY trong khoảng (345, 350) sẽ được xem
xét trong cùng tập các ảnh có TargetDOY = 315, các ảnh có imgDOY >=350 sẽ được
xem xét trong cùng cập các ảnh có TargetDOY=15.
Distance to cloud/cloud shadow [17] được tính toán bởi một hàm Sigmoid để
tính khoảng cách tới điểm mây hoặc bóng mây, giá trị có thể lấy được từ tệp
sr_cfmask, trong bán kính 50 điểm ảnh. Chỉ số này được tính toán như sau:
ScoreCloud/Shadow_Distance =
1
(21)
1+ (−0.2∗(min{Di,Dreq}− (
Dreq− Dmin
)))
2
Trong đó Di là khoảng cách tới mây hoặc bóng mây, tính bằng điểm ảnh, Dreq
được xác định trước khoảng cách tối thiểu yêu cầu (50 điểm ảnh), Dmin là khoảng
cách tối thiểu của điểm ảnh được xem xét. Dmin sẽ là 0 trong nghiên cứu này. Điểm
ảnh ứng viên càng gần mây và bóng mây thì chất lượng càng kém và chỉ số này sẽ
càng thấp.
Opacity score yêu cầu đầu vào là một ảnh có phân cấp độ mờ của các điểm
ảnh [17], nhưng ảnh L8SR cung cấp thông tin độ mờ (4 cấp độ) trong tệp sr_cloud.
Do đó, chỉ số opacity được gán cho cấp độ mờ này, sử dụng hàm Sigmoid.
Year Opacity Distance to
DOY cloud/cloud
Score
Mô
Score Mô tả shadow
tả
1.00 2018 Rằng buộc là trong 0.023 Giá trị độ mờ cao Ràng buộc là
khoảng 30 ngày so bán kính 50
0.68 2017 0.223 Độ mờ trung bình
với ngày mục tiêu. điểm ảnh từ
0.42 2016 0.777 Độ mờ thấp
Chỉ số được tính điểm ảnh được
bởi hàm Gaussian.
0.977
Độ mờ gần như xem xét. Chỉ số
được tính bởi
không có
hàm Sigmoid.
Bảng 3.3. Tổng hợp về các chỉ số Year score, DOY score, Opacity score, Distance to
cloud/cloud shadow trong quá trình kết hợp ảnh L8SR.

42
Hình Error! No text of specified style in document..14 Sơ đồ tính NDVI Score.
Chỉ số NDVI là ý tưởng của Compton Tucker, một nhà khoa học của NASA,
vào năm 1977. Chỉ số NDVI được xác định dựa trên sự phản xạ khác nhau của thực
vật thể hiện giữa kênh phổ đỏ thấy được (RED) và kênh phổ cận hồng ngoại (NIR),
dùng để biểu thị mức độ tập trung của thực vật trên mặt đất.
Chỉ số khác biệt thực vật NDVI được tính toán theo công thức:
− (22)
Giá trị NDVI nằm trong khoảng từ -1 đến +1. Sự khác biệt giữa độ phản xạ
của quang phổ đỏ và NIR càng cao, tức là càng nhiều chất diệp lục được tìm thấy ở
các thảm thực vật [30]. Điểm ảnh được bao phủ bởi thực vật sẽ có giá trị NDVI lớn
hơn 0.3, NDVI gần giá trị 0, có nghĩa là không có lá xanh và có thể là khu vực đô
thị. Giá trị NDVI mà âm, thì điểm ảnh đó thường là bị bao phủ bởi nước. Giá trị
trung bình NDVI cho phép tách khu vực xây dựng ra khỏi khu vực đất khô [31].

43
Trong nghiên cứu này, để xây dựng thêm một chỉ số mới dựa trên giá trị
NDVI, có tính tương đồng với các chỉ số DOY, Year, Opacity và Distance to
Cloud/Cloud Shadow sẵn có, thì NDVI Score sẽ được tính theo công thức sau:
Score= 1 −
()
−
(23)
2
Trong đó,
- ScoreNDVI có giá trị trong khoảng [-1, 1]
- NDVI Value là giá trị NDVI của điểm ảnh cần xem xét
- Max(NDVIValue) là giá trị NDVI lớn nhất của tập các điểm ảnh cùng khu
vực ảnh và DOY của ảnh nằm trong khoảng30 ngày so với ngày mục tiêu.
Ngoài ra, giá trị Max(NDVIValue) được tính toán dựa trên tập ảnh ứng viên,
tập ảnh này được xây dựng dựa trên 2 yếu tố: khu vực ảnh (dựa trên thông tin file
ảnh) và DOY của ảnh được lấy theo quy tắc xây dựng chỉ số DOY đã nói ở trên.
Cuối cùng, mỗi điểm ảnh ứng viên sẽ có một chỉ số cuối cùng bằng tổng các
chỉ số đã được nêu trên, tại mỗi tọa độ được xem xét, điểm ảnh nào có tổng chỉ số
cao nhất sẽ được lựa chọn để tạo thành ảnh kết hợp cuối cùng đặc trưng theo ngày
mục tiêu của khu vực Viêng Chăn.
3.4. Dữ liệu huấn luyện và dữ liệu kiểm thử
Lớp phủ (Land cover) trên bề mặt trái đất có rất nhiều loại, có thể là thực vật,
hạ tầng đô thị, nước, đất trồng hay các loại khác. Trong luận văn này sẽ tập trung
nghiên cứu về phân loại lớp phủ đô thị Urban và các lớp khác sẽ được gom chung
thành lớp Others.
Training Testing
Urban 1059 49
Others 5265 498
Tổng cộng 6324 547
Bảng 3.4 Tập điểm mẫu để xây dựng tập dữ liệu huấn luyện và dữ liệu kiểm thử

44
Tập dữ liệu điểm mẫu này được lựa chọn ngẫu nhiên các điểm trên toàn bộ
khu vực thủ đô Viêng Chăn - Lào và dựa trên quá trình thực địa tại đây đồng thời
kiểm tra trên các ảnh có độ phân giải cao của Google Earth, tập điểm mẫu này được
gán nhãn và phân chia vào 02 lớp tương ứng như Bảng 3.4. Tổng số lượng các điểm
trong dữ liệu huấn luyện và dữ liệu kiểm thử lần lượt là 6324 và 547 điểm, do tỉ lệ
thực tế của lớp phủ đô thị so với toàn bộ diện tích thủ đô Viêng Chăn là khá nhỏ nên
số lượng điểm được gán nhãn lớp Urban so với tổng số lượng điểm mẫu cũng chiếm
tỉ lệ tương đương.
Dựa trên tọa độ của các tập dữ liệu điểm mẫu, giá trị các kênh ảnh của điểm
ảnh trong các ảnh kết hợp (kết quả của phần 4 đã nêu ở trên) sẽ được ghi thành các
file với định dạng CSV. Trong nghiên cứu này, mỗi ảnh đại diện sẽ cho 1 file CSV
với định dạng cột và dòng, các cột tương ứng với số kênh ảnh (bao gồm 7 kênh ảnh
được sử dụng), mỗi dòng tương ứng với một điểm ảnh, mỗi ô chứa dữ liệu các giá
trị tại kênh tương ứng của một điểm trong tập điểm mẫu. Các file này sẽ là tập dữ
liệu huấn luyện và dữ liệu kiểm thử dùng trong quá trình phân loại lớp phủ sau đó.
3.5. Phân loại lớp phủ đô thị
Scikit-learn [32] là một thư viện học máy viết trên ngôn ngữ Python với các
công cụ mạnh mẽ và giao diện dễ sử dụng, do đó nó rất hữu dụng trong việc xử lý
các ảnh vệ tinh và nó có thể kết hợp với các thư viện xử lý ảnh khác như Numpy và
GDAL. Thư viện này bao gồm các bộ phân lớp trong đó có cả XGBoost, ở phần
thực nghiệm này, thư viện này đã được sử dụng lại (https://scikit-learn.org/) và thuật
toán XGBoost được lựa chọn để phân loại các điểm ảnh thuộc lớp Urban và lớp
Others và kết quả này được ghi ra file ảnh là bản đồ lớp phủ đô thị cho Viêng Chăn
- Lào năm 2018.

45
3.6. Kết quả
3.6.1. Kết quả của quá trình kết hợp ảnh
Hình 3.5 Ảnh đại diện cho DOY 15 với tổ hợp màu giả đô thị (Kênh 7-6-4)

46
Hình 3.8. Ảnh đại diện cho DOY 195 với tổ hợp màu giả đô thị (Kênh 7-6-4)

47
Hình 3.10. Ảnh đại diện cho DOY 315 với tổ hợp màu giả đô thị (Kênh 7-6-4)

48
3.6.2. Kết quả của quá trình phân lớp
Hình 3.11 Bản đồ lớp phủ đô thị Viêng Chăn, năm 2018.
3.7. Đánh giá kết quả
Các ảnh kết hợp được giả màu đô thị được thể hiện như các hình 3.5, hình
3.6, hình 3.7, hình 3.8, hình 3.9 và hình 3.10). Có thể dễ dàng quan sát được rằng
các ảnh này đã còn rất ít hoặc gần như không còn ảnh hưởng bởi các đám mây. Các
hình ảnh được hiển thị với tổ hợp màu giả đô thị làm nổi bật các khu vực đô thị, khu
đông dân cư với các tông màu vàng sẫm hoặc có gam màu ánh hồng. Các yếu tố
thủy văn được nhận biết rõ với màu đen hoặc xanh nước biển (Blue). Các yếu tố có
màu xanh lá (Green) là các khu vực rừng hoặc các vùng thực vật khác.
Hơn thế nữa, mỗi ảnh này hiển thị các thay đổi của khu vực Viêng Chăn qua
các thời điểm trong năm. Riêng với các khu vực liên quan đến lớp đô thị (Urban)
chiếm tỉ lệ khá nhỏ và có sự ổn định hơn các khu vực liên quan đến nông nghiệp và
thực vật vì các khu vực này hầu như không bị ảnh hưởng bởi yếu tố mùa vụ.

49
Sau quá trình phân lớp, kết quả phân lớp được thể hiện ở Ma trận nhầm lẫn
như sau:
Dự đoán lớp Others Dự đoán lớp Urban Tổng số
Đúng là lớp Others 486 12 498
Đúng là lớp Urban 5 44 49
Tổng số 491 56 547
Bảng 3.5. Kết quả phân loại lớp phủ đô thị Viêng Chăn năm 2018.
- Xét lớp Urban 44
Precision = 44 + 12 = 0.79
44
Recall = 44 + 5 = 0.90
0.79 ∗ 0.9
1 =2∗
0.79+0.9
≈0.84
- Xét lớp Others 486
Precision = 486 + 5 ≈ 0.99
486
Recall = 486 + 12 ≈ 0.98
0.99 ∗ 0.98
=2∗ ≈0.98
1 0.99 + 0.98
- Hệ số Kappa
=
486 + 44
≈ 0.9689
547
ℎ =
486+5 486 + 12
≈ 0.8172
547
547
=
5+44 12+44
≈ 0.0092
547 547
= 0.8172 + 0.0092 ≈ 0.8264
= 0.9689 − 0.8264 ≈ 0.82
1 − 0.8264
- Độ chính xác tổng thể486 + 44
OA = ≈ 0.9689 = 96.89%

Phân Loại Lớp Phủ Đô Thị Cho Thủ Đô Viên Chăn - Lào, Sử Dụng Ảnh Composite Landsat-8.doc

Phân Loại Lớp Phủ Đô Thị Cho Thủ Đô Viên Chăn - Lào, Sử Dụng Ảnh Composite Landsat-8.doc

Recommended

Recommended

More Related Content

Similar to Phân Loại Lớp Phủ Đô Thị Cho Thủ Đô Viên Chăn - Lào, Sử Dụng Ảnh Composite Landsat-8.doc

Similar to Phân Loại Lớp Phủ Đô Thị Cho Thủ Đô Viên Chăn - Lào, Sử Dụng Ảnh Composite Landsat-8.doc (20)

More from DV Viết Luận văn luanvanmaster.com ZALO 0973287149

More from DV Viết Luận văn luanvanmaster.com ZALO 0973287149 (20)

Recently uploaded

Recently uploaded (20)

Phân Loại Lớp Phủ Đô Thị Cho Thủ Đô Viên Chăn - Lào, Sử Dụng Ảnh Composite Landsat-8.doc