Chuyển đổi số, sản phẩm trí tuệ nhân tạo trong phân loại lớp phủ sử dụng đất toàn cầu, khả năng ứng dụng tại Việt Nam

CHUYỂN ĐỔI SỐ, SẢN PHẨM TRÍ TUỆ NHÂN TẠO
TRONG PHÂN LOẠI LỚP PHỦ SỬ DỤNG ĐẤT TOÀN CẦU,
KHẢ NĂNG ỨNG DỤNG TẠI VIỆT NAM
Nguyễn Trọng Trường Sơn
Trường Đại học Tài ngun và Mơi trường Hà Nội
Tóm tắt
Chuyển đổi số, ứng dụng trí tuệ nhân tạo trong phân loại lớp phủ sử dụng đất phục vụ công
tác quản lý đất đai đang là xu hướng phát triển mạnh mẽ trên toàn thế giới. Đã có những sản phẩm
về phân loại lớp phủ tồn cầu có độ phân giải khơng gian 10 m, đây là nguồn dữ liệu có khả năng
đem lại hiệu cao trong quản lý và nghiên cứu, phân tích dữ liệu trong quản lý đất đai, môi trường.
Nghiên cứu này xem xét khả năng ứng dụng của nguồn dữ liệu Dynamic world, ESA’s world cover
2020 và sản phẩm nghiên cứu tại Ba Vì, Hà Nội, Việt Nam. Kết quả nghiên cứu này cho rằng các
sản phẩm trên có thể sử dụng cho một số lĩnh vực chuyên ngành tại Việt Nam.
Từ khóa: Lớp phủ sử dụng đất; Google earth engine; Dynamic world; World cover.
Abstract
Digital tranformation, AI product in global land use land cover and application in Vietnam
Digital transformation, application of artificial intelligence in land use land cover is a
development trend in the world. There are product on global land use land cover with spatial
resolution of 10 m, this is a data source capable of bringing high efficiency in land and environmental
management. This study examines the applicability of Dynamic world, ESA’s world cover and
research in Vietnam. The results are relatively positive and can be used for specialized fields in
Vietnam.
Keywords: Land use; Land cover; Google earth engine; Dynamic world; World cover.
1. Mở đầu
Sự phát triển nhanh chóng của hệ thống Internet tồn cầu và cơng nghệ thơng tin nói chung,
hiện nay các lĩnh vực khoa học công nghệ và đời sống đang chuyển đổi mạnh mẽ và dần hoàn thiện
đáp ứng cơng cuộc chuyển đổi số trong đó có lĩnh vực quản lý đất đai. Có nhiều phương pháp đã
được áp dụng tỏ ra rất hiệu quả để phục vụ chuyển đổi số trong phân loại các lớp phủ sử dụng đất
từ ảnh viễn thám. Một trong những phương pháp, công nghệ tiên tiến hiện nay là ứng dụng cơng
nghệ trí tuệ nhân tạo (AI - Artificial Intelligence) và các thuật tốn học máy nhằm nâng cao khả
năng tự động hóa và khả năng tự chủ trong xử lý dữ liệu của người dùng, giảm bớt phụ thuộc vào

các hệ thống phần mềm chuyên dụng có giá thành cao. Trên thế giới và tại Việt Nam đã có những
nghiên cứu ứng dụng AI, học máy để tạo ra những sản phẩm hữu ích trong cơng tác quản lý đất
đai [1-3]. Các nền tảng điện toán đám mây hiện nay đang là một xu hướng ngày càng phát triển
và hiệu quả nhất là ưu điểm trong việc sử dụng dữ liệu cảm biến từ xa có thể truy cập miễn phí để
lập bản đồ lớp phủ sử dụng đất trên các khu vực quy mô lớn bằng cách sử dụng dữ liệu địa lý tồn
cầu. Các loại sản phẩm này cũng có thể cung cấp các dữ liệu theo mùa, hàng năm và thay đổi khi
đề xuất tích hợp các thuật tốn học máy phức tạp và dữ liệu khảo sát và dữ liệu ảnh lớn của ảnh
thu nhận vệ tinh [2, 4].
Cho đến nay, đã có nhiều thuật tốn được ứng dụng một cách hiệu quả trong việc phân loại
lớp phủ bề mặt đất từ ảnh vệ tinh như Maximum Likelihood Classifier (MLC), Minimum Distance
Classifier (MDC), K - Nearest Neighbor (KNN), Support Vector Machine (SVM), Classification
66

Hội thảo Quốc gia 2022


and regression tree (Cart) và Random Forest (RF). Trong đó, các thuật toán Cart, RF và SVM là
các thuật toán đã áp dụng cho việc học máy được sử dụng nhiều trong khai phá cơ sở dữ liệu ảnh
vệ tinh trực tryến từ Google Earth Engine (GEE). Hiện nay, đã có những nghiên cứu tại Việt Nam
và trên thế giới đã cho thấy tính hiệu quả của việc khai thác các thuật tốn SVM, Cart hoặc RF và
cũng đã có những đánh giá rõ ràng về độ tin cậy của từng thuật toán nêu trên trong việc ứng dụng
để phân loại lớp phủ bề mặt đất từ ảnh vệ tinh [2, 5, 6].
Ứng dụng các thuật tốn học máy, trí tuệ nhân tạo hiện nay trên thế giới đã có các sản phẩm
LULC ở phạm vi toàn cầu. Các sản phẩm này đã được cách mạng hóa rất nhiều nhờ dữ liệu vệ tinh
có độ phân giải trung bình và độ phân giải tương đối cao có sẵn như Landsat và Sentinel. Để theo
dõi, đánh giá độ tin cậy của sản phẩm, người ta đã so sánh chéo các bản đồ LULC độ phân giải 10
m toàn cầu và kết quả đã tìm thấy một số sai lệch về khơng gian và còn tồn tại sự chưa thống nhất
về lớp phủ trong mỗi sản phẩm khác nhau. Cụ thể, đã có so sánh chéo và đánh giá độ chính xác
của các sản phẩm Google’s Dynamic World (DW), ESA’s World Cover (WC) và Esri’s Land Cover
(Esri) để xem xét về việc khả năng áp dụng sản phẩm này trong tương lai. Đối với năm 2020, đã có

ba sản phẩm bản đồ LULC toàn cầu là DW, WC, Esri được đánh giá và kết quả cho thấy sự tương
ứng về không gian mạnh mẽ (tức là ước tính diện tích gần bằng nhau) cho các lớp phủ mặt nước,
khu vực cơng trình xây dựng, thực phủ và một số loại cây trồng. Tuy nhiên, kết quả đánh giá cũng
cho thấy rằng sản phẩm của WC thiên về việc ước tính các lớp phủ là lớp cỏ, trong khi đó Esri thiên
về lớp phủ cây bụi còn sản phẩm DW thiên về các lớp phủ băng tuyết [4, 7].

Hình 1: Hình ảnh sản phẩm LULC_WC - 2020 khu vực Việt Nam
Từ đó các nghiên cứu trên đưa ra các khuyến nghị một cách tổng thể là cần đánh giá nghiêm
túc từng sản phẩm LULC, và có thể tham chiếu đến các mục đích ứng dụng phù hợp. Trong nghiên
Hội thảo Quốc gia 2022

67


cứu này, chúng tôi sử dụng sản phẩm DW, WC đồng thời so sánh với một kết quả LULC đã thực
hiện và được kiểm chứng với khu vực huyện Ba Vì, Hà Nội, Việt Nam [2].
Ngồi ra, cịn có những dự án của các tập đồn và các cơng ty thương mại nổi tiếng và đã
có truyền thống lâu dài trên thế giới, họ đã xây dựng các sản phẩm tồn cầu về LULC. Trong đó
hãng Microsoft đã cung cấp bản đồ cho người dùng trên toàn thế giới dựa trên các dữ liệu miễn phí
tồn cầu. Esri, cũng là một trong các cơng ty hàng đầu thị trường tồn cầu về phần mềm hệ thống
thông tin địa lý (GIS - Geographic Infomation System) thông minh, giúp khách hàng khai thác
rất nhiều tiềm năng của dữ liệu viễn thám trong hệ thống thông tin địa lý nhằm cải thiện các hoạt
động nghiên cứu, ứng dụng cho các chuyên ngành cụ thể khác nhau, trong đó có những sản phẩm
đã chứng tỏ được hiệu quả rất cao trong lĩnh vực quản lý đất đai.
2. Dữ liệu nghiên cứu
Trong nghiên cứu này, nhóm tác giả đã sử dụng sản phẩm là hai loại dữ liệu LULC toàn cầu
(DW và VC) và một sản phẩm được phân loại trực tiếp trên GEE. Các lớp phủ được phân loại đều
có nguồn gốc dữ liệu là ảnh vệ tinh Sentine - 2 với độ phân giải không gian 10 m.
Sản phẩm DW là bộ dữ liệu gần dữ liệu thời gian thực, trong khi các phương pháp tiếp cận
truyền thống để xây dựng dữ liệu lớp phủ sử dụng đất có thể mất hàng tháng hoặc hàng năm để

tạo ra. Đây là kết quả của việc tận dụng một phương pháp học sâu, dựa trên Sentinel - 2 TOA,
DW cung cấp và cập nhật lớp phủ toàn cầu từ 2 đến 5 ngày một lần tùy thuộc vào vị trí. DW được
thành lập dựa trên nền tảng dữ liệu điện toán đám mây của Google Earth Engine và mơ hình AI.
Sản phẩm DW được xây dựng phù hợp với nguyên tắc AI của Google. DW được phát triển bằng
cách sử dụng dữ liệu đào tạo của Hiệp hội Địa lý quốc gia (National Geographic Society). Tập dữ
liệu này được thành lập bởi dự án hợp tác giữa Hiệp hội Địa lý Quốc gia và Google cùng với Viện
Tài nguyên Thế giới (World Resources Institute). Sản phẩm bao gồm 9 loại lớp phủ được mô tả
tại Bảng 1 dưới đây:
Bảng 1. Mô tả về các loại lớp phủ của DW
STT
Tên lớp phủ
1 Mặt nước
2
3
4
5
6
7
8
9

Mô tả
Các vùng nước vĩnh viễn và theo mùa
Bao gồm rừng nguyên sinh và rừng thứ sinh, cũng như rừng trồng quy
Cây cối
mô lớn
Cỏ
Đồng cỏ tự nhiên, đồng cỏ chăn nuôi và công viên
Thảm thực vật ngập nước Rừng ngập mặn và các hệ sinh thái ngập nước khác
Cây trồng

Bao gồm cây trồng và lúa
Cây bụi
Cây bụi và các thảm thực vật thưa thớt đến rậm rạp
Khu vực xây dựng
Các tòa nhà chung cư, đường xá, làng mạc
Sa mạc
Đất trống và đá lộ thiên
Tuyết và băng
Băng, tuyết phủ vĩnh viễn và theo mùa

Sản phẩm WC (ESA World Cover) đã được xác nhận độc lập bởi Đại học Wageningen. Sản
phẩm WC 2020 đạt độ chính xác tổng thể là 74,4 %. Sản phẩm này từ sau hội nghị World Cover
2017 do Cơ quan Vũ trụ châu Âu (European Space Agency - ESA) là một tổ chức liên chính phủ
được thành lập năm 1975 tổ chức, với các yêu cầu chính của dự án World Cover là tạo nhanh và
xác nhận lớp phủ đất trên thế giới dựa trên các dữ liệu ảnh vệ tinh Sentinel - 2 và Sentinel - 1 với
độ phân giải không gian 10 m. Các sản phẩm của WC cơ bản bao gồm 11 lớp phủ mô tả bề mặt
trái đất với độ phân giải không gian là 10 m. Trong đó, bao gồm các lớp phủ: “Rừng”, “Cây bụi”,
“Đồng cỏ”, “Đất trồng trọt”, “Khu vực xây dựng”, “Cây cối trơ trụi/thưa thớt”, “Băng tuyết” ,
68

Hội thảo Quốc gia 2022


“Các vùng nước vĩnh viễn và theo mùa”, “Đất ngập nước cây cỏ”, “Rừng ngập mặn”, “Rêu và địa
y”. Sản phẩm ESA WC đã được xác nhận độc lập bởi Đại học Wageningen (thống kê) và IIASA
(khơng gian). Trong đó độ chính xác tổng thể là 74,4 % [7]. Tổ chức của sản phẩm WC được xây
dựng dựa trên một nhóm các nhà cung cấp dịch vụ và tổ chức nghiên cứu lớn ở châu Âu đã có
nhiều kinh nghiệm trong sản xuất và nghiên cứu, bao gồm tất cả việc lập bản đồ lớp phủ sử dụng
đất. Các lớp phủ được mô tả ở Bảng 2.
Bảng 2. Mô tả về các loại lớp phủ của WC

STT
1
2
3
4
5
6
7
8
9
10
11

Tên lớp phủ
Rừng
Vùng cây bụi
Đồng cỏ
Đất trồng trọt
Tích hợp
Cây cối trơ trọi /thưa thớt
Băng tuyết
Các vùng nước vĩnh viễn
Đất ngập nước cây cỏ
Rừng ngập mặn
Rêu và địa y

Mô tả
Các loại rừng cây, thực vật tập trung mật độ lớn
Cây bụi nhỏ và các thảm cây bụi lớn
Đồng cỏ tự nhiên, đồng cỏ chăn nuôi và công viên

Cây trồng và lúa
Bao gồm các loại lớp phủ khác
Cây bụi và các thảm thực vật thưa thớt đến rậm rạp
Các tòa nhà chung cư, đường xá, làng mạc
Tương tự mặt nước vĩnh viễn
Các vùng cây ngập nước vĩnh viễn và theo mùa
Rừng ngập mặn
Rêu và cây địa y

WC được đánh giá là một sản phẩm gồm các lớp phủ sử dụng đất toàn cầu cơ bản ở độ phân
giải 10 m tương ứng với năm 2020 dựa trên dữ liệu Sentinel - 1 và Sentinel - 2 đã được phát triển
và xác thực trong thời gian gần thực. Ngoài ra, nghiên cứu này cũng sử dụng dữ liệu ảnh vệ tinh
Sentinel - 2 để phân loại lớp phủ sử dụng đất bao gồm 5 lớp phủ sử dụng đất cơ bản tại huyện Ba
Vì, Hà Nội, Việt Nam cùng thời điểm 2020 với các sản phẩm trên để so sánh, phân tích khả năng
ứng dụng của của các sản phẩm nghiên cứu [2].
3. Phương pháp nghiên cứu
Tổng quan phương pháp nghiên cứu được thể hiện như sơ đồ tại Hình 2. Trước hết, nhóm
tác giả sử sụng nền tảng GEE và ngơn ngữ lập trình JavaScrip để trích xuất các dữ liệu tồn cầu
DW, WC theo khu vực cần nghiên cứu. Cụ thể, nhóm tác giả đã thu nhận dữ liệu LULC của khu
vực huyện Ba Vì, Hà Nội, Việt Nam của các sản phẩm toàn cầu là DW, WC dựa trên mơ hình AI.
Tiếp theo, nhóm tác giả sử dụng thuật toán SVM phân loại ảnh Sentinel - 2 theo 5 lớp sử dụng đất
cơ bản, bao gồm: Đất trống; Mặt nước; Khu vực xây dựng; Rừng; Cây bụi. Quy trình nghiên cứu
được thể hiện tại Hình 2.
4. Kết quả nghiên cứu
Kết quả nghiên cứu này sử dụng sản phẩm DW và WC năm 2020 cùng với phân loại ảnh
Sentinel - 2 năm 2020 để so sánh, đánh giá khả năng sử dụng của các sản phẩm. Các sản phẩm toàn
cầu DW và WC đã được một số nghiên cứu đánh giá có khả năng sử dụng cho một số lĩnh vực cụ thể
với mức độ tổng quan [7]. Đối với khu vực Ba Vì, nhóm tác giả sử dụng thuật toán SVM để thành
lập các lớp phủ sử dụng đất với 5 lớp phủ sử dụng đất cơ bản như đã nêu ở trên, kết quả đánh giá độ
chính xác phân loại dựa trên ma trận nhầm lẫn (Confusion - matrix) với các thông số như độ chính

xác tổng thể (Overall Accuracy - OA) và hệ số Kappa. Trong đó hệ số Kappa có giá trị từ 0,4 đến 0,6
được đánh giá là đạt kết quả trung bình, giá trị từ lớn hơn 0,6 đến 0,8 là tốt và hơn 0,8 đến 1,0 là rất
tốt [8]. Thực hiện đánh giá trên nền GEE với hàm errorMatrix, trong đó sử dụng 70 % số lượng mẫu
dùng để phân loại ảnh và 30 % số lượng mẫu dùng để kiểm tra đánh giá. Cụ thể, kết quả đánh giá độ
Hội thảo Quốc gia 2022

69


chính xác đạt được giá trị OA và Kapa tương ứng là 0,96 và 0,92. Đây là các giá trị hồn tồn có khả
năng đáp ứng được u cầu trong phân loại các lớp phủ sử dụng đất từ dữ liệu ảnh vệ tinh.

Hình 2: Quy trình thực hiện so sánh các sản phẩm
Hình 3 thể hiện kết quả so sánh tỷ lệ các lớp phủ cơ bản là: Mặt nước; Đất trống; Khu vực
xây dựng được phân loại theo các sản phẩm DW, WC - 2020 và sản phẩm được phân loại trên nền
tảng GEE với thuật toán học máy SVM (GEE - SVM).

Hình 3: So sánh tỷ lệ các lớp phủ sử dụng đất cơ bản
Các kết quả trên có sự khác biệt rõ ràng giữa các sản phẩm DW, WC và nghiên cứu phân
loại với thuật toán SVM trên nền tảng dữ liệu điện toán đám mây GEE. Trong đó, có sự chênh lệch
lớn về lớp mặt nước của sản phẩm WC năm 2020 so với kết quả phân loại do nhóm tác giả thực
70

Hội thảo Quốc gia 2022


hiện, giá trị khác biệt của lớp mặt nước đạt tới 3,58 % so với tổng diện tích tự nhiên của khu vực
nghiên cứu.
Bảng 3. Kết quả khác biệt giữa sản phẩm toàn cầu DW, WC và kết quả phân loại
theo thuật toán SVM trên nền GEE

Loại sản phẩm
DW
WC

Mặt nước (%)
0,3
-3,58

Đất trống (%)
1,13
2,62

Nhà cửa (%)
-1,7
-2,82

Sự khác biệt trên cũng có thể nhìn nhận một cách tương đối rõ ràng trên các hình ảnh của các
sản phẩm phân loại lớp phủ sử dụng đất tại Hình 4.

a. Sản phẩm của DW
b. Sản phẩm của VC-2020
c. Sản phẩm GEE-SVM
Hình 4: Các sản phẩm LULC toàn cầu và kết quả thực hiện phân loại với thuật tốn SVM
theo mơ hình AI trên nền tảng dữ liệu điện toán đám mây GEE
Các khác biệt về kết quả phân loại giữa các sản phẩm có thể do nhiều nguyên nhân bao gồm
cả khách quan và chủ quan. Từ Bảng 3 cho thấy kết quả tương đối gần nhau hơn giữa sản phẩm
DW và GEE - SVM. Trong khi đó, sự khác biệt thể hiện là lớn hơn một cách rõ ràng giữa sản
phẩm WC và GEE - SVM. Để so sánh các kết quả DW và WC và đánh giá độ tin cậy của sản phẩm
nào tốt hơn với các điều kiện tại khu vực nghiên cứu tại thời điểm này là thực sự còn nhiều khó
khăn. Có nhiều nguyên nhân tồn tại trong việc đánh giá độ tin cậy của các sản phẩm toàn cầu DW

và WC để phục vụ các công tác nghiên cứu cũng như quản lý sử dụng. Một trong những nguyên
nhân ban đầu là mỗi sản phẩm hướng đến một trong những mục tiêu sử dụng khác nhau, có các
lớp phủ sử dụng đất khác nhau nên gây khó khăn trong việc đánh giá độ chính xác của sản phẩm.
Với 9 lớp phủ của sản phẩm DW, 11 lớp phủ của sản phẩm WC và 5 lớp phủ được phân loại bằng
ảnh Sentinel - 2 tại khu vực Ba Vì, Hà Nội, Việt Nam là khó khăn trong đánh giá độ tin cậy phân
loại các lớp phủ của sản phẩm DW và WC. Tuy nhiên nghiên cứu này cũng đã sử dụng 3 lớp phủ
cơ bản trùng lặp với 3 lớp phủ của sản phẩm DW và WC để so sánh, đánh giá các kết quả như đã
phân tích ở trên. Kết quả đánh giá cũng đã cho thấy được một số sự tương đồng của 3 sản phẩm.
Các khác biệt lớn giữa WC và GEE - SVM có thể do dữ liệu sử dụng của sản phẩm WC năm 2020
được phân loại và tổng hợp từ nhiều nguồn nghiên cứu khác như công bố của các nhà nghiên cứu
nên khó đạt được sự thống nhất và nhất là khó có khả năng là sản phẩm được phân loại trong 1 thời
điểm nhất định. Trong khi đó sản phẩm DW và GEE - SVM đều là sản phẩm được phân loại từ dữ
Hội thảo Quốc gia 2022

71


liệu ảnh vệ tinh Sentinel - 2 thu nhận ngày 21 tháng 3 năm 2020, đây cũng là các sản phẩm được
coi như là sản phẩm gần thời gian thực (Near Real Time - NRT) nên khả năng tương đồng về kết
quả phân loại có khả năng cao hơn như kết quả thể hiện tại Bảng 3.
5. Kết luận và đề xuất
Việc chuyển đổi phương pháp khai thác, phân tích dữ liệu ảnh vệ tinh trực tuyến và các
sản phẩm tồn cầu phục vụ cơng tác quản lý đất đai đang ngày càng tỏ ra hiệu quả. Điều này
cũng góp phần tích cực vào cơng cuộc chuyển đổi số nói chung hiện nay và của ngành quản lý
đất đai nói riêng.
Sản phẩm WC năm 2020 là sản phẩm tổng hợp của phân loại từ ảnh vệ tinh Sentinel-2 và
một số kết quả nghiên cứu khác, do đó cần có những nghiên cứu đánh giá chi tiết hơn về tính thống
nhất và độ tin cậy của sản phẩm khi sử dụng cho các lĩnh vực cụ thể.
Sản phẩm DW là một trong nhưng sản phẩm về các lớp phủ sử dụng đất tồn cầu có nhiều ưu
điểm như là gần thời gian thực, đây là một trong những yếu tố rất quan trọng trong các phân tích,

đánh giá phục vụ cơng tác quản lý nhà nước về đất đai, môi trường.
Nghiên cứu này cũng cho thấy sự tương đồng về kết quả tốt hơn giữa sản phẩm DW và GEE
- SVM so với kết quả phân loại lớp phủ sử dụng đất từ sản phẩm WC 2020 và GEE-SVM.
Các kết quả phân loại ảnh đã được đánh giá và thể hiện được độ tin cậy, tuy nhiên để có
những căn cứ chắc chắn hơn nữa, các nghiên cứu sau này nên có sự so sánh với các loại bản đồ
như là bản đồ hiện trạng sử dụng đất qua các thời kỳ.
Ngoài ra, để nâng cao hơn nữa hiệu quả sử dụng các sản phẩm tồn cầu phục vụ cơng
tác nghiên cứu, quản lý đất đai một cách nhanh chóng, chính xác, cần có những nghiên cứu
đánh giá cụ thể của từng loại sản phẩm DW và WC cho từng loại lớp phủ và đối với từng khu
vực khác nhau.
TÀI LIỆU THAM KHẢO
[1]. Bùi Thị Hồng Thắm, Trịnh Thị Thu (2020). Phân loại đối tượng chiết tách lớp phủ bề mặt tại khu vực
Cơng viên Địa chất tồn cầu non nước Cao Bằng dựa trên nền tảng điện toán đám mây. Tạp chí Khoa học
Tài ngun và Mơi trường, 31, 65.
[2]. Đặng Thanh Tùng (2021). Khai thác trực tuyến cơ sở dữ liệu ảnh vệ tinh, so sánh thuật toán học máy
về phân loại lớp phủ trên nền Google Earth Engine. Kỷ yếu Hội thảo Quốc gia giải pháp kết nối và chia
sẻ hệ thống cơ sở dữ liệu phục vụ công tác đào tạo, quản lý lĩnh vực tài nguyên và môi trường. Nxb. Khoa
học và Công nghệ, Hà Nội, tr. 192.
[3]. Lewis, R. J. (2000). An introduction to classification and regression tree (CART) analysis. In Annual
meeting of the society for academic emergency medicine in San Francisco, California (Vol. 14). Citeseer.
[4]. Mirmazloumi, S. M.; Kakooei, M.; Mohseni, F.; Ghorbanian, A.; Amani, M.; Crosetto, M.; Monserrat,
O. (2022). ELULC - 10, a 10 m European land use and land cover map using Sentinel and Landsat data in
Google Earth Engine. Remote Sens. 14, 3041. />[5]. Breiman L. J. M. (2001). Random forests. Kluwer Academic Publishers. Manufactured in The
Netherlands, 45(5).
[6]. Cortes C. and V. Vapnikl (1995). Support - vector networks. J Machine learning, Kluwer Academic
Publishers, Boston. Manufactured in The Netherlands, 20, 273.
[7]. Venter, Z.S.; Barton, D.N.; Chakraborty, T.; Simensen, T.; Singh, G (2022). Global 10 m land use land
cover datasets: A Comparison of Dynamic World, World Cover and Esri Land Cover. Remote Sens. 14,
4101. />[8]. Visa S., B. Ramsay, A. L. Ralescu and E. J. M. Van Der Knaapl (2011). Confusion matrix-based feature
selection. 710, 120.

BBT nhận bài: 20/9/2022; Chấp nhận đăng: 31/10/2022
72

Hội thảo Quốc gia 2022