SỬ DỤNG DỮ LIỆU VIỄN THÁM RADAR TRONG XÁC ĐỊNH RỪNG NGẬP MẶN

Hội nghị Khoa học và Công nghệ lần thứ 14

TP. Hồ Chí Minh, 30/10/2015

SỬ DỤNG DỮ LIỆU VIỄN THÁM RADAR TRONG XÁC ĐỊNH RỪNG NGẬP MẶN
Hoàng Phi Phụng (1), Lâm Đạo Nguyên (1), Phạm Bách Việt (2)
(1)

Trung tâm Ứng dụng Công nghệ Vệ tinh Miền Nam - Trung tâm Vệ tinh Quốc gia - VAST
,
(2)

Trường Đại học Khoa học Xã hội và Nhân văn - ĐH Quốc gia TP. Hồ Chí Minh

TÓM TẮT

Rừng ngập mặn (RNM) được xem là một trong những hệ sinh thái rừng có ý nghĩa quan trọng về mặt sinh thái,
môi trường và tài nguyên sinh vật. Phương pháp viễn thám sử dụng dữ liệu radar có tiềm năng cao trong xác định, phân
loại và giám sát RNM. Thu nhận ảnh theo phương pháp radar không bị ảnh hưởng bởi các hiện tượng thời tiết trong
bầu khí quyển (như bị che phủ bởi mây) và có thể thu nhận ảnh vào bất kỳ thời điểm nào trong ngày (kể cả ngày và
đêm). Nghiên cứu này xem xét khả năng xác định, phân loại RNM của hai loại ảnh radar ENVISAT ASAR APP
(kênh C) và ALOS PALSAR (kênh L) ở khu vực bán đảo Cà Mau. Kết quả cho thấy dữ liệu ENVISAT ASAR APP
khó khăn khi phân loại các đối tượng RNM cặp phân cực kép HH&HV cho một thời điểm ảnh. Dữ liệu ALOS PALSAR
phân cực kép HH&HV một thời điểm có khả năng xác định khác biệt rừng theo độ che phủ cây rừng, còn xác định
kiểu rừng theo loài (như rừng Mắm và rừng Đước) thì khó nhận diện chính xác.
Từ khóa: ALOS PALSAR, ENVISAT ASAR, xác định, rừng ngập mặn, phân cực

1. GIỚI THIỆU
Rừng ngập mặn (RNM) được xem là một trong những hệ sinh thái ven biển có ý nghĩa quan trọng về mặt sinh
thái, môi trường và tài nguyên sinh vật. Hệ sinh thái này góp phần trong việc chống xói lở bờ biển do tác động của các
cơ chế động học như (sóng, triều và dòng chảy ven bờ), và nó còn hạn chế ảnh hưởng của các hiện tượng thời tiết nguy

hiểm như bão, sóng thần. Đồng thời, nó còn tạo ra một môi trường sinh thái thuận lợi cho các loài thủy hải sản và các
loại cây thân gỗ và bụi có thể phái triển trong vùng gian triều (intertidal zone). Ngoài ra, RNM còn có ý nghĩa quan
trọng đối với hoạt động kinh tế - xã hội của con người như: cung cấp vật liệu xây dựng (gỗ,…) nếu được khai thác hợp
lý, nguyên liệu trong điều chế thuốc và phục vụ cho du lịch sinh thái. Do đó, việc nghiên cứu về RNM có ý nghĩa quan
trọng và ngày càng nhận được sự quan tâm của nhiều nhà nghiên cứu.
Trong những nghiên cứu này thì phương pháp viễn thám radar có tiềm năng xác định, phân loại và giám sát RNM.
Phương pháp viễn thám radar với những ưu điểm như có thể giám sát trên một khu vực rộng lớn, liên tục với một chu
kỳ nhất định và cho cái nhìn đồng thời tại một thời điểm, đặc biệt là viễn thám radar có thể giám sát một cách thuận
lợi các đối tượng trên bề mặt đất mà gần như không bị ảnh hưởng bởi các hiện tượng thời tiết trong bầu khí quyển (như
bị che phủ bởi mây) so với viễn thám quang học và có thể thu nhận ảnh vào bất kỳ thời điểm nào trong ngày (kể cả
ngày và đêm).
Dữ liệu viễn thám radar được nhận từ các hệ thống radar như SAR hầu như khó giải thích hay giải đoán hơn ảnh
quang học. Tín hiệu cường độ được đo lường từ bộ cảm được gọi là hệ số tán xạ ngược (backscatter coeficient) với
đơn vị dB (decibel). Do các sóng siêu cao tần có thể truyền đi với cấu hình khác nhau tùy theo loại bộ cảm, có sự khác
biệt về bước sóng, phân cực truyền đi và nhận lại tín hiệu, và góc tới mà dẫn đến cùng một bề mặt có thể thu nhận hệ
số tán xạ có sự khác nhau. Ứng dụng viễn thám radar trong RNM nói riêng và rừng nói chung, chủ yếu quan tâm đến
việc phân loại và ước lượng sinh khối RNM tại một thời điểm. Kết quả tốt nhất cho việc ước lượng rừng nhận được từ
dữ liệu SAR kênh L và P [1]. Đặc biệt trong RNM, Mougin và cộng sự [2] đã tìm thấy tương quan cao khi sử dụng
phân cực HV với kênh P. Các bước sóng dài cũng thuận lợi cho việc phân loại RNM tại một thời điểm. Sự phân biệt
giữa rừng đang phát triển (young forest) và rừng trưởng thành (mature forest) có thể thực hiện được ở kênh L (thông
qua tổ hợp của dữ liệu HH - HV) hoặc tốt hơn với bốn phân cực hoặc dữ liệu phân cực đầy đủ với pha bảo toàn
(phase - preserved) [3]. Dựa trên dữ liệu SIR - C / X - SAR, Kiplich [4] đã cho thấy là khó khăn khi tách biệt các giai
đoạn sinh trưởng của rừng Amazon với độ chính xác vừa đủ khi thực hiện trên các kênh X, C và L. Tuy nhiên, Rignot
và cộng sự [5] đã kết luận kênh C có khả năng tách biệt rừng hơn là kênh L và P. Các kết luận khác nhau của họ nên
được được nghiên cứu nhiều hơn ở các vùng khác nhau và các loại thực vật sử dụng dữ liệu phân cực, bước sóng và
góc tới khác nhau để có thể tính đến các thay đổi địa phương.
Theo Tổ chức Lương thực và Nông nghiệp Liên Hiệp Quốc (FAO), RNM là những cây thân gỗ và cây bụi mọc
dưới mức triều cao của triều cường [25]. Vì vậy, hệ thống rễ của chúng thường xuyên bị ngập trong nước mặn, mặc

218

dầu nước có thể được pha loãng do dòng nước ngọt và chỉ ngập một hay hai lần trong năm [26]. Cơ chế tương tác chủ
yếu của sóng radar với các giai đoạn phát triển của RNM phụ thuộc vào bước sóng radar [6]. Mối quan hệ này có thể
được tìm thấy trong nghiên cứu của Mougin và cộng sự [7], và Proisy và cộng sự [8] đã khảo sát mối quan hệ giữa dữ
liệu SAR với các chế độ tần số và phân cực khác nhau, và cấu trúc thành phần RNM cho khu vực Guiana, tại Pháp.
Phân loại RNM từ dữ liệu quang học hầu như đã được xem xét và nghiên cứu nhiều [9, 10], còn dữ liệu SAR
thường được sử dụng như một dữ liệu bổ sung thông tin. Tuy nhiên, với khả năng của các bộ cảm phân cực, dữ liệu
radar có thể ứng dụng độc lập cho mục tiêu phân loại. Có nhiều nghiên cứu đã cho thấy có thể sử dụng dữ liệu SAR để
giám sát và thành lập bản đồ rừng. Một vài nghiên cứu đã khảo sát các cách tiếp cận khác nhau để trích thông tin bản
đồ rừng từ dữ liệu JERS - 1 và ERS - 1/ ERS - 2 ở vùng nhiệt đới, mục đích chính là xác định các vùng bị phá rừng
[11, 12]. Ví dụ như các phương pháp dựa trên dữ liệu SAR cho việc tách biệt các lớp phủ như: phương pháp cây quyết
định [13], công nghệ mixed spectral model [14], support vector machines [15],… Các nghiên cứu khác sử dụng các dữ
liệu SAR khác như RADARSAT [16], ALOS PALSAR (PLR) [17] và SIR - C/ X - SAR [18].
Ngoài ra, dữ liệu viễn thám SAR còn được ứng dụng trong giám sát, phân loại và thành lập bản đồ phân bố đất
rừng ngập mặn (mangrove wetland) nói riêng và đất ngập nước (wetland) nói chung. Phân loại mạng thần kinh đã được
sử dụng để phân loại vùng ngập nước với dữ liệu đa thời gian của ảnh RADASAT [19] với thông tin cấu tạo (textural)
để cải tiến độ chính xác phân loại. Townsend và Foster [20] đã đánh giá vùng ngập và cấu trúc thực vật trong rừng
ngập nước (forested wetlands) sử dụng dữ liệu SAR RADARSAT. Dữ liệu SAR của thiết bị đo phân cực SIR-C đã
được sử dụng bởi Bourgeau - Chavez và công sự [21] để lập bản đồ vùng ngập nước, tìm hiểu hiệu ứng của các kênh
khác nhau (phân cực và tần số). Trong nghiên cứu này sử dụng dữ liệu Shuttle Imaging Radar - C (SIR - C) của NASA
đã đánh giá cho thành lập bản đồ và giám sát vùng ngập nước. Dữ liệu kênh C và L của thiết bị đo phân cực đầy đủ
được sử dụng các phân tích thứ bậc và các công nghệ phân loại maximum likelihood. Kết quả cho thấy cả kênh L và C
là cần thiết cho nhận biết nước ngập dưới lớp thực vật che ở trên. Phân cực HH đã tìm thấy trong nghiên cứu này hay
nghiên cứu khác là tốt hơn phân cực VV cho tách biệt vùng ngập nước. Các phân cực chéo (HV hoặc VH) dùng để
tách biệt thực vật dạng cây thân gỗ so với dạng cây thân thảo (herbaceous). Dữ liệu PLR đã sử dụng bởi Sato và cộng
sự [22] cho phân loại vùng nước trong vùng ngập nước. Đồng thời dữ liệu đa thời gian cũng được sử dụng để ước
lượng cấu trúc rừng ngập nước [23]. Như vậy, dữ liệu radar SAR đã được sử dụng cho thành lập bản đồ rừng và giám
sát rừng [13, 17], đánh giá biến động rừng của Việt Nam do các nhà khoa học Nhật tiến hành [24], xác định chiều cao
cây rừng và tương quan chiều cao cây với sinh khối [27], giám sát RNM [28]. Tính phân cực của dữ liệu radar SAR đã

được chú ý cao trong các phương pháp xử lý, phân tích ảnh và là các thông số quan trọng trong phân tích xác định đối
tượng. Hiện nay, hệ sinh thái RNM Cà Mau đang chịu ảnh hưởng nghiêm trọng bởi các hoạt động phá rừng hay chuyển
đổi mục đích sử dụng đất, phát triển nuôi trồng thủy sản không theo quy hoạch nên việc nghiên cứu và giám sát RNM
trở nên cấp thiết, bởi vì nó sẽ góp phần vào việc đánh giá và lên kế hoạch phát triển, bảo vệ và quản lý hệ sinh thái
RNM. Đặc biệt, khu vực đồng bằng sông Cửu Long (ĐBSCL) có 128.537ha, chiếm hơn 60% diện tích RNM cả nước
(Bộ Nông nghiệp và PTNT, 2008). Trong nghiên cứu này sẽ tìm hiểu khả năng phân loại RNM theo loại ở Cà Mau, cụ
thể là hai loài mắm và đước (là hai loại cây chính ở RNM Cà Mau), và khả năng phân loại theo mật độ che phủ của
RNM cho hai loại dữ liệu radar với bước sóng kênh L (ALOS PLR) và kênh C (ENVISAT ASAR - ASA) với hai phân
cực HH và HV.
2. KHU VỰC NGHIÊN CỨU, DỮ LIỆU VÀ PHƯƠNG PHÁP
2.1. Khu vực nghiên cứu
Phần lãnh thổ đất liền của tỉnh Cà Mau nằm trong tọa độ từ 8o30' - 9o10' vĩ Bắc và 104o80' - 105o5' kinh Đông. tỉnh
Cà Mau có đường bờ biển dài 254km, chiếm 7.8% chiều dài bờ biển cả nước, trong đó có 107km bờ biển Đông và
147km bờ biển Tây (vịnh Thái Lan). Vùng biển và thềm lục địa thuộc chủ quyền và quyền tài phán của Việt Nam do
tỉnh Cà Mau quản lý có diện tích 71,000km2 [29]. Vị trí địa lý giáp biển hai mặt, Cà Mau như một bán đảo nên việc
quản lý bảo tồn rừng ngập mặn là một tấm chắn tự nhiên bảo vệ bờ biển. Trong đề tài này sẽ giới hạn phạm vi nghiên
cứu ở khu vực mũi Cà Mau như được trình bày ở hình 1.

219


Hình 1: Bản đồ hành chánh tỉnh Cà Mau và vị trí khu vực nghiên cứu ở mũi Cà Mau
2.2. Dữ liệu sử dụng
Các dữ liệu ảnh đã thu thập cho nghiên cứu được trình bày ở bảng 2. Trong đó, 6 ảnh PLR với ba thời điểm thu
ảnh có cùng góc tới, loại phân cực và hướng thu ảnh thuận lợi cho việc lọc đa thời gian. Một ảnh ASA với cặp phân
cực HH, HV cho nên không thể xử lý lọc đa thời gian. Sóng radar là sóng siêu cao với mặt phẳng phân cực đứng (V)
hoặc mặt phẳng phân cực ngang (H). Phân cực HH tức là sóng radar với mặt phẳng phân cực ngang được phát đi đến
bề mặt đất và thu nhận sóng tán xạ từ bề mặt là các sóng có mặt phân cực ngang. Phân cực VV tức là sóng radar với
mặt phẳng phân cực đứng được phát đi đến bề mặt đất và thu nhận sóng tán xạ từ bề mặt là các sóng có mặt phân cực
ngang. Phân cực HV tức là sóng radar với mặt phẳng phân cực ngang được phát đi đến bề mặt đất và thu nhận sóng

tán xạ từ bề mặt là các sóng có mặt phân cực đứng.
Bảng 1: Các thời điểm dữ liệu ảnh vệ tinh đã thu nhận
Hướng thu ảnh

HH, HV

Kích thước phần tử
ảnh (m)
12.5

23/08/2010

HH, HV

12.5

Ascending

Góc tới
(độ)
20.60 26.01
38.70

PLR

08/10/2010

HH, HV

12.5

Ascending

38.70

PLR

23/11/2010

HH, HV

12.5

Ascending

38.70

Bộ cảm

Thời gian

Phân cực

ASA

03/04/2012

PLR

Ascending

Ghi chú

Góc tới tại tâm
ảnh
Góc tới tại tâm
ảnh
Góc tới tại tâm
ảnh

Đề tài sử dụng dữ liệu thực địa vào ngày 30/11/2011 đến 06/12/2011 tại mũi Cà Mau trong nhiệm vụ “Giám sát
lúa và rừng ngập mặn ở khu vực phía Nam Việt Nam bằng công nghệ viễn thám - RICEMAN” của Trung tâm Viễn
thám và Hệ thông tin Địa lý - Viện Địa lý Tài nguyên TP. HCM. Trong hình 1 là các điểm khảo sát thực địa (màu xanh)
và những điểm chụp hình có GPS (điểm màu vàng) đã được thu thập. Dựa trên các dữ liệu này, đề tài đã xây dựng bộ
dữ liệu huấn luyện và dữ liệu kiểm tra. Các thông tin ghi nhận khi đi thực địa ở khu vực mũi Cà Mau. Xác định các
yếu tố liên quan RNM cụ thể như sau: trạng thái rừng, ước lượng độ tàn che; loài ưu thế, thành phần loài tại vị trí khảo sát;
ước lượng chiều cao cây, mật độ cây; xác định tọa độ của điểm khảo sát; chụp hình thực địa.
Các dữ liệu khác mà đề tài sử dụng để tham khảo phục vụ cho việc xây dựng các bộ mẫu huấn luyện và kiểm tra gồm:
a) Bản đồ loại đất loại rừng của Phân viện Điều tra Quy hoạch rừng Nam Bộ, được thực hiện bằng phương pháp giải đoán ảnh
SPOT 5 kết hợp với điều tra thực địa thể hiện các thông tin loại sử dụng đất và loại RNM ở Cà Mau; b) Các ảnh của Google
Earth, các ảnh này có nhiều ảnh độ phân giải cao như SPOT và Geo Eye (độ phân giải không gian ở kênh toàn sắc 0.41m và
1.65m ở đa phổ) mà hai loại ảnh này phủ ở khu vực mũi Cà Mau gồm các thời điểm 2009, 2011, 2012, 2014. Trong đó ảnh
SPOT phủ gần như toàn bộ, còn các ảnh Geo Eye phân bố một số nơi ở khu vực nghiên cứu.

220


2.3. Phương pháp nghiên cứu
Trong nghiên cứu này có khảo sát khả năng tách biệt các đối tượng trong rừng ngập mặn theo loại và mật độ che
phủ của RNM. Để thực hiện điều này, nghiên cứu đã thực hiện khảo sát các giá trị thống kê và hệ số tách biệt JeffriesMatusita [30] trên dữ liệu ảnh đã tiền xử. Trong đó có thực hiện lọc nhiễu đa thời gian đối với dữ liệu PLR, còn dữ liệu

ASA không được lọc nhiễu đa thời gian vì chỉ có một ảnh. Các bước thực hiện việc phân loại được thể hiện qua sơ đồ
hình 2, bao gồm các bước như sau: a) dữ liệu viễn thám gồm ảnh ALOS PLR và ENVISAT ASA sẽ được tiền xử lý và
xử lý; b) Chọn bộ mẫu dữ liệu kiểm tra và phân loại căn cứ vào dữ liệu đi thực địa và tư liệu tham khảo; c) Tiến hành
việc phân loại và hậu xử lý sau khi phân loại ảnh.

Dữ liệu ảnh viễn thám
Tiền xử lý ảnh và xử lý ảnh radar
- Định chuẩn dữ liệu
- Hiệu chỉnh hình học
- Lọc nhiễu đa thời gian
- Lọc nhiễu không gian

Dữ liệu khảo sát
thực địa và tư
liệu tham khảo

Lấy mẫu dữ liệu

Mẫu kiểm tra

Mẫu huấn luyện

Thực hiện phân loại
Hậu xử lý sau phân loại
Đánh giá độ chính xác

chưa tốt

tốt
Kết quả ảnh phân loại

Hình 2: Sơ đồ các bước thực hiện xử lý và phân loại ảnh radar
2.3.1. Phương pháp tiền xử lý ảnh
Sử dụng công cụ phần mềm NEST (Next ESA SAR Toolbox) là một phần mềm mã nguồn mở được sử dụng để
đọc, tiền xử lý dữ liệu radar. Công cụ này sẽ đọc file của ảnh radar, và định chuẩn dữ liệu, tức là chuyển đổi giá trị số
(DN - Digital number) hay biên độ của mỗi phần tử ảnh thành giá trị bức xạ tuyệt đối là hệ số tán xạ ngược. NEST là
bộ công cụ mã nguồn mở cho đọc, tiền xử lý, phân tích và hiển thị dữ liệu ảnh lớn (từ level 1). Phần mềm NEST này
còn hỗ trợ xuất kết quả cuối cùng theo định dạng Geotiff, mà có thể được đọc bằng nhiều phần mềm xử lý ảnh thông
dụng như ENVI, ERDAS,… Nghiên cứu sử dụng phần mềm này để định chuẩn bức xạ tuyệt đối cho dữ liệu ảnh PLR
mức 1.5 và 1.1 và ảnh radar ASA ở level 1B. Công cụ này đọc file sản phẩm ở mức level 1B của ảnh ASA. Dữ liệu
radar sau khi được định chuẩn sẽ được hiệu chỉnh hình học để các dữ liệu ảnh trùng nhau và cùng một hệ tọa độ.
2.3.2. Lọc nhiễu đa thời gian và không gian
Các ảnh radar SAR thường có hiện tượng muối tiêu, nó giống như một đặc tính của ảnh radar mà không thể tránh
được, được gọi là nhiễu đốm (speckles). Hiện tượng nhiễu đốm này làm giảm chất lượng ảnh và gây khó khăn cho
công tác giải đoán ảnh radar. Nguyên nhân của hiện tượng này là do xây dựng và phá hoại một cách ngẫu nhiên bởi
sóng giao thao có pha lệch nhau, nhưng nó liên kết chặt chẽ với sự tán xạ của sóng trở lại của mỗi phần tử ảnh. Việc
giảm nhiễu của hiện tượng này có thể áp dụng phương pháp lọc không gian và phương pháp lọc đa thời gian. Phương
pháp lọc nhiễu đa thời gian được đưa ra bởi Quegan et al [16].
Công thức lọc nhiễu đa thời gian như sau:
𝑁

𝐸[𝐼𝑘 ]
𝐼𝑖 (𝑥, 𝑦)
𝐽𝑘 (𝑥, 𝑦) =
∑
𝑁
𝐸[𝐼𝑖 ]
𝑖=1

221

Trong đó: N là số ảnh đã được đăng ký lọc nhiễu đa thời gian, giá trị cường độ của (x,y) trong ảnh thứ k được biểu
thị Ik(x,y), k = 1…N, và E[I] là giá trị trung bình địa phương của phần tử ảnh trong cửa sổ lọc với trung tâm là điểm
(x,y) của ảnh I.
2.3.3. Phương pháp lấy mẫu
Điều quan trọng việc lựa chọn vị trí lấy mẫu huấn luyện đảm bảo sao cho dữ liệu huấn luyện với các lớp khác nhau
có sự khác biệt. Trong một vài lớp đồng nhất có thể chỉ cần một vài vị trí lấy mẫu. Nhiều vị trí lấy mẫu hơn sẽ cần thiết
cho các lớp có sự biến động lớn. Những quy luật chung được cung cấp bởi Jensen [31] là việc chọn số phần tử ảnh
trong mỗi lớp ít nhất gấp 10 lần số kênh sử dụng để thống kê phát triển mẫu huấn luyện. Điều này đảm bảo cho phép
máy tính có thể tính toán ma trận phương sai và hiệp phương sai, bước tính toán này thường được thực hiện trong các
phần mềm phân loại (ENVI, ERDAS,…). Và nó cũng ghi chú các vị trí lấy mẫu lớn hơn 10 phần tử ảnh có thể không
cung cấp được nhiều thông tin mới hơn. Bởi vậy, việc lấy mẫu 6 vị trí, mỗi vị trí lấy 10 phần tử ảnh cho mỗi lớp thì tốt
hơn là lấy một mẫu huấn luyện với 60 phân tử ảnh cho mỗi lớp [32].
2.3.4. Phương pháp đánh giá độ chính xác
Để đánh giá kết quả phân loại trong đề tài sử dụng phương pháp ma trận sai số, trong đó việc quan trọng nhất là
lựa chọn các điểm đánh giá sai số, trong đề tài này sẽ sử dụng phương pháp đánh giá sai số theo phương pháp lấy mẫu
hệ thống (systematic pattern). Trong đề tài này, mẫu kiểm tra được lấy theo phương pháp lấy mẫu hệ thống, các vị trí
lấy mẫu là các điểm mắt lưới có khoảng cách 1km như hình 3. Các điểm mẫu kiểm tra đánh giá sai số được lấy dựa
trên các dữ liệu tham khảo như dữ liệu đi thực địa, các ảnh Google Earth.

Hình 3: Các vị trí lấy mẫu kiểm tra theo phương pháp lấy mẫu hệ thống
Có nhiều quy luật nhanh và không quá khó khăn khi xác định số mẫu cần để đánh giá độ chính xác. Tuy nhiên, có
một vài hướng dẫn tốt như đề nghị của Fitzpatrick-Lins (1981) áp dụng công thức xác suất nhị thức (binomial
probability) để ước lượng số mẫu cần thiết cho vùng nghiên cứu là N = Z 2 p q/ E2; trong đó: N là số mẫu, Z = 2 (phân
bố chuẩn với độ tin cậy là 95%), p là độ chính xác mong đợi, q là 100 - p, và E là sai số cho phép. Ví dụ, nếu độ chính
xác mong đợi là 85%, và sai số cho phép là 5% (khoảng tin cậy là 95%), thì số mẫu cần là 204 vị trí lấy mẫu. [32]
Trong đề tài này, số mẫu kiểm tra được lấy là 246 điểm mẫu kiểm tra.
3. KẾT QUẢ
3.1. Lọc nhiễu đa thời gian
Đề tài đã thực hiện lọc đa thời gian với ba thời điểm ảnh PLR với các ngày 23/08/2010, 08/10/2010 và 23/11/2010.

Kết quả lọc đa thời gian cho ảnh PLR ngày 23/11/2010, phân cực kép HH và HV với các cửa sổ để tính giá trị trung
bình địa phương (E[I]) khác nhau là 3 x 3, 5 x 5, 7 x 7 và 9 x 9 (hình 4). Dễ nhận thấy kết quả trước khi lọc và sau khi
lọc có sự khác biệt nhiều. Sau khi lọc, các đối tượng nhìn thấy đồng đều và loại bỏ bớt hiện tượng nhiễu đốm. Kết quả
sau khi lọc đa thời gian cũng cho thấy với cửa sổ lọc càng lớn thì càng bớt nhiễu đốm hơn. Do đó, trong đề tài này sẽ
sử dụng phương pháp lọc đa thời gian với cửa sổ 9 x 9.

222


Ảnh gốc

Cửa sổ lọc 3x3

Cửa sổ lọc 5x5

Cửa sổ lọc 7x7

Cửa sổ lọc 9x9

Hình 4: Phép lọc đa thời gian với các cửa sổ lọc khác nhau

PLR_20101123_HV (dB)

-5
-15
-25
-35
-45
-40

-30

-20

-10

0

PLR_20101123_HH (dB)

10

20

Dancu
Av_day
Av_TB
Av_thua
Av_Open1
Av_Open2
Av_Open3
Rh_day
Rh_TB
Rh_thua
Rh_Av1
Rh_Av2
MN1
MN2
MN3
Rh_Ao1

Rh_Ao2

PLR_20101123_Spk9

-5
PLR_20101123_HV_Spk9 (dB)

PLR_20101123

-15
-25
-35
-45
-30

-20

-10

0

10

PLR_20101123_HH_Spk9 (dB)

20

Dancu
Av_day
Av_TB

Av_thua
Av_Open1
Av_Open2
Av_Open3
Rh_day
Rh_TB
Rh_thua
Rh_Av1
Rh_Av2
MN1
MN2
MN3
Rh_Ao1
Rh_Ao2

Hình 5: Biểu đồ tán xạ của phân cực HH và HV cho khóa giải đoán của ảnh PLR 23/11/2010 trước khi lọc đa thời
gian (bên trái) và sau khi lọc đa thời gian (bên phải).
3.2. Khả năng phân loại theo loài vào theo mật độ cây của ảnh PLR
Chủ yếu căn cứ vào dữ liệu thực địa và bản đồ loại đất rừng của Phân viện Điều tra Quy hoạch rừng Nam Bộ để
chọn các khóa giải đoán phân cấp theo loài và mật độ của cây rừng. Các khóa giải đoán được trình bày như trong
bảng 2. Tất cả các khóa giải đoán này sẽ được trích các thông tin tán xạ ngược cho từng phân cực HH và HV trước khi
lọc đa thời gian và sau khi lọc đa thời gian cho ảnh ngày 23/11/2010. Hình 6a và 6b trình bày giá trị trung bình và độ
lệch chuẩn sau khi được thống kê cho trường hợp trước khi và sau khi lọc nhiễu đa thời gian, cho thấy kết quả ảnh sau
khi lọc đa thời gian đã làm cho giá trị độ lệch chuẩn giảm đi nhiều đối với cả hai phân cực HH và HV. Điều này được
thể hiện rõ ở hình số 5, các lớp đối tượng ít bị nhiễu với nhau hơn so với trường hợp không có lọc nhiễu đa thời gian.
Hình 5 cho thấy biểu đồ tán xạ của các phân cực HH và HV cho trường hợp trước và sau khi lọc đa thời gian. Dễ nhận
thấy các đối tượng RNM và mặt nước giảm bớt nhiễu rất nhiều, còn đối tượng dân cư thì ít bị ảnh hưởng hơn bởi phép
lọc này.

223

Bảng 2: Các khóa giải đoán được sử dụng cho việc phân loại theo loài và mật độ cây của ảnh PLR
STT
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17

Ký hiệu
Dancu
Av_day
Av_TB
Av_thua
Rh_day
Rh_TB
Rh_thua

Av_Open1
Av_Open2
Av_Open3
Rh_Av1
Rh_Av2
MN1
MN2
MN3
Rh_Ao1
Rh_Ao2

Mô tả
Các công trình xây dựng (không phải rừng)
Rừng mắm có mật độ cây dày có độ che phủ khoảng từ 70% trở lên
Rừng mắm có mật độ trung bình có độ che phủ khoảng từ 50% đến 70%
Rừng mắm có mật độ thưa có độ che phủ khoảng từ 30% đến 50%
Rừng đước có mật độ cây dày có độ che phủ khoảng từ 70% trở lên
Rừng đước có mật độ trung bình có độ che phủ khoảng từ 50% đến 70%
Rừng đước có mật độ thưa có độ che phủ khoảng từ 30% đến 50%
Rừng mắm mới phát triển trên bãi bồi ven biển có mật độ dày
Rừng mắm mới phát triển trên bãi bồi ven biên có mật độ trung bình
Rừng mắm mới phát triển trên bãi bồi ven biển có mật độ thưa
Rừng mắm và đước hỗn giao có mật độ dày
Rừng mắm và đước hỗn giao có mật độ trung bình
Mặt nước biển
Mặt nước sông
Mặt nước ao hồ
Rừng đước xen kẽ ao nuôi tôm loại 1 (RNM có độ che phủ thấp hơn mặt nước)
Rừng đước xen kẽ ao nuôi tôm loại 2 (RNM có độ che phủ cao hơn mặt nước)

b

-10

-10

-15

-15

HV (dB)

HV (dB)

a

Av_day

-20

Av_TB

Rh_day
-20

Rh_TB

Av_thua

Rh_thua

-25

-25

-20

-15

-10

-5

0

-20

HH (dB)

-15

-10

-5

0

HH (dB)

Hình 6: Biểu đồ tán xạ của phân cực HH và HV cho loài và mật độ RNM của PLR 23/11/2010 sau khi lọc

đa thời gian
Trong hình 6, 7a và 7b, ta thấy khó có khả năng phân biệt được đối tương rừng đước và rừng mắm vì chúng có giá
trị tán xạ ngược trung bình và độ lệch chuẩn gần như nhau. Điều này cũng tương tự cho loại rừng hỗn giao mắm đước,
nó cũng có giá trị trung bình và độ lệch chuẩn gần với loại rừng mắm và rừng đước. Còn loại rừng mắm mới phát triển
ở các bãi bồi ven biển (Av_Open) có khả năng nhận biết được với ảnh radar PLR. Tuy nhiên, nó cũng có khả năng
nhầm lẫn cao với loại rừng đước xen khe ao nuôi tôm loại 1 (Rh_Ao1) vì giá trị trung bình của chúng gần nhau ở cả
hai phân cực. Điều này có thể giải thích là rừng mắn mới phát triển thường ngập nước và mật độ cây thấp nên phần lớn
tán xạ ngược của sóng ra sẽ bị mặt nước phản xạ đi giống như loại Rh_Ao1. Cuối cùng còn lại rừng đước xen kẽ ao
nuôi tôm loại 2 (Rh_Ao1) lại có khả năng nhầm lẫn với RNM trung bình và thưa (kể cả rừng mắm và rừng đước). Do
đó, khó khăn khi phân loại theo loài bằng ảnh PLR kênh L phân cực kép HH, HV với một thời điểm ảnh. Đồng thời,
từ kết quả đánh giá cũng cho thấy khả năng phân loại theo mật độ che phủ của RNM. Tuy nhiên, cũng có khả năng
nhầm lẫn giữa rừng mắm mới phát triển trên bãi bồi (Av_Open) với rừng đước xen kẽ ao nuôi tôm loại 1 (Rh_Ao1);
và các loại RNM thưa và trung bình (Av_TB, Av_thua, Rh_thua và Rh_TB) với loại rừng đước xen kẽ ao nuôi tôm
loại 2 (Rh_Ao2).

224


PLR_20101123_HH
-4.0
-6.0
-8.0
-10.0
-12.0
-14.0
-16.0
-18.0
Av_day

Av_TB

Av_thua

Av_Open Av_Open Av_Open
Rh_day
1
2
3

Rh_TB

Rh_thua Rh_Av1

Rh_Av2

High

-10.3

-7.7

-5.6

-10.5

-8.9

-6.8

-10.4

-7.3

-4.5

-8.3

-6.8

Low

-16.8

-14.2

-11.6

-15.9

-14.9

-13.6

-17.2

-14.2

-12.2

-15.9

-12.7

Mean

-12.5

-9.9

-7.7

-12.4

-10.9

-9.0

-12.6

-9.5

-6.8

-10.6

-8.8

PLR_20101123_HV
-13.0
-15.0

-17.0
-19.0
-21.0
-23.0
-25.0
-27.0

Av_Open Av_Open Av_Open
Rh_day
1
2
3

Av_day

Av_TB

Av_thua

Rh_TB

Rh_thua Rh_Av1

Rh_Av2

High

-15.7

-14.6

-14.9

-18.6

-17.5

-15.5

-15.9

-14.4

-13.4

-13.7

-13.6

Low

-21.5

-20.2

-20.4

-24.1

-23.4

-26.3

-22.4

-20.0

-19.3

-21.5

-19.6

Mean

-17.7

-16.6

-16.8

-20.6

-19.6

-18.1

-18.1

-16.3

-15.4

-16.1

-15.7

Hình 7a: Biểu đồ biểu thị giá trị trung bình và độ lệch chuẩn (đơn vị dB) của các khóa giải đoán trong ảnh PLR
23/11/2010, phân cực HH (phía trên) và HV (phía dưới) trước khi lọc đa thời gian.
PLR_20101123_HH_Spk9
-4.0
-6.0
-8.0
-10.0
-12.0
-14.0
-16.0
-18.0
Av_day

Av_TB

Av_thua

Av_Open Av_Open Av_Open
Rh_day
1
2
3

Rh_TB

Rh_thua Rh_Av1 Rh_Av2

High_Spk9

-11.2

-8.5

-6.5

-10.7

-9.8

-7.9

-11.5

-8.5

-5.8

-9.3

-7.7

Low_Spk9

-13.7

-11.4

-9.5

-13.2

-12.3

-10.8

-14.3

-11.4

-8.7

-12.3

-10.4

Mean_Spk9

-12.3

-9.7

-7.7

-11.8

-10.9

-9.1

-12.7

-9.7

-7.0

-10.5

-8.9

PLR_20101123_HV_Spk9
-13.0
-15.0
-17.0
-19.0
-21.0
-23.0
-25.0
-27.0

Av_Open Av_Open Av_Open
Rh_day
1
2

3

Av_day

Av_TB

Av_thua

Rh_TB

Rh_thua Rh_Av1 Rh_Av2

High_Spk9

-16.6

-15.6

-15.5

-19.0

-18.5

-16.4

-16.9

-15.2

-14.2

-15.0

-14.5

Low_Spk9

-19.1

-18.2

-17.9

-21.5

-21.0

-21.5

-19.7

-17.5

-16.7

-17.7

-17.0

Mean_Spk9

-17.7

-16.7

-16.5

-20.1

-19.6

-18.3

-18.1

-16.2

-15.3

-16.2

-15.5

Hình 7b: Biểu đồ biểu thị giá trị trung bình và độ lệch chuẩn (đơn vị dB) của khóa giải đoán trong ảnh PLR
23/11/2010, phân cực HH (phía trên) và HV (phía dưới) sau khi lọc đa thời gian.

225

3.3. Khảo sát khả năng phân loại theo loài và mật độ của ảnh ASA
Các khóa giải đoán được lấy tương tự như trường hợp ảnh PLR ở trên. Tất cả các khóa này sẽ được trích các thông
tin tán xạ ngược cho phân cực kép HH, HV của ảnh ASA 03/04/2012. Do dữ liệu chỉ có một ảnh nên không thể lọc đa
thời gian. Bảng 4.3 trình bày giá trị trung bình và độ lệch chuẩn sau khi được thống kê. Trong hình 8 cho thấy giá trị
trung bình của các loại RNM chênh lệch nhau không nhiều, mà giá trị độ lệch chuẩn của các loại này rất lớn. Do đó,
khả năng tách biệt và phân loại RNM theo loài và mật độ sẽ khó khăn với ảnh ASA phân cực kép HH, HV.

ASA_20120403_HH
0.0
-5.0
-10.0
-15.0
-20.0
-25.0

Av_Open Av_Open Av_Open
Rh_day
1
2
3

Av_day

Av_TB

Av_thua

Rh_TB

Rh_thua Rh_Av1

Rh_Av2

High

-4.6

-3.4

-3.3

-4.4

-4.1

-5.5

-4.4

-4.2

-4.1

-4.8

-3.2

Low

-30.0

-30.0

-30.0

-30.0

-17.7

-30.0

-30.0

-30.0

-30.0

-18.2

-15.6

Mean

-7.6

-6.5

-6.6

-7.8

-6.9

-8.5

-7.6

-7.2

-7.2

-7.6

-6.0

ASA_20120403_HV
0.0
-5.0
-10.0
-15.0
-20.0
-25.0
-30.0

Av_Open Av_Open Av_Open
Rh_day
1
2
3

Av_day

Av_TB

Av_thua

Rh_TB

Rh_thua Rh_Av1

Rh_Av2

High

-10.0

-9.6

-9.8

-10.0

-10.1

-10.1

-10.1

-8.9

-10.0

-9.6

-8.1

Low

-40.0

-40.0

-31.0

-21.7

-28.9

-22.9

-40.0

-25.3

-40.0

-21.9

-40.0

Mean

-13.2

-12.8

-12.8

-12.8

-13.1

-12.9

-13.2

-11.8

-13.1

-12.4

-11.2

Hình 8: Biểu đồ biểu thị giá trị trung bình và độ lệch chuẩn (đơn vị dB) của các khóa phân loại trong ảnh ASA
03/04/2012, phân cực HH (phía trên) và HV (phía dưới)
3.4. Phân loại RNM sử dụng ảnh PLR
Từ kết quả phân tích thống kê các dữ liệu mẫu trong RNM của ảnh PLR, đồng thời nghiên cứu còn tính hệ số tách
biệt Jeffries - Matusita cho các khóa giải đoán trong bảng 2. Kết quả hệ số tách biệt Jeffries - Matusita được trình bày
ở bảng 3. Theo Richards [30] thì những cặp khóa giải đoán nào có hệ số tách biệt từ 1,9 là hai đối tượng phân biệt được

tốt nhất. Hệ số này dưới 1 thì hai đối tượng này gần như không phân biệt được, nên gộp chung thành một nhóm với
cùng khóa giải đoán. Còn hệ số từ 1 đến 1,9, hệ số càng lớn thì độ tách biệt giữa các cặp khóa giải đoán càng lớn. Trong
nghiên cứu này, sẽ gộp chung các đối tượng nào có hệ số tách biệt Jeffries - Matusita dưới 1,5 để đảm bảo độ chính
xác. Do đó, các khóa giải đoán còn lại gồm 4 nhóm: RNM dày, RNM thưa, mặt nước, dân cư.

226


Bảng 3: Hệ số tách biệt Jeffries-Matusita của các khóa giải đoán cho dữ liệu ảnh ALOS PLR 23/11/2010
1

2

3

4

5

6

7

8

9

10

11

12

13

14

15

16

17

1
2

1,97

3

1,95

1,51

4

1,92

1,80

1,14

5

1,98

1,91

1,87

1,89

6

1,98

1,96

1,83

1,78

0,36

7

1,93

1,89

1,07

0,84

1,58

1,21

8

1,97

0,12

1,63

1,83

1,93

1,98

1,92

9

1,94

1,48

0,37

1,41

1,99

1,98

1,35

1,62

10

1,90

1,89

1,28

0,86

1,99

1,97

1,39

1,92

1,20

11

1,94

1,37

0,85

1,68

1,99

1,98

1,63

1,56

0,31

1,59

12

1,95

1,89

0,91

1,79

2,00

2,00

1,61

1,93

0,54

1,42

1,06

13

2,00

2,00

2,00

2,00

2,00

2,00

2,00

2,00

2,00

2,00

2,00

2,00

14

2,00

2,00

2,00

2,00

2,00

2,00

2,00

2,00

2,00

2,00

2,00

2,00

0,96

15

1,98

1,99

2,00

2,00

1,91

1,91

1,94

1,97

2,00

2,00

2,00

2,00

1,62

1,47

16

1,92

1,99

1,91

1,37

1,98

1,95

1,63

1,99

1,94

1,82

1,97

1,98

2,00

2,00

2,00

17

1,96

1,31

0,79

1,58

1,46

1,71

1,53

1,35

1,21

1,72

1,42

1,36

1,90

1,86

1,38

1,96

Kết quả phân loại các với 4 đối tượng sau khi bỏ đi các đối tượng dễ nhầm lẫn RNM trung bình và RNM xen kẽ
mặt nước. Kết quả phân loại được thực hiện cho phương pháp phân loại SVM được trình bày như hình 9 và bảng 4. Dễ
nhận thấy với hai phương pháp SVM cho độ chính xác toàn cục và hệ số Kappa cao lần lượt là 0,7322 và 81.91%.
Trong đó, sai số người sản xuất nhỏ nhất là 69,7%; đối với đối tượng RNM thưa và sai số người sử dụng là 83.9%.
Trong trường hợp này xảy ra nhầm lẫn giữa RNM thưa thành các đối tượng mặt nước là nhiều nhất, điều này làm giảm
sai số người sản xuất ở đối tượng này chỉ còn 69,7% (bảng 4). Còn sai số người sử dụng nhỏ nhất là 74.2% đối với đối
tượng mặt nước.
Bảng 4: Ma trận sai số phân loại cho ảnh PLR 23/11/2010 với phương pháp phân loại SVM
Dữ liệu mặt đất

Loại phân loại
Dancu

RNM_day

RNM_thua

MN

Tổng

Dancu

13

0

0

0

13

RNM_day

0

235

25

0

260

RNM_thua

3

37

265

11

316

MN

0

12

90

293

395

Tổng

16

284

380

304

984

Độ chính xác người sản xuất (%)

81,3

82,8

69,7

96,4

Độ chính xác người dùng (%)

100,0

90,4

83,9

74,2

Độ chính xác toàn cục = (806/984) = 81,91%

Hệ số Kappa = 0,7322

227


Hình 9: Kết quả phân loại ảnh PLR 23/11/2010 theo phương pháp SVM
4. KẾT LUẬN
Phương pháp lọc đa thời gian cho thấy là một phương pháp hiệu quả cao trong việc lọc nhiễu đốm của ảnh radar
và nâng cao độ chính xác phân loại. Tuy nhiên, khó khăn khi áp dụng là cần phải có nhiều hơn một thời điểm ảnh ở
cùng khu vực và cùng loại dữ liệu như cùng một bộ cảm, góc tới và hướng chụp. Kết quả khảo sát khả năng phân loại
theo loài cụ thể ở đây là rừng mắm và đước khó có khả năng nhận biết trong ảnh PLR hai phân cực HH và HV với một
thời điểm. Tuy nhiên trên ảnh radar PLR có thể nhận biết được các rừng mắm mới phát triển tự nhiên ở khu vực bãi
bồi. Điều này có thể giải thích khu vực này thường xuyên bị ngập nước làm giảm tán xạ ngược trên ảnh radar. Đối với
ảnh ASA với bước sóng kênh C chỉ có tương tác ở tầng trên của tán rừng, gây khó khăn khi phân biệt các đối tượng
RNM. Và kết quả cho thấy phân cực kép HH và HV có phân loại tốt hơn cặp phân cực HH và VV trong việc phân loại.
Để nâng cao và đánh giá khả năng phân loại theo mật độ RNM chi tiết hơn cần có những nghiên cứu về cơ chế tương
tác của sóng radar đối với các loại đối tượng RNM và dữ liệu đo chi tiết hơn.
TÀI LIỆU THAM KHẢO
A. Tạp chí
1.

Hoekman, D.H., Quinones, M.J., - Land cover type and biomass classification using AirSAR data for evaluation
of monitoring scenarios in the Colombian Amazon. IEEE Transactions on Geoscience and Remote Sensing, 38
(2000) 685-696.

2.

Mougin, E., Proisy, C., Marty, G., Fromard, F., Puig, H., Betoulle, J.L., Rudant, J.P., - Multifrequency and
multipolarization radar backscattering from mangrove forests. IEEE Transactions on Geoscience and Remote
Sensing 37 (1999) 94-102.

3.

McNeill, S., Pairman, D., - Stand age retrieval in production forest stands in New Zealand using C- and L- band
polarimetric radar. IEEE Transactions on Geoscience and Remote Sensing 43 (2005) 2503-2515.

4.

Kuplich, T.M. - Classifying regenerating forest stages in Amazonia using remotely sensed images and a neural
network. Forest Ecology and Management, 234 (2006) 1-9.

5.

Rignot, E., Chellappa, R., Dubois, P., - Unsupervised segmentation of polarimetric SAR data using the
covariance matrix. IEEE Transactions on Geoscience and Remote Sensing, 30 (1992) 697-705.

228


6.

Claudia Kuenzer, Andrea Bluemel, Steffen Gebhardt, Tuan Vo Quoc and Stefan Dech. - Remote Sensing of
Mangrove Ecosystems: A Review. Remote Sens., 3 (2011) 878-928; doi:10.3390/ rs3050878.

7.

Mougin, E., Proisy, C., Marty, G., Fromard, F., Puig, H., Betoulle, J.L., Rudant, J.P., - Multifrequency and
multipolarization radar backscattering from mangrove forests. IEEE Transactions on Geoscience and Remote
Sensing 37 (1999) 94-102.

8.

Proisy, C.; Mougin, E.; Fromard, F.; Karam, M.A. - Interpretation of polarimetric radar signatures of mangrove
forests. Remote Sens. Environ. 71 (2000) 56-66.

9.

Blasco, F. et al., - Recent advances in mangrove studies using remote sensing data. Marine Freshwater
Resources., 49 (1998) 287-296.

10. Giri, C. et al., - Status and distribution of mangrove forests of the world using earth observation satellite data.
Wiley online library/ Global Ecology and Biogeography, 20, 1 (2011) 154-159.
11. Grover, K., S. Quegan, and C. da Costa Freitas, - Quantitative estimation of tropical forest cover by SAR, IEEE
Trans. Geosci. Remote Sens., 37, 1 (1999) 479–490.
12. Podest, E. and S. Saatchi, - Application of multiscale texture in classifying JERS-1 radar data over tropical
vegetation, Int. J. Remote Sens., vol. 23, 7 (2002) 1487–1506.
13. Simard, M., S. Saatchi, andG.DeGrandi, - The use of decision tree and multiscale texture for classification of
JERS-1 SAR data over tropical forest, IEEE Trans.Geosci. Remote Sens., 38, 5 (2000) 2310–2321.
14. Almeida-Filho, R., A. Rosenqvist, Y. Shimabukuro, and J. dos Santos, - Evaluation and perspectives of using
multitemporal L-band SAR data to monitor deforestation in the Brazilian Amazônia, IEEE Geosci. Remote
Sens. Lett., 2, 4 (2005). 409–412.
15.

Lardeux, C., P.-L. Frison, C. Tison, J.-C. Souyris, B. Stoll, B. Fruneau, and J.-P. Rudant, 2009. Support vector
machine for multifrequency SAR polarimetric data classification, IEEE Trans. Geosci. Remote Sens., 47, 12
(2009) 4143–4152.

16. Quegan, S., T. L. Toan, J. J. Yu, F. Ribbes and N. Floury, - Multitemporal ERS SAR Analysis Applied to Forest
Mapping, IEEE Transactions on Geoscience and Remote Sensing, 38, 2 (2000).
17. Hoekman, D., and M. Vissers, - ALOS PALSAR PLR radar observation of tropical peat swamp forest as a

monitoring tool for environmental protection and restoration, in Proc. IEEE Int. Geosci. Remote Sens. Symp.,
Barcelona, Spain (2007) 3710-3714.
18. Podest, E. and S. Saatchi, - Application of multiscale texture in classifying JERS-1 radar data over tropical
vegetation, Int. J. Remote Sens., 23, 7 (2002) 1487-1506.
19. Ghedira, H., Bernier, M., Ouarda, T., - Application of Neural Networks for Wetland Classification in
RADARSAT SAR Imagery, IEEE (2000) 675-677.
20. Townsend, P. A., Foster, J. R., - Assessing Flooding and Vegetation Structure in Forested Wetlands using
Radarsat SAR Imagery, IEEE (2002) 1171-1173.
21. Bourgeau-Chavez, L. L. , Kasischke, E. S., Brunzell, S. M., Mudd, J. P., Smith, K. B. And Frick, A. L. Analysis of space borne SAR data for wetland mapping in Virginia riparian ecosystems, Int. j. remote sensing,
22 (2001) 3665-3687.
22. Sato, R., Yamaguchi, Y., Yamada, H. and Boerner, W.M., - Seasonal change monitoring of wetlands by using
airborne and satellite PALSAR sensing, Proc. IGARSS, 2 (2008) 289-292.
23. Townsend, P. A., - Estimating forest structure in wetlands using multitemporal SAR , Remote Sensing of
Environment, Vol.79 , Issues (2-3), February (2002) 288-304.
B. Sách, báo cáo kỹ thuật, luận án tiến sĩ, website,…
24. Takeuchi, W. et al., - Investigating the performance of JERS-1 SAR and ALOS PALSAR mosaics for forest
cover in Vietnam, Report at the APRSAF Workshop, Ha Noi (2008).
25. FAO - Tropical silviculture. Vol.1 (1952).
26. FAO - Mangrove forest Management guidelines. FAO Forestry Paper 117. FAO, Rome (1994).
27. Tobias Mette et al., - Viewing forest in POLinSAR, Proceedings of Int’l workshop for 3D RS in Forestry,
Viennam 2006.
28. Lucas, R.M., et al., - Characterisation and monitoring of mangrove using ALOS PALSAR data, Proceedings of
the 15 Australasian Remote sensing and Photogrammetry Conference (2010).
29. Cổng Thông tin Điện tử tỉnh Cà Mau. Truy cập ngày 19/06/2014,
30. J.A. Richards, - Remote Sensing Digital Image Analysis, Springer-Verlag, Berlin (1999) 240.
31. Jensen, J, R., - Introductory digital image processing - A remote sensing perspective. Prentiss Hall. 3rd Ed
(2005).
32. Roger, M. M., - Field Methods in Remote Sensing. The Guilford Press A Division of Guilford Publication, Inc.
ISBN 1-59385-079-4 (2005) 15-26.

229


IDENTIFYING MANGROVE FORESTS USING RADAR REMOTE SENSING DATA
Hoang Phi Phung (1), Lam Dao Nguyen (1), Pham Bach Viet (2)
Vietnam Southern Satellite Technology Application Center – Vietnam National Satellite Center - VAST,

(1)

Ho Chi Minh City
University of Social Sciences and Humanities – Vietnam National University Ho Chi Minh City, Ho Chi Minh City

(2)

ABSTRACT
Mangrove is one of the ecologically significant ecosystems in coastal areas, both on environment and biological
resources. Radar remote sensing demonstrates a high potential in detecting, identifying, mapping and monitoring
mangrove forests. Advantages of radar remote sensing are that almost unaffected by the weather phenomena in the
atmosphere, e.g. clouds so that it can acquire images at day and night times. This study considers possibilities of ALOS
PALSAR (L-band) and ENVISAT ASAR APP (C-band) for identifying mangrove forests. Results show that using
single-date data of ENVISAT ASAR APP including dual polarization HH&HV are difficult to classify mangrove
objects; whilst single-date data of ALOS PALSAR with dual polarization HH&HV have a better classification for tree
density but at species level identification (e.g. Avicenna or Rhizophora) is more difficult.
Keywords: ALOS PALSAR, ENVISAT ASAR, indentify, mangrove forests, polarization

230