Bạn đang xem bản rút gọn của tài liệu. Xem và tải ngay bản đầy đủ của tài liệu tại đây (2.39 MB, 98 trang )
<span class='text_page_counter'>(1)</span><div class='page_container' data-page=1>
BỘ TÀI NGUYÊN VÀ MÔI TRƯỜNG
<b>TRƯỜNG ĐẠI HỌC TÀI NGUYÊN VÀ MÔI TRƯỜNG HÀ NỘI </b>
<b>ĐÁNH GIÁ ĐỘ CHÍNH XÁC CHIẾT TÁCH ĐẤT XÂY DỰNG </b>
<b>VÀ ĐẤT TRỐNG KHU VỰC ĐÔ THỊ TỪ ẢNH VIỄN THÁM </b>
<b> BẰNG ẢNH CHỈ SỐ, THỰC NGHIỆM TẠI HÀ NỘI </b>
<b>Ngành: Kỹ thuật Trắc địa – Bản đồ </b>
<b>LUẬN VĂN THẠC SĨ KỸ THUẬT </b>
BỘ TÀI NGUYÊN VÀ MÔI TRƯỜNG
<b>TRƯỜNG ĐẠI HỌC TÀI NGUYÊN VÀ MÔI TRƯỜNG HÀ NỘI </b>
<b>ĐÁNH GIÁ ĐỘ CHÍNH XÁC CHIẾT TÁCH ĐẤT XÂY DỰNG VÀ </b>
<b>ĐẤT TRỐNG KHU VỰC ĐÔ THỊ TỪ ẢNH VIỄN THÁM </b>
<b>BẰNG ẢNH CHỈ SỐ, THỰC NGHIỆM TẠI HÀ NỘI </b>
<b>Ngành: Kỹ thuật Trắc địa – Bản đồ </b>
<b> Mã ngành: 8520503 </b>
<b>LUẬN VĂN THẠC SĨ KỸ THUẬT </b>
CƠNG TRÌNH ĐƯỢC HỒN THÀNH TẠI
<b>TRƯỜNG ĐẠI HỌC TÀI NGUN VÀ MƠI TRƯỜNG HÀ NỘI </b>
<b>Cán bộ hướng dẫn chính: TS. Nguyễn Thị Thúy Hạnh </b>
<b>Cán bộ chấm phản biện 1: PGS. TS Trần Xuân Trường </b>
<b>Cán bộ chấm phản biện 2: TS. Phạm Minh Hải </b>
Luận văn thạc sĩ được bảo vệ tại:
HỘI ĐỒNG CHẤM LUẬN VĂN THẠC SĨ
TRƯỜNG ĐẠI HỌC TÀI NGUYÊN VÀ MÔI TRƯỜNG HÀ NỘI
i
<b>LỜI CAM ĐOAN </b>
Luận văn “Đánh giá độ chính xác chiết tách đất xây dựng và đất trống
khu vực đô thị từ ảnh viễn thám bằng ảnh chỉ số, thực nghiệm tại Hà Nội”
một cơng trình nghiên cứu khoa học độc lập cùng với sự giúp đỡ của giáo
viên hướng dẫn. Những kết quả nghiên cứu được trình bày trong luận văn là
hồn tồn trung thực, khơng vi phạm bất cứ điều gì trong luật sở hữu trí tuệ và
pháp luật Việt Nam. Nếu sai, tơi hồn tồn chịu trách nhiệm trước pháp luật.
<i><b>Hà Nội, ngày 16 tháng 01 năm 2019 </b></i>
<b>TÁC GIẢ LUẬN VĂN </b>
ii
<b>LỜI CẢM ƠN </b>
Trước tiên, tôi xin gửi lời cảm ơn chân thành đến TS. Nguyễn Thị Thúy
Hạnh, người đã hướng dẫn tận tình, chu đáo và định hướng cho tôi trong suốt
quá trình thực hiện luận văn thạc sĩ này.
Tơi cũng xin gửi lời cảm ơn tới các thầy cô trong khoa Trắc địa, Bản đồ
và Thông tin địa lý, trường Đại học Tài nguyên và Môi trường Hà Nội, những
người đã giúp tơi có đủ kiến thức cũng như kinh nghiệm trong suốt quá trình
học tập, tạo điều kiện thuận lợi cho tôi trong thời gian học tập và nghiên cứu.
Tơi xin bày tỏ lịng biết ơn sâu sắc tới gia đình, người thân, đồng nghiệp,
bạn bè đã giúp đỡ, động viên khích lệ và chia sẻ cùng tơi trong q trình thực
hiện luận văn.
Cuối cùng, tôi xin cảm ơn Đề tài “Nghiên cứu ứng dụng Viễn thám và
GIS giám sát hiện tượng đảo nhiệt đô thị”. Mã số TNMT.2018.08.10 đã cung
cấp tư liệu giúp tơi hồn thành luận văn.
<b>Học viên </b>
iii
<b>MỤC LỤC </b>
<b>LỜI CAM ĐOAN ... i </b>
<b>LỜI CẢM ƠN ... ii </b>
<b>TÓM TẮT LUẬN VĂN ... v </b>
<b>DANH MỤC TỪ VIẾT TẮT... vi </b>
<b>DANH MỤC BẢNG BIỂU ... vii </b>
<b>DANH MỤC HÌNH VẼ ... viii </b>
<b>MỞ ĐẦU ... 1 </b>
<b>CHƯƠNG 1: TỔNG QUAN VỀ CHIẾT TÁCH ĐẤT XÂY DỰNG VÀ </b>
<b>ĐẤT TRỐNG KHU VỰC ĐÔ THỊ TỪ ẢNH VIỄN THÁM ... 4 </b>
1.1. Tổng quan về viễn thám ... 4
1.1.1. Khái niệm, phân loại viễn thám ... 4
1.1.1.Những nguyên lý cơ bản của viễn thám ... 8
1.2. Tổng quan về chiết tách đất xây dựng và đất trống khu vực đô thị từ ảnh
viễn thám ... 11
1.3. Tình hình nghiên cứu chiết tách đất xây dựng và đất trống bằng ảnh
chỉ số ... 19
<b>CHƯƠNG 2: CƠ SỞ KHOA HỌC CHIẾT TÁCH THÔNG TIN ĐẤT </b>
<b>XÂY DỰNG VÀ ĐẤT TRỐNG KHU VỰC ĐÔ THỊ ... 22 </b>
2.1. Kỹ thuật tiền xử lý ảnh ... 22
2.1.1. Hiệu chỉnh bức xạ ... 22
2.1.2. Hiệu chỉnh hình học ... 26
2.1.3. Tăng cường chất lượng ảnh... 30
2.2. Phương pháp chiết tách thông tin viễn thám ... 39
2.2.1. Phương pháp giải đoán ảnh bằng mắt ... 39
2.2.2. Phương pháp phân loại ảnh ... 45
2.2.3. Phương pháp tạo ảnh chỉ số ... 46
iv
<b>CHƯƠNG 3: NGHIÊN CỨU CHIẾT TÁCH ĐẤT TRỐNG VÀ ĐẤT </b>
<b>XÂY DỰNG KHU VỰC HÀ NỘI BẰNG ẢNH CHỈ SỐ TỪ ẢNH VỆ </b>
<b>TINH LANDSAT 8 ... 52 </b>
3.1. Khu vực nghiên cứu. ... 52
3.1.1. Vị trí địa lý ... 52
3.1.2. Đặc điểm tự nhiên ... 53
3.1.3. Điều kiện kinh tế - xã hội ... 55
3.2. Tư liệu sử dụng ... 57
3.3. Thực nghiệm chiết tách đất xây dựng và đất trống khu vực Hà Nội bằng
các chỉ số EBBI, UI, IBI, NDBI ... 58
3.3.1. Tiền xử lý ảnh vệ tinh Landsat 8... 58
3.3.2. Tính các chỉ số UI, NDBI, IBI, EBBI. ... 60
3.3.3. Đánh giá độ chính xác ... 61
4. Kết quả và thảo luận ... 63
4.1. Quan sát và phân tích ... 63
4.2. Đánh giá độ chính xác ... 79
<b>KẾT LUẬN ... 81 </b>
v
<b>TÓM TẮT LUẬN VĂN </b>
Họ tên học viên: Nguyễn Thị Hiền
Lớp: CH2BTĐ Khóa: 2
Cán bộ hướng dẫn: TS. Nguyễn Thị Thúy Hạnh
Tên đề tài: “Đánh giá độ chính xác chiết tách đất xây dựng và đât trống
khu vực đô thị từ ảnh viễn thám bằng ảnh chỉ số, thực nghiệm tại Hà Nội”
Tóm tắt: Luận văn nghiên cứu đánh giá độ chính xác chiết tách đất xây
dựng và đất trống khu vực đô thị từ ảnh Landsat 8 bằng ảnh chỉ số, thực
nghiệm tại Hà Nội. Luận văn sử dụng phần mềm Envi 4.6 để tính tốn các chỉ
số ảnh EBBI, IBI, NDBI, UI. Các chỉ số này đều phản ánh đất xây dựng ứng
với ngưỡng giá trị cao, tiếp đến là đất trống và thấp nhất là các đối tượng
khác. Kết quả nghiên cứu cho thấy để chiết tách đất xây dựng dùng chỉ số
NDBI là tốt nhất, tiếp đến có thể dùng các chỉ số EBBI, IBI, UI. Chiết tách
xây dựng và đất trống khu vực Hà Nội. Kết quả này phù hợp với các nghiên
vi
<b>DANH MỤC TỪ VIẾT TẮT </b>
<b>STT Từ viết tắt </b> <b>Tiếng Anh </b> <b>Ý Nghĩa </b>
1 DEM Digital Elevation Model Mơ hình số độ cao
2 EBBI Enhanced Built-Up and Bareness
Index Chỉ số đất trống và đất xây dựng
3 FCC False color composite Ảnh tổng hợp màu giả
4 GCP Ground Control Points-GCPs Điểm khống chế
5 IBI Index – based Built – Up Index Chỉ số dựa trên chỉ số đất xây dựng
6 MNDWI Modified normalized difference
water index Chỉ số khác biệt nước có điều chỉnh
7 NDBI Normalised Difference Built –
Up Index Chỉ số đất xây dựng
8 SAVI Soil adjusted vegetation index Chỉ số thực vật có hiệu chỉnh độ
ẩm của đất
vii
<b>DANH MỤC BẢNG BIỂU </b>
Bảng 1.1. Đặc điểm của dải phổ điện từ sử dụng trong kỹ thuật viễn thám ... 10
Bảng 2.1. Ma trận sai số ... 49
Bảng 3.1. Thông số kỹ thuật ảnh vệ tinh Landsat 8 ... 57
Bảng 3.2. Phân ngưỡng chỉ số ... 65
Bảng 3.3. Khả năng chiết tách đất xây dựng và đất trống của các chỉ số thông
qua quan sát và so sánh ảnh chỉ số với ảnh gốc . ... 79
viii
<b>DANH MỤC HÌNH VẼ </b>
Hình 1.1. Viễn thám chủ động và viễn thám bị động ... 5
Hình 1.2. Vệ tinh địa tĩnh và vệ tinh quỹ đạo gần cực ... 6
Hình 1.3. Sơ đồ phân loại viễn thám theo bước sóng ... 7
Hình 1.4. Ngun lý thu nhận dữ liệu viễn thám ... 8
Hình 2.1. Histogram của ảnh quá tối, quá sáng, tương phản thấp, tương
phản cao ... 32
Hình 2.2. Ảnh và biểu đồ Histogram trước và sau khi biến đổi tuyến tính .... 34
Hình 2.3. Ảnh gốc và ảnh sau khi biến đổi Histogram ... 37
Hình 3.1. Sơ đồ khu vực nghiên cứu ... 52
Hình 3.2. Hiệu chỉnh bức xạ ảnh ... 59
Hình 3.3. Hiệu chỉnh ảnh hưởng của khí quyển ... 60
Hình 3.4. Các bước xử lý ảnh lập bản đồ đất trống và đất xây dựng từ ảnh
Landsat 8 bằng ảnh chỉ số. ... 62
Hình 3.5. Ảnh chỉ số UI khu vực Hà Nội năm 2018 ... 63
Hình 3.6. Ảnh chỉ số NDBI khu vực Hà Nội năm 2018 ... 64
Hình 3.7. Ảnh chỉ số EBBI khu vực Hà Nội năm 2018. ... 64
Hình 3.8. Ảnh chỉ số IBI khu vực Hà Nội năm 2018. ... 65
Hình 3.9. Bản đồ phân bố đất trống và đất xây dựng từ chỉ số UI. ... 66
Hình 3.10. Bản đồ phân bố đất trống và đất xây dựng từ chỉ số EBBI ... 67
Hình 3.11. Bản đồ phân bố đất trống và đất xây dựng từ chỉ số NDBI ... 68
Hình 3.12. Bản đồ phân bố đất trống và đất xây dựng từ chỉ số IBI ... 69
1
<b>MỞ ĐẦU </b>
<b>1. Tính cấp thiết </b>
Một trong những khó khăn của công tác trắc địa khi thành lập bản đồ
khu vực đô thị là mật độ dân cư cao, nhiều nhà cao tầng hạn chế khả năng đo
vẽ trực tiếp; vì vậy, viễn thám trở thành công cụ đắc lực trợ giúp nhiệm vụ
này. Việc đánh giá chuyển đổi sử dụng đất từ các loại đất khác sang đất ở
cũng rất cần thiết trong nghiên cứu đơ thị hóa. Q trình đơ thị hóa khơng chỉ
làm gia tăng bề mặt khơng thấm mà cịn xuất hiện cả những mảnh đất trống
trong đô thị do bỏ hoang đất canh tác nông nghiệp hoặc các dự án “treo”. Lập
bản đồ đất xây dựng và đất trống là nhiệm vụ quan trọng vì sự có mặt của các
đối tượng này là chỉ báo của mức độ phát triển đô thị cũng như chất lượng
môi trường. Một trong những phương pháp thường được sử dụng trong lập
bản đồ sử dụng đất đô thị là phân loại ảnh, tuy nhiên phương pháp dung ảnh
chỉ số cho kết quả nhanh chóng và hiệu quả hơn. Chen và cộng sự đã phân
loại sử dụng đất đô thị từ ảnh viễn thám bằng nhiều chỉ số khu vực Đồng bằng
sông Châu – Trung Quốc với độ chính xác cao [1]. Các chỉ số thường dùng để
lập bản đồ đất xây dựng và đất trống trong khu vực đô thị như NDBI
(Normalised Difference Built-Up Index), IBI (Index-based Built-Up Index),
UI (Urban Index), NDBaI (Normalised Difference Bareness Index), và BI
(Bare soil index) được sử dụng trong rất nhiều nghiên cứu. Chỉ số NDBI và UI
cho phép lập bản đồ đất xây dựng và đất trống rất nhanh nhưng không thể phân
<i>biệt được đất xây dựng và đất trống. He và cộng sự đã cho biết lý do không </i>
phân biệt được đất trống và đất xây dựng khi dùng hai chỉ số này là do tính
phức tạp của hành vi phản xạ phổ của các đối tượng thực vật, đất trống và đất
xây dựng, đặc biệt là những pixel hỗn hợp [2]. Nghiên cứu này sẽ sử dụng một
chỉ số mới để nâng cao khả năng phân biệt đất xây dựng và đất trống trong khu
2
(Enhanced Built-Up and Bareness Index) và thử nghiệm cho khu vực Hà Nội.
Kết quả nghiên cứu sẽ được kiểm chứng và so sánh với nhiều chỉ số khác.
Luận văn chọn khu vực nghiên cứu Thành phố Hà Nội là nơi có mật độ
dân cư đơng, và có tốc độ phát triển, xây dựng khá là nhanh dẫn đến việc khó
khăn trong cơng tác quản lý cũng như đo đạc. Kết quả nghiên cứu của luận
văn sẽ góp phần tạo điều kiện thuận lợi cho cơng tác điều tra khảo sát về đất
<i>xây dựng và đất trống khu vực Hà Nội. </i>
<b>2. Mục tiêu của đề tài </b>
Đánh giá độ chính xác chiết tách đất xây dựng và đất trống khu vực đô
thị từ ảnh viễn thám bằng ảnh chỉ số.
<b>3. Phương pháp nghiên cứu </b>
<i><b>3.1. Phương pháp tổng hợp kế thừa </b></i>
<i> Nghiên cứu tài liệu của các tác giả khác đã công bố liên quan đến đề tài: </i>
tài liệu về cơ sở khoa học viễn thám, tài liệu về nghiên cứu đô thị, GIS, tài liệu
về điều kiện tự nhiên và kinh tế xã hội khu vực thực nghiệm,…Đề tài kế thừa
các thành tựu của khoa học viễn thám, tiếp thu một số kỹ thuật xử ảnh vệ tinh,
từ đó phát triển và xây dựng cơ sở lý luận cho đề tài.
<i><b>3.2. Kỹ thuật phân tích, xử lý ảnh viễn thám: Ảnh viễn thám ghi nhận </b></i>
thông tin trung thực, khách quan về bề mặt Trái Đất, tuy nhiên để có được kết
quả tin cậy cần phải vận dụng kết hợp nhiều kỹ thuật xử lý ảnh một cách linh
hoạt và sáng tạo. Đề tài sẽ sử dụng một số kỹ thuật như hiệu chỉnh hình học, hiệu
chỉnh bức xạ (tính giá trị phản xạ phổ từ giá trị số) cho ảnh vệ tinh Landsat 8, kỹ
<i><b>thuật tạo ảnh chỉ số,… </b></i>
<i><b>3.3. Phương pháp nghiên cứu thực địa: Phương pháp này áp dụng để </b></i>
thu thập thông tin về lớp phủ phục vụ quá kiểm chứng kết quả nghiên cứu.
Kết quả xử lý ảnh trong phòng được đem ra thực địa để đối chiếu và bổ sung
3
<i><b>3.4. Phương pháp bản đồ </b></i>
Bản đồ giúp tìm hiểu những thông tin ban đầu về lãnh thổ nghiên cứu
như vị trí địa lý, điều kiện tự nhiên (khí hậu, thủy văn, lớp phủ,…), kinh tế xã
hội (dân số, cơ sở hạ tầng,…). Ngược lại, bản đồ là phương tiện để thể hiện sự
phân bố không gian của đối tượng nghiên cứu: phân bố không gian các loại
lớp phủ, đặc biệt là đất trống và đất xây dựng. Kết quả nghiên cứu được thể
hiện dưới dạng bản đồ sẽ giúp người đọc dễ hiểu hơn so với việc đọc các số
liệu trong bảng biểu.
<b>4. Nội dung nghiên cứu </b>
- Nghiên cứu tổng quan về viễn thám, chiết tách đất xây dựng và đất
trống khu vực đô thị từ ảnh viễn thám.
- Nghiên cứu cơ sở khoa học chiết tách thông tin đất xây dựng và đất
trống khu vực đô thị, bao gồm kỹ thuật tiền xử lý ảnh, các phương pháp chiết
tách thông tin viễn thám và phương pháp đánh giá độ chính xác.
- Thực nghiệm đánh giá độ chính xác ứng dụng chỉ số EBBI, UI, IBI,
NDBI chiết tách đất xây dựng và đất trống khu vực Hà Nội từ ảnh viễn thám.
<b>5. Cấu trúc của luận văn </b>
Luận văn được cấu trúc thành 3 chương:
Chương 1. Tổng quan về chiết tách đất xây dựng và đất trống khu vực đô
thị từ ảnh viễn thám.
Chương 2. Cơ sở khoa học chiết tách thông tin đất xây dựng và đất trống
khu vực đô thị.
Chương 3. Thực nghiệm đánh giá độ chính xác ứng dụng chỉ số EBBI,
UI, IBI, NDBI chiết tách đất xây dựng và đất trống khu vực Hà Nội từ ảnh
4
<b>CHƯƠNG 1: TỔNG QUAN VỀ CHIẾT TÁCH ĐẤT XÂY DỰNG </b>
<b>VÀ ĐẤT TRỐNG KHU VỰC ĐÔ THỊ TỪ ẢNH VIỄN THÁM </b>
<b>1.1. Tổng quan về viễn thám </b>
<i><b>1.1.1. Khái niệm, phân loại viễn thám </b></i>
<i>a. Khái niệm </i>
Viễn thám được hiểu là một khoa học và nghệ thuật để thu nhận thông
tin về một đối tượng, một khu vực hoặc một hiện tượng thơng qua việc phân
tích tài liệu thu nhận được bằng các phương tiện. Những phương tiện này
khơng có sự tiếp xúc trực tiếp với đối tượng, khu vực hoặc với hiện tượng
được nghiên cứu.
Thực hiện được những cơng việc đó chính là thực hiện viễn thám - hay
hiểu đơn giản: Viễn thám là thăm dò từ xa về một đối tượng hoặc một hiện
tượng mà khơng có sự tiếp xúc trực tiếp với đối tượng hoặc hiện tượng đó.
Mặc dù có rất nhiều định nghĩa khác nhau về viễn thám, nhưng mọi định
nghĩa đều có nét chung, nhấn mạnh "viễn thám là khoa học thu nhận từ xa các
thông tin về các đối tượng, hiện tượng trên Trái Đất" [3].
<i>b. Phân loại viễn thám </i>
Sự phân biệt các loại viễn thám căn cứ vào các yếu tố sau:
- Hình dạng quỹ đạo của vệ tinh.
- Độ cao bay của vệ tinh, thời gian còn lại của một quỹ đạo.
- Dải phổ của các thiết bị thu.
- Loại nguồn phát và tín hiệu thu nhận.
Có hai phương thức phân loại viễn thám chính là:
Phân loại theo nguồn tín hiệu
5
- Viễn thám chủ động: nguồn tia tới là tia sáng phát ra từ các thiết bị
nhân tạo, thường là các máy phát đặt trên các thiết bị bay.
<b>Hình 1.1. Viễn thám chủ động và viễn thám bị động </b>
- Viễn thám bị động: nguồn phát bức xạ là Mặt Trời hoặc từ các vật chất
tự nhiên. Hiện nay, việc ứng dụng phối hợp giữa viễn thám và các công nghệ
vũ trụ đã trở nên phổ biến trên phạm vi toàn cầu. Các nước có nền cơng nghệ
vũ trụ phát triển đã phóng nhiều vệ tinh lên quỹ đạo, trên đó có mang nhiều
thiết bị viễn thám khác nhau. Các trạm thu mặt đất phân bố đều trên toàn cầu
có khả năng thu nhận nhiều loại tư liệu viễn thám do vệ tinh truyền xuống.
* Phân loại theo đặc điểm quỹ đạo
Có hai nhóm chính là viễn thám vệ tinh địa tĩnh và viễn thám vệ tinh quỹ
đạo cực (hay gần cực) (hình 1.2) [3].
Căn cứ vào đặc điểm quỹ đạo vệ tinh, có thể chia ra hai nhóm vệ tinh là:
- Vệ tinh địa tĩnh là vệ tinh 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.
- Vệ tinh quỹ đạo cực (hay gần cực) là vệ tinh có mặt phẳng quỹ đạo
vng góc hoặc gần vng góc so với mặt phẳng xích đạo của Trái Đất. Tốc
6
sao cho thời gian thu ảnh trên mỗi vùng lãnh thổ trên mặt đất là cùng giờ địa
phương và thời gian thu lặp lại là cố định đối với 1 vệ tinh (ví dụ LANDSAT
là 18 ngày, SPOT là 26 ngày,…).
Trên hai nhóm vệ tinh nói trên đều có thể áp dụng nhiều phương pháp
thu nhận thông tin khác nhau tùy theo sự thiết kế của nơi chế tạo.
<b>Hình 1.2. Vệ tinh địa tĩnh (trái) và vệ tinh quỹ đạo gần cực (phải) </b>
* Phân loại theo dải sóng thu nhận
Theo bước sóng sử dụng, viễn thám có thể được phân ra thành 3 loại
cơ bản:
- Viễn thám trong dải sóng nhìn thấy và hồng ngoại.
- Viễn thám hồng ngoại nhiệt.
- Viễn thám siêu cao tần.
Mặt Trời là nguồn năng lượng chủ yếu đối với nhóm viễn thám trong dải
sóng nhìn thấy và hồng ngoại. Mặt Trời cung cấp một bức xạ có bước sóng ưu
thế ở 0,5 μm. Tư liệu viễn thám thu được trong dải sóng nhìn thấy phụ thuộc
chủ yếu vào sự phản xạ từ bề mặt vật thể và bề mặt Trái Đất. Các thông tin về
7
Mỗi vật thể ở nhiệt độ bình thường đều tự phát ra một bức xạ có đỉnh tại
bước sóng 10 μm.
Nguồn năng lượng sử dụng đối với viễn thám hồng ngoại nhiệt do chính
vật thể sản sinh ra.
Viễn thám siêu cao tần sử dụng bức xạ siêu cao tần có bước sóng từ một
đến vài chục centimet. Nguồn năng lượng sử dụng đối với viễn thám siêu cao
tần chủ động được chủ động phát ra từ máy phát. Kỹ thuật ra đa thuộc viễn
thám siêu cao tần chủ động. Ra đa chủ động phát ra nguồn năng lượng tới các
vật thể, sau đó thu lại được những bức xạ, tán xạ hoặc phản xạ từ vật thể.
Nguồn năng lượng sử dụng đối với viễn thám siêu cao tần bị động do
chính vật thể phát ra. Bức xạ kế siêu cao tần là bộ cảm thu nhận và phân tích
bức xạ siêu cao tần của vật thể [2].
8
<i><b>1.1.1. Những nguyên lý cơ bản của viễn thám </b></i>
Sóng điện từ được phản xạ hoặc bức xạ từ vật thể là nguồn cung cấp
thông tin chủ yếu về đặc tính của đối tượng. Ảnh viễn thám cung cấp thông
tin về các vật thể tương ứng với năng lượng bức xạ ứng với từng bước sóng
đã xác định. Đo lường và phân tích năng lượng phản xạ phổ ghi nhận bởi ảnh
viễn thám, cho phép tách thơng tin hữu ích về từng lớp phủ mặt đất khác nhau
do sự tương tác giữa bức xạ điện từ và vật thể.
Thiết bị dùng để cảm nhận sóng điện từ phản xạ hay bức xạ từ vật thể
được gọi là bộ cảm biến. Bộ cảm biến có thể là các máy chụp ảnh hoặc máy
quét. Phương tiện mang các bộ cảm biến được gọi là vật mang (máy bay,
khinh khí cầu, tàu con thoi hoặc vệ tinh,…). Hình 1.4 thể hiện sơ đồ nguyên
lý thu nhận ảnh viễn thám.
Nguồn năng lượng chính thường sử dụng trong viễn thám là bức xạ Mặt
Trời, năng lượng của sóng điện từ do các vật thể phản xạ hay bức xạ được bộ
cảm biến đặt trên vật mang thu nhận.
Thông tin về năng lượng phản xạ của các vật thể được ảnh viễn thám thu
nhận và xử lí tự động trên máy hoặc giải đốn trực tiếp từ ảnh dựa trên kinh
nghiệm của chuyên gia. Cuối cùng, các dữ liệu hoặc thông tin liên quan đến
các vật thể và hiện thượng khác nhau trên mặt đất sẽ được ứng dụng vào
trong nhiều lĩnh vực khác nhau như: nông lâm nghiệp, địa chất, khí tượng,
9
Tồn bộ q trình thu nhận và xử lí ảnh viễn thám có thể chia thành 5
phần cơ bản như sau:
- Nguồn cung cấp năng lượng;
- Sự tương tác của năng lượng với khí quyển;
- Sự tương tác với các vật thể trên bề mặt đất;
- Chuyển đổi năng lượng phản xạ từ vật thể thành dữ liệu ảnh;
- Hiển thị ảnh số cho việc giải đoán và xử lí.
Năng lượng của sóng điện từ khi lan truyền qua mơi trường khí quyển sẽ
bị các phân tử khí hấp thụ dưới các hình thức khác nhau tuỳ thuộc vào từng
bước sóng cụ thể. Trong viễn thám, người ta thường quan tâm đến khả năng
truyền sóng điện từ trong khí quyển, vì các hiện tượng và cơ chế tương tác
giữa sóng điện từ với khí quyển sẽ có tác động mạnh đến thông tin do bộ
cảm biến thu nhận được. Khí quyển có đặc điểm quan trọng đó là tương tác
khác nhau đối với bức xạ điện từ có bước sóng khác nhau. Đối với viễn thám
quang học, nguồn năng lượng cung cấp chủ yếu là do Mặt Trời và sự có mặt
cũng như thay đổi các các phân tử nước và khí (theo khơng gian và thời gian)
có trong lớp khí quyển là ngun nhân gây chủ yếu gây nên sự biến đổi năng
lượng phản xạ từ mặt đất đến bộ cảm biến. Khoảng 75% năng lượng Mặt Trời
khi chạm đến lớp ngồi của khí quyển được truyền xuống mặt đất và trong
q trình lan truyền sóng điện từ ln bị khí quyển hấp thụ, tán xạ và khúc xạ
trước khi đến bộ cảm biến. Các loại khí như oxy, nitơ, cacbonic, ôzôn, hơi
nước,… và các phân tử lơ lửng trong khí quyển là tác nhân chính ảnh hưỏng
đến sự suy giảm năng lượng sóng điện từ trong q trình lan truyền.
Để hiểu rõ cơ chế tương tác giữa sóng điện từ và khí quyển và việc
chọn phổ điện từ để sử dụng cho việc thu nhận ảnh viễn thám, bảng 1.1
thể hiện đặc điểm cuả dải phổ điện từ thường được sử dụng trong kỹ thuật
10
<b>Bảng 1.1. Đặc điểm của dải phổ điện từ sử dụng trong kỹ thuật viễn thám </b>
<b>Dải phổ điện từ </b> <b>Bước sóng </b> <b>Đặc điểm </b>
Tia cực tím 0,3 ÷ 0,4 μm
Hấp thụ mạnh bởi lớp khí quyển ở tầng cao
(tầng ôzôn), không thể thu nhận năng lượng do
dải sóng này cung cấp nhưng hiện tượng này
lại bảo vệ con người tránh tác động của tia cực
tím.
Tia nhìn thấy 0,4 ÷ 0,76 μm
Rất ít bị hấp thụ bởi oxy, hơi nước và năng
lượng phản xạ cực đại ứng với bước sóng 0,5
μm trong khí quyển. Năng lượng do dải sóng
này cung cấp giữ vai trị trong viễn thám.
Cận hồng ngoại
Hồng ngoại trung
0,77÷1,34 μm
1,55 ÷ 2,4 μm
Năng lượng phản xạ mạnh ứng với các bước
sóng cận hồng ngoại từ 0,77 ÷ 0,9 μm. Sử
dụng trong chụp ảnh hồng ngoại theo dõi sự
biến đổi thực vật từ 1,55 ÷ 2,4 μm
Hồng ngoại
nhiệt 3 ÷ 22 μm
Một số vùng bị hơi nước hấp thụ mạnh, dải
sóng này giữ vai trị trong phát hiện cháy rừng
và hoạt động núi lửa. Bức xạ nhiệt của Trái
Đất của năng lượng cao nhất tại bước sóng 10
μm
Vơ tuyến (rada) 1 mm ÷ 30 cm
Khí quyển không hấp thụ mạnh năng lượng
các bước sóng lớn hơn 2 cm, cho phép thu
nhận năng lượng cả ngày lẫn đêm, không bị
11
<b>1.2. Tổng quan về chiết tách đất xây dựng và đất trống khu vực đô thị từ </b>
<b>ảnh viễn thám </b>
Thuật ngữ đất xây dựng và đất trống trong luận văn được hiểu như sau:
- Đất xây dựng bao gồm tất cả bề mặt không thấm của các cơng trình
như là nhà cửa, đường xá, các cơng trình xây dựng, các nhà máy,...
- Đất trống bao gồm bề mặt khơng có thực vật che phủ ví dụ như đất
nông nghiệp bỏ hoang, các dự án treo chưa triển khai,...
Với bản chất việc “chụp” ảnh là đo giá trị phần trăm phản xạ của năng
lượng sóng điện từ từ các đối tượng trên mặt đất, viễn thám có ưu thế cơ bản
trong theo dõi biến động lớp phủ. Bề mặt lớp phủ lại phản ánh tác động của
con người thơng qua loại hình sử dụng đất. Với ưu thế đặc biệt của viễn thám
là không gian đối tượng nghiên cứu, tư liệu viễn thám đa thời gian đáp ứng
được yêu cầu về khả năng cập nhật và tính chu kì trong theo dõi biến động.
Kết quả khảo sát khả năng sử dụng một số loại ảnh vệ tinh trong công
tác quản lý đất đai cho thấy rằng:
Ảnh LansatTM và ETM+ có độ phân giải không gian là 30 m đối với
kênh đa phổ, kênh toàn sắc là 15 m. Loại này sử dụng để theo dõi và chỉnh lý
những biến động lớn trong quá trình sử dụng đất ở quy mơ cấp tỉnh. Ảnh tồn
sắc có thể sử dụng để thành lập bản đồ hiện trạng sử dụng đất ở tỷ lệ 1:50 000
hoặc nhỏ hơn.
Ảnh SPOT, độ phân giải không gian là 20 m đối với các kênh ảnh đa phổ
và 10 m đối với các kênh toàn sắc. Ảnh này có thể dùng nghiên cứu biến động
sử dụng đất ở tỷ lệ 1:50 000 và nhỏ hơn. Có thể theo dõi biến động sử dụng
đất ở cấp huyện và cấp tỉnh.
Ảnh ASTER có độ phân giải khơng gian là 15 m, 15 kênh phổ. Dùng để
theo dõi biến động sử dụng đất, hoặc thành lập bản đồ hiện trạng sử dụng đất
cấp tỉnh, huyện với tỷ lệ 1:25 000.
12
cứu sử dụng đất và lớp phủ mặt đất vì những lý do sau:
- Các ảnh của một vùng rộng lớn có thể thu nhận sự thay đổi một cách
rất nhanh chóng.
- Các ảnh có độ phân giải thích hợp với việc phân loại các đối tượng
trong việc quan sát.
- Ảnh viễn thám có thể giải quyết các cơng việc mà thơng thường quan
sát trên mặt đất rất khó.
- Phân tích ảnh nhanh hơn và rẻ hơn rất nhiều so với quan sát thực địa.
- Ảnh cung cấp các thông tin mà trong khi quan sát thực địa có thể bỏ sót.
- Các ảnh có thể cung cấp một tập hợp các thông tin để đối chiếu so sánh
các hiện tượng có sự thay đổi lớn như: sử dụng đất, lớp phủ mặt đất như
rừng, nông nghiệp, thuỷ văn và sự phát triển đô thị.
Tuy nhiên, phân tích ảnh viễn thám có một số thiếu sót là:
- Một số lồi hình sử dụng đất khác nhau có thể khơng được phân biệt
trên ảnh.
- Nhiều thông tin theo chiều nằm ngang bị mất đi hoặc không rõ nét trên
ảnh viễn thám, những thông tin này thường rất có giá trị để phân loại những
đối tượng sử dụng đất.
- Đối với một vùng nhỏ thì chi phí cho sự nghiên cứu viễn thám trở nên
Sự phân tích viễn thám cần phải được kiểm tra bằng các thông tin mặt
đất tại các điểm điển hình, như vậy kết quả sẽ trở nên rất chính xác.
- Những cơng việc cần thực hiện:
a. Xác định hệ thống phân loại
Hệ thống phân loại cần được xác định, xây dựng để có thể phân biệt cả
các đối tượng sử dụng đất. Trong viễn thám, hệ thống phân loại phải phù hợp
13
Yêu cầu của bảng phân loại trong viễn thám là:
<b>- Độ chính xác tối thiểu cho phân biệt các đối tượng sử dụng đất và lớp </b>
phủ mặt đất phải đạt ít nhất 85%.
<b>- Độ chính xác của việc phân tích trong bảng phân loại cần phải giống nhau </b>
cho mọi đối tượng và thích hợp với khả năng cung cấp thơng tin của tư liệu.
<b>- Kết quả phân tích khi dùng hệ thống phân loại đó cần phải được giống </b>
nhau đối với những người giải đoán khác nhau.
<b>- Hệ thống phân loại có thể được áp dụng cho nhiều vùng rộng lớn. </b>
<b>- Hệ thống phân loại có thể được sử dụng khi phân tích các tư liệu thu </b>
được trong các thời gian khác nhau.
<b>- Hệ thống phân loại cho phép dùng các bậc phân loại phụ sử dụng cho </b>
việc quan sát mặt đất, hoặc phân tích từ các tư liệu viễn thám tỷ lệ lớn hơn.
<b>- Sự tổng hợp của hệ thống phân loại phải được thực hiện một cách chi tiết </b>
<b>- Có thể so sánh với tài liệu sử dụng đất trong tương lai. </b>
<b>- Những đặc điểm sử dụng đất khác nhau có thể nhận biết được. </b>
Theo nguyên tắc đó, việc xác định hệ thống phân loại là công việc đầu
tiên rất quan trọng khi sử dụng tư liệu viễn thám để xây dựng bản đồ sử dụng
đất và lớp phủ mặt đất.
Trong quá trình nghiên cứu thành lập hệ thống chú giải cần lưu ý đến tỷ
lệ bản đồ cần thành lập và loại tư liệu viễn thám sử dụng. Ảnh màu giả FCC
là rất hữu hiệu cho việc phân tích các đối tượng sử dụng đất. Còn đối với bản
đồ tỷ lệ lớn 1/5.000 - 1/10.000 sử dụng ảnh vệ tinh độ phân giải cao là tốt
nhất. Ở Việt Nam, căn cứ vào hệ thống phân loại của bộ Tài nguyên và Mơi
trường xây dựng ta có thể lựa chọn hệ thống chú giải thích hợp. Ví dụ, để
thành lập bản đồ sử dụng đất tỷ lệ 1/250.000 bằng phương pháp viễn thám, có
14
<i>* Đất nông nghiệp </i>
1. Đất chuyên lúa
2. Đất lúa màu
3. Đất chuyên rau màu và cây công nghiệp ngắn ngày
4. Đất nương rẫy
5. Đất trồng cây công nghiệp
6. Đất trồng cây ăn quả
7. Đất trồng cây lâu năm
8. Đất cỏ dùng vào chăn ni
9. Đất có mặt nước chuyên dùng vào nuôi tôm cá và nuôi trồng hải sản
10. Rừng lá rộng thường xanh
11. Rừng lá rộng nửa rụng lá
12. Rừng lá rộng rụng lá
13. Rừng lá kim thuần loại
14. Rừng hỗn giao (lá kim, lá rộng)
15. Rừng tre nứa thuần loại
16. Rừng tre nứa hỗn giao (tre nứa, gỗ)
17. Rừng trồng
18. Rừng ngập mặn
<i>* Đất phi nông nghiệp </i>
19. Đất xây dựng
20. Đất di tích lịch sử, văn hố, du lịch
21. Đất khai thác khoáng sản
22. Đất làm muối
23. Đất chuyên dùng khác
24. Đất thành thị
15
<i>* Đất chưa sử dụng </i>
26. Đất trống, trảng cỏ, lùm bụi
27. Núi đá khơng có cây
28. Bãi bồi ven sông, ven biển
29. Bãi cát, cồn cát (cát khô)
30. Đất hoang vùng đồng bằng
b. Xác định các dấu hiệu giải đốn
Cơng tác tiếp theo của việc thành lập hệ thống chú giải là xác định các
dấu hiệu giải đoán. Đối với xử lý ảnh số, đó là việc xác định các vùng thử
nghiệm (hay còn gọi là vùng mẫu). Từ các vùng mẫu đó, có thể mở rộng cho
tồn tấm ảnh.
* Khi giải đốn cần chú ý đến các nguyên tắc sau:
- Xác định điều kiện sinh thái nơi tồn tại của các loại hình sử dụng đất để
đưa ra những giả thuyết thích hợp về tên gọi của chúng.
- Xác định các chìa khố giải đoán (nền ảnh, cấu trúc ảnh, vị trí, hính
dạng, màu sắc,...) từ đó mở rộng ra các vùng khác.
- Tổ hợp suy luận và định loại, đưa ra những giả thiết và kết luận.
- Phải kết hợp nhuần nhuyễn kiến thức thực tế và kiến thức về sinh thái,
cảnh quan để tổng hợp các dấu hiệu, từ đó mới có thể đi đến các kết luận
chính xác.
Một số ví dụ cụ thể khi phân tích ảnh tổng hợp màu giả (FCC) để xác
định một số đối tượng sử dụng đất ở Việt Nam (có đối chiếu với ảnh đen
trắng kênh 5).
- Cây trồng một năm (lúa-màu-cây trồng cạn): xuất hiện màu vàng hoặc
da cam trên ảnh FCC.
16
(nếu ngập nước nhiều), có màu xanh lơ sẫm thì chỉ trồng được 1 vụ lúa.
- Thảm thực vật trên bãi bồi: chỉ ở hai bên sông suối, cấu trúc rất mịn,
màu xanh vàng nhạt hoặc trắng đến màu da cam sẫm. Đôi chỗ thành mảnh đỏ
sẫm chỉ thị cho thảm thực vật trồng, cây hàng năm (ngô, đậu, lạc) hoặc cây
thân thảo hoá gỗ, cây lâu năm ưa nước.
- Cây trồng quanh khu dân cư: màu đỏ xen lẫn hạt trắng lốm đốm thành
từng đám nhỏ.
- Thảm thực vật đầm lầy: màu xanh lơ thẫm đến tím xám, cấu trúc mịn
sáng do ngập nước.
- Trảng cây bụi thấp - xen cỏ: tím xám đến vàng nâu cấu trúc trung bình
đến thơ (và xám nhạt khơng đều trên ảnh kênh 5 đen trắng), phân bố thành
từng mảng ở sườn đồi.
- Cây trồng lâu năm, rừng trồng, cây công nghiệp như chè, cà phê, có
màu đỏ hoặc đỏ sẫm, thành từng khối có ranh giới dạng hình học rõ ràng, ít
khi ở dạng tự nhiên, tương phản nền màu cao so với đối tượng xung quanh.
Trên ảnh kênh 5, cây công nghiệp tạo nên các mảng tối sẫm.
- Thực vật trên vùng sườn và đồi núi, thốt nước tốt có màu hồng lốm
đốm (trên ảnh FCC) và xám nhạt trên ảnh đen trắng kênh 5. Về cơ bản có thể
chia thành từng nhóm kiểu thảm sau:
- Trên núi đất feralit phong hoá từ các loại đá mẹ khác nhau, từ đá cứng
bị phong hoá: cấu trúc thành khối hoặc các điểm có diện tích nhỏ (núi đồi sót)
tương phản bóng rõ, chia cắt ngang rõ, chia cắt sâu mờ, có nếp hằn sâu, chạy
song song, đó là kết quả của q trình uốn nếp, đứt gẫy hoặc bào mịn, tích tụ.
Có các kiểu chính như sau:
+ Rừng hỗn giao thường xanh quanh năm: màu đỏ sẫm, bóng rất mờ
hoặc khơng rõ, cấu trúc trung bình.
+ Rừng tre nứa hoặc hỗn giao: màu đỏ đến đỏ sẫm, bóng rất mờ hoặc
khơng rõ, cấu trúc trung bình đến mịn, phân bố ở các dạng địa hình đặc biệt,
17
+ Trảng cây bụi rậm: đỏ tươi, hơi nhạt, bóng của vật bị chia cắt ngang
hơi mờ, cấu trúc đều, tương đối mịn.
+ Trảng cây bụi xen cỏ: lốm đốm đỏ nhạt trên nền vàng sẫm, cấu trúc
thơ, khơng đều, bóng lấy được thể hiện tương đối rõ.
+ Trảng cỏ - nương rẫy tạm thời: vàng sẫm hoặc hồng nhạt, cấu trúc
trung bình bởi các hạt lốm đốm đỏ, rất thưa và hầu như không thấy bóng của
đối tượng.
+ Nương rẫy thường xuyên: cấu trúc mịn màu tím, xanh tím hoặc tím đỏ,
thường bị chia cắt rất sắc nét.
- Thảm thực vật trên đất phong hố từ đá vơi cấu trúc thành khối lớn
hoặc núi sót nhỏ, bị chia cắt ngang và chia cắt sâu rất rõ tạo nên cấu trúc lốm
đốm đặc trưng.
+ Rừng rậm: màu đỏ sẫm, độ “nhàu” hơi nhoè do cấu trúc nhiều tầng
của rừng
+ Trảng cây bụi rậm: màu đỏ hồng, độ “nhàu nát” tương đối rõ
+ Đá lộ: màu tím đến xanh nhạt tím, độ “ nhàu nát” rất rõ nét.
+ Tổ hợp thảm trảng cỏ - nương rẫy: thường ở chân sườn ít dốc hoặc ở
núi sót, màu hồng tất nhạt đến màu vàng lốm đốm đỏ trên nền vàng, đôi chỗ
xanh nhạt hoặc xanh tím trên ảnh FCC, (trên kênh 5 có màu xám nhạt) [3].
c. Tổng hợp kết quả giải đoán
Đây là bước quan trọng nhất nhằm khẳng định sự nghiên cứu, phân tích
giải đốn và đưa đến kết quả chính thức. Các cơng việc cần làm của khâu tổng
hợp là:
- Xem xét lại sự hợp lý hay chưa hợp lý của hệ thống chú giải khi áp dụng
và phân tích xử lý cho một hình ảnh cụ thể, từ đó có thể hiệu chỉnh chú giải cho
phù hợp.
- Kiểm tra thực địa trên các vùng mẫu để xác định chính xác các tên gọi,
18
hợp với thời gian chụp ảnh. Do tư liệu không cập nhật, có thể kiểm tra trên
vùng nghiên cứu ít có sự biến đổi, với thời gian lệch về năm song nhất thiết
phải cùng thời điểm chụp trong năm. Để đảm bảo mức độ chính xác, khi kiểm
tra thực địa cần có sự mô tả, điều tra về sử dụng đất trong quá khứ (vào thời
điểm có tư liệu). Các thơng số cần thu thập khi kiểm tra thực địa là: ảnh chụp,
bản tả về hiện trạng (loại đối tượng và tính chất của chúng), khi có máy, cần
tiến hành đo phổ mặt đất.
- Chỉnh lý các đường bao được vẽ ra, đặt tên thống nhất cho từng đường
bao đó (theo hệ thống chú giải). Trong đó có công việc là phải hiệu chỉnh bổ
sung mức độ chi tiết của cơng việc giải đốn trên từng phần của ảnh (đối với
xử lý ảnh bằng mắt) hoặc chỉnh lý trên kết quả xử lý số (bằng các phép lọc
hoặc phân loại,...).
- Xác định các mã màu phù hợp cho từng đơn vị phân loại (hoặc bổ sung
bằng các ký hiệu đối với giải đoán ảnh bằng mắt).
- Tính tốn diện tích bằng các kỹ thuật và cơng cụ đơn giản hoặc bằng
việc tự động tính tốn trên máy tính với các phần mềm tương ứng [3].
Trên đây là tóm tắt những dấu hiệu nhận biết trên ảnh vệ tinh của một số
kiểu sử dụng đất chính. Để thành lập bản đồ chuyên đề, một số yêu cầu cơ
bản đặt ra cho cơng tác giải đốn là:
- Bản thân người giải đoán phải thực sự nắm chắc kiến thức thực vật học
và kiến thức về sử dụng đất. Đó là yêu cầu đầu tiên hết sức quan trọng.
- Ngồi việc phát hiện các khố giải đốn ảnh, người giải đốn phải có
sự phân tích, liên hệ ngoại suy và quy nạp để khẳng định được các đối tượng
đã được vạch ra trên ảnh ứng với từng dải phổ khác nhau (các ảnh ở các kênh
khác nhau và ảnh tổng hợp màu).
- Trong giải đoán ảnh bằng mắt thường việc xác định khoá giải đoán ảnh
là cần thiết song dù sao nó cũng chỉ mang tính nguyên tắc và phụ thuộc rất
19
có thể là dấu hiệu của nhiều kiểu thảm khác nhau và ngược lại, nhiều kiểu
thảm giống nhau song trên ảnh lại có thể thay đổi tuỳ từng điều kiện cụ thể và
từng khu vực lãnh thổ. Giải quyết được vấn đề đó địi hỏi trình độ chun
mơn và kinh nghiệm thực tiễn của người giải đốn.
- Cơng tác kiểm tra thực tế trên các vùng mẫu là một yêu cầu đặt ra
trong q trình giải đốn, tuy nhiên việc kiểm tra thực địa phải đảm bảo
thực hiện cho đai diện hầu hết các đối tượng đã dự đoán ở giai đoạn phân
tích trong phịng. Hơn nữa khối lượng cơng việc cần thực hiện phải tối ưu
nhất, có như vậy mới khẳng định được hiệu quả của phương pháp viễn thám
trong nghiên cứu, thành lập bản đồ hiện trạng sử dụng đất, thảm thực vật
hay bản đồ lớp phủ mặt đất nói chung [3].
<b>1.3. Tình hình nghiên cứu chiết tách đất xây dựng và đất trống bằng ảnh </b>
<b>chỉ số </b>
Q trình đơ thị hóa khơng chỉ làm gia tăng diện tích đất xây dựng mà
cịn xuất hiện cả những mảnh đất trống trong đô thị do bỏ hoang đất canh tác
nông nghiệp hoặc các dự án “treo”. Lập bản đồ đất xây dựng và đất trống là
nhiệm vụ cần thiết cho nghiên cứu chuyển đổi sử dụng đất trong q trình đơ
thị hóa cũng như cho phát triển bền vững vì sự có mặt của các đối tượng này
là chỉ báo của mức độ phát triển đô thị cũng như chất lượng môi trường [5].
Một trong những khó khăn khi thành lập bản đồ khu vực đô thị là mật độ dân
cư cao, nhiều nhà cao tầng hạn chế khả năng đo vẽ trực tiếp, vì vậy viễn thám
trở thành cơng cụ đắc lực trợ giúp nhiệm vụ này [6],[7]. Hướng tiếp cận phổ
biến để lập bản đồ sử dụng đất đô thị từ tư liệu viễn thám là phân loại ảnh, tuy
nhiên phương pháp dùng ảnh chỉ số cho kết quả nhanh chóng và hiệu quả hơn
[6],[8]. Các chỉ số này được tính tốn dựa trên đặc tính hấp thụ và phản xạ
mạnh của đối tượng quan tâm trên các kênh phổ khác nhau của ảnh đa phổ [9]
20
dựng. Lần đầu tiên chỉ số này được áp dụng để chiết tách đất xây dựng ở
thành phố Nam Kinh - miền Đông Trung Quốc [10]. Mặc dù NDBI có thể
phân biệt được đất xây dựng, thực vật và các đối tượng xanh, ướt ở thành phố
Nam Kinh nhưng không phân biệt được đất xây dựng, đất khô cằn và đất
trống do hành vi phổ của các đối tượng này gần giống nhau [2]. Chỉ số NDBI
và UI cho phép lập bản đồ đất xây dựng và đất trống rất nhanh nhưng không
thể tách riêng được đất xây dựng và đất trống do tính phức tạp trong đặc tính
phản xạ phổ của các đối tượng thực vật, đất trống và đất xây dựng, đặc biệt là
những pixel hỗn hợp. As-syakur và cộng sự (2012) đề xuất chỉ số EBBI đối
với ảnh Landsat ETM+ cho thành phố Denpasar ở Bali, Indonesia [6]. Tác giả
này cũng so sánh EBBI với các chỉ số khác như IBI, NDBI, và UI; kết quả
cho thấy EBBI chính xác hơn những chỉ số khác, đất trống được tách riêng
với độ chính xác toàn cục 90.5%. Chỉ số UI cho kết quả tốt hơn trong phát
hiện khu vực đô thị nhưng không thể phân biệt được đất trống và đất xây
dựng một cách chính xác [11],[12]. Xu (2010) đã đề xuất chỉ số NDISI
(Normalized Impervious Surface Index) để chiết tách bề mặt không thấm trên
cơ sở sử dụng kết hợp kênh hồng ngoại nhiệt với kênh phản xạ để tính tốn sự
khác biệt rõ rệt về giá trị phát xạ của bề mặt không thấm so với đất trống; kết
quả đã chứng minh NDISI có thể chiết tách bề mặt khơng thấm hiệu quả [13].
Sun và cộng sự (2017) đề xuất chỉ số MNDISI (Modified Normalized
Difference Impervious Surface Index) để chiết tách bề mặt không thấm từ ảnh
vệ tinh Landsat, trong đó giá trị nhiệt độ chói được thay bằng nhiệt độ bề mặt.
Kết quả thử nghiệm MNDISI ở Boston, Massachusetts, USA cho thấy chỉ số
MNDISI có khả năng phân biệt bề mặt không thấm tốt hơn chỉ số NDISI,
thậm chí ở khu vực đô thị mật độ xây dựng thấp [14].
Các văn liệu trên cho thấy những chỉ số được đề xuất ở trên hầu hết bắt
nguồn từ các thế hệ vệ tinh Landsat cũ. Mặt khác các chỉ số này khơng thành
cơng hồn tồn trong mọi trường hợp [15], [16], tùy thuộc vào tính chất phức
21
nhau, hơn thế nữa, hiệu năng của những chỉ số đó ở khu vực nhiệt đới như thế
nào thì vẫn cịn bỏ ngỏ.
Vệ tinh Landsat 8 mang hai bộ cảm OLI (Operational Land Imager) và
TIRS (Thermal Infrared Sensor) được thiết kế cải tiến với các băng tần có
bước sóng hẹp hơn ở dải cận hồng ngoại, hồng ngoại trung và hồng ngoại
nhiệt so với Landsat thế hệ trước để giảm thiểu tối đa nhiễu khí quyển, độ
phân giải bức xạ cũng tăng lên tới 16 bit [17]. Do đó khi áp dụng các chỉ số đơ
thị cho ảnh Landsat 8 cần phải điều chỉnh cho phù hợp trên cơ sở xem xét tính
nhạy cảm của các chỉ số này đối với các bước sóng sử dụng và khảo sát khả
năng phản xạ phổ của đất xây dựng, đất trống trên các kênh phổ khác nhau.
Hà Nội là đô thị cổ, trải qua quá trình hình thành và phát triển hàng
nghìn năm với các kiểu kiến trúc đặc thù, không giống với các đô thị hiện
phân bố kiểu bàn cờ, đa số là nhà lợp bằng ngói hoặc vật liệu xây dựng cũ và
thấp [18]. Vùng ngoại ô là các khu đô thị mới, nhiều nhà cao tầng mọc lên
với vật liệu và kiểu kiến trúc hiện đại. Trong q trình đơ thị hóa, sự chuyển
đổi sử dụng đất ở Hà Nội diễn ra mạnh mẽ, chủ yếu là đất nông nghiệp thành
đất xây dựng, làm cho cảnh quan đô thị bị phân mảnh sâu sắc với hoa văn
mang nét đặc trưng riêng, có nhiều ơ đất nhỏ xen giữa nhà cao tầng bị bỏ
hoang do dự án chậm tiến độ. Hà Nội là “thành phố trong sông” với hàng
trăm ao hồ lớn nhỏ có vai trị như là hệ thống điều hịa tự nhiên làm cho khí
hậu mát lành, thảm thực vật xanh tốt quanh năm. Hà Nội thuộc khu vực
nhiệt đới nóng ẩm, mưa nhiều nên đặc tính phản xạ phổ của lớp phủ cũng
không giống với các khu vực khác, do đó, liệu rằng các chỉ số đã được đề
xuất ở các vùng khí hậu khác (khơ hạn, bán khơ hạn) có phù hợp với đơ thị
nhiệt đới hay khơng thì cần phải tiến hành nghiên cứu. Vì vậy, đề tài luận
văn đã được đặt ra để nghiên cứu nhằm đánh giá độ chính xác chiết tách đất
xây dựng và đất trống khu vực Hà Nội bằng việc sử dụng các chỉ số IBI,
22
<b>CHƯƠNG 2: CƠ SỞ KHOA HỌC CHIẾT TÁCH THÔNG TIN </b>
<b>2.1. Kỹ thuật tiền xử lý ảnh </b>
Các phép tiền xử lý là những công đoạn như khơi phục và hiệu chỉnh ảnh.
Nó được sử dụng để hiệu chỉnh bức xạ và hiệu chỉnh hình học do những biến
<b>dạng gây ra bởi bộ cảm biến và vật mang. </b>
Tiền xử lý ảnh số bao gồm hiệu chỉnh hình học và bức xạ, thường được
thực hiện trên các máy tính lớn tại các trung tâm thu dữ liệu vệ tinh nhằm tạo
ra một dữ liệu ảnh lý tưởng cung cấp cho người sử dụng. Thực tế cho thấy,
khi đo các bức xạ và phản xạ sóng từ mặt đất thu nhận bởi Sensor đặt trên các
vật mang, người ta thấy sự khác biệt so với trường hợp quan sát cùng đối
tượng đó ở khoảng cách gần. Điều này chứng tỏ ở những khoảng cách xa luôn
tồn tại một lượng nhiễu nhất định gây bởi ảnh hưởng của góc nghiêng và độ
cao Mặt Trời, của điều kiện khí quyển như sự hấp thụ, tán xạ,… Do đó, để
đảm bảo nhận được những giá trị chính xác của năng lượng bức xạ và phản
xạ, cần phải thực hiện việc hiệu chỉnh bức xạ nhằm loại trừ các nhiễu. Ngoài
ra, do ảnh hưởng tổng hợp của sai số chế tạo Sensor và sự thay đổi ngẫu nhiên
vị thế của vật mang, làm cho ảnh thu được bị biến dạng về mặt hình học. Biến
dạng hình học của ảnh được hiểu như sự sai lệch vị trí giữa toạ độ ảnh thực tế
(nhận được) và toạ độ ảnh lý tưởng được tạo bởi một bộ cảm có thiết kế hình
học chính xác và chụp ảnh trong các điều kiện lý tưởng (không ảnh hưởng bởi
vị thế của vật mang).
<i><b>2.1.1. Hiệu chỉnh bức xạ </b></i>
Để đảm bảo nhận được những giá trị chính xác của năng lượng bức xạ và
phản xạ của vật thể cho trên ảnh vệ tinh, cần phải thực hiện việc hiệu chỉnh
nhằm loại trừ các nhiễu trước khi sử dụng ảnh. Hiệu chỉnh bức xạ được phân
23
* Hiệu chỉnh do ảnh hưởng bởi bộ cảm biến
Nếu sử dụng các bộ cảm quang học, bao giờ cũng xảy ra trường hợp
<i>cường độ bức xạ tại tâm lớn hơn tại góc. Hiện tượng này gọi là vignetting (thể </i>
<i>hiện bởi Cosn<sub>θ, trong đó θ là góc hợp bởi tia tới và quang trục của thấu kính </sub></i>
<i>và n là tham số phụ thuộc vào thấu kính được sử dụng, thường n = 4). Đây là </i>
sai số không thể tránh khỏi do các hệ thống quang học tạo ra [4].
Khi sử dụng các bộ cảm quang điện tử thì xác định số hiệu chỉnh bức xạ
có thể thực hiện bằng cách xác định sự sai khác giữa cường độ bức xạ trước
Sensor và cường độ tín hiệu của chuẩn. Ngồi ra, ảnh vệ tinh thu được trong
một số trường hợp bị mất dòng ảnh, tạo vệt dòng ảnh và nhiễu ngẫu nhiên
trên ảnh. Những ảnh hưởng tạo ra nhược điểm nhất định cần phải khôi phục
để cung cấp ảnh cho người sử dụng.
* Mất dòng ảnh: Nguyên nhân là do một bộ phận tách sóng nào đó của
mảng tuyến tính khơng tách được (hoặc khơng hoạt động) năng lượng phản xạ
cho pixel được phân chia ứng với từng dòng ảnh. Kết quả nhận được ảnh vệ
tinh bị mất đi một hoặc dòng ảnh riêng biệt mà cần phải khơi phục. Ví dụ bộ
cảm biến có 16 bộ tách sóng tạo thành dịng qt (hàng trên ảnh), nếu một bộ
tách sóng khơng hoạt động sẽ tạo ra trong mỗi dòng quét thứ 16 là một chuỗi
zero gây ra một dòng đen (hoặc vài dòng đen nếu có vài bộ tách sóng) mà có
thể nhận biết dễ dàng bằng mắt.
Để khôi phục, bước đầu tiên là tính giá trị trung bình trên dịng qt sao
cho toàn bộ ảnh, so sánh giá trị trung bình của từng dịng với giá trị vừa nhận
được này. Bất cứ dòng nào lệch khỏi (vượt quá ngưỡng cho phép) giá trị trung
bình trên dịng qt cho tồn bộ ảnh thì được xem như là bị ảnh hưởng. Trong
những vùng mà có sự thay đổi lớn về lớp phủ mặt đất, cần xem xét histogram
của phần ảnh có biến đổi đặc biệt và xử lý riêng phần ảnh này.
24
một giá trị được nội suy từ các pixel xung quanh. Giá trị trung bình của các
pixel xung quanh được dùng để thay thế cho giá trị pixel bị mất [4].
* Vệt dòng ảnh: là hiện tượng ảnh để lộ ra nhiều dòng nhiễu do sự đáp
ứng khơng đồng bộ giữa các bộ tách sóng trong cùng mảng tuyến tính. Hiện
<i><b>tượng này thường xảy ra hơn so với “dòng bị mất”. Mặc dù tất cả các bộ tách </b></i>
sóng của cùng mảng tuyến tính đã được kiểm tra cẩn thận và rất phù hợp với
nhau về mức độ cảm nhận trước khi phóng vệ tinh, sau một thời gian vận
hành một số bộ tách sóng bị thay đổi thông số (tăng hay giảm mức độ cảm
nhận). Kết quả là mỗi dịng qt được ghi nhận bởi chính các bộ tách sóng
này sẽ sáng hơn hay tối hơn so với các dòng quét khác. Cần lưu ý rằng,
bởi dịng qt khiếm khuyết đó, nhưng cần phải hiệu chỉnh để phù hợp cho
toàn ảnh.
Để hiệu chỉnh ảnh có nhiều biện pháp, nhưng phổ biến nhất là làm phù
hợp histogram của ảnh bằng cách chia histogram tương ứng với từng bộ phận
tách sóng, chọn histogram chuẩn và hiệu chỉnh histogram của bộ tách sóng bị
khiếm khuyết. Giá trị mới của pixel được tính tốn và hiệu chỉnh lại [4].
* Nhiễu ngẫu nhiên trên ảnh: Hiện tượng này sinh ra không phải do bộ
tách sóng mà do sai số sinh ra trong quá trình truyền dữ liệu ảnh hoặc bị
gián đoạn tạm thời. Do ảnh hưởng này, một số pixel trên ảnh có giá trị độ
sáng lớn hay nhỏ hơn rất nhiều so với các pixel xung quanh. Kết quả tạo ra
các điểm sáng trắng hay sậm đen trên ảnh mà làm ảnh hưởng đến việc tách
thông tin từ ảnh viễn thám. Biện pháp dùng cửa sổ lọc để loại trừ nhiễu ngẫu
nhiên là khá phổ biến trong xử lý ảnh hiện nay.
- Ảnh hưởng do địa hình và góc chiếu của Mặt Trời
25
cong bóng râm dựa trên việc phân tích chuỗi Fourier để tách các thành phần
sóng có tần số thấp.
* Bóng râm: là hiện tượng che khuất nguồn bức xạ bởi bản thân địa hình
(vùng đồi, núi, nhà cao tầng,…). Để có thể hiệu chỉnh cần phải có mơ hình độ
cao số DEM và toạ độ vật mang tại thời điểm thu tín hiệu (xác định góc giữa
tia bức xạ và vector trực giao với bề mặt địa hình).
* Góc chiếu của Mặt Trời: Do vị trị tương đối của Trái Đất với Mặt Trời
thay đổi theo thời gian trong ngày và mùa trong năm, làm cho vùng Bắc bán
cầu có góc đứng của Mặt Trời vào mùa đông nhỏ hơn mùa hạ. Kết quả là ảnh
chụp vào các mùa khác nhau sẽ có cường độ chiếu sáng của Mặt Trời khác
nhau [4].
Hiệu chỉnh ảnh hưởng do góc chiếu của Mặt Trời được tiến hành bằng
cách lấy giá trị độ sáng của pixel chia cho sin góc đứng của Mặt Trời (giá trị
độ lớn của góc đứng được cho bởi file header của ảnh vệ tinh) cơng thức tính
như sau:
sin
<i>BV</i>
<i>BV<sub>hc</sub></i>
<i>Trong đó BVhc</i> là giá trị độ sáng của pixel cho bởi ảnh mới đã được hiệu
<i>chỉnh góc chiếu của Mặt Trời. Vì góc đứng ln nhỏ hơn 90 độ nên BVhc </i>luôn
<i>lớn hơn BV (giá trị độ sáng của ảnh chưa hiệu chỉnh [4]. </i>
Khi có ảnh đa thời gian cho cùng một khu vực, việc hiệu chỉnh tương đối
có thể được thực hiện bằng cách chọn ảnh có góc chiếu của Mặt Trời cao làm
chuẩn và hiệu chỉnh bức xạ các ảnh còn lại theo ảnh chuẩn này.
- Ảnh hưởng khí quyển
Rất nhiều các hiệu ứng khí quyển khác nhau như hấp thụ, phản xạ, tán
xạ,… ảnh hưởng tới chất lượng ảnh thu được. Bức xạ Mặt Trời trên đường
truyền xuống mặt đất bị hấp thụ, tán xạ một lượng nhất định trước khi tới mặt
đất và năng lượng bức xạ phản xạ từ vật thể cũng bị hấp thụ hoặc tán xạ trước
khi tới được bộ cảm. Do đó, bức xạ mà bộ cảm thu được không phải chỉ đơn
26
thuần năng lượng trực tiếp mà còn nhiều thành phần nhiễu khác. Hiệu chỉnh
do ảnh hưởng khí quyển là giai đoạn tiền xử lý nhằm loại trừ ảnh hưởng của
những thành phần bức xạ không mang thơng tin hữu ích. Để hiệu chỉnh khí
quyển, người ta thường sử dụng các mơ hình khí quyển nhằm mơ phỏng trạng
thái khí quyển và áp dụng các quy luật quang học để hiệu chỉnh. Các phương
pháp cơ bản sau đây thường được sử dụng:
* Phương pháp sử dụng hàm truyền bức xạ: là giải pháp gần đúng được
sử dụng để xác định phương trình chuyển đổi bức xạ. Giá trị các thông số
được tính dựa trên trạng thái trung bình của khí quyển (hàm lượng bụi khí
quyển ảnh hưởng đến ánh sáng khả kiến và vùng gần hồng ngoại, mật độ hơi
nước ảnh hưởng đến sóng hồng ngoại nhiệt,… cần được ước tính).
* Phương pháp sử dụng dữ liệu thực mặt đất: Ngay trong thời điểm bay
chụp, tiến hành đo đạc năng lượng bức xạ các đối tượng cần nghiên cứu. Sau
đó, dựa trên sự khác biệt cường độ bức xạ thu được trên ảnh vệ tinh và giá trị
đo được thực tế xác định giá trị hiệu chỉnh bức xạ. Phương pháp này cho kết
quả chính xác nhưng khơng phải lúc nào cũng thực hiện được (vị trí đặc biệt
và mùa thích hợp).
* Các phương pháp khác: Một số vệ tinh được trang bị các bộ cảm đặc
biệt chuyên thu nhận các tham số trạng thái khí quyển đồng thời với các bộ
cảm thu nhận ảnh và việc hiệu chỉnh được thực hiện ngay trong q trình bay
chụp. Ví dụ vệ tinh NOAA, ngoài Sensor AVHRR để thu nhận ảnh còn trang
<i>bị Sensor HIRS (High Resolution Infrared Radiometer Sounder) đo mật độ và </i>
hơi nước để thực hiện hiệu chỉnh khí quyển [4].
<i><b>2.1.2. Hiệu chỉnh hình học </b></i>
Biến dạng hình học của ảnh được hiểu như sự sai lệch vị trí giữa toạ độ
ảnh thực tế (đo được) và toạ độ ảnh lý tưởng được tạo bởi một bộ cảm có thiết
kế hình học chính xác và trong các điều kiện thu nhận lý tưởng, nhằm loại trừ
sai số giữa toạ độ ảnh thực tế và toạ độ ảnh lý tưởng cần phải tiến hành hiệu
27
Nguyên nhân sinh ra biến dạng hình học của ảnh là do tổng hợp từ hai
nguồn sai số chính:
- Nội sai gây ra bởi tính chất hình học của bộ cảm.
- Ngoại sai gây bởi vị trí thế của vật mang và hình dáng của vật thể.
Ngồi ra, sự thay đổi địa hình cũng gây nên biến dạng hình học của ảnh.
Tuy nhiên khi mặt đất có sự chênh cao lớn thì khoảng cách trên ảnh trở nên
lớn hơn. Ảnh hưởng do sự thay đổi địa hình gây nên biến dạng tăng dần từ
tâm ảnh ra các biên, các điểm trên mặt đất có độ cao thấp hay cao hơn độ cao
chuẩn tham chiếu (trong lúc chụp ảnh) đều bị biến dạng.
Hiệu chỉnh hình học phải được thực hiện để loại trừ sự biến dạng về mặt
hình học của ảnh. Bản chất của hiệu chỉnh hình học là xây dựng mối tương
quan giữa hệ toạ độ ảnh và hệ toạ độ quy chiếu chuẩn (có thể là hệ toạ độ mặt
đất vng góc hoặc địa lý) dựa vào các điểm khống chế mặt đất, vị thế của
Sensor, điều kiện khí quyển .
Các bước thực hiện quá trình hiệu chỉnh hình học như sau:
<i>- Chọn phương pháp </i>
Chọn phương pháp phải dựa trên bản chất sự biến dạng của ảnh và số
lượng điểm khống chế mặt đất sẵn có (thể hiện trên ảnh) để chọn phương
pháp hiệu chỉnh thích hợp. ba phương pháp sau đây thường được sử dụng:
* Hiệu chỉnh hệ thống: Áp dụng loại trừ biến dạng do nội sai do thiết bị
chế tạo khơng hồn chỉnh. Trong trường hợp này, nếu có dữ liệu tham chiếu
hình học của Sensor thì biến dạng hình học của ảnh do sai số hệ thống được
loại trừ hoàn toàn.
* Hiệu chỉnh phi hệ thống: Lâp đa thức tương quan giữa hệ toạ độ ảnh và
hệ toạ độ quy chiếu chuẩn (dùng phương pháp số bình phương nhỏ nhất).
Trong phương pháp này địi hỏi phải có một số điểm đã biết toạ độ thực
28
khống chế mặt đất (Ground Control Points-GCPs). Quá trình xác định toạ độ
ảnh (cho bởi hàng, cột) của các điểm này trong ảnh bị biến dạng. Khi chọn
các điểm này cần phải lưu ý đến sự phân bố vị trí của các điểm trên ảnh
(không nên tập trung ở vùng nhỏ của ảnh) vì sự phân bố tốt sẽ nâng cao độ
chính xác hiệu chỉnh. Đa thức tương quan giữa hệ toạ độ ảnh và hệ toạ độ quy
chiếu chuẩn của các điểm GCP sẽ được xử lý bởi chương trình trên máy tính
và sau khi chuyển đổi ảnh sẽ có hệ tọa độ mặt đất. Độ chính xác đạt được phụ
thuộc vào bậc của đa thức, số điểm khống chế và sự phân bố của chúng.
* Hiệu chỉnh phối hợp: Hiệu chỉnh hệ thống được áp dụng trước đối với
ảnh nhằm loại trừ sai số hệ thống do thiết bị (nội sai), sau đó sai số cịn lại
(ngoại sai) sẽ được loại trừ bằng đa thức bậc thấp hơn để nhận được ảnh có
sai số là tối thiểu sau khi hiệu chỉnh hình học.
- Kiểm tra độ chính xác: Sau khi đăng ký toạ độ ảnh, độ chính xác của
việc hiệu chỉnh hình học cần phải được kiểm tra bởi các cặp điểm GCP mà
khơng tham gia trong q trình chuyển đổi (điểm kiểm tra). Nếu độ chính xác
khơng thoả mãn tiêu chuẩn yêu cầu (sai số 1 pixel) thì phải kiểm tra lại dữ
liệu toạ độ được nhập trong quá trình chuyển đổi hoặc chọn mơ hình toán
khác sao cho kết quả đạt được là tốt nhất.
- Nội suy và tái chia mẫu: là giai đoạn cuối cùng của hiệu chỉnh hình học,
vì ảnh sau khi hiệu chỉnh sẽ có sự thay đổi vị trí nên giá trị độ sáng của cá
pixel cần phải được tính và gán lại theo vị trí mới. Phương pháp nội suy và tái
chia mẫu nhằm xác định giá trị độ sáng của các pixel trên ảnh đã hiệu chỉnh
từ các giá trị độ sáng của các pixel trên ảnh gốc.
Như chúng ta đã biết, ảnh số có thể được xem như là mảng giá trị độ xám
của các con số này và hiển thị giá trị độ xám của các pixel nằm trong mảng
29
Các thuật toán sau đây thường được sử dụng trong thực tế để nội suy lại
giá trị độ xám của các pixel.
* Người láng giềng gần nhất: là phương pháp đơn giản nhất, nhanh và bảo
đảm khơng có các giá trị ngoại lai. Trong phương pháp này, giá trị của các
pixel trên ảnh đã hiệu chỉnh được nội suy theo giá trị độ sáng của các pixel
lân cận trong ảnh gốc.
* Tuyến tính kép: Việc nội suy tuyến tính dựa trên 4 pixel trên ảnh gốc
bao quanh vị trí của pixel trên ảnh đã hiệu chỉnh, ảnh được tạo ra sẽ có độ
tương phản dịu hơn.
* Hàm bậc ba: là phương pháp nội suy dựa trên 16 pixel trên ảnh gốc bao
xung quanh vị trí của pixel trên ảnh đã hiệu chỉnh. Mặc dù tốc độ tái chia mẫu
30
<i><b>2.1.3. Tăng cường chất lượng ảnh </b></i>
Tăng cường chất lượng ảnh có thể được định nghĩa như một thao tác nổi
bật hình ảnh sao cho người giải đoán ảnh dễ đọc, dễ nhận biết nội dung trên
ảnh hơn so với ảnh gốc. Phương pháp cơ bản thường được sử dụng là biến đổi
cấp độ xám, chuyển đổi histogram, tổ hợp màu, chuyển đổi màu giữa hai hệ
<i>RGB (red, green, blue) và HIS (Hue- sắc, Intensity - cường độ, Saturation - </i>
<i>mật độ) nhằm phục vụ việc giải đoán bằng mắt (phân tích định tính). </i>
Ngồi việc tăng cường chất lượng ảnh, bước tiếp theo trong xử lý ảnh vệ
tinh là chiết tách thơng tin đặc tính. Đây là một thao tác nhằm phân loại, sắp
xếp thông tin có sẵn trong ảnh theo các yêu cầu hoặc chỉ tiêu đưa ra dưới
dạng hàm số (phục vụ phân tích chất lượng). Thuận lợi của ảnh vệ tinh là cho
phép chúng ta thay đổi các giá trị của pixel trong ảnh. Mặc dù ảnh đã được
tiến hành hiệu chỉnh bức xạ, khí quyển và biến dạng hình học trước khi cung
cấp cho người sử dụng, ảnh vẫn chưa đảm bảo tối ưu cho việc giải đoán bằng
31
đa dạng của vật thể trên bề mặt đất (đất, nước, rừng, sa mạc,…) nên khơng có
thuật tốn hiệu chỉnh bức xạ tổng quát nào có thể được xem là tối ưu và cũng
khơng có giải pháp chung cho việc hiển thị tối ưu về độ sáng cũng như mức
tương phản thích hợp cho tất cả các đối tượng trong ảnh. Do đó, tuỳ thuộc
trường hợp ứng dụng cụ thể và tuỳ thuộc vào từng loại ảnh vệ tinh, cùng với
đặc điểm của từng kênh ảnh, người giải đoán cần phải điều chỉnh độ sáng và
mức độ tương phản thích hợp.
- Biến đổi cấp độ xám
Biến đổi cấp độ xám là một kỹ thuật tăng cường chất lượng ảnh đơn giản,
do thực tế trong ảnh thô giá trị phổ nhằm cung cấp thơng tin hữu ích thường
phân bố trong phạm vi hẹp so với khả năng hiển thị của ảnh (nếu ảnh lưu 8
bits sẽ hiển thị đến 256 giá trị). Ý nghĩa của việc biến đổi cấp độ xám là nhằm
biến đổi khoảng giá trị cấp độ xám thực tế của ảnh gốc về khoảng cấp độ xám
mà thiết bị hiển thị có khả năng thể hiện được. Bằng cách này sẽ tăng được độ
tương phản giữa các đối tượng, làm cho ảnh rõ ràng hơn.
Để hiểu rõ độ tương phản cần phải hiểu khái niệm histogram của ảnh. Đó
là sự thể hiện đồ giải các giá trị độ sáng của các pixel trong ảnh. Bằng cách
biểu thị thống kê sự tương quan giữa số pixel và giá trị tương ứng được ghi
nhận bởi ảnh) sẽ cho phép chúng ta làm nổi bật hình ảnh sao cho người giải
đốn ảnh dễ đọc, dễ nhận biết nội dung trên ảnh hơn so với ảnh gốc.
Cấp độ xám của ảnh vệ tinh phụ thuộc vào giá trị của pixel, ví dụ nếu ảnh
được lưu theo 8 bits, các pixel sẽ được thể hiện bởi 256 giá trị và cấp độ xám
của ảnh thể hiện như sau:
0 = đen; 50 = xám đậm;
150 = xám trung bình;
32
<b>Hình 2.1. Histogram của ảnh quá tối, quá sáng, tương phản thấp, </b>
<b>tương phản cao </b>
Có nhiều kỹ thuật và phương pháp để biến đổi cấp độ xám của ảnh,
nhưng hiện nay thường sử dụng các biện pháp cơ bản như sau:
- Biến đổi độ tương phản
Thực tế khi ảnh chụp một vùng nào đó chỉ bao gồm những vật thể có độ
phản xạ giống nhau trên cùng vùng phổ, hoặc đơi khi trên ảnh có nhêìu vùng
tập trung các pixel có giá trị độ sáng gần nhau. Kết quả là ảnh không thể hiển
thị rõ ràng (độ tương phản thấp), ví dụ nếu ảnh có 80% số pixel thể hiện trong
phạm vi từ 50 đến 95 thì ảnh sẽ mang màu đen xám và độ tương phản rất
thấp. Có thể thực hiện phép biến đổi này dựa theo hàm số như sau:
<i>y = f(x) </i>
trong đó:
<b>y - giá trị độ sáng của pixel trên ảnh đã biến đổi (cấp độ xám của ảnh sau </b>
khi biến đổi).
33
<b>x - giá trị độ sáng của pixel trên ảnh gốc (cấp độ xám của ảnh gốc). </b>
Biến đổi tuyến tính là một trong những phép biến đổi cơ bản thường được
sử dụng trong việc thay đổi độ tương phản của ảnh vệ tinh, và còn được gọi là
<i>phương pháp kéo giãn tương phản tuyến tính, trong đó hàm y = ax + b được </i>
sử dụng.
Giá trị độ sáng của pixel bất kỳ trên ảnh đã biến đổi được tính theo
cơng thức:
min
min
min
max
min
max
)
(<i>x</i> <i>x</i> <i>y</i>
<i>x</i>
<i>x</i>
<i>y</i>
<i>y</i>
<i>y</i>
trong đó:
xmin: giá trị độ sáng nhỏ nhất;
xmax: giá trị độ sáng lớn nhất của ảnh gốc;
ymin: giá trị độ sáng nhỏ nhất;
ymax: giá trị độ sáng lớn nhất của ảnh biến đổi.
<i>Ví dụ: cấp độ xám của ảnh gốc biến thiên từ xmin = 20 đến xmax</i> = 120 khi
hiển thị sẽ rất khó phân biệt các đối tượng trên ảnh, để nhận ảnh biến đổi có độ
tương phản cao nghĩa là kéo giãn giá trị nhỏ nhất và lớn nhất trên ảnh gốc
tương ứng là 0 và 255 trên ảnh biến đổi, cịn tồn bộ các giá trị độ sáng (từ 21
đến 119) sẽ được phân bố tuyến tính và nhận giá trị trong khoảng từ 1 đến 254.
Nếu pixel nào đó của ảnh gốc có giá trị là x = 40 và sau khi biến đổi, ggt của
pixel này khi được hiển thị là:
51
0
)
20
40
(
20
120
0
255 <sub></sub> <sub></sub> <sub></sub>
<i>y</i>
34
<b>Hình 2.2. Ảnh và biểu đồ Histogram trước và sau khi biến đổi tuyến tính </b>
Trong phương pháp kéo giãn tương phản tuyến tính thì những vùng sáng
trên ảnh trở nên sáng hơn và điểm tối trở nên tối hơn làm cho việc giải đoán
bằng mắt dễ dàng hơn. Tuy nhiên trong một số trường hợp thực tế, phương
pháp này đôi khi không khắc phục được sự phân bố không đồng đều của các
giá trị độ sáng trên ảnh, nên ảnh sau khi biến đổi sẽ không được mịn (vào chỗ
tương phản quá mạnh do các pixel lân cận có giá trị chênh lệch nhau khá lớn).
Để khắc phục những trường hợp này, có thể biến đổi dựa trên giá trị trung
35
Hàm biến đổi được định nghĩa như sau:
<i>n</i>
<i>m</i>
<i>x</i>
<i>y</i> ( )
trong đó:
xm: giá trị trung bình của ảnh gốc;
Sx: độ lệch chuẩn của ảnh gốc;
ym: giá trị trung bình của ảnh sau khi biến đổi;
Sy: độ lệch chuẩn của ảnh sau khi biến đổi.
Ngoài ra, biến đổi cấp độ xám có thể dựa theo một số dạng hàm số đặc biệt
như sau:
- Biến đổi Fold sử dụng đường tuyến tính phức để làm nổi bật một phần cấp
độ xám.
- Biến đổi Saw tạo cấp độ xám không liên tục làm tăng tương phản cho
từng cấp độ.
Ngoài ra, có thể sử dụng các hàm lũy thừa, logarit,… để biến đổi cấp
- Biến đổi histogram
Biến đổi histogram là kỹ thuật biến đổi histogram thực tế của ảnh gốc để
nhận ảnh mới mà có histogram phù hợp với yêu cầu thực tế. Thực chất đây là
một dạng kéo giãn histogram để làm nổi bật những chi tiết của khu vực nào
đó trên histogram của ảnh mới so với phạm vi của histogram nguyên thuỷ
(những giá trị độ sáng trong phạm vi này ít được hiển thị). Vì histogram biểu
thị thống kê, sự tương phản giữa số pixel và giá trị độ sáng tương ứng trong
ảnh nên có thể thay đổi cấp độ xám của ảnh hay độ tương phản bằng cách
biến đổi phần cụ thể (đặc biệt) nào đó của histogram.
Ví dụ: Ảnh có cửa sơng và thể hiện nước của ảnh có giá trị từ 40 đến 76
nằm vùng nhỏ histogram của ảnh gốc. Nếu muốn thể hiện chi tiết của vùng
nước (để có thể phân biệt sự biến đổi bồi đắp của phù sa) chỉ cần thay đổi
(2.4)
36
phần nhỏ của histogram nguyên thuỷ tương ứng cho vùng nước (từ 40 đến 76)
kết quả chi tiết tại khu vực này sẽ được nổi bật khi hiển thị ảnh. Có hai phép
biến đổi cơ bản thường được sử dụng như sau:
<i>- Quân bình histogram: Tương phản thấp trên ảnh còn sinh ra do một </i>
lượng lớn pixel tập trung tại một số giá trị (vùng hẹp phạm vi từ 0 đến 255)
nên không thể áp dụng phương pháp kéo giãn tương phản tuyến tính.
Q trình biến đổi được thực hiện bằng cách tạo histogram tích luỹ của
ảnh gốc sau đó chia biểu đồ thành một số vùng bằng nhau và cuối cùng cấp
độ xám tương ứng cho từng vùng được chỉ định để biến đổi giá trị độ sáng
của pixel tương ứng. Với phép biến đổi này, trên ảnh vùng có thay đổi lớn sẽ
được hiển thị rõ, ngược lại sẽ được bỏ qua và tạo sự tăng cường độ tương
phản trên toàn bộ ảnh, đặc bịêt là tạo sự tương phản tốt cho những vùng quá
tối hoặc quá sáng trên ảnh.
- Chuẩn hoá histogram: là kỹ thuật biến đổi histogram ảnh gốc để nhận
ảnh mới mà có histogram phân bố chuẩn (nhằm tạo ra cấp độ xám phân bố
trên ảnh tự nhiên hơn). Tuy nhiên trong q trình biến đổi này, một số pixel
có cùng giá trị được biến đổi để có những giá trị khác nhau. Do đó, đây khơng
phải là phép biến đổi (1:1) nên thực hiện tái tạo histogram của ảnh gốc sẽ gặp
nhiều khó khăn. Phương pháp này chỉ áp dụng cho ảnh có phạm vi biến đổi
37
<b>Hình 2.3. Ảnh gốc và ảnh sau khi biến đổi Histogram </b>
* Lọc không gian
Hiện tượng “muối và tiêu” trên ảnh phân loại, hoặc lốm đốm sinh ra
trên ảnh gốc do sai số phát sinh trong quá trình truyền dữ liệu hoặc bị gián
đoạn tạm thời. Do ảnh hưởng này, một số pixel trên ảnh có giá trị độ sáng lớn
hay nhỏ hơn rất nhiều so với các pixel xung quanh. Kết quả tạo ra các điểm
sáng trắng hay sậm đen trên ảnh, làm ảnh hưởng đến việc tách thông tin từ
ảnh viễn thám. Tăng cường hay cải tiến chất lượng ảnh bằng cách áp dụng
hàm (hay toán tử lọc) trong không gian ảnh nhằm loại nhiễu ngẫu nhiên và
các giá trị đột biến của pixel trên ảnh, tạo ảnh mới mịn hơn so với ảnh gốc.
Biện pháp dùng cửa sổ lọc là khá phổ biến để loại trừ nhiễu còn được gọi là
lọc tần số không gian nhằm tạo ra một ảnh mới mịn hơn, nổi bật được các chi
tiết cần quan tâm như nhận dạng các yếu tố dạng tuyến,… tuỳ thuộc đặc tính
của ảnh được xác định, những kỹ thuật lọc khơng gian có thể áp dụng như:
lọc tần số thấp, lọc tần số cao, lọc tách biên hay lọc theo hướng,…
* Lọc tần số không gian
Lọc tần số không gian liên quan đến khái niệm cấu trúc của ảnh, đó là tần
số biến đổi của tone ảnh vệ tinh. Ảnh mịn khi có tần số khơng gian thấp, có
nghĩa là ít có sự thay đổi tone trong tồn bộ ảnh và ngược lại, ảnh có cấu trúc
38
ảnh có tần số biến đổi không gian cao.
Lọc trong không gian ảnh được thực hiện bởi cửa sổ trượt, với ma trận
tốn tử (n × n) là một số lẻ (3 × 3); (5 × 5) hay (9 × 9) nhằm tạo ra một ảnh
mới đáp ứng các yêu cầu như tạo sự rõ nét các yếu tố đường nét; làm mịn
ảnh hoặc nhận mạnh một yếu tố cấu trúc nào đó. Trong đó tốn tử lọc
thường chỉ sử dụng trên từng kênh đơn và giá trị của từng pixel trên ảnh mới
(pixel trung tâm của cửa sổ lọc) được tính từ những giá trị độ sáng lân cận
của ảnh gốc. Sau đó, cửa sổ dịch chuyển đi theo hàng hay cột (của ảnh gốc)
1 pixel để tính tốn và thay thế giá trị của pixel trung tâm, quá trình tiếp tục
cho đến khi tồn bộ ảnh gốc được lọc để tạo thành ảnh mới. Để tiến hành lọc
không gian, giá trị một pixel trung tâm của cửa sổ lọc được tính bằng một
công thức liên quan đến các giá trị độ sáng của các pixel xung quanh ở vị trí
tương ứng với ảnh gốc.
Công thức đơn giản nhất có thể được viết như sau:
<i>w</i>
<i>i</i>
<i>k</i>
<i>w</i>
<i>j</i>
<i>w</i>
<i>j</i>
<i>l</i>
<i>l</i>
<i>j</i>
<i>k</i>
<i>i</i>
<i>h</i>
<i>y</i>(. ) ( , ) ( , )
trong đó:
<b>f - ma trận ảnh nhập (đầu vào); h - toán tử lọc; </b>
y - giá trị pixel trung tâm (ảnh xuất sau khi lọc);
<b>j, j - chỉ số hàng và cột ; w - kích thước cửa sổ lọc; </b>
k, l - chỉ số hàng và cột ảnh gốc.
Tuỳ thuộc đặc tính của ảnh được xác định, hai kỹ thuật lọc không gian
sau đây:
* Lọc tần số thấp
Áp dụng để loại trừ hiện tượng nhiễu thật trên ảnh vệ tinh. Đây là phép lọc
nhằm giảm độ chênh lệch giá trị độ sáng giữa nhưng pixel lân cận nhau, ảnh
mới nhận được sẽ mịn hơn so với ảnh gốc và trong phép lọc này giá trị của
39
pixel trung tâm được tính tốn và thay thế tuỳ thuộc vào thuật toán được chọn.
* Lọc tần số cao
Đây là phép lọc ngược với lọc tần số thấp, được áp dụng để nhấn mạnh
các đối tượng cần quan tâm hoặc phóng đại để tạo sự sắc nét đối với một số
<i>chi tiết trên ảnh vệ tinh. </i>
* Lọc theo hướng
Lọc theo hướng còn được gọi là lọc tách biên, được sử dụng để tách
những biến đổi rời rạc hoặc làm nổi bật những vật thể ở biên của ảnh vệ tinh.
Ngoài ra, phép lọc này còn được áp dụng rất tốt cho việc làm nổi các đối
tượng có dạng hình tuyến như các vết đứt gãy địa chất, đường quốc lộ, kênh
đào,… Trong phép lọc này, con số trung tâm của ma trận cửa sổ lọc lớn
hơn hay nhỏ hơn rất nhiều so với giá trị của các phần tử hệ số lân cận, ảnh
mới nhận được từ phép lọc này cho phép làm nổi bật các pixel bị nhiễu
trong ảnh.
Tóm lại, việc chọn phương pháp lọc tuỳ thuộc vào mục tiêu và số trung
tâm của cửa sổ lọc sẽ quyết định ảnh hưởng như thế nào với ảnh mới được
tạo thành sau khi lọc. Sử dụng phép lọc nhằm tạo ra ảnh sắc nét hơn, mịn
hơn hay nhấn mạnh các đối tượng cần quan tâm sẽ giúp cho việc giải đoán
ảnh dễ dàng hơn [4].
<b>2.2. Phương pháp chiết tách thơng tin viễn thám </b>
<i><b>2.2.1. Phương pháp giải đốn ảnh bằng mắt </b></i>
Đoán đọc điều vẽ ảnh bằng mắt có thể áp dụng trong mọi điều kiện
trang thiết bị. Đoán đọc điều vẽ bằng mắt là việc sử dụng mắt người cùng với
các dụng cụ quang học như kính lúp, kính lập thể, máy tổng hợp mầu để xác
định các đối tượng. Cơ sở để đoán đọc điều vẽ bằng mắt là các chuẩn đoán
40
a. Các chuẩn đoán đọc điều vẽ ảnh vệ tinh và mẫu đốn đọc điều vẽ
Nhìn chung có thể chia các chuẩn đoán đọc điều vẽ thành 8 nhóm chính
sau:
- Chuẩn kích thước
Cần phải chọn một tỷ lệ ảnh phù hợp để đốn đọc điều vẽ. Kích thước của
đối tượng có thể xác định nếu lấy kích thước đo được trên ảnh nhân với mẫu số
tỷ lệ ảnh.
- Chuẩn hình dạng
Hình dạng có ý nghĩa quan trọng trong đốn đọc ảnh. Hình dạng đặc
trưng cho mỗi đối tượng khi nhìn từ trên cao xuống và được coi là chuẩn đoán
đọc quan trọng.
- Chuẩn bóng
Bóng của vật thể dễ dàng nhận thấy khi nguồn sáng khơng nằm chính
xác ở đỉnh đầu hoặc trường hợp chụp ảnh xiên. Dựa vào bóng của vật thể có
thể xác định được chiều cao của nó.
- Chuẩn độ đen
Độ đen trên ảnh đen trắng biến thiên từ trắng đến đen. Mỗi vật thể được
thể hiện bằng một cấp độ sáng nhất định tỷ lệ với cường độ phản xạ ánh sáng
của nó. Ví dụ cát khô phản xạ rất mạnh ánh sáng nên bao giờ cũng có mầu
trắng, trong khi đó cát ướt do độ phản xạ kém hơn nên có mầu tối hơn trên
ảnh đen trắng. Trên ảnh hồng ngoại đen trắng do cây lá nhọn phản xạ mạnh
tia hồng ngoại nên chúng có mầu trắng và nước lại hấp thụ hầu hết bức xạ
trong dải sóng này nên bao giờ cũng có mầu đen.
- Chuẩn mầu sắc
Mầu sắc là một chuẩn rất tốt trong việc xác định các đối tượng. Ví dụ các
kiểu lồi thực vật có thể được phát hiện dễ dàng ngay cả cho những người không
41
mầu. Các đối tượng khác nhau cho các tông mầu khác nhau đặc biệt khi sử dụng
ảnh đa phổ tổng hợp mầu.
- Chuẩn cấu trúc
Cấu trúc là một tập hợp của nhiều hình mẫu nhỏ. Ví dụ một bãi cỏ khơng
bị lẫn các loài cây khác cho một cấu trúc mịn trên ảnh, ngược lại rừng hỗn giao
cho một cấu trúc sần sùi. Đương nhiên điều này còn phụ thuộc vào tỷ lệ ảnh
được sử dụng.
- Chuẩn phân bố
Chuẩn phân bố là một tập hợp của nhiều hình dạng nhỏ phân bố theo
một quy luật nhất định trên toàn ảnh và trong mối quan hệ với đối tượng cần
nghiên cứu. Ví dụ hình ảnh của các dãy nhà, hình ảnh của ruộng lúa nước, các
đồi trồng chè,... tạo ra những hình mẫu đặc trưng riêng cho các đối tượng đó.
- Chuẩn mối quan hệ tương hỗ
Một tổng thể các chuẩn đốn đọc điều vẽ, mơi trường xung quanh hoặc
mối liên quan của đối tượng nghiên cứu với các đối tượng khác cung cấp một
thơng tin đốn đọc điều vẽ quan trọng.
Nhằm trợ giúp cho cơng tác đốn đọc điều vẽ người ta thành lập các
mẫu đoán đọc điều vẽ cho các đối tượng khác nhau. Mẫu đoán đọc điều vẽ là
tập hợp các chuẩn dùng để đoán đọc điều vẽ một đối tượng nhất định. Kết quả
đoán đọc điều vẽ phụ thuộc vào mẫu đoán đọc điều vẽ. Mục đích của việc sử
dụng mẫu đốn đọc điều vẽ là làm chuẩn hóa kết quả đốn đọc điều vẽ của
nhiều người khác nhau. Thông thường mẫu đốn đọc điều vẽ do những người
có nhiều kinh nghiệm và hiểu biết thành lập dựa trên những vùng nghiên cứu
thử nghiệm đã được điều tra kỹ lưỡng. Tất cả 8 chuẩn đoán đọc điều vẽ cùng
với các thông tin về thời gian chụp, mùa chụp, tỷ lệ ảnh đều phải đưa vào mẫu
đoán đọc điều vẽ. Một bộ mẫu đoán đọc điều vẽ bao gồm không chỉ phần ảnh
42
<i>b. Ảnh tổng hợp mầu </i>
Tư liệu ảnh vệ tinh dùng để giải đoán bằng mắt tốt nhất là các ảnh
tổng hợp mầu.
Đặc điểm cơ bản của ảnh tổng hợp mầu là sự mã hóa bằng mầu sắc các
khác biệt về phổ của các đối tượng. Ở đây chuẩn đoán đọc điều vẽ chính là độ
tương phản mầu được nhấn mạnh nhờ sự lựa chọn một cách có ý thức phương
án tổng hợp mầu. Trong trường hợp tư liệu gốc thoả mãn các điều kiện kỹ
thuật nếu sử dụng phương án tổng hợp mầu chuẩn và điều kiện xử lý hóa ảnh
chặt chẽ thì mầu là một chuẩn đốn đọc điều vẽ tương đối ổn định.
Nhờ khả năng phân biệt cao của mầu sắc mà nó có thể truyền đạt các
khác biệt về phổ của đối tượng, ảnh tổng hợp mầu có tính trực quan sinh động
hơn ảnh phổ trắng đen.
Đối với ảnh phổ chụp ở vùng hồng ngoại, ảnh tổng hợp mầu cho ta bức
tranh mầu giả khơng có thực trong tự nhiên.
Về mầu sắc, ảnh tổng hợp mầu so với ảnh mầu vệ tinh chụp trên phim
mầu 3 lớp có nhiều mầu sắc hơn với độ tương phản mầu cao hơn. So với ảnh
phổ thì ảnh tổng hợp mầu cũng có nhiều mầu sắc hơn và độ tương phản cao
hơn, nhưng lực phân giải lại kém hơn ảnh phổ mầu. Khả năng đoán đọc điều
vẽ các đối tượng trên ảnh tổng hợp mầu phụ thuộc vào phương án lựa chọn
mầu. Việc lựa chọn các phương án tổng hợp mầu phụ thuộc vào nhiệm vụ
đoán đọc điều vẽ, khả năng ứng dụng của ảnh tổng hợp mầu để đoán đọc điều
vẽ các đối tượng cụ thể.
Lựa chọn kênh phổ để tổng hợp mầu là một công việc quan trọng quyết
định chất lượng thông tin của kết quả tổng hợp mầu. Việc lựa chọn kênh phổ
được xác định trên cơ sở như sau:
- Đặc tính phản xạ phổ của các đối tượng cần đoán đọc điều vẽ.
- Nhiệm vụ đoán đọc điều vẽ.
- Yêu cầu đối với lực phân giải.
43
Đặc tính phản xạ mầu của các đối tượng đã được biểu thị trên đồ thị ở
các phần trước. Để chọn kênh phổ mang tính thông tin cao cần phân loại
nhóm đối tượng chính cần đốn đọc điều vẽ hoặc các đối tượng chỉ thị chính.
Bên cạnh việc sử dụng bảng này để lựa chọn kênh cần sử dụng cả đồ
thị phản xạ phổ của riêng từng nhóm đối tượng đã nêu ở phần trước.
Mặt khác để lựa chọn kênh phổ có thể sử dụng biểu đồ độ sáng
(histogram), khi dựng biểu đổ cần sử dụng phim để tổng hợp mầu.
Các thiết bị dùng cho tổng hợp mầu ảnh đa phổ thường dùng trên thế
giới và nước ta là:
<b>- Máy chiếu hình đa phổ chuyên dụng MSP - 4C (Đức) và AC - </b>
90B (Nhật).
<b>- Máy nắn Rectimat - C, Dust 2000 có gắn đầu mầu. </b>
- Các máy vi tính PC có màn hình mầu VGA và các trạm làm việc WS
c. Giải đoán ảnh viễn thám và chuyển kết quả giải đoán lên bản đồ nền
Sau khi nghiên cứu chỉ thị giải đoán, nghiên cứu bộ ảnh mẫu, ảnh vệ
tinh và các tài liệu khác ta tiến hành cơng tác giải đốn ảnh. Kết quả giải đốn
ảnh bao giờ cũng được chuyển lên bản đồ nền. Bản đồ nền để thể hiện kết quả
giải đoán ảnh phải thỏa mãn các điều kiện sau:
- Có một tỷ lệ phù hợp và đủ chính xác.
- Các hệ thống định vị tọa độ địa lý phải được thể hiện gây khó đầy đủ.
- Nền bản đồ phải sáng và các thông tin cơ bản phải được in sao cho
khơng khó khăn cho việc thể hiện các kết quả giải đốn ảnh.
Thơng thường bản đồ địa hình các tỷ lệ, sơ đồ quy hoạch và bản đồ trực
ảnh được sử dụng làm bản đồ nền cho cơng tác giải đốn ảnh. Bản đồ tỷ lệ
1/50.000, 1/100.000 và 1/250.000 phù hợp cho việc đoán đọc điều vẽ ảnh vệ
tinh độ phân giải trung bình độ phân giải như cao. Các bản đồ trực ảnh rất phù
44
Có 4 phương pháp để chuyển kết quả đoán đọc điều vẽ lên bản đồ nền,
thảm thực vật lên bản đồ nền.
- Can vẽ
Kết quả đoán đọc được đặt trên bàn sáng và bản đồ nền được đặt lên
trên sao cho các địa hình địa vật trùng nhau và sau đó thao tác viên chỉ được
can lại những gì cần thiết.
- Chiếu quang học
Ảnh đã được đoán đọc điều vẽ được chiếu lên bản đồ thông qua một hệ
thống quang học. Hệ thống này cho phép thực hiện một số phép hiệu chỉnh
hình học cơ bản như hiệu chỉnh tỷ lệ, xoay trong không gian và trong mặt
phẳng. Dựa theo nguyên tắc nắn phân vùng phương pháp này cho kết quả
tương đối tốt so với phương pháp can vẽ.
- Sử dụng lưới ô vuông
Trong trường hợp khơng có thiết bị chiếu hình hoặc thiết bị nắn chỉnh
hình học theo ngun lý quang học có thể sử dụng phương pháp lưới ô vuông.
Bằng phương pháp nắn hình học đơn giản có thể tạo được hai hệ lưới trên bản
đồ và ảnh và căn cứ vào vị trí tương đối của đối tượng trong hệ lưới đó có thể
chuyển nội dung đốn đọc điều vẽ từ ảnh lên bản đồ.
- Sử dụng các thiết bị đo ảnh
Trong trường hợp có các thiết bị đo ảnh hiện đại như các máy nắn ảnh
là dựa vào việc dựng lại mô hình chụp ảnh và thực hiện việc chuyển vẽ thơng
qua các mơ hình đó.
Sơ đồ tổng qt của việc giải đoán ảnh vệ tinh bao gồm các bước cơ
bản sau:
45
- Đọc thông tin bổ trợ và định vị ảnh theo bản đồ.
- Tạo khóa đốn đọc điều vẽ.
- Đo đạc các yếu tố định lượng.
- Phân tích ảnh và giải đoán các đối tượng.
- Thành lập bản đồ chuyên đề.
<i><b>2.2.2. Phương pháp phân loại ảnh </b></i>
Phân loại ảnh là q trình tách gộp thơng tin dựa trên các tính chất phổ,
khơng gian và thời gian. Phân loại thường được biểu diễn bởi tập hợp các
kênh ảnh và quá trình này là gán từng pixel trên ảnh vào các lớp khác nhau
dựa trên đặc tính thống kê của các giá trị độ xám của từng pixel.
<i>a. Phân loại khơng giám định </i>
Phân loại khơng giám định có thể được dùng như một phương tiện để sơ
bộ tìm hiểu sự chia lớp của một vùng sắp khảo sát hay trong trường hợp thông
tin về các lớp phủ là khơng đầy đủ, hoặc thậm chí khơng có (ứng dụng trong
nhận dạng khơng có training). Các giải thuật được sử dụng có tên chung là
clustering (ghép nhóm). Trong giải thuật clustering, các lớp kết quả là khơng
biết trước, và có thể cả số các lớp cũng không biết trước.
- Các phương pháp phân loại không kiểm định
46
số liệu mẫu mà chỉ sử dụng thuần túy các thông tin phổ trên ảnh. Các pixel
trên ảnh sẽ được nhóm (gộp) vào các lớp phổ khác nhau trên cơ sở các nhóm
phổ tự nhiên biểu thị qua các giá trị độ xám của ảnh. Sau đó bằng cách xác
minh thực địa (hoặc xác minh với các bản đồ khác), mỗi lớp phổ sẽ được
phân thành các lớp tương ứng trên thực địa.
<b>b. Phân loại có giám định </b>
Trong phân loại có kiểm định, người phân tích dựa trên những thơng tin
biết trước đó về đặc tính phổ của các lớp, tiến hành lấy mẫu nhằm tạo nên các
ranh giới cho mỗi lớp trong không gian phổ. Sau đó thì mỗi pixel trong ranh
<b>giới của 1 lớp sẽ được phân chia về lớp đó [2]. </b>
<i><b>2.2.3. Phương pháp tạo ảnh chỉ số </b></i>
Tỉ số ảnh hay còn gọi là tỉ lệ ảnh là một kỹ thuật được ứng dụng rộng
rãi trong xử lý ảnh viễn thám nhằm tách lọc thông tin hữu ích trên ảnh cho
những mục đích khác nhau.
Ảnh tỉ lệ được xác định bằng cách chia giá trị số ở những kênh ảnh có
đặc trưng phản xạ phổ của đối tượng cao cho những kênh có phản xạ phổ thấp.
Ưu điểm lớn nhất của việc dùng chỉ số trong nghiên cứu các đối tượng
là sự đơn giản trong xử lý và kết quả giải đoán đảm bảo độ chính xác mà
khơng mất nhiều thời gian tính tốn như các phương pháp cổ điển (giải đốn
ảnh bằng các thuật tốn thơng dụng).
Với những ưu điểm trên, phương pháp tỉ số ảnh đã được sử dụng rất
rộng rãi trong việc xây dựng các chỉ số để giải đoán mộ số đối tượng đặc
trưng (thực vật, khoáng sản,...) hoặc đánh giá sự biến động, sự ô nhiễm, phân
biệt các loại đất,...
Trong nghiên cứu thực vật, hiện nay tồn tại tới 160 chỉ số thực vật,
trong đó có những chỉ số được sử dụng hết sức rộng rãi và hiệu quả như chỉ
số khác biệt thực vật NDVI, chỉ số SAVI,...Các chỉ số thực vật có thể chia
thành 7 nhóm chính:
47
trên các kênh sóng dải sóng rộng. Sử dụng để lập bản đồ lớp phủ, đánh giá và
quan sát thực vật, trữ lượng và năng suất mùa màng.
- Narrowband Greeness: Chỉ số mức độ xanh thực vật, được xác định
trên các kênh sóng dài sóng ngắn. Sử dụng để nghiên cứu các biến động
không lớn trong trạng thái thực vật.
- Light Use Efficieny: Sử dụng để đánh giá sự phát triển và sinh khối
thực vật, giải quyết các bài tốn về nơng nghiệp.
- Canopy Nitrogen: Sử dụng để xác định hàm lượng nitơ trong lớp phủ
thực vật.
- Dry or Senescent Carbon: Chỉ số hàm lượng carbon ở dạng cenllulose.
Sử dụng trong đánh giá mức độ nguy hiểm và ô nhiễm do cháy rừng.
- Leaf Pigments: chỉ số hàm lượng tế bào thực vật. Sử dụng trong các
bài tốn nơng nghiệp, xác định các vùng thực vật ở trạng thái sâu bệnh.
- Canopy Water Content: Chỉ số đánh giá hàm lượng hơi nước trong
thực vật. Sử dụng để đánh giá độ nguy hiểm và ô nhiễm của cháy rừng [4].
<i><b>2.2.4. Phương pháp đánh giá độ chính xác </b></i>
- Khi chọn một trong các thuật toán phân loại trên áp dụng cho việc phân
loại dữ liệu ảnh vệ tinh đa phổ, các chỉ tiêu phân loại được xác lập dựa trên
đặc trưng phổ của các vùng mẫu và dùng luật quyết định thích hợp để gán
nhãn pixel ứng với từng vùng cụ thể.
- Kết quả thu được sau khi phân loại là file dữ liệu raster cho chúng ta
những thông tin hữu ích về vùng phủ của mặt đất. Từ dữ liệu này có thể số
hóa để thể hiện dưới dạng dữ liệu vector phục vụ thành lập các bản đồ chuyên
- Xác định độ chính xác phân loại thường được dùng để đánh giá chất
48
Kết quả của việc so sánh sự phù hợp gữa những loại thực trên mặt đất và
những loại giải đoán bởi một thuật toán phân loại thường được thể hiện bởi
ma trận sai số. Trong đó, chỉ số phần trăm đạt được của độ chính xác tồn cục
và sai số phân loại nhầm cho từng đối tượng được xác định. Để thiết lập được
ma trận sai số, nhà phân tích phải so sánh kết quả phân loại trên khu vực đã
biết (bộ dữ liệu kiểm tra) trên cơ sở từng pixel một và xác định mức độ chính
xác như thế nào tại các vị trí được thẩm tra đó.
- Giả thiết n pixel được phân loại thành k loại, một ma trận sai số với k
hàng và k cột dùng để thể hiện sự phù hợp giữa những loại thực trên mặt đất
và những loại giải đoán.
Gọi 0ij là giá trị thể hiện sự phù hợp ở hàng i và cột j của ma trận k*k , khi
đó tổng theo hàng là Si, tổng theo cột là Sj (i, j =1,2,3,…,k) sao cho:
<i>i</i>
<i>k</i>
<i>ij</i>
<i>Þ</i> <i>S</i>
1
0 loại thực
<i>j</i>
<i>k</i>
<i>ii</i>
<i>Þ</i>
1
và
<i>K</i>
<i>J</i>
<i>J</i>
Độ chính xác tồn cục của thuật tốn phân loại T được tính theo % như sau:
100
0
1
Tỷ lệ % của sai số bỏ sót:
100
0
<i>i</i>
<i>ii</i>
<i>i</i>
<i>i</i>
<i>S</i>
<i>S</i>
<i>t</i>
Tỷ lệ % của sai số thực hiện:
49
- Việc áp dụng ma trận sai số phân loại để đánh giá thống kê kết quả
phân loại có ưu điểm quan trọng là cho phép chúng ta thấy rõ độ chính xác
toàn cục và mức độ phân loại nhầm đối với từng loại (tỷ lệ % sai số thực hiện
và bỏ sót). Tuy nhiên, ma trận sai số chỉ sử dụng trên bộ dữ liệu kiểm tra, do
đó khơng cung cấp thơng tin trong q trình phân loại thực sự của thuật toán
được chọn.
<b>Bảng 2.1. Ma trận sai số </b>
<b>Lớp phủ </b>
<b>thực tế </b>
<b>Lớp phủ được giải đoán </b>
<b>(1) </b> <b>(2) </b> <b>… </b> <b>(k-1) </b> <b>(K) </b> <b>Tổng cộng </b>
(1) 011 012 … 01(k-1) 01k S1
(2) 021 022 … 02(k-1) 02k S2
… … … …
(k-1) 0(k-1)1 0(k-1)2 … 0(k-1)(k-1) 0(k-1)k Sk-1
(k) 0k1 0k2 … 0k(k-1) 0kk Sk
<b>Tổng cộng </b> S1 S2 … Sk-1 Sk n
- Tuy nhiên vấn đề khó khăn là khơng có cơ sở để kiểm tra cho toàn khu
vực, nên trong thực tế một bộ dữ liệu thẩm tra được sử dụng để đánh giá mức
độ tin cậy của phương pháp phân loại đối với các dữ liệu mới (không được sử
dụng trong quá trình training data). Đây là cơ sở để nói lên mức độ tin cậy
chung của ảnh sau khi được giải đoán và chỉ ra mức độ tăng hay giảm độ sai
lệch giữa diện tích của loại trên ảnh giải đốn so vơi diện tích thực của chúng.
- Nhìn chung, độ tin cậy trong phân loại nhằm đo lường mức độ chính
xác hay phù hợp giữa một dữ liệu chuẩn (xem như đúng ngoài thực tế) với dữ
liệu ảnh được phân loại. Nếu ảnh được phân loại phù hợp với dữ liệu chuẩn
(dùng để thẩm tra) thì được gọi là tin cậy. Ma trận sai số cung cấp phần trăm
độ chính xác tồn cục thể hiện tỷ lệ số pixel được phân loại chính xác trên ảnh
50
nhận được từ tổng các yếu tố trên đường chéo và chia cho tổng số pixel được
kiểm tra, ngồi ra cịn có hai chỉ số:
* Sai số bỏ sót
Là diện tích đối tượng bị bỏ qua trên ảnh phân loại, điều này liên quan
đến phương pháp thành lập bản đồ từ ảnh giải đốn (diện tích đối tượng cho
bởi bản đồ ít hơn thực tế). Do đó, sai số bỏ sót thể hiện mức độ tin cậy của
nhà sản xuất đối với ảnh được giải đốn, nên cịn được gọi là độ tin cậy của
nhà sản xuất [3].
* Sai số thực hiện
Là sự phân loại nhầm trên mặt đất thành loại trên ảnh được giải đoán. Độ
tin cậy của người sử dụng là xác suất mà một loại thực nào đó được chỉ định
đúng trong kết quả phân loại (pixel được gán tên đúng loại đó), cịn độ tin cậy
của nhà sản xuất là xác suất của điểm được lấy mẫu trên bản đồ (trên ảnh giải
đoán) thuộc vào một loại cụ thể [3].
Tóm lại, đánh giá độ chính xác phân loại dựa vào ma trận sai số nhằm
đánh giá thống kê kết quả phân loại dựa trên bộ dữ liệu thẩm tra (hoặc bộ bản
đồ tham chiếu). Ưu điểm quan trọng là cho phép thấy rõ độ chính xác tồn
cục và mức độ phân loại nhầm đối với từng loại.
Tuy nhiên, biện pháp này chưa đủ để cung cấp thông tin cần thiết như sau:
- Tỷ lệ phân loại chính xác trong quá trình phân loại thực sự trên toàn
ảnh vệ tinh.
- Thông tin về sự phù hợp tối đa đối với tất cả các loại.
- Khi sử dụng hai thuật toán khác nhau, làm thế nào để xác định thuật
toán tối ưu trên cùng bộ dữ liệu mẫu.
Các vấn đề trên có thể được giải quyết bằng cách xây dựng thêm chỉ số
đánh giá dựa trên cơ sở lý thuyết xác suất hoặc lý thuyết thơng tin. Vì trong
51
nhất tiêu chuẩn của luật quyết định. Một trong những chỉ số đơn giản thường
được sử dụng là chỉ số Kapa nhằm thống kê, kiểm tra và đánh giá sự phù hợp
giữa những nguồn dữ liệu khác nhau hoặc khi áp dụng các thuật toán khác
nhau. Chỉ số Kapa được sử dụng khi hai bộ dữ liệu có độ tin cậy khác nhau về
thống kê, ví dụ khi phân loại bởi một thuật tốn nào đó đạt được độ chính xác
tồn cục trong ma trận sai số rất cao nhưng chưa chắc chắn đảm bảo kết quả
tốt trong quá trình phân loại thực sự cho toàn ảnh vệ tinh.
- Cách xác định chỉ số Kapa:
trong đó:
T - độ chính xác tồn cục cho bởi ma trận sai số;
E - đại lượng thể hiện sự mong muốn (kỳ vọng tốn học) phân loại; chính
xác có thể dự đốn trước, nghĩa là E góp phần ước tính khả năng phân loại
chính xác trong q trình phân loại thực sự.
- Giá trị của E được tính theo tích của hàng và cột biên của ma trận sai số
nhằm ước tính số pixel được chỉ định vào từng vị trí trong ma trận sai số hay
thể hiện cơ hội pixel được phân cho từng loại.
- Chỉ số Kapa được sử dụng khá hiệu quả trong việc so sánh kết quả
phân loại ảnh vệ tinh bới các thuật toán khác nhau hoặc khác nhau về bộ dữ
liệu mẫu. Tuy nhiên, trong thực tế vấn đề đặt ra trong việc phân tích sai số từ
các chỉ số (% chính xác tồn cục và chỉ số Kapa) vẫn chưa cho phép dễ dàng
so sánh kết quả giải đoán bởi các phương pháp khác nhau.
- Để giải quyết khó khăn trên, hiện nay có nhiều phương pháp và chỉ số
được đề xuất như sử dụng biện pháp chuẩn hóa ma trận sai số phân loại hay
sử dụng chỉ số thông tin để xác định sự phù hợp tối ưu của các loại.
52
<b>CHƯƠNG 3: </b>
<b>NGHIÊN CỨU CHIẾT TÁCH ĐẤT TRỐNG VÀ ĐẤT XÂY DỰNG </b>
<b>KHU VỰC HÀ NỘI BẰNG ẢNH CHỈ SỐ </b>
<b>TỪ ẢNH VỆ TINH LANDSAT 8 </b>
<b>3.1. Khu vực nghiên cứu </b>
<i><b>3.1.1. Vị trí địa lý </b></i>
<b>Hình 3.1. Sơ đồ khu vực nghiên cứu </b>
Hà Nội nằm chếch về phía Tây Bắc của trung tâm vùng đồng bằng
châu thổ sơng Hồng, có vị trí từ 20°53' đến 21°23' vĩ độ Bắc và 105°44' đến
106°02' kinh độ Đơng.
<b> Vị trí địa lý: </b>
53
- Phía Nam giáp Hà Nam và Hồ Bình;
- Phía Đơng giáp các tỉnh Bắc Giang, Bắc Ninh và Hưng Yên;
- Phía Tây giáp tỉnh Hồ Bình và Phú Thọ.
Hà Nội nằm ở phía hữu ngạn sơng Đà và hai bên sơng Hồng, vị trí và địa thế
thuận lợi cho một trung tâm chính trị, kinh tế, vǎn hố, khoa học và đầu mối
giao thông quan trọng của Việt Nam.
<i><b>3.1.2. Đặc điểm tự nhiên </b></i>
<b>* Khí hậu </b>
Khí hậu Hà Nội khá tiêu biểu cho kiểu khí hậu Bắc bộ với đặc điểm của
khí hậu nhiệt đới gió mùa ấm, mùa hè nóng, mưa nhiều và mùa đơng lạnh,
mưa ít. Nằm trong vùng nhiệt đới, Hà Nội quanh nǎm tiếp nhận được lượng
bức xạ Mặt Trời rất dồi dào và có nhiệt độ cao. Lượng bức xạ tổng cộng trung
bình hàng nǎm ở Hà Nội là 122,8 kcal/cm2<sub> và nhiệt độ không khí trung bình </sub>
hàng nǎm là 23,6ºC. Do chịu ảnh hưởng của biển, Hà Nội có độ ẩm và lượng
mưa khá lớn. Ðộ ẩm tương đối trung bình hàng nǎm là 79%. Lượng mưa
trung bình hàng nǎm là 1.800 mm và mỗi nǎm có khoảng 114 ngày mưa.
Là một trong những yếu tố quan trọng ảnh hưởng đến nhiệt độ bề mặt,
đặc điểm khí hậu Hà Nội rõ nét nhất là sự thay đổi và khác biệt của hai mùa
nóng, lạnh. Từ tháng 5 đến tháng 9 là mùa nóng và mưa. Nhiệt độ trung bình
mùa này là 29,2ºC. Từ tháng 11 đến tháng 3 nǎm sau là mùa đông thời tiết
khô ráo. Nhiệt độ trung bình mùa đơng 15,2ºC. Giữa hai mùa đó lại có hai
thời kỳ chuyển tiếp (tháng 4 và tháng 10) cho nên Hà Nội có đủ bốn mùa
Xuân, Hạ, Thu, Ðơng. Phần địa hình của Hà Tây (cũ) sáp nhập với Hà Nội, có
những đặc điểm riêng nên hình thành những tiểu vùng khí hậu: vùng núi,
vùng gò đồi và đồng bằng.
* Thủy văn
Sông Hồng là con sông chính của thành phố, chảy qua Hà Nội dài
54
với dịng sơng Hồng ở phía Bắc thành phố tại huyện Ba Vì. Ngồi ra, trên địa
phận Hà Nội cịn nhiều sơng khác như sông Đáy, sông Đuống, sông
Cầu, sông Cà Lồ,... Các sông nhỏ chảy trong khu vực nội thành như sông Tô
<i>Lịch, sông Kim Ngưu,... là những đường tiêu thoát nước thải của Hà Nội. </i>
Hà Nội cũng là một thành phố đặc biệt nhiều đầm hồ, dấu vết cịn lại
của các dịng sơng cổ. Trong khu vực nội thành, hồ Tây có diện tích lớn nhất,
khoảng 500 ha, đóng vai trò quan trọng trong khung cảnh đô thị, ngày nay
được bao quanh bởi nhiều khách sạn, biệt thự. Hồ Gươm nằm ở trung tâm lịch
sử của thành phố, khu vực sầm uất nhất, luôn giữ một vị trí đặc biệt đối với
Hà Nội. Trong khu vực nội ơ có thể kể tới những hồ khác như Trúc
* Địa hình
Địa hình cũng là yếu tố tự nhiên có ảnh hướng khơng nhỏ tới nhiệt độ
bề mặt thành phố. Hà Nội có hai dạng địa hình chính là đồng bằng và đồi núi.
Địa hình đồng bằng chủ yếu thuộc địa phận Hà Nội cũ và một số huyện phía
đơng của Hà Tây (cũ), chiếm khoảng 3/4 diện tích tự nhiên, nằm bên hữu
ngạn sông Đà, hai bên sông Hồng và chi lưu các sông. Phần lớn địa hình đồi
núi thuộc địa phận các huyện Sóc Sơn, Ba Vì, Quốc Oai, Mỹ Đức. Một số
đỉnh núi cao như: Ba Vì 1.281 m; Gia Dê 707 m; Chân Chim 462 m; Thanh
Lanh 427 m; Thiên Trù 378 m; Bà Tượng 334 m; Sóc Sơn 308 m; Núi Bộc
245 m; Dục Linh 294 m,…
* Thổ nhưỡng
Lớp phủ thổ nhưỡng vốn liên quan đến đặc tính phù sa, q trình phong
hố, chế độ bồi tích và hoạt động nơng nghiệp. Dưới tác động của các yếu tố
55
giữa sông. Đất phù sa trong đê do có hệ thống đê nên khơng được các sơng
bồi đắp thường xun. Nhóm đất bạc màu phát triển chủ yếu trên đất phù sa
cổ tập trung nhiều ở hai huyện Đông Anh và Sóc Sơn là loại đất chua, nghèo
dinh dưỡng, không kết cấu, thành phần cơ giới nhẹ, rời rạc khi khơ hạn, kết
dính khi ngập nước, cho năng suất cây trồng thấp. Nhóm đất đồi núi tập trung
ở huyện Sóc Sơn, bị xói mịn nghiêm trọng do cây rừng bị chặt phá, tầng đất
mỏng, nhiều nơi trơ sỏi sạn, tầng mùn dường như khơng cịn, đất chua, nghèo
chất dinh dưỡng.
<i><b>3.1.3. Điều kiện kinh tế - xã hội </b></i>
* Dân số
Theo kết quả cuộc điều tra dân số ngày 31 tháng 12 năm 2015, dân số
toàn Hà Nội là 7.558.956 người. Mật độ dân số trung bình của Hà Nội là
1.979 người/km². Mật độ dân số cao tập trung ở các quận nội thành Hà Nội,
cao nhất là ở quận Đống Đa lên tới 35.341 người/km², trong khi đó, ở những
huyện ngoại thành như Sóc Sơn, Ba Vì, Mỹ Đức, Ứng Hịa mật độ dưới 1.000
người/km². Theo dự báo của Viện Dân số và các vấn đề xã hội, đến năm
2050, dân số Hà Nội có thể tăng lên gấp đôi, tương đương khoảng 14 triệu
người. Với tốc độ tăng trưởng dân số như vậy, Thủ đô đang phải chịu áp lực
rất lớn trên mọi lĩnh vực. Điều đó địi hỏi các nhà hoạch định chính sách cần
nhìn nhận nghiêm túc vấn đề này với việc phát triển kinh tê - xã hội để đưa ra
những giải pháp đồng bộ, lâu dài mang tính chiến lược.
* Giao thơng
Là thành phố thủ đơ và có vị trí ở khu vực trung tâm của miền Bắc, bên
cạnh con sông Hồng, giao thông từ Hà Nội đến các tỉnh khác của Việt Nam
tương đối thuận tiện, bao gồm cả đường không, đường bộ, đường thủy và đường
sắt. Giao thơng đường khơng, ngồi sân bay quốc tế Nội Bài cách trung tâm
khoảng 35 km, thành phố cịn có sân bay trực thăng Gia Lâm thuộc quận
Long Biên, sân bay quân sự Hòa Lạc tại huyện Thạch Thất, sân bay quân sự
56
tuyến đường sắt trong nước và một tuyến liên vận sang Bắc Kinh, Trung
Quốc, đi nhiều nước châu Âu, một tuyến quốc tế sang Côn Minh, Trung
Quốc. Các bến xe Phía Nam, Gia Lâm, Nước Ngầm, Giáp Bát, Yên
Nghĩa, Mỹ Đình là nơi các xe chở khách liên tỉnh tỏa đi khắp đất nước. Ngoài
ra, Hà Nội cịn có các nhiều tuyến đường cao tốc phục vụ nhu cầu đi lại cho
người dân, giúp giảm ách tắc giao thông trong thời gian tới.
* Du lịch
Hà Nội là một thành phố tiềm năng để phát triển du lịch.. Cùng với các
cơng trình kiến trúc, Hà Nội cịn sở hữu một hệ thống bảo tàng đa dạng bậc
nhất Việt Nam. Thành phố cũng có nhiều lợi thế trong việc giới thiệu văn hóa
Việt Nam với du khách nước ngồi thơng qua các nhà hát sân khấu dân gian,
các làng nghề truyền thống, các món ăn đường phố,... Hơn 6.1 triệu khách du
lịch đến Hà Nội chỉ trong quý I /2017, du lịch Hà Nội đang ngày càng trở nên
hấp dẫn hơn với các du khách.
* Kinh tế
Kinh tế của thủ đô năm 2016 tiếp tục duy trì ở mức tăng trưởng khá.
Kinh tế tăng trưởng cao hơn năm trước và cao nhất trong 6 năm trở lại đây,
đạt 8,03% (trong đó: ngành dịch vụ tăng 8,1%; công nghiệp, xây dựng tăng
8,8%; nông nghiệp tăng 2,21%).
Năm 2016 là năm Hà Nội có số lượng doanh nghiệp thành lập mới và thu
hút vốn đầu tư xã hội cao nhất từ trước đến nay. Vốn đăng ký của các dự án đầu
tư ngoài ngân sách nhà nước đạt 423,8 nghìn tỷ đồng, trong đó vốn đầu tư nước
ngồi là 2,8 tỷ USD (tăng 2,6 lần so với năm 2015). Tổng vốn đầu tư xã hội ước
thực hiện đạt 277,95 nghìn tỷ đồng, tăng 10% so với năm 2015.
* Giáo dục - đào tạo
<i> Từ nhiều thế kỷ, vị thế kinh đô đã giúp Thăng Long – Hà Nội trở thành </i>
trung tâm giáo dục của Việt Nam. Năm 2009, Hà Nội có 677 trường tiểu học,
581 trường trung học cơ sở và 186 trường trung học phổ thông với 27.552 lớp
học, 982.579 học sinh. Là một trong hai trung tâm giáo dục đại học lớn nhất
57
đạo tạo hầu hết các ngành nghề quan trọng. Năm 2007, tại thành phố có
606.207 sinh viên, Hà Tây cũng tập trung 29.435 sinh viên. Nhiều trường đại
học ở đây như: Đại học Quốc gia Hà Nội, Đại học Y Hà Nội, Trường Đại học
Bách khoa Hà Nội, Trường Đại học Kinh tế Quốc dân, Trường Đại học Sư
phạm Hà Nội, Trường Đại học Nông nghiệp Hà Nội là những trường đào tạo
đa ngành và chuyên ngành hàng đầu của Việt Nam [19].
<b>3.2. Tư liệu sử dụng </b>
Để chiết tách đất xây dựng và đất trống khu vực Hà Nội, đề tài sử dụng
sản phẩm ảnh Landsat 8, cảnh ảnh 127/045.
LANDSAT_SCENE_ID = "LC81270452017155LGN00", hàng 127,
cột 045.
Trong luận văn chọn cảnh ảnh ko bị mây che phủ, chất lượng ảnh rõ nét.
Các thông số kỹ thuật của sản phẩm ảnh vệ tinh Landsat 8 được thống
kê trong bảng 3.1.
<b>Bảng 3.1. Thông số kỹ thuật ảnh vệ tinh Landsat 8 </b>
<b>Bộ </b>
<b> cảm biến </b> <b>Kênh </b>
<b>Bước sóng </b>
<b>(µm) </b>
<b>Độ phân giải </b>
<b>không gian (m) </b>
OLI
Kênh 1 - Coastal aerosol 0.43- 0.45 30
Kênh 2 - Xanh lam 0.45- 0.51 30
Kênh 3 - Xanh lục (GREEN) 0.53- 0.59 30
Kênh 4 - Đỏ (RED) 0.64- 0.67 30
Kênh 5 - Cận hồng ngoại (NIR) 0.85- 0.88 30
Kênh 6 - Sóng ngắn hồng ngoại (SWIR 1) 1.57- 1.65 30
Kênh 7 - Sóng ngắn hồng ngoại (SWIR 2) <sub>2.11- 2.29 </sub> <sub>30 </sub>
Band 8 - Toàn sắc <sub>0.50- 0.68 </sub> <sub>15 </sub>
58
<b>Bộ </b>
<b> cảm biến </b> <b>Kênh </b>
<b>Bước sóng </b>
<b>(µm) </b>
<b>Độ phân giải </b>
<b>không gian (m) </b>
TIRS
Kênh 10 - Hồng ngoại nhiệt (TIRS1) <sub>10.6- 11.19 </sub> <sub>100 </sub>
Kênh 11 - Hồng ngoại nhiệt (TIRS2) <sub>11.50- 12.51 </sub> <sub>100 </sub>
<i> (Nguồn: ASM và USGS) </i>
<i>- Tư liệu thực địa gồm có 513 điểm GPS thực địa thu thập vào tháng </i>
6/2018 trong khuôn khổ đề tài cấp Bộ Tài nguyên và Môi trường (Mã số
TNMT.2018.08.10).
- Đề tài nghiên cứu sử dụng phần mềm ENVI 4.6 để tính tốn các chỉ số
UI, NDBI, IBI, EBBI.
- Phần mềm ArcGis 10.2 để biên tập bản đồ đất trống và đất đô thị.
<b>3.3. Thực nghiệm chiết tách đất xây dựng và đất trống khu vực Hà Nội </b>
<b>bằng các chỉ số EBBI, UI, IBI, NDBI </b>
<i><b>3.3.1. Tiền xử lý ảnh vệ tinh Landsat 8 </b></i>
Ảnh viễn thám sau khi thu nhận từ ảnh vệ tinh thông thường vẫn tồn tại
nhiều sai số. Sai số của ảnh viễn thám là những yếu tố làm sai lệch giá trị phổ
hoặc đặc điểm hình học của ảnh. Do vậy, để có thể sử dụng trong các bài tốn
cụ thể, một yêu cầu bắt buộc là phải tiền xử lý ảnh viễn thám.
a. Hiệu chỉnh bức xạ.
Hiệu chỉnh bức xạ là quá trình chuyển đổi giá trị số nguyên thành giá trị
thực của bức xạ điện từ thu nhận được bởi bộ cảm.
Hiệu chỉnh sai số do ảnh hưởng của bộ cảm đối với ảnh vệ tinh
Landsat 8 theo cơng thức sau:
trong đó:
ML, AL là hệ số chuyển đổi (lấy trong tệp metadata của ảnh Landsat 8).
là giá trị số của ảnh (DN).
59
<b>Hình 3.2. Hiệu chỉnh bức xạ ảnh </b>
b. Hiệu chỉnh ảnh hưởng của khí quyển
Bức xạ điện từ thu nhận được bởi bộ cảm chịu ảnh hưởng của khí quyển.
Mục đích của việc hiệu chỉnh ảnh hưởng của khí quyển là làm giảm ảnh hưởng
của sự hấp thụ, tán xạ gây ra bởi các thành phần có trong khí quyển đến giá trị
phản xạ bề mặt.
Hiện nay, hiệu chỉnh ảnh hưởng của khí quyển chủ yếu tồn tại hai
phương pháp chính là phương pháp hàm truyền khí quyển và sử dụng các số
liệu quan trắc thực địa và các phương pháp khác dựa vào bộ cảm đặc biệt .
Trong nghiên cứu này, phương pháp hàm truyền khí quyển được sử dụng, mọi
60
bụi lơ lửng và hơi nước.
trong đó:
ρ’ - giá trị phản xạ phổ tại đỉnh khí quyển (TOA reflectance);
Mp, Ap - hệ số chuyển đổi;
Qcal - giá trị số nguyên của ảnh.
<b>Hình 3.3. Hiệu chỉnh ảnh hưởng của khí quyển </b>
<i><b>3.3.2. Tính các chỉ số UI, NDBI, IBI, EBBI </b></i>
Các chỉ số đô thị được đề xuất đối với các cảm biến của Landsat thế hệ
trước, nghiên cứu này vận dụng và điều chỉnh cho phù hợp với các kênh phổ
của ảnh vệ tinh Landsat 8 theo các công thức dưới đây:
a. Chỉ số UI
Chỉ số UI được Kawamura và cộng sự phát triển để chiết tách đất đô thị
61
ở khu vực Colombo - Sri Lanka từ ảnh Landsat TM [11].
5
7
5
7
2
2
<i>B</i>
<i>B</i>
<i>B</i>
Căn cứ vào đặc tính phản xạ phổ của đất xây dựng là phản xạ thấp với
bước sóng NIR và phản xạ cao với bước sóng MIR; Zha, Gao và Ni đã phát
triển chỉ số NDBI bằng cách sử dụng kênh 5 (NIR) và kênh 6 (SWIR) của ảnh
Landsat TM để hỗ trợ lập bản đồ khu vực đô thị [10].
5
6
5
6
1
1
<i>B</i>
Chỉ số IBI được Xu [20] xây dựng dựa trên ba chỉ số bao gồm chỉ số
SAVI (soil adjusted vegetation index), chỉ số MNDWI (modified normalized
difference water index) và chỉ số. Những chỉ số này phản ánh các thành phần
cơ bản của bề mặt đô thị tương ứng là thực vật, nước và bề mặt không thấm.
1
1
1
/
/
2
/
/
2
<i>SWIR</i>
<i>GREEN</i>
<i>GREEN</i>
<i>RED</i>
<i>NIR</i>
<i>NIR</i>
<i>NIR</i>
<i>SWIR</i>
<i>SWIR</i>
<i>SWIR</i>
<i>GREEN</i>
<i>GREEN</i>
<i>RED</i>
<i>NIR</i>
<i>NIR</i>
<i>NIR</i>
<i>SWIR</i>
<i>SWIR</i>
6
3
3
4
5
5
5
6
6
/
d. Chỉ số EBBI
Chỉ số EBBI được As-Syakur và cộng sự phát triển trên cơ sở sử dụng
cho bước sóng 0.83 μm, 1.65 μm và 11.45 μm, (NIR, SWIR, và TIR) của ảnh
Landsat ETM+, các bước sóng này có tính chất phản xạ và hấp thụ trái ngược
nhau đối với đất trống và đất xây dựng [6].
10
6
5
6
1
1
1
10
10 <i>B</i> <i>B</i>
<i>B</i>
<i>B</i>
<i>TIR</i>
<i><b>3.3.3. Đánh giá độ chính xác </b></i>
Để đánh giá độ chính xác kết quả chiết tách đất xây dựng và đất trống từ
các ảnh chỉ số, nghiên cứu này sử dụng dữ liệu lớp phủ từ 513 điểm GPS thực
(3.6)
(3.3)
(3.4)
62
địa được thu thập vào tháng 6/2018 trong khuôn khổ đề tài cấp Bộ Tài nguyên
và Mơi trường (Mã số TNMT.2018.08.10); trong đó đất trống có 245 điểm,
đất đơ thị có 268 điểm dùng để đánh giá độ chính xác. Tiến hành so sánh các
lớp phủ trên ảnh chỉ số với lớp phủ trên thực tế bằng cách lập ma trận sai số.
Các chỉ tiêu có thể đọc ra từ ma trận sai số bao gồm: Độ tin cậy nhà sản xuất,
độ tin cậy người sử dụng, độ chính xác tồn cục và hệ số Kappa [21],[22].
Toàn bộ các bước xử lý ảnh được thực hiện bằng phần mềm Envi 4.6 và
ArcGIS 10.2 và được tóm tắt qua sơ đồ dưới đây.
<b>Hình 3.4. Các bước xử lý ảnh lập bản đồ đất trống và đất xây dựng từ </b>
<b>ảnh Landsat 8 bằng ảnh chỉ số </b>
Ảnh Landsat 8 kênh 3,4,5,6,7
Ảnh phản xạ tại đỉnh khí quyển
kênh 3,4,5,6,7
Ảnh phản xạ bề mặt
Ảnh chỉ số UI, NDBI, IBI
Ảnh phân ngưỡng đất trống,
đất xây dựng
Đánh giá độ chính xác phân
tích kết quả
Dữ liệu lớp phủ tại
513 điểm GPS
Ảnh Landsat 8
Ảnh Landsat 8 kênh 10
Giá trị bức xạ tại đỉnh khí quyển
kênh 10
63
<b>4. Kết quả và thảo luận </b>
Các ảnh chỉ số đô thị đối với ảnh vệ tinh Landsat 8 khu vực Hà Nội là
ảnh đen trắng, trong đó đen ứng với giá trị thấp, trắng ứng với giá trị cao và
được trình bày trên hình 3.5, 3.6, 3.7, 3,8.
Để tách đất trống và đất xây dựng ra khỏi các đối tượng khác, các ảnh
chỉ số này được phân ngưỡng dựa trên cơ sở so sánh với ảnh tổ hợp màu giả
<b>các kênh 7-5-2 và cho kết quả như hình 3.9, 3.10, 3.11, 3.12 (đất xây dựng </b>
được trình bày màu đỏ, đất trống màu vàng và các đối tượng khác màu
hồng nhạt).
Việc so sánh, phân tích để thấy được hiệu năng của các chỉ số đối với đô
thị Hà Nội dựa trên quan sát định tính và đánh giá thống kê định lượng.
<b>4.1. Quan sát và phân tích </b>
Hiệu năng của các chỉ số trước hết được đánh giá thông qua việc quan sát
bằng mắt và so sánh các ảnh chỉ số với ảnh tổ hợp màu giả (đỏ, lục, lam tương
ứng với các kênh 7, 5, 2). Ở đây, tác giả sử dụng các hình ảnh phóng to của
những khu vực tiêu biểu để minh họa cho các nhận xét (hình 3.5, 3.6, 3.7, 3.8).
<b> </b>
<b> </b>
<b>Hình 3.5. Ảnh chỉ số UI khu vực Hà Nội năm 2018 </b>
64
<b>Hình 3.6. Ảnh chỉ số NDBI khu vực Hà Nội năm 2018</b>
<b> </b>
<b>Hình 3.7. Ảnh chỉ số EBBI khu vực Hà Nội năm 2018 </b>
65
<b> </b>
<b>Hình 3.8. Ảnh chỉ số IBI khu vực Hà Nội năm 2018 </b>
<b>Bảng 3.2. Phân ngưỡng chỉ số </b>
<b>Stt </b> <b>Chỉ số </b> <b>Ngưỡng chỉ số </b> <b>Đất xây dựng </b> <b>Đất trống </b>
1 UI -0.7589 đến 0.5683 -0.2500 đến 0.5683 -0.2700 đến -0.2500
2 NDBI -0.5870 đến 0.4392 -0.0700 đến 0.4392 -0.0900 đến -0.0700
3 IBI -0.1268 đến 0.6237 0.4700 đến 0.6237 0.4360 đến 0.4700
4 EBBI -0.1020 đến 0.1497 -0.0076 đến 0.1497 -0.0090 đến -0.0076
<b>IBI </b>
66
67
68
69
<b>Hình 3.12. Bản đồ phân bố đất trống và đất xây dựng từ chỉ số IBI </b>
- Khả năng phân tách đất xây dựng, đất trống với các đối tượng khác từ
chỉ số EBBI rất tốt. Hầu hết đất xây dựng được xác định chính xác, trừ một
vài vị trí bãi bồi trên sơng Hồng bị nhầm thành đất xây dựng do đây là các bãi
cát nên tính chất phản xạ gần giống đất xây dựng (cát là thành phần chủ yếu
của vật liệu xây dựng) (hình 3.13e). Một số vị trí nước hồ bị nhầm thành đất
trống (hình 3.13d), điều này có thể giải thích là tại những khu vực đó nước có
70
phổ của nước. Hầu hết các đối tượng hình tuyến (đường xá) bằng vật liệu bê
tông, asphalt bị phân thành đối tượng khác là do ở Hà Nội có nhiều cây xanh
hai bên đường nên đường bị che khuất trên ảnh vệ tinh, đây cũng là điểm khác
biệt của đô thị nhiệt đới Hà Nội so với các thành phố ở vùng khí hậu khô,
lạnh. Đất xây dựng tập trung chủ yếu ở các quận nội thành, rải rác ở các
huyện ngoại thành; đất trống xen kẽ với đất xây dựng, thường là những ô đất
nhỏ do các dự án bị dừng hoặc do bị đầu cơ và bỏ hoang, chưa xây dựng. Kết
quả này phản ánh đúng thực trạng đơ thị hóa ở Hà Nội, nơi mà giá đất rất cao,
thuộc top 3 thành phố có giá đất đắt nhất Thế giới [23]. Thực trạng đất nông
nghiệp ở ven đô bị bỏ hoang cũng nhiều nhưng đã mọc cỏ và cây bụi nên
không phải là đất trống trên ảnh vệ tinh. Đây cũng là nét đặc thù của đô thị
nhiệt đới Hà Nội, không giống với các đô thị vùng Trung Đông hay các vùng
khí hậu khơ hạn, bán khơ hạn khác (đất trống dễ phân biệt do không bị thực
vật che phủ). Nếu sử dụng chỉ số này để lập bản đồ lớp phủ đất ở Hà Nội cần
có thêm dữ liệu tham khảo của các khu vực đất trống. Khả năng tách riêng đất
trống từ chỉ số IBI rất tốt (tốt hơn cả EBBI), thậm chí còn phát hiện được cả
những thửa ruộng bỏ hoang bị cỏ mọc lưa thưa. Khả năng chiết tách đất xây
dựng khỏi đất trống và các đối tượng khác cũng rất tốt trừ việc toàn bộ các
đối tượng mặt nước bị phân vào đất xây dựng và không thể tách riêng được
(hình 3.13g). Do đó, trong nghiên cứu này tôi phải dùng mặt nạ để tách nước
ra khỏi đất xây dựng.
- Khi sử dụng chỉ số IBI, các tuyến phố được phân chính xác vào đất xây
dựng (hình 3.13d), khả năng nhận dạng các đối tượng hình tuyến tốt hơn
EBBI. Đất xây dựng tập trung chủ yếu ở trung tâm thành phố, thưa thớt ở
ngoại ô; đất trống phân bố xen kẽ với đất xây dựng, các thửa ruộng hoang ở
ngoại thành được phân đúng vào đất trống trong khi với EBBI thì lại bị phân
71
vật thưa không ảnh hưởng đến khả năng chiết tách đất trống từ IBI. Kết quả
này giống với nghiên cứu của Xu khi thử nghiệm chỉ số IBI đối với ảnh
Landsat ETM+ ở thành phố Phúc Châu, miền Đông Nam Trung Quốc. Tác
giả này báo cáo chỉ số IBI làm nổi bật đất xây dựng và hạn chế nhiễu [20].
- Chỉ số NDBI có khả năng tách riêng đất xây dựng, đất trống ra khỏi các
đối tượng khác rất tốt, hầu như khơng bị lẫn (hình 3.13c). Trong các nghiên
cứu trước, NDBI có thể phân biệt được chính xác đất xây dựng ở các đơ thị
thuộc vùng khí hậu ẩm như thành phố Colombo- Sri Lanka [24], Montreal -
Canada [25], São José dos Campos - Brazil [26], Beijing and Guangzhou –
China [27],[28]. Ngược lại, khả năng phân biệt đất xây dựng của NDBI không
hiệu quả khi áp dụng cho các thành phố khu vực bán khô cằn ở Urumqi và
Shihezi thuộc miền Tây Trung Quốc [29],[30],[31], cho biết áp dụng chỉ số
NDBI đối với ảnh Landsat 8 ở Thành phố Trịnh Châu - Trung Quốc cho độ
chính xác thấp. Zha, Gao và Ni đề cập rằng họ không thể để tách đô thị ra
khỏi khu vực bằng chỉ số NDBI [10].
- Chỉ số UI có khả năng tách biệt đất xây dựng, đất trống với các loại
khác tốt (hình 3.13a), đơi khi bãi bồi hoặc nước sông Hồng bị nhầm thành đất
xây dựng hoặc đất trống (hình 3.13b). Nhìn chung thì sử dụng UI để phân biệt
đất trống và đất xây dựng ở đô thị Hà Nội tốt trong khi Fernando và
Gunawardena báo cáo rằng UI cho độ chính xác khơng cao khi áp dụng cho
ảnh Landsat 8 ở huyện Kandy - Sri Lanka-nơi có địa hình dốc [32]. Và
As-syakur et al cho biết chỉ số UI tính từ ảnh Landsat ETM+ khơng có khả năng
chiết tách đất trống ở thành phố Denpasar (Bali, Indonesia) [6]. Tác giả này
72
a. Kết quả ảnh chỉ số tại khu vực có mật độ xây dựng thưa
<b>a </b> <b><sub>UI </sub></b>
<b>NDBI </b> <b>EBBI </b>
73
b. Kết quả ảnh chỉ số tại một đoạn sông Hồng
<b>b. </b> <b>UI </b>
<b>EBBI </b> <b>NDBI </b>
74
<b> c </b>
c. Kết quả ảnh chỉ số tại khu vực canh tác nông nghiệp
<b>NDBI </b>
<b>UI </b> <b>EBBI </b>
75
d. Kết quả ảnh chỉ số tại một số hồ nước khu vực nội thành
d
<b>d </b>
<b>UI </b>
<b>IBI </b>
<b>EBBI </b>
76
e. Kết quả ảnh chỉ số tại một bãi bồi sông Hồng
<b>c </b>
e
<b>e </b> <b>EBBI </b>
<b>UI </b>
<b>IBI </b>
<b>NDBI </b>
<b>e </b> <b>EBBI</b>
77
f. Kết quả ảnh chỉ số tại một số tuyến giao thông
<b>f </b> <b>IBI </b>
<b>UI </b> <b><sub>EBBI </sub></b>
78
g. Kết quả ảnh chỉ số tại một đoạn sông Hồng và Hồ Tây
<b>Hình 3.13. So sánh các ảnh chỉ số với ảnh gốc (tổ hợp 7-5-2) tại một số vị </b>
<b>trí điển hình</b>
<b>g </b> <b><sub>IBI </sub></b>
<b>UI </b> <b>EBBI </b>
79
<b>Bảng 3.3. Khả năng chiết tách đất xây dựng và đất trống của các chỉ số </b>
<b>thông qua quan sát và so sánh ảnh chỉ số với ảnh gốc (tổ hợp 7-5-2) </b>
<b>Stt </b> <b>Chỉ số </b>
<b>Hiệu năng </b>
<b>Ghi chú </b>
<b>Đất xây </b>
<b>dựng </b> <b>Đất trống </b>
1 EBBI Tốt Tốt
- Bãi bồi bị nhầm thành đất xây dựng;
- Nước bị nhầm thành đất trống;
- Đường nhầm thành các loại khác;
- Chịu ảnh hưởng của thực vật nhiệt đới.
2 IBI Trung
bình Rất tốt
- Phát hiện các đối tượng hình tuyến rất tốt
(đường);
- Thực vật thưa khơng ảnh hưởng đến khả
năng phát hiện đất trống;
- Ít bị ảnh hưởng của thực vật nhiệt đới.
- Toàn bộ mặt nước bị phân vào đất xây dựng.
3 NDBI Rất tốt Rất tốt Không bị lẫn
4 UI Tốt Tốt Bãi bồi, nước sông Hồng bị nhầm thành
đất xây dựng.
<b>4.2. Đánh giá độ chính xác </b>
Kết quả đánh giá định lượng cho thấy độ chính xác toàn cục khi sử
dụng các chỉ số NDBI, IBI, EBBI, UI đạt được lần lượt là 87.25, 86.96, 85.25,
77.24. Hệ số Kappa tương ứng là 0.7790, 0.7735, 0.7438, 0.6835. Bên cạnh
đó, độ tin cậy của nhà sản xuất và độ tin cậy của người sử dụng vào kết quả
chiết tách đất xây dựng và đất trống trình bày chi tiết trong bảng 3.4.
Kết quả đánh giá định lượng này hồn tồn phù hợp với những thơng
tin quan sát bằng mắt và so sánh định tính ở trên. Như vậy có thể nói rằng, đối
với Hà Nội - một đơ thị cổ thuộc vùng khí hậu nhiệt đới thì việc lập bản đồ
đất trống bằng chỉ số NDBI và IBI, đất xây dựng bằng chỉ số NDBI là tốt
80
<b>Bảng 3.4. Kết quả đánh giá độ chính xác </b>
<b>Stt </b> <b>Chỉ số </b>
<b>Độ chính </b>
<b>xác toàn </b>
<b>cục (%) </b>
<b>Kappa </b>
<b>Đất xây dựng </b> <b>Đất trống </b>
<b>Độ tin </b>
<b>cậy của </b>
<b>nhà sản </b>
<b>xuất (%) </b>
<b>Độ tin </b>
<b>cậy của </b>
<b>người sử </b>
<b>dụng (%) </b>
<b>Độ tin </b>
<b>cậy của </b>
<b>nhà sản </b>
<b>xuất </b>
<b>(%) </b>
<b>Độ tin </b>
<b>cậy của </b>
<b>người sử </b>
<b>dụng </b>
<b>(%) </b>
1 NDBI 87.25 0.7790 94.41 85.22 75.90 83.24
2 IBI 86.96 0.7735 76.48 81.29 92.75 84.69
3 UI 77.24 0.6835 85.19 60.67 69.45 70.00
81
<b>KẾT LUẬN </b>
Qua quá trình nghiên cứu cơ sở lý thuyết và chiết tách đất xây dựng và
đất trống khu vực đô thị từ ảnh viễn thám bằng ảnh chỉ số, thực nghiệm tại Hà
Nội một số kết luận được rút ra như sau:
1. Các chỉ số IBI, EBBI, NDBI, UI ban đầu được phát triển cho ảnh
Landsat thế hệ cũ (Landsat TM, Landsat ETM+). Nghiên cứu này thử nghiệm
các chỉ số IBI, EBBI, NDBI, UI cho ảnh Landsat 8 và xem xét hiệu năng của
các chỉ số này trong điều kiện đô thị Hà Nội - một đơ thị cổ thuộc vùng khí
hậu nhiệt đới với cảnh quan phân mảnh sâu sắc.
2. Các chỉ số đều phản ánh đất xây dựng ứng với ngưỡng giá trị cao, tiếp
đến là đất trống và thấp nhất là các đối tượng khác. Kết quả này phù hợp với
các nghiên cứu trước đó. Đồng thời kết quả nghiên cứu này cũng chỉ ra được
ngưỡng giá trị của các chỉ số ứng với đất trống và đất xây dựng cho khu vực
đô thị Hà Nội.
3. Chiết tách đất xây dựng: Dùng chỉ số NDBI là tốt nhất, tiếp đến có thể
dùng các chỉ số EBBI, IBI, UI, trong đó các chỉ số EBBI chịu ảnh hưởng của
thực vật nhiệt đới và đặc thù nước sông Hồng, bãi bồi. Các chỉ số IBI và UI
phân nhầm nước sông Hồng và bãi bồi vào đất xây dựng.
4. Chiết tách đất trống: Dùng chỉ số IBI và NDBI là tốt nhất, trong đó IBI
hầu như không bị ảnh hưởng của lớp thực vật mỏng, phát hiện được cả đất
trống bị cây bụi hoặc cỏ che phủ, phù hợp nhất với đô thị nhiệt đới; tiếp đến
có thể dùng EBBI, UI tuy nhiên hai chỉ số này vẫn bị nhầm lẫn đất trống với
82
<b>TÀI LIỆU THAM KHẢO </b>
1. Chen, X.-L.; Zhao, H.-M.; Li, P.-X.; Yin, Z.-Y (2006). Remote sensing
image-based analysis of the relationship between urban heat island and land
<i>use/cover changes. Remote Sens. Environ, 104, 133–146. </i>
2. He, C.; Shi, P.; Xie, D.; Zhao, Y (2010). Improving the normalized
difference built-up index to map urban built-up areas using a semiautomatic
<i>segmentation approach, Remote Sens, Lett, 1, 213–221. </i>
<i>3. Nguyễn Khắc Thời (2012). Giáo trình viễn thám, Nhà xuất bản Đại học </i>
<i>Nông nghiệp Hà Nội. </i>
<i>4. Vũ Danh Tuyên (2017).Giáo trình Viễn thám nâng cao, Nhà xuất bản Khoa </i>
<i>học và Kỹ Thuật </i>
5. Zhang, Z.; Ji, M.; Shu, J.; Deng, Z.; Wu, Y (2008). Surface urban heat
island in Shanghai, China: Examining the relationship between land surface
temperature and impervious surface fractions derived from Landsat ETM+
imagery. Int. Arch. Photogramm. Remote Sens. Spat. Inf. Sci, 37, 601–606.
6. As-Syakur, A.R.; Adnyana, I.W.S.; Arthana, I.W.; Nuarsa, I.W (2012).
Enhanced built-up and bareness index (EBBI) for mapping built-up and bare
<i>land in an urban area. Remote Sens.4, 2957–2970. </i>
7. Guang Yang et al. (2014) A new index for mapping built-up and bare land
areas from Landsat-8 OLI data, p.862-871.
8. Chen, X.-L.; Zhao, H.-M.; Li, P.-X.; Yin, Z.-Y (2006). Remote sensing
image-based analysis of the relationship between urban heat island and land
use/cover changes. Remote Sens. Environ, 104, 133–146.
<i>9. Jensen JR (2012), Remote sensing of the environment: An earth resource </i>
<i>perspective, Dorling, India. </i>
10. Zha, Y., J. Gao, and S. Ni (2003). “Use of normalized difference built-up
83
<i>Journal of Remote Sensing, 24, no. 3: 583-594. </i>
11. Kawamura, M.; Jayamana, S.; Tsujiko, Y (1996). Relation between social and
environmental conditions in Colombo Sri Lanka and the urban index estimated by
<i>satellite remote sensing data. Int. Arch. Photogramm. Remote Sens, 31, 321–326 </i>
12. Fernando, T.; Gunawardena (2018), A. Determination of Convertion of Tea
<i>Lands in Kandy District Using Different Remote Sensing Indices. Available online: </i>
<i> </i>
13. Xu, H. Analysis of impervious surface and its impact on urban heat
environment using the normalized difference impervious surface index
(NDISI). Photogramm. Eng. Remote Sens. 2010, 76, 557–565
14. Sun Z, Wang C,*, Guo H and Shang R (2017). A Modified Normalized
Difference Impervious Surface Index (MNDISI) for Automatic Urban
15. Deng, C.; Wu, C. BCI: A biophysical composition index for remote
sensing of urban environments. Remote Sens. Environ. 2012, 127, 247–259.
16. Ogashawara, I.; Bastos, V.D.S.B. A quantitative approach for analyzing
the relationship between urban heat islands and land cover. Remote Sens.
2012, 4, 3596–3618
17. USGS. 2013 Frequently asked questions about the Landsat missions.
(accessed 11 06, 2013).
<i>Xu, H.Q. A new index for delineating built-up land features in satellite imagery. Int. </i>
<i>J. Remote Sens. 2008, 29, 4269–4276. </i>
18. General Geography of Hanoi
/>
/hn/RtLibd2X8kEn/1001/124742/1/gioi-thieu-tong-quan-va-khai-quat-ve-ia-li-thanh-pho-ha-noi.html. Last access 13/11/2018.
19. Tổng cục Thống kê Việt Nam ()
84
<i>imagery. Int. J. Remote Sens., 29, 4269–4276. </i>
21. Congalton RG, Green K (1999). Assessing the Accuracy of Remotely
<i>Sensed Data: Principles and Practices, Lewis Publishers, Boca Raton, FL, </i>
<i>22. Lillesand TM, Chipman JW, Kiefer RW (2012). Remote sensing and </i>
<i>Image interpretation, Wiley India. </i>
<i>23. </i>
Https://baomoi.com/ha-noi-lot-top-3-nhung-thanh-pho-co-gia-dat-dat-nhat-the-gioi/c/24052846.epi
24. Ranagalage, M.; Estoque, R.C.; Murayama, Y (2017). An urban heat
island study of the Colombo metropolitan area, Sri Lanka, based on Landsat
<i>data (1997–2017). ISPRS Int. J. Geo-Inform, 6, 189. </i>
25. Faisal, K.; Shaker, A.; Habbani, S (2016). Modeling the Relationship
between the Gross Domestic Product and Built-Up Area Using Remote
<i>Sensing and GIS Data: A Case Study of Seven Major Cities in Canada. ISPRS </i>
<i>Int.J. Geo-Inform, 5, 23. </i>
26. Ogashawara, I.; Bastos, V.D.S.B (2012). A quantitative approach for
<i>analyzing the relationship between urban heat islands and land cover. Remote </i>
<i>Sens, 4, 3596–3618. </i>
27. Liu, W.; Lu, L.; Ye, C.; Liu, Y (2009). Relating urban surface temperature to
surface characteristics in Beijing area of China. In Proceedings of the International
<i>Society for Optics and Photonics MIPPR 2009: Remote Sensing and GIS Data </i>
<i>Processing and Other Applications, Yichang, China, 30 October–1 November. </i>
28. Xiong, Y.; Huang, S.; Chen, F.; Ye, H.; Wang, C.; Zhu, C (2012). The
impacts of rapid urbanization on the thermal environment: A remote sensing
<i>study of Guangzhou, South China. Remote Sens, 4, 2033–2056. </i>
29. Qian, J.; Zhou, Q.; Hou, Q (2007). Comparison of pixel-based and
85
<i>Proceedings of the ISPRS Workshop on Updating Geo-Spatial Databases </i>
<i>with Imagery & the 5th ISPRS Workshop on DMGISs, National Geomatics </i>
<i>Center of China Sponsored, Urumchi, XingJiang, China, 28–29 August. </i>
30. Qian, J.; Zhou, Q.; Chen, X (2010). Improvement of urban land use and
<i>land cover classification approach in arid areas. In Proceedings of the </i>
International Society for Optics and Photonics Image and Signal Processing
<i>for Remote Sensing XVI, Toulouse, France, 20–22 September. </i>
31. Zhou, Y.; Yang, G.; Wang, S.; Wang, L.; Wang, F.; Liu, X (2014). A new
index for mapping built-up and bare land areas from Landsat-8 OLI data.
<b>LÝ LỊCH TRÍCH NGANG </b>
Họ và tên: Nguyễn Thị Hiền
Ngày tháng năm sinh: 17/04/1988 Nơi sinh: Lạng Sơn
Địa chỉ liên lạc: Khoa Khoa học biển và Hải đảo – Trường Đại học Tài
nguyên và Môi trường Hà Nội
<b>Quá trình đào tạo: </b>
- Từ 12/2016 đến nay: Học Cao học tại trường Đại học Tài nguyên và Môi
trường Hà Nội.
<b>Quá trình cơng tác: </b>
<b>XÁC NHẬN QUYỂN LUẬN VĂN ĐỦ ĐIỀU KIỆN NỘP LƯU CHIỂU </b>
<b>TRƯỞNG KHOA TRẮC ĐỊA, BẢN ĐỒ </b>
<b>VÀ THÔNG TIN ĐỊA LÝ </b>