Bảo Lâm (Lâm Đồng): Ứng dụng ảnh viễn thám Sentinel 2A xây dựng bản đồ các kiểu sử dụng đất bằng kỹ thuật phân loại hướng đối tượng

Tóm tắt – Ứng dụng ảnh viễn thám Sentinel 2A xây dựng bản đồ các kiểu sử dụng đất bằng kỹ thuật phân loại hướng đối tượng tại địa bàn huyện Bảo Lâm, tỉnh Lâm Đồng nhằm hạn chế thời gian, chi phí, sai số trong công tác điều tra ngoài thực địa, đem lại độ chính xác tương đối cao cho ngành lâm nghiệp hiện nay để quản lý, giám sát và theo dõi từ đó có thể đưa ra biện pháp, phương án phù hợp để giải quyết vấn phục hồi và phát triển rừng bền vững.

Đã bố trí 274 điểm khóa ảnh cho 6 trạng thái sử dụng đất được khảo sát ngoài thực địa kết hợp với nguồn ảnh Google Earth (24/03/2017) để lấy mẫu. Kết quả cho thấy, rừng tự nhiên chiếm diện tích lớn nhất, mặt nước chiếm diện tích thấp nhất trong tổng số diện tích các kiểu sử dụng đất đã phân tích tại huyện Bảo Lâm, tỉnh Lâm Đồng, độ chính xác chung của quá trình phân loại các kiểu sử dụng đất bằng kỹ thuật phân loại theo hướng đối tượng với độ chính xác khá cao là 88,89% trong tổng số 90 điểm khảo sát ngoài thực địa và hệ số Kappa đạt 0,87 cho toàn bộ mô hình.

1. ĐẶT VẤN ĐỀ

Hiện nay công nghệ viễn thám là một trong những kỹ thuật được ứng dụng rộng rãi trong đa ngành, đa lĩnh vực, giúp cho con người theo dõi và giám sát tài nguyên thiên nhiên một cách hiệu quả nhất. Đặc biệt, đối với lâm nghiệp sự phát triển của công nghệ viễn thám đem lại lợi ích đáng kể cho các nhà quản lý hay nói cụ thể hơn là sử dụng ảnh Sentinel 2A trong việc phân loại trạng thái rừng giúp cho người quản lý xác định nhanh hiện trạng rừng tại khu vực thông qua ảnh và các chỉ số trích xuất từ ảnh, không cần phải sử dụng máy định vị GPS khoanh vẽ cho từng lô rừng theo phương pháp truyền thống.

Việc phân loại hiện trạng rừng bằng kỹ thuật phân loại hướng đối tượng là cho phép chúng ta tách nhanh trạng thái rừng dựa trên ngưỡng các chỉ số thực vật cũng như giá trị phổ trích xuất từ ảnh nhằm hạn chế thời gian, chi phí, sai số trong công tác điều tra ngoài thực địa, đem lại độ chính xác tương đối cao cho ngành lâm nghiệp hiện nay để quản lý một cách nhanh chóng và kịp thời. Từ đó giúp cho người sử dụng có thể đưa ra biện pháp và phương án phù hợp để giải quyết vấn đề phục hồi và phát triển rừng bền vững tại địa bàn huyện Bảo Lâm, tỉnh Lâm Đồng trong tương lai.

2. PHƯƠNG PHÁP NGHIÊN CỨU

Huyện Bảo Lâm, tỉnh Lâm Đồng, có diện tích tự nhiên 146.344 ha; đất nông nghiệp 43.942 ha, chiếm 31,1%, gồm 33.673 ha đất nông nghiệp đã sử dụng, 10.269 ha đất có khả năng nông nghiệp. Bảo Lâm là một trong những huyện có diện tích lớn của tỉnh (chiếm 19%).

Phân loại hiện trạng rừng bằng kỹ thuật phân loại hướng đối tượng tại huyện Bảo Lâm, tỉnh Lâm Đồng. Bố trí các điểm khóa ảnh với 274 cho 6 trạng thái sử dụng đất khác nhau: Rừng tự nhiên, rừng trồng, mặt nước, đất trống và khu dân cư được khảo sát ngoài thực địa kết hợp với nguồn ảnh Google Earth (24/03/2017) để lấy mẫu. Tiếp đến, tiến hành chuyển từng band ảnh sang giá trị Radiance, sáng độ, góc chiếu mặt trời và lọc khí quyển, sau khi đã xử lý cho từng band ảnh, sử dụng các band để tính các chỉ số thực vật NDVI, DVI phục vụ cho quá trình phân loại ảnh. Sau đó chuyển toàn bộ các band ảnh, chỉ số thực vật, DEM vào phần mềm eCognition Developer để phân loại các kiểu sử dụng đất bằng kỹ thuật phân loại hướng đối tượng. Sau khi phân loại, sử dụng thuật toán chọn ngẫu nhiên (Random) các điểm trên mặt không gian với mỗi kiểu sử dụng đất là 15 đối tượng điểm để tiến hành kiểm chứng chúng ngoài thực địa nhằm đánh giá độ chính xác (Kappa) cho quá trình phân loại ảnh Sentinel 2A và phương pháp được thể hiện cụ thể qua sơ đồ 1 dưới đây:

Sơ đồ 1. Phân loại ảnh Sentinel 2A bằng kỹ thuật phân loại hướng đối tượng.

1. Chỉ số thực vật NDVI (Normalized Difference Vegetation Index) được tính bằng công thức: DVI = (IR-R)/(IR+R) (HayderDibs, 2017; Jun Xiong, 2017).

2. Chỉ số thực vật sai khác DVI (Difference Vegetion Index) hay còn gọi là chỉ số thực vật môi trường EVI được tính bằng công thức: DVI = IR –R (YaqianHe, 2016).

3. Phản xạ khí quyển (Top of Atmosphere) là một phép đo không có đơn vị, cung cấp tỷ lệ bức xạ và phản xạ tới bức xạ mặt trời trên một bề mặt nhất định. Nó có thể được tính từ độ sáng quang phổ đo được bằng vệ tinh từ độ chiếu xạ phổ của mặt trời và góc cực đại mặt trời (Kumar, 2006):
4. Thuật toán phân loại đa phân giải (Multiresolution Segmentation) trong eCognition là kỹ thuật gộp vùng (Region Merging) từ dưới lên và bắt đầu từ mức pixel có phân ngưỡng nhỏ. Các đối tượng ảnh nhỏ sẽ được gộp thành các đối tượng lớn hơn. Đây là một quá trình tối ưu hóa nhằm giảm thiểu sự bất đồng nhất có trọng số n và h (Weighted heterogeneity) của đối tượng được tạo ra, trong quá trình phân mảnh ảnh thì các cặp đối tượng liền kề sẽ được gộp lại làm cho độ bất đồng nhất tăng lên ở mức nhỏ nhất trong giới hạn định trước. Nếu giới hạn này vượt qua ngưỡng định sẵn thì quá trình gộp sẽ dừng lại. Đối với cách làm phân vùng đa phân giải là một thủ tục tối ưu hóa mang tính cục bộ (Kumar, 2006; Nicolas Audebert, 2017).

5. Thuật toán tạo mẫu phân loại (Standard nearest) thuật toán này sẽ sử dụng các mẫu thực địa gán vào các vùng đã được phân loại, từ đó dựa vào các chỉ số ảnh và vùng được gán để phân loại cho toàn bộ khu vực (Kumar, 2006; SunilBhaskaran, 2017).

6. Ảnh Sentinel 2A trong nghiên cứu này được sử dụng từ nguồn ảnh //eos.com/landviewer/ với một cảnh ảnh chụp vào ngày 9 tháng 12 năm 2017.

7. DEM là mô hình số độ cao so với mực nước biển (ZeinebKassouk, 2014).

8. Chỉ số Kappa là chỉ số dùng để đánh giá mức độ chính xác của quá trình phân loại ảnh:
Kappa = (Po-Pe)/(1-Pe) (Eva Husson, 2016; Flor Alvarez-Taboada, 2017).

Trong đó:

IR là giá trị bức xạ của bước sóng cận hồng ngoại (Near infrared).

R là giá trị bức xạ của bước sóng nhìn thấy (Visible).

NDVI: Chỉ số thực vật.

DVI: Chỉ số sai khác hay chỉ số môi trường.

ρλ: Hệ số phản xạ (TOA) của mặt đất (không có đơn vị).

π: Hằng số toán học xấp xỉ bằng 3,14159.

Lλ: Quang phổ cảm biến (W/(m^2 sr um).

ESUNλ: Bức xạ trung bình của mặt trời(W/(m^2 um).

θλ: Góc chiếu mặt trời.

n: Là kích thước của đoạn ảnh (Segment).

h: Thông số của độ bất đồng nhất.

P0: Xác suất quan sát.

Pe: Xác suất kỳ vọng.

3. KẾT QUẢ NGHIÊN CỨU VÀ THẢO LUẬN

a. Kết quả xây dựng khóa mẫu giải đoán ảnh

Tại khu vực nghiên cứu, qua quá trình khảo sát ngoài thực địa kết hợp với ảnh Google Earth đã tiến hành bố trí dung lượng mẫu là 274 điểm. Trong đó, Cà phê chiếm số lượng mẫu khóa ảnh lớn nhất với 80 mẫu; rừng trồng chiếm số lượng ít nhất là 25 điểm; khu dân cư, đất trống bố trí 31 khóa mẫu, mặt nước là 59 điểm; rừng tự nhiên bố trí 48 khóa mẫu. Tuy nhiên, trong quá trình điều tra ngoài thực địa có một số kiểu sử dụng đất khó tiếp cận nên số lượng khóa mẫu dùng để giải đoán ảnh Sentinel 2A giảm xuống còn 239 điểm. Chuyển các điểm mẫu khóa ảnh lên bản đồ để xác định vị trí các điểm mẫu đã tiếp cận và chưa tiếp cận được ngoài thực địa. Kết quả được thể hiện cụ thể trong hình 2:

a. Bản đồ bố trí khóa mẫu nội nghiệp.
b. Bản đồ khóa ảnh xác định ngoài thực địa.
Hình 2. Bản đồ bố trí khóa mẫu giải đoán ảnh Sentinel 2A.

b. Kết quả các chỉ số thực vật

Các chỉ số thực vật được tính dựa trên ảnh Sentinel 2A với kích thước 10 m x 10 m tương ứng với 1 pixel là 100 m2 để phục vụ cho quá trình phân loại ảnh và kết quả các chỉ số thực vật được thể hiện cụ thể trong Hình 3.

Chỉ số thực vật NDVI nằm trong khoảng từ -1 đến 1, khi chỉ số NDVI càng tiến về 1 thì thực vật tại vị trí đó càng nhiều, ngược lại khi chỉ số thực vật NDVI tiến về 0 thì thực vật ở nơi đó rất ít hoặc không có thực vật (Hình 3 a). Tại Hình 3 b sau khi tính toán giữa band cận hồng ngoại và band RED thì chỉ số sai khác DVI tại khu vực huyện Bảo Lâm nằm trong khoảng từ -235 đến 247 cũng tương tự như NDVI các pixel mang giá trị càng lớn thì thực vật ở đó càng nhiều so với các pixel mang giá trị thấp (Hình 3).

a. NDVI Sentinel 2A.
b. DVI Sentinel 2A.
Hình 3. Chỉ số NDVI và DVI từ ảnh Sentinel 2A năm 2017.

c. Kết quả phân loại và đánh giá độ chính xác

Từ kết quả điểm mẫu với kết quả chỉ số thực vật NDVI và DVI sử dụng phần mềm ECognition Developer để phân loại ảnh viễn thám Sentinel 2A bằng kỹ thuật phân loại hướng đối tượng và kết quả được thể hiện cụ thể trong Hình 4.

a. Bản đồ khoanh vùng theo hướng đối tượng.
b. Bản đồ gán các giá trị sử dụng đất.
Hình 4. Kết quả phân loại ảnh Sentinel2A bằng phần mềm ECognition Developer

Tại đây, khi phân loại ảnh Sentinel 2A bằng kỹ thuật phân loại hướng đối tượng đã sử dụng thuật toán Multiresolution Segmentation với các thông số sử dụng: Scale Parameter là 50, Shape là 0,4 và Compactness là 0,5 để khoanh vùng kết quả cho thấy: Hình dạng khoanh tương đối khớp với các pixel trên ảnh. Khi đã khoanh vùng sử dụng điểm mẫu và kết hợp các chỉ số thực vật để gán giá trị các kiểu sử dụng đất cho toàn bộ các vùng tại khu vực nghiêm cứu thành lập bản đồ hiện trạng sử dụng đất (Hình 3.3 b). Sau khi gán giá trị thì phần mềm sẽ tự động tạo ra cây thư mục phân loại để xác định các yếu tố tham gia vào phân loại các kiểu sử dụng đất (Hình 3.4 a). Từ kết quả hình 3.3 và 3.4 a tiến hành chuyển lớp bản đồ đã phân loại sang phần mềm GIS để thống kê diện tích các kiểu sử dụng đất (Hình 5 b).

a. Hệ thống cây thư mục phân loại ảnh.
b. Bản đồ hiện trạng sử dụng đất.
Hình 5. Bản đồ hiện trạng sử dụng đất tại huyện Bảo Lâm, tỉnh Lâm Đồng.

Rừng tự nhiên chiếm diện tích lớn nhất với 65.338,11 ha tương ứng với 44,44% trong tổng số diện tích là 147029,85 ha, Mặt nước chiếm diện tích thấp nhất với 2.752,29 ha chiếm tương ứng 1,87% trong tổng số diện tích các kiểu sử dụng đất tại đã phân tích tại huyện Bảo Lâm. Còn lại các kiểu sử dụng đất Cà phê, Khu dân cư, Đất trống và Rừng trồng chiếm diện tích lần lượt là: 33.698,79; 4.007,97; 7.343,82; 33.888,87 (Bảng 1).

Bảng 1. Thống kê diện tích các kiểu sử dụng đất tại huyện Bảo Lâm.

Sau khi thành lập bản đồ hiện trạng sử dụng đất, sử dụng công cụ HawthsTools chọn ngẫu 15 điểm cho 6 kiểu sử dụng đất để kiểm chứng lại kết quả phân loại ngoài thực địa và kết quả được thể hiện cụ thể trong Bảng 2.

Bảng 2. Đánh giá độ chính xác (Kappa) của phân loại bằng kỹ thuật hướng đối tượng.

Các kiểu sử dụng đất Cà phê, Đất trống, Mặt nước có độ chính xác tuyệt đối, còn kiểu sử dụng đất Khu dân cư phân loại chính xác 12 điểm/ 15 điểm khảo sát ngoài thực địa, nhầm lẫn với đất trống là 2 điểm và rừng trồng là 1 điểm. Kiểu sử dụng đất rừng trồng chính xác là 11 điểm trên 15, trong đó nhầm lẫn với kiểu sử dụng đất rừng tự nhiên là 4 điểm và kiểu sử dụng đất rừng tự nhiên cũng tương tự với số điểm chính xác là 12 trên 15 điểm khảo sát, đã nhầm lẫn 3 điểm sang rừng trồng. Tuy nhiên có sự nhầm lẫn một số đối tượng trong quá trình phân loại nhưng độ chính xác chung của quá trình phân loại các kiểu sử dụng đất bằng kỹ thuật phân loại theo hướng đối tượng với độ chính xác khá cao là 88,89% trong tổng số 90 điểm khảo sát ngoài thực địa và hệ số Kappa đạt 0,87 cho toàn bộ mô hình.

4. KẾT LUẬN

Ảnh viễn thám Sentinel 2A là một nguồn ảnh miễn phí với độ phân giải tương đối cao 10 m x 10 m tương ứng 100 m2 cho mỗi pixel, thích hợp cho việc áp dụng vào phân loại các kiểu sử dụng đất phục vụ cho công tác quản lý và giám sát tài nguyên rừng.

Rừng tự nhiên chiếm diện tích lớn nhất, mặt nước chiếm diện tích thấp nhất trong tổng số diện tích các kiểu sử dụng đất tại đã phân tích tại huyện Bảo Lâm, tỉnh Lâm Đồng. Độ chính xác chung của quá trình phân loại các kiểu sử dụng đất bằng kỹ thuật phân loại theo hướng đối tượng với độ chính xác khá cao là 88,89% trong tổng số 90 điểm khảo sát ngoài thực địa và hệ số Kappa đạt 0,87 cho toàn bộ mô hình.

TÀI LIỆU THAM KHẢO

1. Eva Husson., Frauke Ecke., Heather Reese., 2016. Comparison of Manual Mapping and Automated Object-Based Image Analysis of Non-Submerged Aquatic Vegetation from Very-High-Resolution UAS Images. Remote Sens. 8(9), 724; doi:10.3390/rs8090724.

2. Flor Alvarez-Taboada., OrcID, Claudio Paredes., Julia Julián-Pelaz., 1 2017. Mapping of the Invasive Species Hakea sericea Using Unmanned Aerial Vehicle (UAV) and WorldView-2 Imagery and an Object-Oriented Approach. Remote Sens. 2017, 9(9), 913; doi:10.3390/rs9090913.

3. HayderDibs., Mohammed OludareIdrees., Goma Bedawi AhmedAlsalhin., 2017. Hierarchical classification approach for mapping rubber tree growth using per-pixel and object-oriented classifiers with SPOT-5 imagery. The Egyptian Journal of Remote Sensing and Space Science. Volume 20, Issue 1, June 2017, Pages 21-30.

4. Jun Xiong., Prasad S. Thenkabail., James C. Tilton., Murali K. Gumma., Pardhasaradhi Teluguntla., Adam Oliphant., Russell G. Congalton., Kamini Yadav., Noel Gorelick., 2017. Nominal 30-m Cropland Extent Map of Continental Africa by Integrating Pixel-Based and Object-Based Algorithms Using Sentinel-2 and Landsat-8 Data on Google Earth Engine. Remote Sens. 2017, 9(10), 1065; doi:10.3390/rs9101065.

5. Kumar Navulur, 2006. Multispectral Image Analysis Using the Object-Oriented Paradigm. CRC Press Taylor & Francis Group.

6. Nicolas Audebert., OrcID, Bertrand Le Saux., and Sébastien Lefèvre., 2017. Segment-before-Detect: Vehicle Detection and Classification through Semantic Segmentation of Aerial Images. Remote Sens. 2017, 9(4), 368; doi:10.3390/rs9040368.

7. SunilBhaskaran., ShankaParamananda., MariaRamnarayan., 2010. Per-pixel and object-oriented classification methods for mapping urban features using Ikonos satellite data. Applied Geography. Volume 30, Issue 4, December 2010, Pages 650-665.

8. YaqianHe., YanchenBo., LeileiChai., XiaolongLiu., AihuaLi., 2016. Linking in situ LAI and fine resolution remote sensing data to map reference LAI over cropland and grassland using geostatistical regression method. International Journal of Applied Earth Observation and Geoinformation. Volume 50, August 2016, Pages 26-38.

9. ZeinebKassouk., Jean-ClaudeThouret., AvijitGupta., AkhmadSolikhin., Soo ChinLiew., 2014. Object-oriented classification of a high-spatial resolution SPOT5 image for mapping geology and landforms of active volcanoes: Semeru case study, Indonesia. Geomorphology. Volume 221, 15 September 2014, Pages 18-33.


Trần Vũ Khánh Linh – Viên Ngọc Nam
(Khoa Lâm Nghiệp, Trường Đại học Nông Lâm TP. HCM)