Luận án Nghiên cứu biến động sử dụng đất trong mối quan hệ với một số yếu tố nhân khẩu học thuộc khu vực huyện Giao Thủy, tỉnh Nam Định

i tƣợng là phù hợp để giải quyết sự lẫn phổ trong quá trình xử lý ảnh. Phƣơng pháp này đƣợc coi là tối ƣu vì nó có khả năng tích hợp với các dữ liệu khác nhƣ các bản đồ chuyên đề và kiến thức các chuyên gia nhằm bổ trợ cho quá trình phân loại ảnh nhằm nâng cao mức độ tin cậy cho kết quả giải đoán [18, 63, 107]. Quá trình phân loại ảnh theo phƣơng pháp định hƣớng đối tƣợng đƣợc tiến hành trên các bƣớc cơ bản sau: Bước 1: Phân mảnh ảnh và xem các đặc trưng của đối tượng ảnh Phân mảnh ảnh là sự chia nhỏ hình ảnh thành các phần nhỏ (segment) dựa trên 62 các tiêu chí: màu sắc (color), hình dạng (shape), độ chặt (compactness), độ trơn (smoothness). Ngoài ra, việc lựa chọn tham số tỷ lệ (scale parameter) là rất quan trọng và có tác động trực tiếp đến kích thƣớc các đối tƣợng trên ảnh. Do đó, tùy thuộc vào từng loại ảnh vệ tinh, độ lớn và sự tách biệt của các đối tƣợng trong khu vực nghiên cứu, tham số này đƣợc lựa chọn là khác nhau. Chất lƣợng của việc phân mảnh ảnh trực tiếp tác động đến kết quả phân loại vệ tinh [46, 88]. Phân mảnh ảnh đa độ phân giải (multi-resolution segmentation) trong eCognition là kỹ thuật gộp vùng (region merging) đi từ dƣới lên và bắt đầu từ mức pixel. Từng bƣớc các đối tƣợng nhỏ sẽ đƣợc gộp thành các đối tƣợng lớn hơn. Tại mỗi bƣớc của quá trình phân mảnh ảnh thì các cặp đối tƣợng liền kề sẽ đƣợc gộp lại làm cho độ bất đồng nhất tăng lên đến một mức giới hạn định trƣớc. Nếu giới hạn này vƣợt qua ngƣỡng định sẵn thì quá trình gộp sẽ dừng lại [46, 88]. Độ bất đồng nhất trong eCognition dùng các đặc trƣng mầu và hình dạng làm đối tƣợng nguyên thủy và đƣợc sử dụng để chiết xuất đối tƣợng ảnh ở nhiều phƣơng án khác nhau [144]. Nhìn chung, quy trình phân mảnh ảnh đƣợc thực hiện dựa trên các bƣớc cơ bản nhƣ sau: - Lựa chọn thuật toán phân mảnh ảnh trong eCognition: Thuật toán phân mảnh ảnh đa độ phân giải (Multi-segmentation) thƣờng xuyên đƣợc áp dụng bởi vì mức độ tối ƣu hoá của kỹ thuật này làm giảm thiểu mức độ bất đồng nhất của đối tƣợng ảnh cho một độ phân giải nhất định. Thuật toán này đƣợc thực hiện dựa theo việc lựa chọn các trọng số về hình dạng (shape), màu sắc (color), độ chặt (compactness), độ trơn (smothness) do ngƣời phân loại lựa chọn (các trọng số này có thể thay đổi dễ dàng). - Lựa chọn tham số tỷ lệ (Scale parameter): đây là một bƣớc quan trọng trong việc lý giải thông tin trên ảnh và thƣờng đƣợc hiểu trên cơ sở kích thƣớc pixel. Tham số này thể hiện kích thƣớc của đối tƣợng ảnh trong quá trình phân mảnh. Tham số này càng lớn thì kích thƣớc đối tƣợng ảnh tạo ra càng lớn và ngƣợc lại. 63 - Sau khi thực hiện quá trình trên cùng với các tham số đã lựa chọn, quá trình phân mảnh ảnh sẽ cho ra các kết quả phân mảnh các đối tƣợng khác nhau phụ thuộc việc đặt các tham số. Dùng mắt ngƣời và phối hợp với phƣơng pháp số hóa ranh giới các đối tƣợng trên ảnh nhằm kiểm tra và xác định quy trình nào cho chất lƣợng phân mảnh ảnh là tốt nhất. Bước 2: Thiết lập bộ quy tắc và tiến hành phân loại - Trong quá trình xử lý ảnh, bộ quy tắc (Rule set) bao gồm các tiêu chí đƣợc thiết lập sao cho đối tƣợng này có thể tách khỏi đối tƣợng khác trên ảnh phục vụ mục đích phân loại. Việc lựa chọn thuật toán và xác định chính xác giá trị ngƣỡng là yếu tố quyết định đến độ chính xác phân loại các đối tƣợng trên ảnh. - Khảo sát đặc trƣng của đối tƣợng ảnh là rất quan trọng để tìm ra giá trị ngƣỡng (threshold) chính xác cho từng đối tƣợng trên ảnh. Mỗi một đối tƣợng ảnh có chứa những thông tin thuộc tính khác nhau. Các thông tin thuộc tính này có thể là các thông tin về giá trị phổ của các lớp, độ sáng, hình dạng, vị trí, cấu trúc, diện tích, khoảng cách đến đƣờng biên bên phải, đƣờng biên bên trái của ảnh . - Sử dụng các chỉ số trong quá trình xây dựng bộ quy tắc giúp cho việc phân tách các đối tƣợng trên ảnh trở nên dễ dàng hơn. Có rất nhiều chỉ số phục vụ cho việc phân loại, tuy nhiên tùy từng đối tƣợng nghiên cứu trên ảnh mà ta sử dụng các chỉ số khác nhau. b. Phƣơng pháp phân vùng thực địa (Per-field classification) Phƣơng pháp phân vùng thực địa đƣợc thiết kế để đối phó với các vấn đề không đồng nhất của môi trƣờng và rất nhiều các nghiên cứu ứng dụng cho rằng phƣơng pháp này đã có hiệu quả trong việc cải thiện độ chính xác các kết quả phân loại từ ảnh viễn thám [24, 45, 89]. Phƣơng pháp phân loại dựa trên pixel thƣờng cho ta kết quả bị lẫn bởi mảnh đất (gọi là vùng) là đơn vị cá nhân [45]. Hệ thống thông tin địa lý (GIS) cung cấp các phƣơng tiện và công cụ để thực hiện phân loại thông qua việc tích hợp các dữ liệu vector và raster [45, 68]. Các dữ liệu vector đƣợc sử dụng để chia nhỏ hình ảnh ban đầu thành nhiều mảnh nhỏ và phân loại đƣợc tiến hành sau đó dựa trên các vùng hay còn gọi là mảnh, do đó kết quả phân loại sẽ tránh các biến thể phổ. 64 Tuy nhiên, phƣơng pháp này gặp khó khăn khi mỗi vùng phân loại thƣờng bị ảnh hƣởng bởi các yếu tố nhƣ đặc tính quang phổ và độ phân giải không gian của dữ liệu viễn thám, kích thƣớc và hình dạng của các đối tƣợng trên thực địa, định nghĩa của ranh giới trên thực địa của các đối tƣợng [74]. Thêm vào đó, khó khăn trong việc xử lý giữa mô hình vector và dữ liệu raster ảnh hƣởng đến việc sử dụng rộng rãi của phƣơng pháp phân loại này. Dữ liệu viễn thám đƣợc định dạng raster, trong khi hầu hết dữ liệu GIS đƣợc lƣu trữ ở định dạng vector, đại diện cho các đối tƣợng địa lý thƣờng là các điểm, đƣờng và vùng. Nhƣ vậy, về bản chất phƣơng pháp phân vùng thực địa là sự tích hợp dữ liệu phổ với dữ liệu vector. Trong đó, dữ liệu vector là ranh giới các đối tƣợng trên thực địa, các ranh giới này đƣợc xác định từ các phƣơng pháp nhƣ: đo đạc trực tiếp ngoài thực địa; số hóa từ bản đồ; từ ảnh viễn thám. Phƣơng pháp này đƣợc thực hiện dựa trên hai bƣớc chính: (1) xác định ranh giới các đối tƣợng trên thực địa; (2) Tích hợp ranh giới các đối tƣợng trên thực địa với ảnh viễn thám ở các thời điểm để chiết xuất thông tin về sử dụng đất. Bước 1: Xác định ranh giới các đối tượng trên thực địa: Ranh giới các đối tƣợng trên thực địa có thể xác định từ các dữ liệu bản đồ địa hình, bản đồ hiện trạng sử dụng đất hoặc từ ảnh viễn thám nhờ các kỹ thuật: kỹ thuật xác định ranh giới (edge detection) và kỹ thuật phân mảnh ảnh (segmentation). Bước 2: Tích hợp ranh giới các đối tượng trên thực địa với ảnh viễn thám ở các thời điểm để chiết xuất thông tin về sử dụng đất: Sau khi xác định đƣợc ranh giới các đối tƣợng trên thực địa, các ranh giới này đƣợc chồng xếp lên ảnh của từng thời điểm. Với các khu vực có các pixel thuần nhất, vùng thực địa đó đƣợc gán thông tin theo thông tin sử dụng đất của nhóm pixel đó. Các vùng có các pixel lẫn đƣợc chỉnh sửa lại ranh giới sao cho mỗi vùng thực địa mới sẽ chỉ bao gồm các pixel thuần nhất. Sau đó, ta lại tiến hành gán các lớp thông tin sử dụng đất cho các vùng mới dựa vào thông tin sử dụng đất của các nhóm pixel. Quá trình này đƣợc làm lần lƣợt trên từng lớp đối tƣợng đã đƣợc xác định ngoài thực địa. 65 Tóm lại, đối với phƣơng pháp phân vùng thực địa GIS đóng một vai trò quan trọng trong việc phân loại cho mỗi đối tƣợng cụ thể. Trong đó, các dữ liệu vector thƣờng đƣợc sử dụng để chia một ảnh nguyên bản thành nhiều mảnh nhỏ khác nhau và quá trình phân loại dựa trên các mảnh nhỏ đó nhằm tránh các sự thay đổi cố hữu quang phổ trong cùng một lớp. Luận án đã lựa chọn tích hợp phƣơng pháp phân loại định hƣớng đối tƣợng nhằm mục đích tạo ra kết quả phân loại các loại hình sử dụng đất trên thực địa một cách chính xác sau đó kết quả của phƣơng pháp này đƣợc xuất sang ArcGis chuyển hóa thành các dữ liệu vector thể hiện ranh giới thực tế của các đối tƣợng và chồng xếp lên các ảnh thời điểm khác sau đó thực hiện phân loại cho các ảnh theo phƣơng pháp phân vùng thực địa. c. Thuật toán phân loại K-láng giềng gần nhất (K-Nearest Neighbors) K-Nearest Neighbors algorithm (K-NN) là phƣơng pháp để phân lớp các đối tƣợng dựa vào khoảng cách gần nhất giữa đối tƣợng cần xếp lớp với tất cả các đối tƣợng trong tập dữ liệu mẫu. Một đối tƣợng đƣợc phân lớp dựa vào K láng giềng của nó. K là số nguyên dƣơng đƣợc xác định trƣớc khi thực hiện thuật toán. Ngƣời ta thƣờng dùng khoảng cách Euclid để tính khoảng cách giữa đối tƣợng đến các đối tƣợng lân cận. Khi xem xét đối tƣợng đƣợc phân loại thuộc nhóm nào, thuật toán này ƣu tiên hơn cho việc xem xét mức độ tƣơng đồng với các đối tƣợng gần nó nhất. Nhƣ vậy ta có thể tóm tắt các đặc trƣng cơ bản của thuật toán K-NN nhƣ sau: * Thuật toán K-NN 1. Xác định giá trị tham số K (số láng giềng gần nhất), tham số K càng lớn thì kết quả phân nhóm đối tƣợng càng có độ tin cậy cao hơn. 2. Tính khoảng cách giữa đối tƣợng cần phân lớp với tất cả các đối tƣợng trong bộ mẫu (dữ liệu đã đƣợc chắc chắn xếp vào một nhóm lớp cụ thể). 3. Thuật toán sẽ sắp xếp khoảng cách theo thứ tự tăng dần và ƣu tiên xác định K láng giềng gần nhất với đối tƣợng cần phân nhóm. 4. Lấy tất cả các đặc tính (đặc trƣng) của K láng giềng gần nhất đã xác định. 5. Dựa vào phần lớn sự tƣơng đồng với các đặc trƣng của K láng giềng gần nhất để xác định nhóm cho đối tƣợng đang cần phân lớp. 66 K-NN là một thuật toán đơn giản, dễ hiểu và hiệu quả, do đó nó đã đƣợc sử dụng rất nhiều trong các nghiên cứu về phân loại tƣ liệu viễn thám [84, 100]. Thuật toán K-NN cung cấp các thông tin khách quan, nhanh chóng, minh bạch và tạo ra kết quả tốt hơn khi phân tích ở các khu vực lớn. Mặc dù các nghiên cứu đều khẳng định thành công của thuật toán khi áp dụng cho việc phân loại trên ảnh viễn thám, tuy nhiên thuật toán K-NN cũng đƣợc cảnh báo về vấn đề khó áp dụng khi mà ảnh viễn thám có độ phân giải không gian cao, nó sẽ gây ra lẫn trong kết quả phân loại [81]. Ngoài ra, kết quả phân loại từ ảnh viễn thám khi áp dụng thuật toán K-NN chủ yếu phụ thuộc vào bộ mẫu. Bộ mẫu càng lớn và đƣợc phân bố đều thì kết quả phân loại càng chính xác, điều này đặc biệt đúng khi chiết tách đất xây dựng từ dữ liệu viễn thám có độ phân giải không gian trung bình nhƣ Landsat [84, 90]. Đối với đối tƣợng đất xây dựng ở khu vực nông thôn trên dữ liệu ảnh viễn thám, có phân bố rất phức tạp, không theo quy luật, diện tích hiển thị trên ảnh Landsat rất manh mún và lẫn với các loại đất vƣờn, ao.. Do đó, lựa chọn K-NN kết hợp với các chỉ số khác sẽ giúp cho việc chiết tách đất xây dựng tại Giao Thủy dễ dàng hơn. d. Quy trình tích hợp phƣơng pháp phân loại theo hƣớng đối tƣợng (Object-oriented classification), phƣơng pháp phân vùng thực địa (Per-field classification) và thuật toán phân loại K-láng giềng gần nhất nhằm giải đoán ảnh Landsat TM và OLI của khu vực nghiên cứu X X X (a) 1-nearest neighbor (b) 2-nearest neighbor (c) 3-nearest neighbor Hình 2.4: Xác định nhóm cho đối tƣợng cần phân loại dựa trên thuật toán K-NN K=3 X ϵ nhóm (+) K=1 X ϵ nhóm (-) K=2 X chƣa xác định đƣợc thuộc nhóm nào 67 Kết quả phân loại năm 2009 Ảnh năm 2009 Cắt ảnh theo ranh giới nghiên cứu Xử lý số (Phân loại định hƣớng đối tƣợng) Đánh giá độ chính xác kết quả phân loại Xây dựng bộ quy tắc Xây dựng các chỉ số Phân mảnh ảnh Ảnh Ikonos 1m Bản đồ HTSDĐ Số liệu thống kê Chỉnh sửa ranh giới các đối tƣợng trên từng lớp Vector hóa trong ArcMap Coppy các đối tƣợng không thay đổi Hiện trạng sử dụng đất 1989, 1995, 1999, 2005, 2009, 2013 Chồng xếp lên trên ảnh các năm khác đạt Ko đạt Tách riêng ranh giới đất dân cƣ Phân loại đất xây dựng và vƣờn tạp bằng K-NN Kết quả phân loại hiện trạng sử dụng đất 1989, 1995, 1999, 2005, 2009, 2013 Ob jec t- ori ent ed cla ssi fic ati on Pe r- fie ld cla ssi fic ati on K- N N Cắt các ảnh vệ tinh gốc theo ranh giới đất dân cƣ 68 * Áp dụng phƣơng pháp phân loại định hƣớng đối tƣợng đối với ảnh Landsat 2009 trong phần mềm eCognition Development. Bước 1: Lựa chọn ảnh Trong 6 cảnh ảnh vệ tinh Landsat, có 5 ảnh thuộc bộ cảm TM và 1 ảnh thuộc bộ cảm OLI. Vì kết quả phân loại ảnh của phƣơng pháp này là dữ liệu đầu vào chuẩn của phƣơng pháp phân vùng thực địa (Per-field classification), nên cần thiết phải lựa chọn ảnh cẩn thận sao cho ảnh có độ rõ nét, nhiều dữ liệu kiểm chứng và gần các cuộc khảo sát thực địa nhất. Với những lí do trên, ảnh Landsat TM chụp ngày 14/01/2009 đƣợc lựa chọn vì đáp ứng các tiêu chí mà luận án đòi hỏi (khu vực nghiên cứu không có mây, rõ nét, độ phân tách giữa các đối tƣợng rất tốt, có dữ liệu kiểm chứng đầy đủ: ảnh Ikonos độ phân giải 1m chụp ngày 26/1/2009 và bản đồ hiện trạng sử dụng đất năm 2010 tại khu vực nghiên cứu, cuộc khảo sát thực địa khu vực nghiên cứu đƣợc tổ chức tháng 11 năm 2010). Hình 2.5: Ảnh Landsat TM năm 2009 khu vực nghiên cứu Bước 2: Cắt ảnh theo ranh giới nghiên cứu: Ranh giới huyện Giao Thủy, tỉnh Nam Định đƣợc lấy dựa trên dữ liệu lấy từ file Atlas Việt Nam. Ranh giới trên Atlas chỉ giới hạn ở vùng đất liền, tuy nhiên ngoài thực tế, các khu vực ven biển do huyện Giao Thủy quản lý có cả khu vực mặt nƣớc gần bờ, nên luận án phải kéo dài ranh giới các xã tiếp giáp với biển ra ngoài để phù 69 hợp với ranh giới huyện ngoài thực tế (hình 2.6). Hình 2.6: Ảnh landsat TM năm 2009 đƣợc cắt theo ranh giới huyện Giao Thủy Bước 3: Phân loại ảnh theo phương pháp phân loại theo hướng đối tượng: Đây là bƣớc quan trọng nhất trong toàn bộ quy trình, độ chính xác kết quả phân loại ảnh phụ thuộc vào từng thao tác cụ thể trong bƣớc này. Trong bƣớc này có 3 thao tác riêng rẽ: (1) phân mảnh ảnh; (2) xây dựng các bộ chỉ số; (3) xây dựng bộ quy tắc (rule set). - Phân mảnh ảnh: Lý thuyết về quá trình phân mảnh ảnh đã đƣợc nêu chi tiết ở phần trên, nhìn chung độ chính xác kết quả của phân mảnh ảnh dựa vào việc lựa chọn đúng thuật toán phân mảnh, lựa chọn tham số tỉ lệ và lựa chọn các trọng số về hình dạng (shape), màu sắc (color), độ chặt (compactness), độ trơn (smothness). Sau khi chạy thử nghiệm và kiểm tra các kết quả phân mảnh ảnh và cuối cùng đã lựa chọn đƣợc các tham số phù hợp nhất để dùng cho việc phân mảnh ảnh Landsat TM năm 2009 nhƣ sau: Tham số tỷ lệ là 5, hình dạng 0.1 và độ chặt là 0.8 cho kết quả phân mảnh ảnh tốt nhất. Dƣới đây là kết quả của quá trình phân mảnh ảnh của luận án (hình 2. 7) 70 Hình 2.7: Kết quả phân mảnh ảnh Landsat TM với các thông số đã lựa chọn (Scale parameter:5; Shape:0.1; Compactness: 0.8) - Xây dựng bộ chỉ số: Sử dụng các chỉ số trong quá trình xây dựng bộ quy tắc giúp cho việc phân tách các đối tƣợng trên ảnh trở nên dễ dàng hơn. Có rất nhiều chỉ số phục vụ cho việc phân loại, tuy nhiên tùy từng đối tƣợng nghiên cứu trên ảnh mà ta sử dụng các chỉ số khác nhau. Ảnh Landsat năm 2009 có các lớp đối tƣợng nhƣ bảng hệ thống chú giải trên, trong đó lớp đất trống và khu vực nuôi trồng thủy sản ven bờ khá tƣơng đồng về màu sắc nhƣng phân bố trên ảnh và thực địa lại khác nhau, đất lúa ở trong khu vực đê còn đất nuôi trồng thủy sản chủ yếu ở ngoài đê. Chỉ có đất mặt nƣớc, đất rừng ngập mặn, đất làm muối, đất trống và đất dân cƣ tại khu vực này là dễ dàng tách biệt nhất do đặc điểm riêng biệt của từng loại hình đất. Các chỉ số đƣợc sử dụng trong quá trình phân loại cho ảnh Landsat TM năm 2009: - Nhóm các chỉ số 'Tasselled cap' cho ảnh Landsat TM được đề xuất bởi Kauth và Thomas [82]. + Brightness = 0.3037 (TM1) + 0.2793 (TM2) + 0.4743 (TM3) + 0.5585 (TM4) + 0.5082 (TM5) + 0.1863 (TM7) 71 + Greeness = - 0.2848 (TM1) - 0.2435 (TM2) - 0.5436 (TM3) + 0.7243 (TM4) + 0.0840 (TM5) - 0.1800 (TM7) + Wetness = 0.1509 (TM1) + 0.1973 (TM2) + 0.3279 (TM3) + 0.3406 (TM4) - 0.7112 (TM5) - 0.4572 (TM7) - Nhóm chỉ số dùng để chiết xuất thực vật: + SAVI (Soil-Adjusted Vegetation Index) =  L1 LREDNIR REDNIR    + NDVI (Normalized Difference Vegetative Index) = REDNIR REDNIR   - Nhóm chỉ số dùng để chiết xuất đất xây dựng: + NDBI (Normalized Difference Built-up Index) = 4TM5TM 4TM5TM   + SI (Soil Index) = 1TM2TM 1TM2TM   + RISI (Rural Impervious Suface Index) = NDBI – SAVI – 10*SI Các bộ chỉ số trên (trừ nhóm chỉ số dùng để chiết xuất đất xây dựng) đƣợc xây dựng trong cửa sổ Feature view và tiến hành khảo sát lần lƣợt các ngƣỡng giá trị của các đối tƣợng trên ảnh Landsat TM 2009 đã đƣợc phân mảnh (hình 2.9). Toàn bộ kết quả khảo sát đạt đƣợc các giá trị trên từng chỉ số riêng biệt đƣợc phục vụ cho quá trình lập Rule set phục vụ cho tách từng đối tƣợng trên ảnh một cách tốt nhất có thể (bảng 2.4). 72 Bảng 2.4: Bảng khảo sát thực tế các giá trị ngƣỡng của các chỉ số đƣợc dùng để phân loại các đối tƣợng trên ảnh Landsat TM 2009 Chỉ số Đối tượng Brightness Greeness Wetness SAVI NDVI Mặt nước 45.12 04.20   Rừng ngập mặn Đất phi nông nghiệp Đất trồng lúa Đất NNTS 198.0 045.0   Đất làm muối Đất trồng cói Đất chưa sử dụng - Xây dựng bộ quy tắc: Trong quá trình xử lý ảnh, bộ quy tắc (Rule set) bao gồm các tiêu chí đƣợc thiết lập sao cho đối tƣợng này có thể tách khỏi đối tƣợng khác trên ảnh phục vụ cho mục đích phân loại. Việc lập một bộ rule set 233.0 074.0   6.22 16.40   29.0 48.0   198.0 045.0   97 80   36.9 6.1   77 64   64.114 04.106   49.0 60.0   34.12 16.20   80.144 28.116   73 trong phân loại định hƣớng đối tƣợng đòi hỏi ngƣời phân tích ảnh phải có rất nhiều hiểu biết khác nhau nhƣ: đặc trƣng của từng kênh ảnh, đặc trƣng phản xạ của đối tƣợng trên ảnh, sự hiểu biết khu vực nghiên cứu, mối quan hệ giữa các đối tƣợng với nhau trên thực tế. Từ các giá trị khảo sát thực tế trên ảnh của các chỉ số trên (bảng 2. 4) kết hợp với giá trị của từng kênh phổ, luận án đã xây dựng bộ quy tắc (bảng 2.5) và tiến hành phân loại số cho ảnh Landsat năm 2009, kết quả phân loại thể hiện trên hình 2.8. Bảng 2.5: Bảng mô tả quá trình xây dựng bộ quy tắc (Rule set) cho ảnh Landsat 2009 khu vực Giao Thủy Nhóm đối tượng lớp phủ Đối tượng lớp phủ Quy tắc phân loại Đối tượng sử dụng đất Mặt nƣớc Mặt nƣớc biển Thủy sản Wetness 45.12 04.20   Brightness 77 64   and Wetness 198.0 045.0   Đất mặt nƣớc Đất NTTS Các công trình nhân tạo Đất phi nông nghiệp SAVI 198.0 045.0   Đất phi nông nghiệp Đất trống Bãi bồi Muối Brightness 28.116 Brightness 64.114 04.106   Đất chƣa sử dụng Đất làm muối Thực vật Lúa Rừng ngập mặn Cói Wetness 36.9 6.1   and Brighness 97 80   48.0 NDVI 29.0 60.0 NDVI 49.0 Đất trồng lúa Đất RNM Đất trồng cói 74 Hình 2.8: Hiện trạng sử dụng đất năm 2009 đƣợc phân loại bằng phƣơng pháp phân loại theo hƣớng đối tƣợng 75 Sau đây là những mô tả chi tiết các bƣớc chiết tách các đối tƣợng trên ảnh vệ tinh Landsat TM 2009 nhờ việc xây dựng bộ quy tắc (rule set): * Nhóm đối tượng mặt nước, khu nuôi trồng thủy sản và sông suối Trong ba đối tƣợng thuộc lớp phủ bề mặt, nƣớc là đối tƣợng dễ chiết tách nhất trên ảnh vệ tinh. Do đó, trong bƣớc đầu tiên xây dựng bộ quy tắc, đối tƣợng nƣớc thƣờng đƣợc chiết tách sớm nhất. Đối với khu vực Giao Thủy, ở đây có rất nhiều đối tƣợng liên quan đến nƣớc: mặt nƣớc biển ven bờ, khu vực nuôi trồng thủy sản, khu vực đất trồng lúa đã gặt nhƣng ngập nƣớc, sông suối, ao hồ. Theo lý thuyết đƣờng cong phản xạ phổ của các đối tƣợng trên ảnh viễn thám, nƣớc đƣợc tách dựa trên các kênh 5 hoặc kênh 6 trên ảnh vệ tinh Landsat TM. Tuy nhiên, ở đây luận án tách nhóm đối tƣợng liên quan đến nƣớc dựa trên chỉ số Wetness, chỉ số này khi khảo sát cho thấy mức độ phân biệt rõ ràng giữa các đối tƣợng liên quan đến nƣớc với các đối tƣợng đất và thực vật rất rõ nét. Sau đó luận án khảo sát và xây dựng quy tắc nhằm tách các đối tƣợng liên quan đến nƣớc. Mặt nƣớc biển ven bờ hiển thị trên ảnh là nƣớc với các đƣờng bao rõ ràng, đƣợc tập trung khu vực ngoài đê là chủ yếu, thêm vào đó các ảnh đƣợc thu nhận sau năm 2000, các khu vực nuôi trồng hải sản đƣợc mở rộng thêm ở các khu vực trong đê, nơi mà trƣớc đây đƣợc sử dụng để trồng lúa, trồng cói và làm muối. Đối tƣợng này đƣợc khảo sát và tìm thấy sự tách biệt với hai đối tƣợng liên quan đến nƣớc còn lại nhờ vào ngƣỡng giá trị Brightness, khu vực nuôi trồng thủy sản là khu vực nƣớc gần bờ, sát khu vực cửa sông Ba Lạt, nhiều phù sa lơ lửng, thêm vào đó nơi đây là khu vực có nhiều đƣờng bao phân chia ranh giới nên phản xạ phổ của các đối tƣợng này có giá trị lớn hơn so với đối tƣợng mặt nƣớc biển ven bờ nhƣng lại có giá trị Brightness nhỏ hơn so với đối tƣợng đất lúa ẩm, do đất lúa ẩm mặt nƣớc sát lớp đất bên dƣới. Giá trị khảo sát chi tiết hiển thị trên bảng 2.4. * Nhóm các đối tượng thực vật Sau khi tách xong các nhóm đối tƣợng liên quan đến nƣớc, thực vật là nhóm đƣợc luận án lựa chọn khảo sát và xây dựng bộ quy tắc để chiết tách tiếp theo. Khu vực nghiên cứu của luận án có các đối tƣợng liên quan đến thực vật: rừng ngập 76 mặn, lúa, cói, rau màu và cây ăn quả trong khu sinh sống dân cƣ (vƣờn tạp). Trong đó, rừng ngập mặn, cói là hai đối tƣợng hiển thị rõ nét nhất trên ảnh vệ tinh, việc chiết tách hai đối tƣợng này chỉ cần dùng kênh 4 cận hồng ngoại trên ảnh Landsat TM, hoặc sử dụng chỉ số NDVI để tách hai đối tƣợng này ( 29.0 NDVI 48.0 đƣợc sử dụng nhằm tách các đối tƣợng thực vật trong rừng ngập mặn, NDVI 49.0 đƣợc sử dụng nhằm tách các đối tƣợng cói). Đối tƣợng lúa ở khu vực này đƣợc hiển thị là đất trống do toàn bộ các ảnh thu thập từ tháng 10 đến tháng 1, lúc này lúa đã đƣợc thu gặt và đất đang ở trạng thái trống để phục vụ cho đến vụ đông xuân nên đối tƣợng này đƣợc xếp vào nhóm các đối tƣợng liên quan đất. Đối tƣợng rau màu và cây ăn quả là đối tƣợng xen kẽ với đất ở trong khu vực dân cƣ do đó đối tƣợng này luận án cũng xếp gộp nhóm trong đất dân cƣ, sau đó luận án mới dùng một thuật toán khác để tách đất xây dựng và đất vƣờn tạp. * Nhóm các đối tượng đất Nhóm các đối tƣợng liên quan đến đất lúc này chỉ còn: đất dân cƣ, đất trồng lúa, đất trống, đất làm muối. Đối tƣợng đất trống đƣợc ƣu tiển khảo sát và xây dựng quy tắc chiết tách đầu tiên trong nhóm này, bởi vì đất trống ở khu vực này tập trung khu vực ngoài biển (Cồn Lu và Cồn Ngạn), một số ít tập trung khu vực ven đê. Cấu tạo của đất trống ở đây chủ yếu là cát, do đó hiển thị trên ảnh màu trắng xóa, có thể sử dụng giá trị phản xạ phổ kênh 7 của ảnh vệ tinh Landsat TM, tuy nhiên kết quả khảo sát chỉ ra rằng đây là đối tƣợng có giá trị cao nhất trên chỉ số Brightness, giá trị khảo sát đƣợc thể hiện chi tiết trên bảng 2.5. Đối tƣợng đất làm muối khi khảo sát cũng chỉ ra rằng giá trị phân biệt tốt nhất với các đối tƣợng nhóm đất còn lại dựa trên chỉ số Brightness, với khoảng giá trị Brightness 64.114 04.106   , toàn bộ khu vực đất làm muối đƣợc chiết tách. Còn lại là hai đối tƣợng đất dân cƣ và đất trồng lúa đƣợc hiển thj trên ảnh giai đoạn này là đất trống, nên luận án lựa chọn chỉ số SAVI với ngƣỡng đạt 198.0 045.0   tách đƣợc khu vực đất dân cƣ nông thôn, kết quả cuối cùng còn lại là đất trồng lúa. 77 Bước 4: Đánh giá độ chính xác kết quả phân loại hiện trạng sử dụng đất huyện Giao Thủy năm 2009: Độ chính xác của kết quả phân loại là yếu tố rất quan trọng, quyết định đến việc phân tích các nội dung chuyên đề tiếp theo của luận án, nên chúng tôi đã nghiên cứu, so sánh và lựa chọn phƣơng pháp lấy mẫu ngẫu nhiên trên toàn bộ hình ảnh theo phƣơng pháp do Congalton và các cộng sự [123, 124] đề xuất, bao gồm các bƣớc cơ bản sau: - Thu thập và lựa chọn dữ liệu tham khảo phù hợp; - Xác định số lƣợng ô mẫu trên toàn ảnh; - Thiết lập ma trận sai số và phân tích sai số cho từng lớp chuyên đề cụ thể. Thu thập các dữ liệu tham khảo để sử dụng trong việc đánh giá độ chính xác có vai trò rất quan trọng trong việc đánh giá độ chính xác trong bất kỳ một phƣơng pháp nào đƣợc áp dụng. Thất bại trong việc thu thập dữ liệu tham khảo sẽ cho kết quả sai. Các nghiên cứu thƣờng sử dụng ảnh vệ tinh có độ phân giải cao để làm nguồn dữ liệu tham khảo để đánh giá độ chính xác của bản đồ đƣợc tạo ra từ dữ liệu vệ tinh Landsat TM hoặc SPOT. Nhìn chung, dữ liệu tham khảo nhằm đánh giá độ chính xác phải đƣợc thu thập gần ngày với dữ liệu ảnh vệ tinh đƣợc sử dụng để làm ra bản đồ [124]. Dựa trên những hiểu biết trên, luận án đã thu thập và lựa chọn ba loại dữ liệu tham khảo để phục vụ cho quá trình đánh giá độ chính xác cho kết quả phân loại từ ảnh Landsat TM năm 2009: Bản đồ hiện trạng sử dụng đất Giao Thủy năm 2010, có tỷ lệ 1/50.000; Ảnh vệ tinh Ikonos có độ phân giải không gian 1m đƣợc chụp vào ngày 28 tháng 1 năm 2009; dữ liệu thống kê hiện trạng sử dụng đất tại Giao Thủy năm 2009. Trong đó, dữ liệu lấy mẫu đánh giá độ chính xác trực tiếp là ảnh vệ tinh Ikonos, vì ảnh này đƣợc chụp cùng mùa với ảnh Landsat, tuy