intTypePromotion=1
ADSENSE

Các phương pháp viễn thám xác định diện tích mặt nước hồ chứa ngoài biên giới Việt Nam theo thời gian

Chia sẻ: _ _ | Ngày: | Loại File: PDF | Số trang:12

21
lượt xem
1
download
 
  Download Vui lòng tải xuống để xem tài liệu đầy đủ

Việc xác định mặt nước có thể được thực hiện bằng các phương pháp: Dùng ngưỡng phân tách, dùng chỉ số và dùng phân loại trong học máy (machine learning). Phương pháp ngưỡng phân tách dùng cho ảnh Sentinel-1, hỗ trợ xác định mặt nước ngay cả trong điều kiện thời tiết nhiều mây. Phương pháp dùng chỉ số áp dụng cho các loại ảnh vệ tinh quang học thông qua các chỉ số như NDVI, NDWI… Phương pháp phân loại trong học máy sử dụng thuật toán random forest để xác định khu vực mặt nước.

Chủ đề:
Lưu

Nội dung Text: Các phương pháp viễn thám xác định diện tích mặt nước hồ chứa ngoài biên giới Việt Nam theo thời gian

  1. Tuyển tập Báo cáo khoa học Hội thảo “Ứng dụng khoa học công nghệ trong quản lý tài nguyên nước” Doi: 10.15625/vap.2021.0112 CÁC PHƢƠNG PHÁP VIỄN THÁM XÁC ĐỊNH DIỆN TÍCH MẶT NƢỚC HỒ CHỨA NGOÀI BIÊN GIỚI VIỆT NAM THEO THỜI GIAN Nguyễn Anh Đức, Trần Mạnh Cường, Trần Anh Phương Viện Khoa học tài nguyên nước - Bộ Tài nguyên và Môi trường Tóm tắt Đa phần các con sông lớn ở Việt Nam bắt nguồn từ các nước khác và ngày càng chịu nhiều sự chi phối từ hoạt động kiểm soát dòng chảy thông qua các hồ thủy điện ở phía thượng nguồn. Số liệu của các hồ chứa ngoài lãnh thổ không được công bố rộng rãi, khiến cho công tác nghiên cứu dòng chảy trở nên khó khăn. Hiện nay, công nghệ viễn thám đang ngày càng phát triển, có thể được sử dụng để phân tích mặt nước từ xa trong một thời gian dài, làm cơ sở cho các nghiên cứu chuyên sâu. Việc xác định mặt nước có thể được thực hiện bằng các phương pháp: dùng ngưỡng phân tách, dùng chỉ số và dùng phân loại trong học máy (machine learning). Phương pháp ngưỡng phân tách dùng cho ảnh Sentinel-1, hỗ trợ xác định mặt nước ngay cả trong điều kiện thời tiết nhiều mây. Phương pháp dùng chỉ số áp dụng cho các loại ảnh vệ tinh quang học thông qua các chỉ số như NDVI, NDWI… Phương pháp phân loại trong học máy sử dụng thuật toán random forest để xác định khu vực mặt nước. Các phương pháp này đều được thực hiện bởi công cụ Google Earth Engine, là nền tảng công nghệ đầu tiên đưa lượng dữ liệu lớn với quy mô petabyte và hình ảnh vệ tinh từ quá khứ đến hiện tại lên mạng. Nền tảng này cung cấp cho các nhà khoa học cơ sở hạ tầng điện toán đám mây mở rộng của Google để phân tích hình ảnh. Diện tích mặt nước các hồ chứa được trích xuất và tính toán từ nhiều ảnh vệ tinh theo thời gian tạo thành chuỗi giá trị hữu ích phục vụ cho công tác nghiên cứu dòng chảy trên các sông xuyên biên giới. Từ khóa: Ngưỡng phân tách, NDWI, học máy, random forest, Google Earth Engine. 1. Mở đầu Việt Nam có nguồn nước mặt phong phú, dồi dào với rất nhiều sông ngòi, kênh rạch; nhưng đa phần các con sông lớn ở nước ta bắt nguồn từ bên VIỆN KHOA HỌC TÀI NGUYÊN NƯỚC 39
  2. Tuyển tập Báo cáo khoa học Hội thảo “Ứng dụng khoa học công nghệ trong quản lý tài nguyên nước” ngoài lãnh thổ, khiến chế độ dòng chảy trên các con sông phụ thuộc rất nhiều vào các hoạt động từ các nước phía thượng nguồn, nhất là trong bối cảnh hiện nay, khi mà các quốc gia đó đang tiến hành xây dựng ngày càng nhiều các đập thủy điện. Để hạn chế các tác động không mong muốn do việc thay đổi dòng chảy cũng như có kế hoạch sử dụng nguồn nước một cách phù hợp, cần thiết có các nghiên cứu cụ thể. Tuy nhiên việc thu thập số liệu hồ chứa ngoài lãnh thổ rất khó khăn do chúng không được công bố. Vì vậy, công nghệ viễn thám tỏ ra phù hợp trong quá trình tiến hành các nghiên cứu đó. Thông qua viễn thám diện tích mặt nước của các hồ chứa hoàn toàn có thể xác định từ ảnh vệ tinh. Hiện nay, với sự hỗ trợ của công cụ Google Earth Engine (GEE) - sản phẩm của tập đoàn công nghệ Google, việc phân tích hình ảnh vệ tinh được tiến hành thuận tiện, nhanh chóng và có độ chính xác cao hơn so với các phương pháp phân tích trước đây. Hệ thống sử dụng công nghệ điện toán đám mây cho phép đọc nhiều loại định dạng dữ liệu khác nhau, chia sẻ và tích hợp chúng lại, nhờ đó GEE không chỉ tạo ra một cơ sở hạ tầng với quy mô Petabyte, mà cả các hàm API, ngôn ngữ lập trình JavaScript và Python, giúp xử lý khá nhiều dữ liệu khác nhau. Thay vì phải tải xuống từng cảnh ảnh viễn thám và xử lý từng ảnh như cách làm truyền thống, GEE cho phép người dùng viết các đoạn code lập trình để tự động xử lý thông tin trên máy chủ của Google và do đó không phải tốn tài nguyên máy tính và cho kết quả gần như ngay lập tức. Việc phân tích mặt nước trên ảnh viễn thám bằng công cụ GEE được tiến hành bằng các phương pháp: dùng ngưỡng phân tách, dùng chỉ số và dùng phân loại trong học máy (machine learning). Tùy thuộc vào từng trường hợp nghiên cứu mà các nhà nghiên cứu có thể sử dụng phương pháp phù hợp hoặc kết hợp cả ba phương pháp. 2. Khu vực và dữ liệu nghiên cứu 2.1. Khu vực nghiên cứu Sông Đà là phụ lưu lớn nhất của Sông Hồng, là con sông chứa nhiều năng lượng, dài 927 km, diện tích lưu vực 52.900 km2, dòng chính bắt nguồn từ núi Vô Lượng, tỉnh Vân Nam - Trung Quốc. Đoạn thượng nguồn Sông Đà ở Trung Quốc được gọi là Lý Tiên Giang (Lixian Jiang), có chiều dài khoảng 400 km. Sông Đà mang lại nhiều lợi ích, từ việc cung cấp nước tưới tiêu, nguồn lợi thủy sản, đến cung cấp nước sinh hoạt cho người dân và có nhiều điều kiện thuận lợi để xây dựng các công trình thủy điện. 40 VIỆN KHOA HỌC TÀI NGUYÊN NƯỚC
  3. Tuyển tập Báo cáo khoa học Hội thảo “Ứng dụng khoa học công nghệ trong quản lý tài nguyên nước” Hình 1. Vị trí các đập thủy điện đang vận hành ở thượng nguồn Sông Đà (Trung Quốc) Có thể nói Sông Đà từ xưa đến nay đã và đang mang đến nhiều lợi ích, đóng góp vào quá trình phát triển kinh tế - xã hội của đất nước. Tuy nhiên, hiện nay ở thượng nguồn Sông Đà - phía Trung Quốc, các công trình thủy điện lớn đang được xây dựng ngày càng nhiều trên dòng chính (Hình 1), làm ảnh hưởng không nhỏ đến chế độ dòng chảy, tác động đến đời sống người dân cũng như các nguồn lợi kinh tế của nước ta. Trong số các hồ chứa phía thượng nguồn thì Longma được xây dựng với dung tích lớn nhất (590 triệu m3), là hồ chứa có nhiều ảnh hưởng đến chế độ dòng chảy Sông Đà. Các bước nghiên cứu tập trung vào xác định diễn biến diện tích mặt nước trên hồ chứa này. 2.2. Dữ liệu nghiên cứu Dữ liệu được sử dụng trong nghiên cứu gồm các cảnh ảnh vệ tinh Sentinel-1 và Landsat 8 trong giai đoạn năm 2016 - 2020. Trong đó, các cảnh ảnh Landsat 8 được lọc để loại bỏ các cảnh ảnh có diện tích mây che phủ lớn. Bảng 1. Các loại dữ liệu và khoảng thời gian TT Loại dữ liệu Thời gian 1 COPERNICUS/S1_GRD 2016 - 2020 2 LANDSAT/LC08/C01/T1_TOA 2016 - 2020 VIỆN KHOA HỌC TÀI NGUYÊN NƯỚC 41
  4. Tuyển tập Báo cáo khoa học Hội thảo “Ứng dụng khoa học công nghệ trong quản lý tài nguyên nước” 3. Phƣơng pháp xác định diện tích mặt nƣớc hồ chứa theo thời gian 3.1. Phương pháp ngưỡng phân tách Phương pháp này được thực hiện bằng việc sử dụng một giá trị làm ngưỡng để phân tách khu vực mặt nước và khu vực khác. Nó được tiến hành trên ảnh vệ tinh Sentinel-1 - một loại ảnh vệ tinh Radar, sóng điện từ phát ra từ vệ tinh khi gặp vật thể trên bề mặt Trái đất phản xạ ngược lại và được thu nhận bằng bộ cảm. Một số đặc điểm của loại vệ tinh Radar: Hoạt động trong một dải sóng rộng từ band radio đến band cực ngắn (với bước sóng từ micromet đến vài milimet); Do bước sóng radio thường dài hơn bước sóng của ánh sáng nhìn thấy và ánh sáng hồng ngoại nên chúng có thể xuyên qua được tán cây của lớp phủ thực vật nên chất lượng ảnh Radar không phụ thuộc thời tiết như ảnh viễn thám quang học; Cách thức tương tác của các tín hiệu Radar phụ thuộc vào kích thước vật thể, hình dạng, độ nhẵn bề mặt, góc tiếp xúc với các mức năng lượng sản sinh từ sóng cực ngắn và hằng số điện môi. Hình 2. Ảnh vệ tinh Sentinel-1 khu vực hồ Longma theo band VV 42 VIỆN KHOA HỌC TÀI NGUYÊN NƯỚC
  5. Tuyển tập Báo cáo khoa học Hội thảo “Ứng dụng khoa học công nghệ trong quản lý tài nguyên nước” Nhờ việc sóng có thể xuyên qua một số đối tượng nhất định và không phụ thuộc vào thời tiết mà dữ liệu thu thập từ Sentinel-1 gần như đầy đủ. Dựa theo loại sóng VV - một loại band ảnh Sentinel-1, giá trị sóng phản xạ khi gặp mặt nước luôn thấp hơn các đối tượng khác, giúp phân biệt mặt nước và các đối tượng khác. Giá trị cụ thể được xác định phụ thuộc vào từng khu vực địa lý nhất định. Trong GEE, ảnh vệ tinh truy cập từ dữ liệu Sentinel-1 thông qua hàm ee.ImageCollection('COPERNICUS/S1_GRD') và chọn band VV. Những ảnh này được làm mịn nhằm giảm sai số các điểm ảnh do các thung lũng, vách núi độ dốc lớn tạo ra, quá trình này được tiến hành bởi hàm focal_median(). 3.2. Phương pháp dùng chỉ số Xác định mặt nước còn được thực hiện thông qua việc sử dụng chỉ số để phân loại các đối tượng. Từng đối tượng trên ảnh vệ tinh được gán với mỗi giá trị khác nhau dựa theo đặc điểm của chúng. Các chỉ số được sử dụng phổ biến để xác định mặt nước là NDVI và NDWI. Các chỉ số này được xây dựng dựa trên mối quan hệ của các kênh ảnh vệ tinh quang học. Nhìn chung, mỗi đối tượng phản xạ khác nhau với sóng điện từ tại các bước sóng khác nhau, đây là cơ sở để xác định từng loại đối tượng trên ảnh vệ tinh. Nước có phản xạ chủ yếu nằm trong vùng nhìn thấy (0,4 - 0,7 μm) và phản xạ mạnh ở dải sóng lam (0,4 - 0,5 μm) và lục (0,5 - 0,6 μm). Giá trị phản xạ của một đối tượng nước phụ thuộc chủ yếu vào độ đục của nó. Nước trong có giá trị phản xạ rất khác nước đục, nước càng đục có độ phản xạ càng cao. Ảnh vệ tinh từ năm 2016 đến năm 2020 được truy cập từ công cụ GEE (ee.ImageCollection('LANDSAT/LC08/ C01/T1_TOA')) và lọc các cảnh ảnh có diện tích mây che phủ nhỏ bằng hàm filter(ee.Filter.lt('cloud')). Tính toán chỉ số NDWI cho từng ảnh thông qua hàm normalizedDifference(['B3', 'B5']) (B3, B5 thuộc ảnh Landsat 8). Diện tích mặt nước của mỗi ảnh vệ tinh được tính toán trong GEE bởi hàm multiply(ee.Image.pixelArea()). 3.3. Phương pháp phân loại bằng học máy Với phương pháp phân loại bằng học máy, GEE sẽ phân tích từng điểm ảnh và nhóm các điểm ảnh có thuộc tính giống nhau, cần một số lượng điểm cụ thể làm để mẫu trong quá trình phân loại và kiểm định [1], những điểm ảnh này phải thể hiện chính xác đối tượng mà nó đại diện tại cùng thời điểm [2] (Hình 3). Đối với khu vực hồ Longma, các đối tượng phân loại chủ yếu là mặt nước, rừng cây và đất trống. Từ các điểm mẫu này, tiến hành đào tạo cho các điểm ảnh còn lại (điểm ảnh không phải là mẫu) theo thuật toán Random forest (random forest) thông qua hàm randomColumn() trong GEE. VIỆN KHOA HỌC TÀI NGUYÊN NƯỚC 43
  6. Tuyển tập Báo cáo khoa học Hội thảo “Ứng dụng khoa học công nghệ trong quản lý tài nguyên nước” Hình 2. Các điểm mẫu phân loại Random forest - một trong những thuật toán học máy (machine learning) hoạt động tốt nhất, được sử dụng rộng rãi nhất [3, 4], thuật toán học có giám sát (supervised learning), nó sử dụng các cây (tree) làm nền tảng. Random forest là một phương pháp khai thác dữ liệu hoặc học máy sử dụng một nhóm các cây quyết định (“rừng”) để “dự đoán” lớp sử dụng đất bằng cách sử dụng nhiều biến đối tượng (đặc điểm phổ) [5]. Random forest đã được sử dụng trong một loạt các ứng dụng khoa học Trái đất bao gồm lập mô hình sử dụng đất [6, 7], che phủ đất [8]. Trong số các điểm ảnh được lựa chọn làm điểm mẫu, 70 % được sử dụng để đào tạo và 30 % dùng để kiểm định. Các điểm ảnh được phân loại dựa vào các thuộc tính của nó, cụ thể là giá trị của các kênh ảnh B2, B3, B4, B8, B11, B12. Ngoài ra, để nâng cao độ chính xác trong phân loại, chỉ số NDVI (normalized difference vegetation index) của các điểm ảnh được bổ sung vào thuộc tính đào tạo. 3.4. Kết quả nghiên cứu 3.4.1. Phương pháp ngưỡng phân tách Tập ảnh vệ tinh được thu thập trong khoảng thời gian từ năm 2016 đến năm 2020, chọn band ảnh vv. Giá trị ngưỡng để phân tách mặt nước khỏi các đối tượng khác tại khu vực hồ Longma được điều chỉnh để phù hợp với thực tế, giá trị được lựa chọn trong nghiên cứu này là -13. 44 VIỆN KHOA HỌC TÀI NGUYÊN NƯỚC
  7. Tuyển tập Báo cáo khoa học Hội thảo “Ứng dụng khoa học công nghệ trong quản lý tài nguyên nước” Hình 3. Mặt nước hồ Longma theo phương pháp ngưỡng phân tách 3.4.2. Phương pháp dùng chỉ số Sau khi tính toán chỉ số NDWI cho toàn bộ các cảnh ảnh Landsat 8 thu thập trong khoảng thời gian từ năm 2016 đến năm 2020, các đối tượng trên bề mặt đất bao gồm mặt nước, cây cối, đất trống… được gán các giá trị (theo từng điểm ảnh) và thể hiện bằng màu sắc trực quan. Lọc các điểm ảnh có giá trị NDWI lớn hơn 0 để có được mặt nước tại khu vực. Hình 4. Tính toán chỉ số NDWI khu vực Hình 5. Mặt nước hồ Longma xác định hồ Longma theo phương pháp dùng chỉ số VIỆN KHOA HỌC TÀI NGUYÊN NƯỚC 45
  8. Tuyển tập Báo cáo khoa học Hội thảo “Ứng dụng khoa học công nghệ trong quản lý tài nguyên nước” 3.4.3. Phương pháp phân loại bằng học máy Trong phương pháp phân loại bằng học máy, một số điểm ảnh được xác định trước (điểm ảnh mẫu), gồm các điểm ảnh là mặt nước, các điểm ảnh là cây cối, các điểm ảnh là đất trống và khu vực khác. Qua quá trình đào tạo và kiểm định các điểm ảnh dựa vào các điểm được chọn làm mẫu, các điểm ảnh còn lại là mặt nước được gộp thành một nhóm và phân biệt với nhóm điểm ảnh là cây cối, nhóm điểm ảnh là đất trống và vùng khác thể hiện thông qua màu sắc (Hình 6). Hình 6. Mặt nước hồ Longma phân loại theo phương pháp phân loại học máy 3.4.4. Diễn biến diện tích mặt nước Diện tích mặt nước từng cảnh ảnh được tính toán tạo thành chuỗi giá trị thể hiện diễn biến diện tích mặt nước trong khoảng thời gian từ năm 2016 đến năm 2020 (Hình 7). 46 VIỆN KHOA HỌC TÀI NGUYÊN NƯỚC
  9. Tuyển tập Báo cáo khoa học Hội thảo “Ứng dụng khoa học công nghệ trong quản lý tài nguyên nước” Hình 7. Diễn biến diện tích mặt nước hồ Longma từ năm 2016 đến năm 2020 được tính toán trên GEE Nhìn chung, từ biểu đồ có thể thấy được quy luật tích nước và xả nước trên hồ chứa Longma. Trong giai đoạn từ năm 2016 đến năm 2020, diện tích mặt nước hồ bắt đầu giảm từ tháng 12 năm trước, tháng 1 năm sau; thông số này đạt giá trị nhỏ nhất vào khoảng tháng 5, 6. Sau thời điểm đó, diện tích mặt nước tăng dần và duy trì ở mức cao từ tháng 10 đến tháng 12. Điều này có thể giải thích bằng việc lượng mưa sụt giảm trong các tháng mùa khô (từ tháng 11 đến tháng 4) làm cho lượng nước về hồ chứa giảm dần trong khoảng thời gian này và đến tháng 5, 6, dung tích nước trong hồ ít nhất, vì vậy diện tích mặt nước cũng đạt giá trị nhỏ nhất. Lượng mưa tăng lên trong các tháng mùa mưa (từ tháng 5 đến tháng 10) khiến cho lưu lượng dòng chảy về hồ tăng dần và duy trì dung lượng lớn vào cuối mùa mưa, do đó diện tích mặt nước đạt giá trị cao vào các tháng 10, 11. 4. Kết luận Xác định thông số hồ chứa là một công việc quan trọng trong quá trình nghiên cứu dòng chảy, cho phép mô phỏng hệ thống một cách chính xác hơn. Đối với các hồ chứa thuộc địa phận nước ngoài thì phương án khả thi để thu thập những số liệu này là sử dụng công nghệ viễn thám. Thông qua ảnh vệ tinh các nhà khoa học có thể trích xuất được diện tích mặt nước các hồ chứa tại từng thời điểm, qua đó có cơ sở để đánh giá, phân tích diễn biến của các hồ chứa ở thượng nguồn. VIỆN KHOA HỌC TÀI NGUYÊN NƯỚC 47
  10. Tuyển tập Báo cáo khoa học Hội thảo “Ứng dụng khoa học công nghệ trong quản lý tài nguyên nước” Phương pháp sử dụng ngưỡng phân tách có thể sử dụng trong mọi thời điểm, mọi điều kiện thời tiết tuy nhiên nó có thể nhầm lẫn mặt nước với một số vị trí thung lũng sâu. Phương pháp dùng chỉ số có thể xác định đối tượng mặt nước chính xác hơn nhưng phụ thuộc vào thời tiết, phù hợp với cảnh ảnh không có mây che phủ khu vực nghiên cứu. Phương pháp phân loại bằng học máy có độ chính xác trong phân loại cao hơn các phương pháp trước, tuy nhiên phương pháp này phù hợp với việc phân tích từng cảnh ảnh riêng lẻ thay vì chuỗi thời gian. Phụ thuộc vào vị trí, thời điểm, mục đích nghiên cứu mà các nghiên cứu viên sử dụng phương pháp phù hợp. Số liệu diện tích mặt nước kết hợp với dữ liệu DEM giúp xây dựng các thông số chính của hồ chứa bao gồm: diện tích mặt nước - dung tích - mực nước. Các thông số này hoàn toàn có thể sử dụng phục vụ cho các nghiên cứu chuyên sâu khác. Tài liệu tham khảo 1. Gómez, Miguel G. C. "Joint Use of Sentinel-1 And Sentinel-2 For Land Cover Classification: A Machine Learning Approach". Lund University, GEM Thesis Series Nr 18, 2017, lup.lub.lu.se/luur/download?func=downloadFile&recordOId=8915043&file OId=8915048. 2. Nezhad, M. M., Heydari, A., Fusilli, L., Laneve, G. “Land cover classification by using Sentinel-2 Images: A case study in the city of Rome”. Proceedings of the 4th World Congress on Civil, Structural, and Environmental Engineering (CSEE’19), 2019. 3. Breinman, L. “Random forests”. Mach. Learn., 2001 (45): p. 5 - 32. 4. Pirotti, F., Sunar, F., Piragnolo, M. “Benchmark of machine learning methods for classification of a Sentinel-2 image”. International Archives of the Photogrammetry, Remote Sensing & Spatial Information Sciences, 2016 (41). 5. Minderhoud, P. S. J., Coumou, L., Erban, L. E., Middelkoop, H., Stouthamer, E., Addink, E. A. “The relation between land use and subsidence in the Vietnamese Mekong delta”. Science of The Total Environment, 2018 (634): p. 715 - 726. 6. Araki, S., Shima, M., Yamamoto, K. “Spatiotemporal land use random forest model for estimating metropolitan NO2 exposure in Japan”. Science of The Total Environment, 2018 (634): p. 1269 - 1277. 7. Campos-Taberner, M., García-Haro, F. J., Martínez, B., Izquierdo- Verdiguier, E., Atzberger, C., Camps-Valls, G., Gilabert, M. A. 48 VIỆN KHOA HỌC TÀI NGUYÊN NƯỚC
  11. Tuyển tập Báo cáo khoa học Hội thảo “Ứng dụng khoa học công nghệ trong quản lý tài nguyên nước” “Understanding deep learning in land use classification based on Sentinel-2 time series”. Scientific Reports, 2020 (10(1)): p. 1 - 12. 8. Nitze, I., Barrett, B., Cawkwell, F. “Temporal optimisation of image acquisition for land cover classification with Random Forest and MODIS time-series”. International Journal of Applied Earth Observation and Geoinformation, 2015 (34): p. 136-146. VIỆN KHOA HỌC TÀI NGUYÊN NƯỚC 49
  12. Tuyển tập Báo cáo khoa học Hội thảo “Ứng dụng khoa học công nghệ trong quản lý tài nguyên nước” THE METHODS TO DETERMINE THE AREA OF RESERVOIR SURFACE OUTSIDE THE BOUNDARY OF VIETNAM ACCORDING TO TIME SERIES USING REMOTE SENSING Nguyen Anh Duc, Tran Manh Cuong, Tran Anh Phuong Water resources Institute - Ministry of Natural Resources and Encironment Abtracts Most of the major rivers in Vietnam originate from other countries and are increasingly influenced by controlling flow through reservoirs upstream. Data of reservoirs outside the territory are not widely available, which makes researching flow on the rivers become difficulty. Currently, remote sensing technology is developing more and more, it can be used to analyze the water surface remotely for a long time, as the basis for in-depth studies. The determination of water surface can be implemented by methods: using separation thresholding, using indexes, and using classification in machine learning. The separation thresholding threshold method use for Sentinel-1 images, which supports water surface determination even in conditions of cloudy weather. The index method is applied to optical satellite images through indexes such as NDVI, NDWI, etc. The classification method in machine learning uses a random forest algorithm to determine the water surface area. These methods are all performed by the Google Earth Engine, which is the first technology platform to bring large amounts of petabyte-scale data and satellite images from the past to the present online. This platform provides scientists with Google's extensive cloud infrastructure for image analysis. The water surface area of the reservoirs is extracted and calculated from many satellite images over time, forming a useful value chain for the study of flows on cross-border rivers. Keywords: Separation thresholding, NDWI, machine learning, random forest, Google Earth Engine. 50 VIỆN KHOA HỌC TÀI NGUYÊN NƯỚC
ADSENSE

CÓ THỂ BẠN MUỐN DOWNLOAD

 

Đồng bộ tài khoản
2=>2