Chuyển đổi số, sản phẩm trí tuệ nhân tạo trong phân loại lớp phủ sử dụng đất toàn cầu, khả năng ứng dụng tại Việt Nam

Chia sẻ: _ _ | Ngày: | Loại File: PDF | Số trang:7

Thêm vào BST

Báo xấu

21
lượt xem 7
download

Download Vui lòng tải xuống để xem tài liệu đầy đủ

Bài viết Chuyển đổi số, sản phẩm trí tuệ nhân tạo trong phân loại lớp phủ sử dụng đất toàn cầu, khả năng ứng dụng tại Việt Nam xem xét khả năng ứng dụng của nguồn dữ liệu Dynamic world, ESA’s world cover 2020 và sản phẩm nghiên cứu tại Ba Vì, Hà Nội, Việt Nam. Kết quả nghiên cứu này cho rằng các sản phẩm trên có thể sử dụng cho một số lĩnh vực chuyên ngành tại Việt Nam.

Chủ đề:

Bình luận(0) Đăng nhập để gửi bình luận!

Lưu

Nội dung Text: Chuyển đổi số, sản phẩm trí tuệ nhân tạo trong phân loại lớp phủ sử dụng đất toàn cầu, khả năng ứng dụng tại Việt Nam

CHUYỂN ĐỔI SỐ, SẢN PHẨM TRÍ TUỆ NHÂN TẠO TRONG PHÂN LOẠI LỚP PHỦ SỬ DỤNG ĐẤT TOÀN CẦU, KHẢ NĂNG ỨNG DỤNG TẠI VIỆT NAM Nguyễn Trọng Trường Sơn Trường Đại học Tài nguyên và Môi trường Hà Nội Tóm tắt Chuyển đổi số, ứng dụng trí tuệ nhân tạo trong phân loại lớp phủ sử dụng đất phục vụ công tác quản lý đất đai đang là xu hướng phát triển mạnh mẽ trên toàn thế giới. Đã có những sản phẩm về phân loại lớp phủ toàn cầu có độ phân giải không gian 10 m, đây là nguồn dữ liệu có khả năng đem lại hiệu cao trong quản lý và nghiên cứu, phân tích dữ liệu trong quản lý đất đai, môi trường. Nghiên cứu này xem xét khả năng ứng dụng của nguồn dữ liệu Dynamic world, ESA’s world cover 2020 và sản phẩm nghiên cứu tại Ba Vì, Hà Nội, Việt Nam. Kết quả nghiên cứu này cho rằng các sản phẩm trên có thể sử dụng cho một số lĩnh vực chuyên ngành tại Việt Nam. Từ khóa: Lớp phủ sử dụng đất; Google earth engine; Dynamic world; World cover. Abstract Digital tranformation, AI product in global land use land cover and application in Vietnam Digital transformation, application of artificial intelligence in land use land cover is a development trend in the world. There are product on global land use land cover with spatial resolution of 10 m, this is a data source capable of bringing high efficiency in land and environmental management. This study examines the applicability of Dynamic world, ESA’s world cover and research in Vietnam. The results are relatively positive and can be used for specialized fields in Vietnam. Keywords: Land use; Land cover; Google earth engine; Dynamic world; World cover. 1. Mở đầu Sự phát triển nhanh chóng của hệ thống Internet toàn cầu và công nghệ thông tin nói chung, hiện nay các lĩnh vực khoa học công nghệ và đời sống đang chuyển đổi mạnh mẽ và dần hoàn thiện đáp ứng công cuộc chuyển đổi số trong đó có lĩnh vực quản lý đất đai. Có nhiều phương pháp đã được áp dụng tỏ ra rất hiệu quả để phục vụ chuyển đổi số trong phân loại các lớp phủ sử dụng đất từ ảnh viễn thám. Một trong những phương pháp, công nghệ tiên tiến hiện nay là ứng dụng công nghệ trí tuệ nhân tạo (AI - Artificial Intelligence) và các thuật toán học máy nhằm nâng cao khả năng tự động hóa và khả năng tự chủ trong xử lý dữ liệu của người dùng, giảm bớt phụ thuộc vào các hệ thống phần mềm chuyên dụng có giá thành cao. Trên thế giới và tại Việt Nam đã có những nghiên cứu ứng dụng AI, học máy để tạo ra những sản phẩm hữu ích trong công tác quản lý đất đai [1-3]. Các nền tảng điện toán đám mây hiện nay đang là một xu hướng ngày càng phát triển và hiệu quả nhất là ưu điểm trong việc sử dụng dữ liệu cảm biến từ xa có thể truy cập miễn phí để lập bản đồ lớp phủ sử dụng đất trên các khu vực quy mô lớn bằng cách sử dụng dữ liệu địa lý toàn cầu. Các loại sản phẩm này cũng có thể cung cấp các dữ liệu theo mùa, hàng năm và thay đổi khi đề xuất tích hợp các thuật toán học máy phức tạp và dữ liệu khảo sát và dữ liệu ảnh lớn của ảnh thu nhận vệ tinh [2, 4]. Cho đến nay, đã có nhiều thuật toán được ứng dụng một cách hiệu quả trong việc phân loại lớp phủ bề mặt đất từ ảnh vệ tinh như Maximum Likelihood Classifier (MLC), Minimum Distance Classifier (MDC), K - Nearest Neighbor (KNN), Support Vector Machine (SVM), Classification 66 Hội thảo Quốc gia 2022
and regression tree (Cart) và Random Forest (RF). Trong đó, các thuật toán Cart, RF và SVM là các thuật toán đã áp dụng cho việc học máy được sử dụng nhiều trong khai phá cơ sở dữ liệu ảnh vệ tinh trực tryến từ Google Earth Engine (GEE). Hiện nay, đã có những nghiên cứu tại Việt Nam và trên thế giới đã cho thấy tính hiệu quả của việc khai thác các thuật toán SVM, Cart hoặc RF và cũng đã có những đánh giá rõ ràng về độ tin cậy của từng thuật toán nêu trên trong việc ứng dụng để phân loại lớp phủ bề mặt đất từ ảnh vệ tinh [2, 5, 6]. Ứng dụng các thuật toán học máy, trí tuệ nhân tạo hiện nay trên thế giới đã có các sản phẩm LULC ở phạm vi toàn cầu. Các sản phẩm này đã được cách mạng hóa rất nhiều nhờ dữ liệu vệ tinh có độ phân giải trung bình và độ phân giải tương đối cao có sẵn như Landsat và Sentinel. Để theo dõi, đánh giá độ tin cậy của sản phẩm, người ta đã so sánh chéo các bản đồ LULC độ phân giải 10 m toàn cầu và kết quả đã tìm thấy một số sai lệch về không gian và còn tồn tại sự chưa thống nhất về lớp phủ trong mỗi sản phẩm khác nhau. Cụ thể, đã có so sánh chéo và đánh giá độ chính xác của các sản phẩm Google’s Dynamic World (DW), ESA’s World Cover (WC) và Esri’s Land Cover (Esri) để xem xét về việc khả năng áp dụng sản phẩm này trong tương lai. Đối với năm 2020, đã có ba sản phẩm bản đồ LULC toàn cầu là DW, WC, Esri được đánh giá và kết quả cho thấy sự tương ứng về không gian mạnh mẽ (tức là ước tính diện tích gần bằng nhau) cho các lớp phủ mặt nước, khu vực công trình xây dựng, thực phủ và một số loại cây trồng. Tuy nhiên, kết quả đánh giá cũng cho thấy rằng sản phẩm của WC thiên về việc ước tính các lớp phủ là lớp cỏ, trong khi đó Esri thiên về lớp phủ cây bụi còn sản phẩm DW thiên về các lớp phủ băng tuyết [4, 7]. Hình 1: Hình ảnh sản phẩm LULC_WC - 2020 khu vực Việt Nam Từ đó các nghiên cứu trên đưa ra các khuyến nghị một cách tổng thể là cần đánh giá nghiêm túc từng sản phẩm LULC, và có thể tham chiếu đến các mục đích ứng dụng phù hợp. Trong nghiên Hội thảo Quốc gia 2022 67
cứu này, chúng tôi sử dụng sản phẩm DW, WC đồng thời so sánh với một kết quả LULC đã thực hiện và được kiểm chứng với khu vực huyện Ba Vì, Hà Nội, Việt Nam [2]. Ngoài ra, còn có những dự án của các tập đoàn và các công ty thương mại nổi tiếng và đã có truyền thống lâu dài trên thế giới, họ đã xây dựng các sản phẩm toàn cầu về LULC. Trong đó hãng Microsoft đã cung cấp bản đồ cho người dùng trên toàn thế giới dựa trên các dữ liệu miễn phí toàn cầu. Esri, cũng là một trong các công ty hàng đầu thị trường toàn cầu về phần mềm hệ thống thông tin địa lý (GIS - Geographic Infomation System) thông minh, giúp khách hàng khai thác rất nhiều tiềm năng của dữ liệu viễn thám trong hệ thống thông tin địa lý nhằm cải thiện các hoạt động nghiên cứu, ứng dụng cho các chuyên ngành cụ thể khác nhau, trong đó có những sản phẩm đã chứng tỏ được hiệu quả rất cao trong lĩnh vực quản lý đất đai. 2. Dữ liệu nghiên cứu Trong nghiên cứu này, nhóm tác giả đã sử dụng sản phẩm là hai loại dữ liệu LULC toàn cầu (DW và VC) và một sản phẩm được phân loại trực tiếp trên GEE. Các lớp phủ được phân loại đều có nguồn gốc dữ liệu là ảnh vệ tinh Sentine - 2 với độ phân giải không gian 10 m. Sản phẩm DW là bộ dữ liệu gần dữ liệu thời gian thực, trong khi các phương pháp tiếp cận truyền thống để xây dựng dữ liệu lớp phủ sử dụng đất có thể mất hàng tháng hoặc hàng năm để tạo ra. Đây là kết quả của việc tận dụng một phương pháp học sâu, dựa trên Sentinel - 2 TOA, DW cung cấp và cập nhật lớp phủ toàn cầu từ 2 đến 5 ngày một lần tùy thuộc vào vị trí. DW được thành lập dựa trên nền tảng dữ liệu điện toán đám mây của Google Earth Engine và mô hình AI. Sản phẩm DW được xây dựng phù hợp với nguyên tắc AI của Google. DW được phát triển bằng cách sử dụng dữ liệu đào tạo của Hiệp hội Địa lý quốc gia (National Geographic Society). Tập dữ liệu này được thành lập bởi dự án hợp tác giữa Hiệp hội Địa lý Quốc gia và Google cùng với Viện Tài nguyên Thế giới (World Resources Institute). Sản phẩm bao gồm 9 loại lớp phủ được mô tả tại Bảng 1 dưới đây: Bảng 1. Mô tả về các loại lớp phủ của DW STT Tên lớp phủ Mô tả 1 Mặt nước Các vùng nước vĩnh viễn và theo mùa Bao gồm rừng nguyên sinh và rừng thứ sinh, cũng như rừng trồng quy 2 Cây cối mô lớn 3 Cỏ Đồng cỏ tự nhiên, đồng cỏ chăn nuôi và công viên 4 Thảm thực vật ngập nước Rừng ngập mặn và các hệ sinh thái ngập nước khác 5 Cây trồng Bao gồm cây trồng và lúa 6 Cây bụi Cây bụi và các thảm thực vật thưa thớt đến rậm rạp 7 Khu vực xây dựng Các tòa nhà chung cư, đường xá, làng mạc 8 Sa mạc Đất trống và đá lộ thiên 9 Tuyết và băng Băng, tuyết phủ vĩnh viễn và theo mùa Sản phẩm WC (ESA World Cover) đã được xác nhận độc lập bởi Đại học Wageningen. Sản phẩm WC 2020 đạt độ chính xác tổng thể là 74,4 %. Sản phẩm này từ sau hội nghị World Cover 2017 do Cơ quan Vũ trụ châu Âu (European Space Agency - ESA) là một tổ chức liên chính phủ được thành lập năm 1975 tổ chức, với các yêu cầu chính của dự án World Cover là tạo nhanh và xác nhận lớp phủ đất trên thế giới dựa trên các dữ liệu ảnh vệ tinh Sentinel - 2 và Sentinel - 1 với độ phân giải không gian 10 m. Các sản phẩm của WC cơ bản bao gồm 11 lớp phủ mô tả bề mặt trái đất với độ phân giải không gian là 10 m. Trong đó, bao gồm các lớp phủ: “Rừng”, “Cây bụi”, “Đồng cỏ”, “Đất trồng trọt”, “Khu vực xây dựng”, “Cây cối trơ trụi/thưa thớt”, “Băng tuyết” , 68 Hội thảo Quốc gia 2022
“Các vùng nước vĩnh viễn và theo mùa”, “Đất ngập nước cây cỏ”, “Rừng ngập mặn”, “Rêu và địa y”. Sản phẩm ESA WC đã được xác nhận độc lập bởi Đại học Wageningen (thống kê) và IIASA (không gian). Trong đó độ chính xác tổng thể là 74,4 % [7]. Tổ chức của sản phẩm WC được xây dựng dựa trên một nhóm các nhà cung cấp dịch vụ và tổ chức nghiên cứu lớn ở châu Âu đã có nhiều kinh nghiệm trong sản xuất và nghiên cứu, bao gồm tất cả việc lập bản đồ lớp phủ sử dụng đất. Các lớp phủ được mô tả ở Bảng 2. Bảng 2. Mô tả về các loại lớp phủ của WC STT Tên lớp phủ Mô tả 1 Rừng Các loại rừng cây, thực vật tập trung mật độ lớn 2 Vùng cây bụi Cây bụi nhỏ và các thảm cây bụi lớn 3 Đồng cỏ Đồng cỏ tự nhiên, đồng cỏ chăn nuôi và công viên 4 Đất trồng trọt Cây trồng và lúa 5 Tích hợp Bao gồm các loại lớp phủ khác 6 Cây cối trơ trọi /thưa thớt Cây bụi và các thảm thực vật thưa thớt đến rậm rạp 7 Băng tuyết Các tòa nhà chung cư, đường xá, làng mạc 8 Các vùng nước vĩnh viễn Tương tự mặt nước vĩnh viễn 9 Đất ngập nước cây cỏ Các vùng cây ngập nước vĩnh viễn và theo mùa 10 Rừng ngập mặn Rừng ngập mặn 11 Rêu và địa y Rêu và cây địa y WC được đánh giá là một sản phẩm gồm các lớp phủ sử dụng đất toàn cầu cơ bản ở độ phân giải 10 m tương ứng với năm 2020 dựa trên dữ liệu Sentinel - 1 và Sentinel - 2 đã được phát triển và xác thực trong thời gian gần thực. Ngoài ra, nghiên cứu này cũng sử dụng dữ liệu ảnh vệ tinh Sentinel - 2 để phân loại lớp phủ sử dụng đất bao gồm 5 lớp phủ sử dụng đất cơ bản tại huyện Ba Vì, Hà Nội, Việt Nam cùng thời điểm 2020 với các sản phẩm trên để so sánh, phân tích khả năng ứng dụng của của các sản phẩm nghiên cứu [2]. 3. Phương pháp nghiên cứu Tổng quan phương pháp nghiên cứu được thể hiện như sơ đồ tại Hình 2. Trước hết, nhóm tác giả sử sụng nền tảng GEE và ngôn ngữ lập trình JavaScrip để trích xuất các dữ liệu toàn cầu DW, WC theo khu vực cần nghiên cứu. Cụ thể, nhóm tác giả đã thu nhận dữ liệu LULC của khu vực huyện Ba Vì, Hà Nội, Việt Nam của các sản phẩm toàn cầu là DW, WC dựa trên mô hình AI. Tiếp theo, nhóm tác giả sử dụng thuật toán SVM phân loại ảnh Sentinel - 2 theo 5 lớp sử dụng đất cơ bản, bao gồm: Đất trống; Mặt nước; Khu vực xây dựng; Rừng; Cây bụi. Quy trình nghiên cứu được thể hiện tại Hình 2. 4. Kết quả nghiên cứu Kết quả nghiên cứu này sử dụng sản phẩm DW và WC năm 2020 cùng với phân loại ảnh Sentinel - 2 năm 2020 để so sánh, đánh giá khả năng sử dụng của các sản phẩm. Các sản phẩm toàn cầu DW và WC đã được một số nghiên cứu đánh giá có khả năng sử dụng cho một số lĩnh vực cụ thể với mức độ tổng quan [7]. Đối với khu vực Ba Vì, nhóm tác giả sử dụng thuật toán SVM để thành lập các lớp phủ sử dụng đất với 5 lớp phủ sử dụng đất cơ bản như đã nêu ở trên, kết quả đánh giá độ chính xác phân loại dựa trên ma trận nhầm lẫn (Confusion - matrix) với các thông số như độ chính xác tổng thể (Overall Accuracy - OA) và hệ số Kappa. Trong đó hệ số Kappa có giá trị từ 0,4 đến 0,6 được đánh giá là đạt kết quả trung bình, giá trị từ lớn hơn 0,6 đến 0,8 là tốt và hơn 0,8 đến 1,0 là rất tốt [8]. Thực hiện đánh giá trên nền GEE với hàm errorMatrix, trong đó sử dụng 70 % số lượng mẫu dùng để phân loại ảnh và 30 % số lượng mẫu dùng để kiểm tra đánh giá. Cụ thể, kết quả đánh giá độ Hội thảo Quốc gia 2022 69
chính xác đạt được giá trị OA và Kapa tương ứng là 0,96 và 0,92. Đây là các giá trị hoàn toàn có khả năng đáp ứng được yêu cầu trong phân loại các lớp phủ sử dụng đất từ dữ liệu ảnh vệ tinh. Hình 2: Quy trình thực hiện so sánh các sản phẩm Hình 3 thể hiện kết quả so sánh tỷ lệ các lớp phủ cơ bản là: Mặt nước; Đất trống; Khu vực xây dựng được phân loại theo các sản phẩm DW, WC - 2020 và sản phẩm được phân loại trên nền tảng GEE với thuật toán học máy SVM (GEE - SVM). Hình 3: So sánh tỷ lệ các lớp phủ sử dụng đất cơ bản Các kết quả trên có sự khác biệt rõ ràng giữa các sản phẩm DW, WC và nghiên cứu phân loại với thuật toán SVM trên nền tảng dữ liệu điện toán đám mây GEE. Trong đó, có sự chênh lệch lớn về lớp mặt nước của sản phẩm WC năm 2020 so với kết quả phân loại do nhóm tác giả thực 70 Hội thảo Quốc gia 2022
hiện, giá trị khác biệt của lớp mặt nước đạt tới 3,58 % so với tổng diện tích tự nhiên của khu vực nghiên cứu. Bảng 3. Kết quả khác biệt giữa sản phẩm toàn cầu DW, WC và kết quả phân loại theo thuật toán SVM trên nền GEE Loại sản phẩm Mặt nước (%) Đất trống (%) Nhà cửa (%) DW 0,3 1,13 -1,7 WC -3,58 2,62 -2,82 Sự khác biệt trên cũng có thể nhìn nhận một cách tương đối rõ ràng trên các hình ảnh của các sản phẩm phân loại lớp phủ sử dụng đất tại Hình 4. a. Sản phẩm của DW b. Sản phẩm của VC-2020 c. Sản phẩm GEE-SVM Hình 4: Các sản phẩm LULC toàn cầu và kết quả thực hiện phân loại với thuật toán SVM theo mô hình AI trên nền tảng dữ liệu điện toán đám mây GEE Các khác biệt về kết quả phân loại giữa các sản phẩm có thể do nhiều nguyên nhân bao gồm cả khách quan và chủ quan. Từ Bảng 3 cho thấy kết quả tương đối gần nhau hơn giữa sản phẩm DW và GEE - SVM. Trong khi đó, sự khác biệt thể hiện là lớn hơn một cách rõ ràng giữa sản phẩm WC và GEE - SVM. Để so sánh các kết quả DW và WC và đánh giá độ tin cậy của sản phẩm nào tốt hơn với các điều kiện tại khu vực nghiên cứu tại thời điểm này là thực sự còn nhiều khó khăn. Có nhiều nguyên nhân tồn tại trong việc đánh giá độ tin cậy của các sản phẩm toàn cầu DW và WC để phục vụ các công tác nghiên cứu cũng như quản lý sử dụng. Một trong những nguyên nhân ban đầu là mỗi sản phẩm hướng đến một trong những mục tiêu sử dụng khác nhau, có các lớp phủ sử dụng đất khác nhau nên gây khó khăn trong việc đánh giá độ chính xác của sản phẩm. Với 9 lớp phủ của sản phẩm DW, 11 lớp phủ của sản phẩm WC và 5 lớp phủ được phân loại bằng ảnh Sentinel - 2 tại khu vực Ba Vì, Hà Nội, Việt Nam là khó khăn trong đánh giá độ tin cậy phân loại các lớp phủ của sản phẩm DW và WC. Tuy nhiên nghiên cứu này cũng đã sử dụng 3 lớp phủ cơ bản trùng lặp với 3 lớp phủ của sản phẩm DW và WC để so sánh, đánh giá các kết quả như đã phân tích ở trên. Kết quả đánh giá cũng đã cho thấy được một số sự tương đồng của 3 sản phẩm. Các khác biệt lớn giữa WC và GEE - SVM có thể do dữ liệu sử dụng của sản phẩm WC năm 2020 được phân loại và tổng hợp từ nhiều nguồn nghiên cứu khác như công bố của các nhà nghiên cứu nên khó đạt được sự thống nhất và nhất là khó có khả năng là sản phẩm được phân loại trong 1 thời điểm nhất định. Trong khi đó sản phẩm DW và GEE - SVM đều là sản phẩm được phân loại từ dữ Hội thảo Quốc gia 2022 71
liệu ảnh vệ tinh Sentinel - 2 thu nhận ngày 21 tháng 3 năm 2020, đây cũng là các sản phẩm được coi như là sản phẩm gần thời gian thực (Near Real Time - NRT) nên khả năng tương đồng về kết quả phân loại có khả năng cao hơn như kết quả thể hiện tại Bảng 3. 5. Kết luận và đề xuất Việc chuyển đổi phương pháp khai thác, phân tích dữ liệu ảnh vệ tinh trực tuyến và các sản phẩm toàn cầu phục vụ công tác quản lý đất đai đang ngày càng tỏ ra hiệu quả. Điều này cũng góp phần tích cực vào công cuộc chuyển đổi số nói chung hiện nay và của ngành quản lý đất đai nói riêng. Sản phẩm WC năm 2020 là sản phẩm tổng hợp của phân loại từ ảnh vệ tinh Sentinel-2 và một số kết quả nghiên cứu khác, do đó cần có những nghiên cứu đánh giá chi tiết hơn về tính thống nhất và độ tin cậy của sản phẩm khi sử dụng cho các lĩnh vực cụ thể. Sản phẩm DW là một trong nhưng sản phẩm về các lớp phủ sử dụng đất toàn cầu có nhiều ưu điểm như là gần thời gian thực, đây là một trong những yếu tố rất quan trọng trong các phân tích, đánh giá phục vụ công tác quản lý nhà nước về đất đai, môi trường. Nghiên cứu này cũng cho thấy sự tương đồng về kết quả tốt hơn giữa sản phẩm DW và GEE - SVM so với kết quả phân loại lớp phủ sử dụng đất từ sản phẩm WC 2020 và GEE-SVM. Các kết quả phân loại ảnh đã được đánh giá và thể hiện được độ tin cậy, tuy nhiên để có những căn cứ chắc chắn hơn nữa, các nghiên cứu sau này nên có sự so sánh với các loại bản đồ như là bản đồ hiện trạng sử dụng đất qua các thời kỳ. Ngoài ra, để nâng cao hơn nữa hiệu quả sử dụng các sản phẩm toàn cầu phục vụ công tác nghiên cứu, quản lý đất đai một cách nhanh chóng, chính xác, cần có những nghiên cứu đánh giá cụ thể của từng loại sản phẩm DW và WC cho từng loại lớp phủ và đối với từng khu vực khác nhau. TÀI LIỆU THAM KHẢO [1]. Bùi Thị Hồng Thắm, Trịnh Thị Thu (2020). Phân loại đối tượng chiết tách lớp phủ bề mặt tại khu vực Công viên Địa chất toàn cầu non nước Cao Bằng dựa trên nền tảng điện toán đám mây. Tạp chí Khoa học Tài nguyên và Môi trường, 31, 65. [2]. Đặng Thanh Tùng (2021). Khai thác trực tuyến cơ sở dữ liệu ảnh vệ tinh, so sánh thuật toán học máy về phân loại lớp phủ trên nền Google Earth Engine. Kỷ yếu Hội thảo Quốc gia giải pháp kết nối và chia sẻ hệ thống cơ sở dữ liệu phục vụ công tác đào tạo, quản lý lĩnh vực tài nguyên và môi trường. Nxb. Khoa học và Công nghệ, Hà Nội, tr. 192. [3]. Lewis, R. J. (2000). An introduction to classification and regression tree (CART) analysis. In Annual meeting of the society for academic emergency medicine in San Francisco, California (Vol. 14). Citeseer. [4]. Mirmazloumi, S. M.; Kakooei, M.; Mohseni, F.; Ghorbanian, A.; Amani, M.; Crosetto, M.; Monserrat, O. (2022). ELULC - 10, a 10 m European land use and land cover map using Sentinel and Landsat data in Google Earth Engine. Remote Sens. 14, 3041. https://doi.org/10.3390/rs14133041. [5]. Breiman L. J. M. (2001). Random forests. Kluwer Academic Publishers. Manufactured in The Netherlands, 45(5). [6]. Cortes C. and V. Vapnikl (1995). Support - vector networks. J Machine learning, Kluwer Academic Publishers, Boston. Manufactured in The Netherlands, 20, 273. [7]. Venter, Z.S.; Barton, D.N.; Chakraborty, T.; Simensen, T.; Singh, G (2022). Global 10 m land use land cover datasets: A Comparison of Dynamic World, World Cover and Esri Land Cover. Remote Sens. 14, 4101. https://doi.org/10.3390/rs14164101. [8]. Visa S., B. Ramsay, A. L. Ralescu and E. J. M. Van Der Knaapl (2011). Confusion matrix-based feature selection. 710, 120. BBT nhận bài: 20/9/2022; Chấp nhận đăng: 31/10/2022 72 Hội thảo Quốc gia 2022