intTypePromotion=1
zunia.vn Tuyển sinh 2024 dành cho Gen-Z zunia.vn zunia.vn
ADSENSE
 » 
 » 

Sử dụng Google Earth Engine trong giám sát biến động diện tích rừng tỉnh Lâm Đồng giai đoạn 2010-2016

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

Thêm vào BST
Báo xấu
19
lượt xem 1
download
 
  Download Vui lòng tải xuống để xem tài liệu đầy đủ

Bài viết Sử dụng Google Earth Engine trong giám sát biến động diện tích rừng tỉnh Lâm Đồng giai đoạn 2010-2016 giới thiệu các khả năng của Google Earth Engine như cung cấp nguồn dữ liệu không gian đa dạng, khả năng xử lý phân tích dữ liệu nhanh chóng nhờ vào các thuật toán qua việc tổng hợp các tư liệu có liên quan.

Chủ đề:

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

Lưu

Nội dung Text: Sử dụng Google Earth Engine trong giám sát biến động diện tích rừng tỉnh Lâm Đồng giai đoạn 2010-2016

  1. The fourth Scientific Conference - SEMREGG 2018 SỬ DỤNG GOOGLE EARTH ENGINE TRONG GIÁM SÁT BIẾN ĐỘNG DIỆN TÍCH RỪNG TỈNH LÂM ĐỒNG GIAI ĐOẠN 2010-2016 Nguyễn Trọng Nhân1, Vũ Xuân Cƣờng1 Trường Đại học Tài nguyên và Môi trường TP. Hồ Chí Minh, 236B Lê Văn Sy, Phường 1, quận Tân Bình, TP. Hồ Chí Minh Email: ntnhan@hcmunre.edu.vn TÓM TẮT Google Earth Engine (GEE) là một ứng dụng tiên tiến dựa trên nền tảng điện toán đám mây cho phép người dùng truy cập trực tuyến vào kho lưu trữ dữ liệu miễn phí với sự hỗ trợ mạnh mẽ của các công cụ phân tích, xử lý ảnh viễn thám trên diện rộng. Với mong muốn giới thiệu công cụ hữu ích mà hiện nay chưa được chú ý khai thác rộng rãi, bài báo này giới thiệu các khả năng của Google Earth Engine như cung cấp nguồn dữ liệu không gian đa dạng, khả năng xử lý phân tích dữ liệu nhanh chóng nhờ vào các thuật toán qua việc tổng hợp các tư liệu có liên quan. Ngoài ra, để chứng minh và làm rõ hơn các chức năng của Google Earth Engine một ứng dụng đã được lựa chọn thực hiện và giới thiệu. Cụ thể là giám sát biến động diện tích rừng tỉnh Lâm Đồng giai đoạn 2010- 2016, GEE cung cấp nhiều phương pháp giải đoán ảnh nhưng trong giới hạn của bài báo chỉ sử dụng ngưỡng NDVI. Kết quả cho thấy GEE có thể sử dụng hiệu quả trong quản lý rừng nói riêng và trong các nghiên cứu sử dụng ảnh vệ tinh nói chung. Từ khóa: Google Earth Engine, điện toán đám mây, công cụ, dữ liệu viễn thám, NDVI. 1. ĐẶT VẤN ĐỀ Một trong những thách thức lớn đối với giải pháp khoa học công nghệ và quản lý sử dụng hiệu quả tài nguyên là quá trình thu thập, lưu trữ và quản lý cơ sở dữ liệu. Hầu hết, dữ liệu viễn thám có dung lượng rất lớn làm cho quá trình xử lý chậm và tốn nhiều thời gian. Vì thế cần một giải pháp công nghệ mới đó là Google Earth Engine, được phát triển dựa trên nền tảng điện toán đám mây, cung cấp nhiều thuật toán xử lý phân tích dữ liệu. Bài báo này nhằm giới thiệu và minh họa các chức năng cơ bản của GEE qua việc sử dụng GEE trong giám sát biến động diện tích rừng tỉnh Lâm Đồng giai đoạn 2010-2016. Để thực hiện việc tìm hiểu giới thiệu GEE bài báo đã thu thập, tổng hợp các tài liệu liên quan. Bên cạnh đó, thực nghiệm giám sát biến động diện tích rừng được thực hiện bằng các phương pháp phân tích và giải đoán ảnh cụ thể là sử dụng NDVI để phân định rừng. 2. GIỚI THIỆU VỀ GOOGLE EARTH ENGINE 2.1. Giới thiệu chung GEE là một nền tảng dựa trên điện toán đám mây để xử lý, phân tích thông tin không gian địa lý trên diện rộng. Đây là kho lưu trữ dữ liệu hình ảnh viễn thám miễn phí có dung lượng rất lớn lên đến hàng triệu Gigabyte, được hỗ trợ bởi cơ sở hạ tầng đám mây của Google và được tối ưu hóa để xử lý song song dữ liệu không gian. GEE được phát triển bởi Google, hợp tác với Đại học Carnegie Mellon, NASA, cơ quan địa chất Hoa Kỳ và Time [1]. 254
  2. Hội nghị Khoa học Công nghệ lần thứ 4 - SEMREGG 2018 GEE được xem là một công cụ rất mạnh trong phân tích dữ liệu ảnh viễn thám, nhờ một số đặc điểm sau: - Dữ liệu lớn miễn phí: lưu trữ rất nhiều danh mục dữ liệu viễn thám được chia sẻ hoàn toàn miễn phí. - Sức mạnh xử lý: dữ liệu được xử lý nhờ vào mô hình phân bố tính toán tại cùng một thời điểm, tự động thực hiện song song các phân tích với nhiều CPU của nhiều máy tính liên kết trong trung tâm dữ liệu của Google. - Kho dữ liệu dễ truy cập: dễ sử dụng và chi phí thấp hơn nền tảng trực tuyến khác. - Nền tảng điện toán đám mây: kho lưu trữ tài sản dữ liệu cá nhân với dung lượng lớn, người dùng không cần phải lưu dữ liệu về ổ cứng [1]. 2.2. Hai hệ thống nền tảng của Google Earth Engine Google Earth Engine Explorer Google Earth Engine Explorer là giao diện đồ họa đơn giản cho người dùng (Hình 1) với các chức năng phân tích đơn giản như các phép tính trên từng pixel, các thuật toán láng giềng/Neighborhood, tính độ dốc… [1]. Vì thế rất thuận tiện cho người dùng mới bắt đầu tìm hiểu và phân tích dữ liệu. Hình 1. Giao diện Google Earth Engine Explorer. Google Earth Engine Explorer bao gồm 3 nhóm công cụ và 7 khả năng: Một là nhóm công cụ quản lý công việc có khả năng thực thi hướng dẫn (Execution of GUI instructions) và tìm kiếm dữ liệu có sẵn. Hai là nhóm công cụ trong bảng điều khiển có các khả năng tạo ra lớp dữ liệu, tính toán trên các lớp bản đồ, tải dữ liệu. Ba là nhóm công cụ hiển thị bản đồ có khả năng định hướng không gian địa lý (Navigation of Geographical space) và hiển thị dữ liệu. 255
  3. The fourth Scientific Conference - SEMREGG 2018 Google Earth Engine Code Editor GEE làm việc thông qua giao diện trực tuyến của ứng dụng JavaScript (API) được gọi là Code Editor. Giao diện Google Earth Engine Code Editor (Hình 2) có thể được sử dụng một cách linh hoạt hơn so với Google Earth Engine Explorer ở khả năng thực hiện các quá trình phân tích dữ liệu phức tạp, giúp người dùng thực hiện toàn bộ các chức năng có trong GEE và có sự hỗ trợ của 2 ngôn ngữ lập trình JavaScript và Python. Tuy nhiên, sử dụng JavaScript thuận tiện hơn về thiết lập, tài liệu và hỗ trợ [1]. Các công cụ trên GEE Code Editor phân tích dữ liệu không gian địa lý rất mạnh đã được tạo lập sẵn nhờ các tính năng của GEE Code Editor được thiết kế làm cho các quy trình làm việc với dữ liệu không gian địa lý phức tạp được thực hiện một cách nhanh chóng và dễ dàng nhưng cần phải kết nối với dịch vụ mạng internet [3]. Hình 2. Giao diện Google Earth Engine Code Editor. Giao diện này cho phép ứng dụng các thuật toán được cung cấp sẵn để hỗ trợ cho người dùng xử lý đơn giản hóa dữ liệu không gian nhờ vào các máy chủ (Server) xử lý dữ liệu từ xa tạo điều kiện cho người dùng có khả năng nghiên cứu và lập trình với Application Programming Interface (API) phát triển tiềm năng sáng tạo của mỗi người và từ đó tạo ra sự liên kết cộng tác giữa người dùng bằng cách chia sẻ dữ liệu, các thuật toán, tập lệnh và các kết quả xử lý. Google Earth Engine Code Editor bao gồm 5 nhóm công cụ [4]: Một là nhóm công cụ quản lý tập lệnh, tài sản/Asset, tài liệu và dữ liệu có khả năng: quản lý tập lệnh, đảm bảo tài sản an toàn; tạo kho lưu trữ dữ liệu mới; chia sẻ dữ liệu, tài sản; tải dữ liệu cá nhân lên; cung cấp tài liệu tham khảo, thuật toán có sẵn; thu thập, tìm kiếm dữ liệu,… Hai là nhóm các công cụ làm việc với tập lệnh có khả năng: tạo ra tập lệnh; thực thi, lưu trữ tập lệnh; chia sẻ tập lệnh qua URL (Uniform Resource Locator). Ba là nhóm công cụ trình bày kết quả tập lệnh có khả năng: mô tả trình bày cụ thể về: vị trí điểm, giá trị pixel và các đối tượng; hiển thị các kết quả khi sử dụng hàm print() và hiển thị lỗi trong tập lệnh, xuất dữ liệu dưới nhiều dạng như: ảnh vệ tinh, bản đồ, video và dữ liệu bảng. Bốn là nhóm công cụ hiển thị bản đồ có khả năng: hiển thị và cài đặt lớp, thu phóng,… Năm là nhóm công cụ vẽ hình học có khả năng: tạo ra mẫu, khoanh vùng, đánh dấu vị trí,… 256
  4. Hội nghị Khoa học Công nghệ lần thứ 4 - SEMREGG 2018 2.3. Kho lƣu trữ dữ liệu trên Google Earth Engine GEE là một kho lưu trữ khổng lồ với dung lượng chứa hàng triệu Gigabyte dữ liệu không gian bao gồm dữ liệu ảnh vệ tinh và các dữ liệu bề mặt Trái Đất hơn 40 năm lịch sử và hiện tại. Bộ danh mục dữ liệu bao gồm các dữ liệu ảnh hoàn chỉnh từ Landsat 4, 5, 7 và 8 được xử lý bởi tổ chức USGS, sản phẩm dữ liệu toàn cầu MODIS và nhiều ảnh viễn thám miễn phí khác[2]. Tất cả dữ liệu ảnh vệ tinh bao gồm dạng dữ liệu chưa qua xử lý (dạng thô), dạng dữ liệu được hiệu chỉnh xử lý trước hay dạng dữ liệu có các chỉ số tính toán sẵn đều được sử dụng hoàn toàn miễn phí,…. Người dùng cũng có thể tải dữ liệu của mình lên GEE dưới dạng Raster và Vector được phép lưu trữ thành tài sản cá nhân hoặc có thể chia sẻ cộng đồng. Bộ dữ liệu Raster trên GEE gồm nhiều loại như: địa vật lý, khí hậu-thời tiết, nhân khẩu học, ảnh vệ tinh (Hình 3). Hình 3. Hệ thống nguồn dữ liệu Raster của Google Earth Engine. Ngoài ra, GEE còn hỗ trợ bộ dữ liệu vector cung cấp sẵn bao gồm: bộ dữ liệu đường ranh giới quốc tế, bộ dữ liệu về điều tra dân số Hoa Kỳ, các nước trên thế giới, các tiểu bang US, Hoa Kỳ, lưu vực sông Hoa Kỳ, cảnh báo Amazon SAD,…. Như vậy, có thể thấy được kho lưu trữ dữ liệu của GEE có nhiều điểm mạnh như: Cung cấp nguồn dữ liệu không gian đa dạng: nguồn dữ liệu chính là ảnh viễn thám, từ lâu đã trở thành nguồn tư liệu quan trọng cho công tác thành lập bản đồ và theo dõi biến động trong vài thập kỉ gần đây. Giống với các nguồn cung cấp dữ liệu ảnh vệ tinh miễn phí như NASA Earth Observation (NEO), USGS Earth Explorer, ESA‟s Sentinel Satellite data, National Ocean and Atmospheric Administration (NOAA),… GEE là kho lưu trữ dữ liệu ảnh viễn thám khổng lồ bao gồm các loại ảnh Landsat, Modis, Sentinel, Aster,… Nhưng sự khác biệt lớn là GEE cho phép người dùng tiếp cận, truy cập dữ liệu trực tuyến và xử lý một lượng lớn dữ liệu không gian mà không cần mất nhiều thời gian tải hay tốn kém dung lượng. Cung cấp dữ liệu đa thời gian: kho lưu trữ dữ liệu của GEE chứa các bộ dữ liệu đa thời gian hơn 40 năm lịch sử. Không chỉ xử lý, phân tích trên 1 ảnh đơn tại một thời điểm nhất định mà còn có thể xử lý trên một bộ sưu tập nhiều hình ảnh trong một khoảng thời gian dài. Sử dụng dữ liệu đa thời gian rất thích hợp cho công tác giám sát biến động tài nguyên thiên nhiên, có thể nhanh chóng phát hiện được sự thay đổi về không gian và thời gian của một hay nhiều đối tượng. Tận dụng 257
  5. The fourth Scientific Conference - SEMREGG 2018 nguồn dữ liệu đa thời gian mà GEE cung cấp để trực quan hóa sự biến động, người dùng có thể xây dựng các bản đồ đa thời gian nhằm phục vụ cho công tác giám sát mang lại hiệu quả và chặt chẽ hơn trong quản lý đối tượng nghiên cứu. Cung cấp dữ liệu trên diện rộng: các vệ tinh được phóng lên quỹ đạo có khả năng quan sát toàn bộ bề mặt Trái Đất. Vì thế, GEE tận dụng khả năng này để thực hiện các thuật toán phân tích dữ liệu, giải đoán ảnh vệ tinh trên diện rộng với sự hỗ trợ của các máy chủ xử lý từ xa. 2.4. Các chức năng xử lý, phân tích GEE hỗ trợ khả năng xử lý phân tích dữ liệu nhờ vào các thuật toán được cung cấp sẵn. Quá trình xử lý thông qua 4 môi trường làm việc có sự tương tác với nhau: Server/máy chủ, Client/máy khách, Disk/ổ đĩa và Monitor/màn hình (Hình 4). Tốc độ xử lý tập lệnh rất nhanh nhờ vào các máy chủ (Server) xử lý dữ liệu từ xa. Server Dataset Variables/Script Client Disk Files Layer Monitor Hình 4. Sơ đồ nguyên lý xử lý dữ liệu. Phân loại Tương tự các phần mềm như ENVI, QGIS, eCognition… quá trình phân loại được thực hiện bằng nhiều phương pháp, chủ yếu là sử dụng các mẫu huấn luyện bằng phương pháp phân loại giám định hoặc phi giám định. Trên GEE API cũng hỗ trợ đầy đủ, cung cấp các thuật toán phân loại giám định có đề cập đến một số phương pháp phân loại có giám định như Fast Naive Bayers, GMO Max Entropy, Winnow Perceptron, Pegasos, Classification and Regression Tress, Random Forest, Support Vector Machine, IKPmair,… hoặc phương pháp phân loại phi giám định (gồm Clusterer) và các phương pháp khác như dựa vào giá trị của các chỉ số trong viễn thám (NDVI, DVI, YVI,…). Một số nghiên cứu trong nước đã ứng dụng GEE như theo kết quả nghiên cứu “Đánh giá khả năng phân loại ảnh vệ tinh của Google Earth Engine”, nhóm tác giả đã phân loại ảnh bằng phương pháp Support Vector Machine trên GEE bằng ảnh Landsat 8 (đạt độ chính xác toàn cục là 79,2 % và hệ số Kappa là 0,76) và thực hiện trên phần mềm ENVI (đạt độ chính xác toàn cục là 86,9 % và hệ số Kappa là 0,85). Hai kết quả này, chênh lệch không đáng kể và qua kiểm định chứng minh là độ chính xác như nhau. Nhóm tác giả khẳng định GEE có khả năng phân loại tốt và cho kết quả tương đương với phần mềm viễn thám ENVI [5]. Xây dựng bản đồ đa thời gian GEE cho phép ghép các lớp bản đồ đã phân loại thành một video gọi là bản đồ động đa thời gian. Bản đồ này cho người dùng và người xem có cái nhìn trực quan về sự thay đổi hình dạng, kích thước… đối tượng qua nhiều năm. Xây dựng ứng dụng cho ngƣời dùng GEE cho phép người dùng tạo ứng dụng tiện ích và tương tác trực tiếp với các hoạt động trên GEE API thông qua gói ui/User Interface. Trên giao diện tiện ích cá nhân chứa một số chức năng cụ thể được gọi chung là Widgets. Để hiển thị Widgets phải sử dụng hàm print() và bao gồm nhãn/Label(), nút/Button(), hộp kiểm tra/CheckBox(), thanh trượt/Slider(), hộp văn bản/TextBox(), biểu đồ/chart(), bản đồ/map(),…. 258
  6. Hội nghị Khoa học Công nghệ lần thứ 4 - SEMREGG 2018 Để làm rõ khả năng của GEE, một ví dụ cụ thể đã được thực hiện. Trong đó, giám sát biến động diện tích rừng tỉnh Lâm Đồng giai đoạn 2010-2016 được thực hiện trên GEE. 3. THỰC NGHIỆM GIÁM SÁT BIẾN ĐỘNG DIỆN TÍCH RỪNG TỈNH LÂM ĐỒNG GIAI ĐOẠN 2010-2016 3.1. Quy trình thực hiện Thu thập ảnh - Xác định khu vực nghiên cứu Tính toán chỉ số NDVI Giải đoán ảnh/phân định rừng Đánh giá độ chính xác Xây dựng bản đồ rừng qua các thời kỳ Thống kê diện tích rừng giải đoán Xây dựng bản đồ đa thời gian Phân tích biến động và đánh giá Hình 5. Sơ đồ quy trình thực hiện. Quy trình thực nghiệm giám sát biến động diện tích rừng tỉnh Lâm Đồng giai đoạn 2010-2016 bao gồm các bước: thu thập ảnh (Modis), xác định khu vực nghiên cứu (tỉnh Lâm Đồng), tính chỉ số NDVI trên ảnh Modis, giải đoán ảnh phân định rừng, đánh giá độ chính xác (thời điểm 2010), xây dựng bản đồ rừng qua các thời kỳ (2010-2016), xây dựng bản đồ đa thời gian, thống kê diện tích rừng giải đoán và phân tích đánh giá biến động được thể hiện trong Hình 5. 3.2. Dữ liệu thực hiện Dữ liệu thực nghiệm gồm ảnh MODIS-MOD13A1 có độ phân giải thấp (500m) được tải từ kho lưu trữ dữ liệu của GEE (Bảng 1). Bảng 1. Dữ liệu ảnh Modis. STT ID ảnh Ngày chụp 1 MODIS/MOD13A1/MOD13A1_005_2010_04_23 23/04/2010 2 MODIS/MOD13A1/MOD13A1_005_2011_04_23 23/04/2011 3 MODIS/MOD13A1/MOD13A1_005_2012_04_22 22/04/2012 4 MODIS/MOD13A1/MOD13A1_005_2013_04_23 23/04/2013 5 MODIS/MOD13A1/MOD13A1_005_2014_04_23 23/04/2014 6 MODIS/MOD13A1/MOD13A1_005_2015_04_23 23/04/2015 7 MODIS/MOD13A1/MOD13A1_005_2016_04_22 22/04/2016 259
  7. The fourth Scientific Conference - SEMREGG 2018 3.3. Các bƣớc thực hiện Bƣớc 1: Thu thập ảnh - Xác định khu vực nghiên cứu Sử dụng hàm ee.Image(„ID‟) để tải ảnh từ kho dữ liệu của GEE. Với ID là số hiệu ảnh, cụ thể ID của ảnh Modis tại một thời điểm “MODIS/MOD13A1/MOD13A1_005_2010_04_23” var modis2010 = ee.Image('MODIS/MOD13A1/MOD13A1_005_2010_04_23'); Sử dụng hàm ee.FeatureCollection(„ft:ID‟) để xác định khu vực thực hiện. Với ID là mã khu vực, cụ thể ID tỉnh Lâm Đồng: “1-LpLIER4WhYnwZ9XhoaK78vCBGK-J6EjIbVdjAN0”. var LAMDONG = ee.FeatureCollection('ft:1-LpLIER4WhYnwZ9XhoaK78vCBGK- J6EjIbVdjAN0'); Bƣớc 2: Tính chỉ số NDVI Chỉ số NDVI được tính theo công thức như trong Bảng 2. Bảng 1. Công thức tính NDVI cho ảnh MODIS. Vùng ánh sáng Kênh phổ Công thức tính NDVI Vùng ánh sáng đỏ (RED) Sur_refl_b01 Vùng hồng ngoại gần (NIR) Sur_refl_b02 Sử dụng hàm normalizedDifference(['sur_refl_b02', 'sur_refl_b01']) để tính NDVI trên ảnh Modis. Bƣớc 3: Phương pháp phân loại GEE cung cấp nhiều phương pháp giải đoán ảnh khác nhau nhưng trong phạm vi bài báo sử dụng ngưỡng NDVI để giải đoán ảnh phân định rừng. Ngưỡng NDVI (Bảng 3) được kế thừa từ “Nghiên cứu ứng dụng công nghệ viễn thám và GIS đánh giá tác động của nhiệt độ, độ ẩm đến lớp phủ thực vật qua chỉ số thực vật (NDVI) khu vực Tây Nguyên”. Để đảm bảo độ chính xác khi kế thừa ngưỡng NDVI cần đáp ứng 3 điều kiện sau: - Thực hiện cùng khu vực - Thực hiện cùng dữ liệu (ảnh Modis) - Thực hiện cùng thời gian nghiên cứu Bảng 3. Ngưỡng NDVI của nghiên cứu “Nghiên cứu ứng dụng công nghệ viễn thám và GIS đánh giá tác động của nhiệt độ, độ ẩm đến lớp phủ thực vật qua chỉ số thực vật (NDVI) khu vực Tây Nguyên”[5]. Giá trị NDVI Đối tượng < 0.20 Đất trống, cát, nước 0.20 - 0.46 Cây bụi, cỏ 0.46 - 0.68 Đất nông nghiệp, đất khác 0.68 - 0.76 Rừng hỗn giao, lá kim, tre nứa 0.76 - 0.78 Rừng trồng 0.78 - 1.0 Rừng tự nhiên Bài báo chủ yếu xác định 2 đối tượng là có rừng và không rừng. Vì thế, ngưỡng NDVI được phân định lại thể hiện trong Bảng 4. 260
  8. Hội nghị Khoa học Công nghệ lần thứ 4 - SEMREGG 2018 Bảng 4. Ngưỡng NDVI để phân định rừng. Giá trị NDVI Đối tượng < 0.68 Không rừng (bao gồm đất trống, cát, nước, cây bụi, cỏ, đất nông nghiệp và đất khác) >= 0.68 Rừng (bao gồm rừng hỗn giao, lá kim, tre nứa, rừng trồng và rừng tự nhiên) Sử dụng thuật toán sau để phân định rừng: function reclassify_ndvi (re_ndvi) { return re_ndvi.expression( 'b(0) < 0.68 ? 0'+// không rừng ':b(0) >= 0.68 ? 1'+// có rừng ':b(0)');} Bƣớc 4: Phương pháp đánh giá độ chính xác Sử dụng bản đồ hiện trạng rừng năm 2010 tỉnh Lâm Đồng (thời điểm lấy ảnh vào 25/04/2010) trong “Báo cáo xây dựng bản đồ hiện trạng rừng từ năm 1990 đến 2010 tỉnh Lâm Đồng Việt Nam”, phục vụ so sánh đối chiếu mẫu giải đoán [6]. Lập ma trận sai số phân loại và sử dụng hệ số Kappa để đánh giá độ chính xác giải đoán tại thời điểm 2010. Bƣớc 5: Xây dựng bản đồ ranh giới rừng qua các thời điểm Sau khi phân định rừng qua các thời điểm và gán màu cho đối tượng (có rừng-màu xanh lá, không rừng-màu xanh dương). Tiến hành tải các ảnh đã phân loại theo hệ quy chiếu WGS 84 UTM/Zone 48N bằng hàm Export.image (image, taskname, params) và biên tập bản đồ sẽ được thực hiện bằng phần mềm ArcMap. Trong đó: image là ảnh cần xuất, taskname là tên ảnh khi tải về, params là bao gồm các thông số như maxPixels (hạn chế số lượng pixel trong ảnh xuất ra), scale (độ phân giải tính bằng mét trên mỗi pixel), crs (hệ thống tọa độ tham chiếu), region (khu vực nghiên cứu). Export.image(classify2010,'classify2010',{maxPixels:1e13,scale:10,crs:'EPSG:32648',region: LAMDONG}); Bƣớc 6: Xây dựng bản đồ đa thời gian Bản đồ đa thời gian ở dạng bản đồ động, thực chất là 1 video thể hiện các đối tượng xác định qua nhiều năm tại một khu vực nào đó. Sử dụng hàm Export.video.toDriver (imageCollection, description, dimensions, framesPerSecond, region). Trong đó: imageCollection là bộ sưu tập ảnh cần xuất, decscription (tên video khi xuất ra), dimension (kích thước sử dụng cho ảnh đã xuất), framesPerSecond (tốc độ khung hình của video đã xuất), region (khu vực nghiên cứu). Export.video.toDrive({ collection: forest,description: 'FOREST_2010_2016', dimensions: 720, framesPerSecond: 0.5, region: JSON.stringify(polygon.getInfo())}); Bƣớc 7: Thống kê diện tích rừng giải đoán Sử dụng hàm Image.pixelArea() để tính diện tích từng đối tượng với đơn vị là hecta. Bƣớc 8: Phân tích biến động diện tích rừng. 3.4. Kết quả và thảo luận Đánh giá độ chính xác Kết quả ma trận sai số phân loại được thể hiện trong Bảng 5 261
  9. The fourth Scientific Conference - SEMREGG 2018 Bảng 5. Ma trận sai số phân loại năm 2010. Loại giải đoán Loại thực Tổng Có rừng Không rừng Có rừng 343 82 425 Không rừng 59 246 305 Tổng 402 328 730 ∑ Độ chính xác toàn cục được tính theo công thức: [8]; Hệ số Kappa với E = 0,5083 ; T= 0,8068 ; Kết quả phân định rừng và không rừng năm 2010 có độ chính xác toàn cục là 80,7 % và hệ số Kappa là 0,61. Do sử dụng ảnh có độ phân giải thấp và phương pháp phân loại ảnh bằng cách sử dụng ngưỡng NDVI kế thừa nên độ chính xác giải đoán không cao nhưng ở mức chấp nhận được. Xây dựng bản đồ đa thời gian Dựa vào kết quả xử lý và giải đoán qua từng thời kỳ để người dùng có cái nhìn trực quan về biến động diện tích rừng, báo cáo đã xây dựng được bản đồ đa thời gian bằng 7 bản đồ rừng trong các Hình 6-12. Hình 6. Bản đồ rừng tỉnh Lâm Đồng năm 2010. Hình 7. Bản đồ rừng tỉnh Lâm Đồng năm 2011. Hình 8. Bản đồ rừng tỉnh Lâm Đồng năm 2012. Hình 9. Bản đồ rừng tỉnh Lâm Đồng năm 2013. 262
  10. Hội nghị Khoa học Công nghệ lần thứ 4 - SEMREGG 2018 Hình 10. Bản đồ rừng tỉnh Lâm Đồng năm Hình 11. Bản đồ rừng tỉnh Lâm Đồng năm 2014. 2015. Hình 12. Bản đồ rừng tỉnh Lâm Đồng năm 2016. Hình 13. Biểu đồ thể hiện diện tích rừng giải đoán. Qua biểu đồ Hình 13 kết quả quả giải đoán ảnh cho thấy giai đoạn 2010-2014 diện tích rừng tăng liên tục là 209.833,857 ha nhưng năm 2015 có xu hướng giảm nhanh, giảm 278.268,216 ha. Tình hình biến động diện tích rừng theo kết quả giải đoán tương ứng với số liệu được tổng hợp theo Niên giám thống kê, cụ thể diện tích mất rừng (do cháy rừng, rừng bị chặt phá) năm 2014 là 119,7 ha và tiếp tục tăng 207,7 ha vào năm 2015. Đối với diện tích trồng rừng năm 2014 là 2,8 ha nhưng năm 2015 giảm còn 2,4 ha. [9] 3. KẾT LUẬN Khả năng ứng dụng các công cụ hỗ trợ của Google Earth Engine được tìm hiểu, mô tả chi tiết và áp dụng vào khu vực tỉnh Lâm Đồng để giải đoán phân định, xác định ranh giới rừng/không rừng ở 7 thời điểm liên tiếp trong giai đoạn 2010-2016. Các bản đồ trong các Hình 6-12 được tích hợp trong bản đồ đa thời gian nhằm trực quan sự thay đổi rừng ở khu vực nghiên cứu theo thời gian. Toàn bộ công việc được thực hiện trên GEE để minh chứng cho khả năng sử dụng và tiện ích của công cụ mở này. Bước đầu tìm hiểu, còn gặp nhiều khó khăn do phải tìm hiểu một vấn đề mới với rất ít tài liệu sẵn có (chủ yếu là qua trang web và thực nghiệm) nên việc tìm hiểu công cụ vẫn chưa hoàn chỉnh. Tuy nhiên, bài báo đã cho thấy GEE là cho phép người dùng tiếp cận kho lưu trữ dữ liệu không gian đa dạng, sử dụng trực tuyến hoàn toàn miễn phí cho phép người dùng xử lý phân tích dữ liệu bằng ngôn ngữ lập trình JavaScript thực hiện nhanh chóng và sáng tạo. Ngoài ra, GEE còn có một số khả 263
  11. The fourth Scientific Conference - SEMREGG 2018 năng khác như quản lý dữ liệu an toàn, chia sẻ kết quả thực hiện hay tập lệnh, cung cấp đầy đủ các tài liệu thuật toán cho người dùng, truy cập và xử lý một lượng lớn dữ liệu trực tuyến, nhập xuất dữ liệu dưới nhiều dạng (ảnh vệ tinh, bản đồ, video, dữ liệu bảng,…), xây dựng bản đồ đa thời gian và có khả năng tạo giao diện tiện ích cho người dùng/User Interface giúp kết quả của tập lệnh hiển thị trực quan và sinh động,…. Google Earth Engine là một công cụ mở với rất nhiều tiện ích rất đáng quan tâm nghiên cứu và khai thác sử dụng. Để nâng cao độ chính xác phân loại trên GEE, cần lưu ý nghiên cứu cụ thể hơn về cách sử dụng các thuật toán/hàm xử lý ảnh được GEE cung cấp như phân loại giám định (gồm Fast Naive Bayers, GMO Max Entropy, Winnow Perceptron, Pegasos, Classification and Regression Tress, Random Forest, Support Vector Machine, IKPmair) và phân loại không giám định (Clusterer) hay đánh giá độ chính xác trực tiếp bằng hàm confusionMatrix(). Bên cạnh đó, có thể mở rộng nghiên cứu thực nghiệm như: giám sát biến động diện tích rừng trên khu vực lớn hơn với độ phân giải cao, giám sát các đối tượng biến động khác như: biến động mặt nước, biến động đường bờ, xâm nhập mặn, biến động hiện trạng sử dụng đất,... để tận dụng kho dữ liệu khổng lồ và công cụ phân tích mở này. TÀI LIỆU THAM KHẢO 1. Dana Tomlin, Nicholas Clintion - “Geospatial Software Design Exercices”, 2016. 2. Google Earth Engine API - “Google Earth Engine API Resource”, 2016. 3. Karis Tenneson - “Webinar Earth Engine Intro 2016 VN”, 2016. 4. Ran Goldblatt - “Earth Engine Team”, 2016. 5. Nguyễn Ngọc Phương Thanh, Phạm Bách Việt và Hồ Lâm Trường - “Đánh giá khả năng phân loại ảnh vệ tinh của Google Earth Engine”. Viện Địa lý Tài nguyên TP. Hồ Chí Minh, Viện Hàn lâm Khoa học và Công nghệ Việt Nam. Hội nghị Khoa học và công nghệ lần thứ 15, ĐHBK- HCM, 20-10-2017. 6. Phạm Văn Mạnh - “Nghiên cứu ứng dụng công nghệ viễn thám và GIS đánh giá tác động của nhiệt độ, độ ẩm đến lớp phủ thực vật qua chỉ số thực vật (NDVI) khu vực Tây Nguyên”. (Luận văn khoa học), Trường Đại học Khoa học Tự nhiên (2013) trang 40, 65. 7. Vũ Tiến Điển, Phạm Đức Cường, Peter Stephen, Trần Văn Châu, Alexander Grais, Silvia Petrova - “Báo cáo xây dựng bản đồ hiện trạng rừng từ nằm 1990 đến 2010 tỉnh Lâm Đồng Việt Nam”. USAID leafasia (2013) trang 5, 9, 33, 37. 8. Lê Văn Trung - Viễn Thám. Nhà xuất bản Đại học Quốc gia TP. Hồ Chí Minh, Đại học Quốc Gia TP. Hồ Chí Minh Trường Đại học Bách khoa (2015), trang 303. 9. Tổng cục Thống kê (2014, 2015, 2016) - Niên giám thống kê năm 2014, 2015, 2016. Hà Nội. 264
  12. Hội nghị Khoa học Công nghệ lần thứ 4 - SEMREGG 2018 GOOGLE EARTH ENGINE WAS APPLIED TO FOREST LAND MONITORING IN LAM DONG PROVINCE FROM 2010 - 2016 Nguyen Trong Nhan1, Vu Xuan Cuong1 1 University of Natural Resources and Environment Ho Chi Minh City 236B Le Van Sy, Ward 1, Tan Binh district, Ho Chi Minh City Email: ntnhan@hcmunre.edu.vn ABSTRACT Google Earth Engine (GEE) is an advanced Cloud-based platform that enables users to access free data warehouse. It also offer powerful analysis and processing tools of remote sensing image data. However, GEE has not yet widely used in Vietnam. Synthesizing from relevant materials, the paper introduces GEE capabilities including free data supply, fast data processing through algorithms. Moreover, in this paper, GEE was applied for forest land monitoring in Lam Dong province from 2010 - 2016, in which NDVI was used as an indicator. The results showed that GEE could be used not only for forest management but for research purposes using a sallite imgery. Keywords: Google Earth Engine, Cloud-based platform, tools, data remote sensor, Normalized Diference Vegetation Index. 265
ADSENSE

CÓ THỂ BẠN MUỐN DOWNLOAD

THÔNG TIN
TRỢ GIÚP
HỖ TRỢ KHÁCH HÀNG
Theo dõi chúng tôi

Chịu trách nhiệm nội dung:

Nguyễn Công Hà - Giám đốc Công ty TNHH TÀI LIỆU TRỰC TUYẾN VI NA

LIÊN HỆ

Địa chỉ: P402, 54A Nơ Trang Long, Phường 14, Q.Bình Thạnh, TP.HCM

Hotline: 093 303 0098

Email: support@tailieu.vn

Giấy phép Mạng Xã Hội số: 670/GP-BTTTT cấp ngày 30/11/2015 Copyright © 2022-2032 TaiLieu.VN. All rights reserved.

 

Đồng bộ tài khoản
2=>2