Tác giả

Phạm Thị Thanh Hòa 1,2* , Vũ Ngọc Quang 3 , Lê Thanh Nghị 1,2 , Đoàn Thị Nam Phương 1,2 , Nguyễn Minh Hải 1

Đơn vị công tác

1 Khoa Trắc địa - Bản đồ và Quản lý đất đai, Trường Đại học Mỏ - Địa chất; phamthithanhhoa@humg.edu.vn; lethanhnghi@humg.edu.vn; doanthinamphuong@humg.edu.vn; nguyenminhhai@humg.edu.vn

2 Nhóm nghiên cứu Công nghệ Địa tin học trong Khoa học Trái đất (GES), Trường Đại học Mỏ - Địa chất; phamthithanhhoa@humg.edu.vn; lethanhnghi@humg.edu.vn; doanthinamphuong@humg.edu.vn

3 Khoa Công trình, Trường Đại học Công nghệ giao thông vận tải; quangvn@utt.edu.vn

*Tác giả liên hệ: phamthithanhhoa@humg.edu.vn; Tel.: +84–977732505

Tóm tắt

Trong kỷ nguyên công nghệ mới, phương pháp học máy (Machine learning) dần thay thế các phương pháp truyền thống trong lĩnh vực viễn thám. Một trong những thuật toán có độ chính xác cao trong phân loại là Random Forest (Rừng ngẫu nhiên - RF). Cùng với đó, thay vì phân loại ảnh trên các phần mềm thương mại, nền tảng đám mây Google Colab giúp tối ưu hóa thời gian xử lý với nguồn thư viện phong phú và đặc biệt phù hợp với phương pháp học máy. Vì vậy, nghiên cứu đã tiến hành phân loại lớp phủ mặt đất sử dụng thuật toán Random Forest trên nền tảng Google Colab, thực nghiệm tại tỉnh Quảng Bình với thời gian là tháng 8 năm 2022. Ảnh vệ tinh Sentinel-2 được lựa chọn do độ phân giải không gian cao hơn so với các ảnh miễn phí khác. Đồng thời, nghiên cứu cũng so sánh kết quả phân loại RF trong hai trường hợp: (1) sử dụng bốn kênh ảnh có độ phân giải 10m của ảnh Sentinel-2, (2) kết hợp 4 kênh ảnh trên và các ảnh chỉ số NDVI, NDWI, NDBI. Cả hai trường hợp đều đạt độ chính xác tổng thể trên 90% và Kappa trên 0,9, cho thấy tính khả thi của thuật toán RF. Trong đó, trường hợp (2) đạt độ chính xác cao hơn, khẳng định rằng việc sử dụng các chỉ số quang phổ giúp làm tăng thông tin và cải thiện kết quả phân loại.

Từ khóa

Random Forest; Sentinel-2; Lớp phủ bề mặt; Google Colab.

Trích dẫn bài báo

Hòa, P.T.T.; Quang, V.N.; Nghị, L.T.; Phương, Đ.T.N.; Hải, N.M. Nghiên cứu khả năng ứng dụng thuật toán Random Forest và ảnh vệ tinh Sentinel-2 trong phân loại lớp phủ mặt đất tỉnh Quảng Bình trên nền tảng Google Colab. Tạp chí Khí tượng Thuỷ văn 2023, 756, 29-41.

Tài liệu tham khảo

1. Comber, A.; Fisher, P.; Wadsworth, R. What is Land Cover? Environ. Plann. B:: Plann. Des. 2005, 32, 199–209.

2. Stehman, S.V. Selecting and interpreting measures of thematic classification accuracy. Remote Sens. Environ. 1997, 62(1), 77–89.

3. Aplin, P. Remote sensing: Land cover. Prog. Phys. Geogr. 2004, 28, 283–293.

4. Liu, J.; Zhuang, D.; Luo, D.; Xiao, X. Land-cover classification of China: Integrated analysis of AVHRR imagery and geophysical data. Int. J. Remote Sens. 2003, 24, 2485–2500.

5. Peng, X.; Wang, J.; Raed, M.; Gari, J. Land cover mapping from RADARSAT stereo images in a mountainous area of southern Argentina. Can. J. Remote Sens. 2003, 29(1), 75–87.

6. Makinde, E.O.; Oyelade, E.O. Land cover mapping using Sentinel-1 SAR and Landsat 8 imageries of Lagos State for 2017. Environ. Sci. Pollut. Res. 2020, 27(1), 66–74.

7. Song, K.; Wang, Z.; Liu, Q.; Liu, D.; Ermoshin, V.V.; Ganzei, S.S.; Zhang, B.; Ren, C.; Zeng, L.; Du, J. Land use/land cover (LULC) classification with MODIS time series data and validation in the Amur River Basin. Environ. Sci. Pollut. Res. 2011, 32(1), 9–15.

8. Sen, J.; Mehtab, S.; Sen, R.; Dutta, A.; Kherwa, P.; Ahmed, S.; Berry, P.; Khurana, S.; Singh, S.; Cadotte, D.; Anderson, D.; Ost, K.; Akinbo, R.; Daramola, O.; Lainjo, B. Machine Learning: Algorithms, Models, and Applications. IntechOpen Series Artificial Intelligence, 2022, 7, pp. 133.

9. Bansal, R.; Singh, J.; Kaur, R. Machine learning and its applications: A Review. J. Appl. Sci. Comput. 2019, 6(6), 1392–1398.

10. Yuh, Y.G.; Tracz, W.; Matthews, H.D.; Turner, S.E. Application of machine learning approaches for land cover monitoring in northern Cameroon. Ecol. Inf. 2023, 74, 101955.

11. Rodriguez-Galiano, V.F.; Ghimire, B.; Rogan, J.; Chica-Olmo, M.; Rigol-Sanchez, J.P. An assessment of the effectiveness of a random forest classifier for land-cover classification. ISPRS J. Photogramm. Remote Sens. 2012, 67, 93–104.

12. Tokar, О.; Olena, V.; Lubov, K.; Havryliuk, S.; Korol, M. Using the Random Forest Classification for Land Cover Interpretation of Landsat Images in the Prykarpattya Region of Ukraine. Proceeding of the 2018 IEEE 13th International Scientific and Technical Conference on Computer Sciences and Information Technologies (CSIT) 2018, pp. 241–244.

13. Kulkarni, A.D.; Lowe, B. Random Forest Algorithm for Land Cover Classification. Int. J. Recent Innovation Trends Comput. Commun. 2016, 4(3), 58–63.

14. Tran, V.A.; Le, M.H.; Tran, H.H.; Le, T.N.; Tran, T.A.; Nguyen, C.C.; Ha, T.K. Land cover mapping in Camau province by machine learning algorithms using Sentinel-2 imagery. Proceeding of the 43th Asian Conference on Remote Sensing (ACRS 2022), 2022.

15. Pessoa, T.; Medeiros, R.; Nepomuceno, T.; Bian, G.B.; Albuquerque, V.H.C.; Filho, P.P. Performance analysis of google colaboratory as a tool for accelerating deep learning applications. IEEE Access 2018, 6, 61677–61685.

16. Bisong, E. Building Machine Learning and Deep Learning Models on Google Cloud Platform: A Comprehensive Guide for Beginners. Apress Publishers, 2019, pp. 709.

17. Breiman, L. Random Forests. Mach. Learn. 2001, 45(1), 5–32.

18. Hải, P.M.; Quang, N.N. Nghiên cứu thử nghiệm kết hợp môi trường làm việc Google Colaboratory và phương pháp học máy (Machine learning) trong phân loại ảnh viễn thám. Tạp chí Khoa học Đo đạc và Bản đồ 2020, 43, 13–17.

19. Jin, Y.; Liu, X.; Chen, Y.; Liang, X. Land-cover mapping using Random Forest classification and incorporating NDVI time-series and texture: a case study of central Shandong. Int. J. Remote Sens. 2018, 39(23), 8703–8723.

20. Tassi, A.; Gigante, D.; Modica, G.; Di Martino, L.; Vizzari, M. Pixel- vs. Object-Based Landsat 8 Data Classification in Google Earth Engine Using Random Forest: The Case Study of Maiella National Park. Remote Sens. 2021, 13(12), 2299.  Doi: 10.3390/rs13122299.

21. Tucker, C.J. Red and photographic infrared linear combinations for monitoring vegetation. Remote Sens. Environ. 1979, 8(2), 127–150.

22. McFeeters, S.K. The use of the Normalized Difference Water Index (NDWI) in the delineation of open water features. Remote Sens. Environ. 1996, 17(7), 1425–1432.

23. Zha, Y.; Gao, J.; Ni, S. Use of normalized difference built-up index in automatically mapping urban areas from TM imagery. Int. J. Remote Sens. 2003, 24(3), 583–594.

24. Cohen, J. A coefficient of agreement for nominal scales. Educ. Psychol. Meas. 1960, 20, 37–46.

25. Phong, D.H.; Huệ, N. Giám sát và kiểm kê phát thải khí nhà kính (CO2 tương đương) trên cơ sở phân loại lớp phủ bằng ảnh Sentinel 1 tỉnh Quảng Bình. Tạp chí Khí tượng Thủy văn 2022, 735, 63–73.