Tác giả

Nguyễn Thị Phương Hoa 18 , Nguyễn Thị Thanh Bình 1 , Lê Thành An 2 , Nguyễn Duy Phương 2

Đơn vị công tác

1 Cục Viễn thám quốc gia, Bộ Tài nguyên và Môi trường; ntphoa19@gmail.com; binhntt1191@gmail.com

2 Học Viện quốc tế, Bộ Công an; minhtn122019@gmail.com; nanh22022022@gmail.com

*Tác giả liên hệ: ntphoa19@gmail.com; Tel.: +84–386635353

Tóm tắt

Nghiên cứu sử dụng 4  thuật toán phân loại học máy tiêu biểu như cây quyết định (CART), thuật toán rừng ngẫu nhiên (RF), Support Vector Machines (SVM), eXtreme Gradient Boosting (XGBoost) để phân loại sử dụng đất tỉnh Nam Định trên ảnh viễn thám quang học Sentinel 2. Bằng cách sử dụng cùng một bộ mẫu huấn luyện và tập dữ liệu đánh giá độ chính xác, nghiên cứu này đánh giá độ chính xác của các mô hình phân loại từ ảnh viễn thám quang học Sentinel 2 cho 7 loại sử dụng đất tỉnh Nam Định năm 2024. Kết quả đánh giá độ chính xác sau phân loại đã chỉ ra rằng với diện tích khoảng 1.700 km2 trên quy mô cấp tỉnh thuật toán XGBoost cho độ chính xác cao nhất với hệ số Kappa là 0,7 và độ chính xác toàn cục đạt 78,8%, mô hình CART cho độ chính xác thấp nhất với Kappa là 0,58. Các đối tượng sử dụng đất có diện tích nhỏ như đất làm muối không nhận diện được bằng mô hình CART và SVM. Tuy nhiên, đối tượng mặt nước hai mô hình này cho độ chính xác cao hơn khi sử dụng thuật toán RF và XGBoost.

Từ khóa

Phân loại ảnh; Phân loại sử dụng đất; Viễn thám; Cây quyết định CART; Random Forest (RF); Support Vector Machines (SVM); Extreme Gradient (XCBoost).

Trích dẫn bài báo

Hoa, N.T.P; Bình, N.T.T.; An, L.T.; Phương, N.D. Đánh giá độ chính xác kết quả phân loại sử dụng đất trên ảnh viễn thám Sentinel 2 bằng các thuật toán học máy. Tạp chí Khí tượng Thủy văn 2025, 771, 90-102.

Tài liệu tham khảo

1. Đại học Kỹ thuật - Hậu cần CAND. Trực tuyến: https://dhkthc.bocongan.gov.vn/TrangChu/tin-tuc/99-tri-tue-nhan-tao-la-gi-lich-su-phat-trien-tri-tue-nhan-tao-ai.html.

2. Chen, Y.N.; Fan, K.C.; Chang, Y.L.; Moriyama, T. Special Issue Review: Artificial intelligence and machine learning applications in remote sensing. Remote Sens. 2023, 15, 569. https://doi.org/10.3390/rs15030569.

3. Tùng, Đ.T.; Ngọc, T.M. So sánh thuật toán học máy về phân loại lớp phủ bề mặt từ ảnh vệ tinh Sentinel 2 trên nền tảng Google Earth Engine. J. Educ. Equip. Appl. Res. 2023, 2(301), 64–66.

4. Oanh, N.T.; Tám, P.M. Khả năng ứng dụng phân loại bề mặt lớp phủ bằng thuật toán Support Vector Machine. Tạp chí Khoa học và Công nghệ lâm nghiệp 2015, 1-2015, 140–147.

5. Tuấn, N.T.; Tuấn, P.V.; Quý, N.V.; Nhung, H.T.P. Sử dụng ảnh vệ tinh Sentinel 2 và thuật toán học máy thành lập bản đồ hiện trạng rừng tại huyện Bù Đăng, tỉnh Bình Phước. Tạp chí Khoa học Trường Đại học Cần Thơ 2022, 58(6B), 150–163. Doi:10.22144/ctu.jvn.2022.254.

6. Trực tuyến: https://namdinh.gov.vn/portal/Pages/dieu_kien_tu_nhien.aspx.

7. Ân, N.T.; Bằng, T.N. Tác động của biến đổi khí hậu tới sử dụng đất nông nghiệp và sự thích ứng của người dân huyện Giao Thủy. Tạp chí Nông nghiệp và Phát triển nông thôn 2014, tr. 110–116.

8. Cục Thống kê tỉnh Nam Định. 2021. Trực tuyến: https://www.namdinh.gso.gov.vn/.

9. Copernicus Data Space Ecosystem. Online available: https://browser.dataspace.copernicus.eu.

10. Hải, V.N. Ứng dụng thuật toán học máy theo dõi lớp phủ mặt nước phục vụ đào tạo, nghiên cứu trong lĩnh vực quản lý đất đai. Equip. New General Educ. Program 2023, 1(304), 333–334.

11. Ngọc, N.T.A.; Hùng, T.Đ.; Hà, L.P. Ứng dụng phương pháp học máy - cây quyết định trong đánh giá biến động rừng ngập mặn khu vực xã đất mũi. Tạp chí Khoa học Biến đổi khí hậu 2021, 20, 28–34.

12. Li, F.; Li, M. Remote sensing image auto classify study based on combination of artificial neural networks and decision tree. Remote Sens. Inf. 2003, 3, 3–25.

13. Hải, P.M.; Long, V.K. Nghiên cứu ứng dụng phương pháp học máy (machine learning) trong phân loại rừng ngập mặn trên ảnh viễn thám spot6 với khu vực thử nghiệm tại tỉnh Cà Mau. Tạp chí Khoa học và Bản đồ 2019, 40, 17–21.

14. Friedman, J.H. Greedy function approximation: A gradient boosting machine. Ann. Statist. 2001, 29(5), 1189–1232. https://doi.org/10.1214/aos/1013203451.

15. Hà, B.M.; Thủy, N.B.; Ngọc, P.K.; Tiến, P.V. Kết quả bước đầu thử nghiệm thuật toán XGBoots dự báo nước dâng do bão tại trạm Hòn Dáu. Tạp chí Khí tượng Thủy văn 2023, 756, 83–94. doi: 10.36335/VNJHM.2023(756).83-94.

16. Luật Đất đai. 2024.

17. Jensen, J.R.; Lulla, K. Introductory digital image processing: A remote sensing perspective. Geocarto Int. 1987, 2(1), 65–65. Doi:10.1080/10106048709354084.

18. Trực tuyến: https://naue.edu.vn/.

19. Oanh, N.T.; Trường, T.X.; Tuyết, V.T.; Trung, T.H. Nâng cao độ chính xác phân loại ảnh viễn thám bằng phương pháp kết hợp phân loại dựa trên đối tượng và phân loại dựa trên điểm ảnh. Tạp chí Khoa học Đo đạc và Bản đồ 2022, 53, 48–56.

20. Hải, L.V.H.; Hoài, Đ.T.; Long, V.K. Nghiên cứu phương pháp phân loại hướng đối tượng trên tư liệu ảnh máy bay không người lái. Tạp chí Khoa học Đo đạc và Bản đồ 2018, 35, 38–43.

21. Điệp, N.T.H.; Nghĩa, N.M.; Phát, C.N.; Hiếu, D.C.; Nguyễn, N.T.; Diễm, P.K. Phân tích tổn thương trên hiện trạng sử dụng đất nông nghiệp do tác động xâm nhập mặn tại tỉnh Tiền Giang năm 2020 ứng dụng ảnh viễn thám. Tạp chí Khoa học Trường Đại học Cần Thơ 2023, 59, 185–192.

22. Roberts, C. Modelling patterns of agreement for nominal scales. Stat. Med. 2008, 27(6), 810–830. Doi: 10.1002/sim.2945.

23. Quyết định số 1396/QĐ-UBND ngày 02/7/2021 của Ủy ban Nhân dân tỉnh Nam Định về việc Quy hoạch sử dụng đất đến năm 2030 và kế hoạch sử dụng đất năm đầu của quy hoạch sử dụng đất thành phố Nam Định, tỉnh Nam Định.