08. NGHIÊN CỨU PHÂN LOẠI LỚP PHỦ SỬ DỤNG ĐẤT TỪ ẢNH VỆ TINH SENTINEL - 2 DỰA TRÊN THUẬT TOÁN SVM
Thanh bên bài viết
Đã nộp
14 Tháng tư 2023
Đã xuất bản
28 Tháng ba 2023
Các từ khóa:
-
Viễn thám Remote Sensing
Giới thiệu
Ảnh vệ tinh Sentinel - 2 là nguồn cung cấp miễn phí có độ phân giải về không gian và thời gian cao, dữ liệu này có khả năng đem lại hiệu quả trong việc phân loại các lớp phủ sử dụng đất phục vụ công tác giám sát, quản lý đất đai. Trên nền tảng dữ liệu điện toán đám mây Google Earth Engine (GEE), nghiên cứu này sử dụng thuật toán Support Vector Machine (SVM) áp dụng cho máy học để phân loại hiện trạng các lớp phủ bề mặt sử dụng đất tại khu vực quận Bắc Từ Liêm, Hà Nội. Kết quả của nghiên cứu đưa ra 4 loại lớp phủ sử dụng đất cơ bản, trong đó diện tích lớp phủ mặt nước là nhỏ nhất với 422,31 ha, diện tích lớn nhất là lớp phủ thực vật đạt 1876,97 ha. Độ chính xác phân loại đạt kết quả tốt với hệ số Kappa đạt 0,82.
Toàn văn bài báo
Được tạo từ tệp XML
Trích dẫn
[1]. Fischer, Manfred M., and Arthur Getis, eds (2010). Handbook of applied spatial analysis: Software tools, methods and applications. Berlin: Springer.
[2]. MohanRajan, Sam Navin, Agilandeeswari Loganathan and Prabukumar Manoharan (2020). Survey on Land Use/Land Cover (LU/LC) change analysis in remote sensing and GIS environment: Techniques and Challenges. Environmental Science and Pollution Research 27 (2020): 29900 - 29926.
[3]. Green, Edmund, et al., (2000). Remote sensing: Handbook for tropical coastal management. United Nations Educational, Scientific and Cultural Organization (UNESCO).
[4]. Phạm Minh Hải và cộng sự (2019). Nghiên cứu cơ sở khoa học ứng dụng tuật toán Radom Forest trong phân loại ảnh vệ tinh Spot 6 với khu vực thực nghiệm tại tỉnh Cà Mau. Kỷ yếu Hội nghị: Nghiên cứu cơ bản trong “Khoa học Trái đất và Môi trường”. 361.
[5]. 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.
[6]. Breiman L. J. M. l.l (2001). Random forests. Kluwer Academic Publishers. Manufactured in The Netherlands. 45, 5.
[7]. Cortes C. and V. Vapnikl (1995). Support-vector networks. J Machine learning, Kluwer Academic Publishers, Boston. Manufactured in The Netherlands. 20, 273.
[8]. Jia, K., Wei, X., Gu, X., Yao, Y., Xie, X., & Li, B. (2014). Land cover classification using Landsat 8 operational land imager data in Beijing, China. Geocarto international, 29(8), 941 - 951.
[9]. Bùi Thị Hồng Thắm, Trịnh Thị Hoài 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.
[10]. 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 Tự nhiên và Công nghệ - Hà Nội, trang 192.
[11]. https://baochinhphu.vn/tach-huyen-tu-liem-ha-noi-thanh-2-quan-102154360.htm
[12]. Manevitz, L. M., & Yousef, M. (2001). One - class SVMs for document classification. Journal of machine Learning research, 2(Dec), 139 - 154.
[13]. Talukdar, S., Singha, P., Mahato, S., Pal, S., Liou, Y. A., & Rahman, A. (2020). Land - use land - cover classification by machine learning classifiers for satellite observations - A review. Remote Sensing, 12(7), 1135.
[14]. Vapnik V. N. and A. Y. Chervonenkis (1971). On the uniform convergence of relative frequencies of events to their probabilities. Measures of complexity. Springer, 11.
[15]. Visa S., B. Ramsay, A. L. Ralescu and E. J. M. Van Der Knaapl (2011). Confusion matrix - based feature selection. 710, 120.
[16]. Li, C., Wang, J., Wang, L., Hu, L., & Gong, P. (2014). Comparison of classification algorithms and training sample sizes in urban land classification with Landsat thematic mapper imagery. Remote sensing, 6(2), 964 - 983.
[17]. Van Niel, T. G., McVicar, T. R., & Datt, B. (2005). On the relationship between training sample size and data dimensionality: Monte Carlo analysis of broadband multi - temporal classification. Remote sensing of environment, 98(4), 468 - 480.
[2]. MohanRajan, Sam Navin, Agilandeeswari Loganathan and Prabukumar Manoharan (2020). Survey on Land Use/Land Cover (LU/LC) change analysis in remote sensing and GIS environment: Techniques and Challenges. Environmental Science and Pollution Research 27 (2020): 29900 - 29926.
[3]. Green, Edmund, et al., (2000). Remote sensing: Handbook for tropical coastal management. United Nations Educational, Scientific and Cultural Organization (UNESCO).
[4]. Phạm Minh Hải và cộng sự (2019). Nghiên cứu cơ sở khoa học ứng dụng tuật toán Radom Forest trong phân loại ảnh vệ tinh Spot 6 với khu vực thực nghiệm tại tỉnh Cà Mau. Kỷ yếu Hội nghị: Nghiên cứu cơ bản trong “Khoa học Trái đất và Môi trường”. 361.
[5]. 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.
[6]. Breiman L. J. M. l.l (2001). Random forests. Kluwer Academic Publishers. Manufactured in The Netherlands. 45, 5.
[7]. Cortes C. and V. Vapnikl (1995). Support-vector networks. J Machine learning, Kluwer Academic Publishers, Boston. Manufactured in The Netherlands. 20, 273.
[8]. Jia, K., Wei, X., Gu, X., Yao, Y., Xie, X., & Li, B. (2014). Land cover classification using Landsat 8 operational land imager data in Beijing, China. Geocarto international, 29(8), 941 - 951.
[9]. Bùi Thị Hồng Thắm, Trịnh Thị Hoài 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.
[10]. 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 Tự nhiên và Công nghệ - Hà Nội, trang 192.
[11]. https://baochinhphu.vn/tach-huyen-tu-liem-ha-noi-thanh-2-quan-102154360.htm
[12]. Manevitz, L. M., & Yousef, M. (2001). One - class SVMs for document classification. Journal of machine Learning research, 2(Dec), 139 - 154.
[13]. Talukdar, S., Singha, P., Mahato, S., Pal, S., Liou, Y. A., & Rahman, A. (2020). Land - use land - cover classification by machine learning classifiers for satellite observations - A review. Remote Sensing, 12(7), 1135.
[14]. Vapnik V. N. and A. Y. Chervonenkis (1971). On the uniform convergence of relative frequencies of events to their probabilities. Measures of complexity. Springer, 11.
[15]. Visa S., B. Ramsay, A. L. Ralescu and E. J. M. Van Der Knaapl (2011). Confusion matrix - based feature selection. 710, 120.
[16]. Li, C., Wang, J., Wang, L., Hu, L., & Gong, P. (2014). Comparison of classification algorithms and training sample sizes in urban land classification with Landsat thematic mapper imagery. Remote sensing, 6(2), 964 - 983.
[17]. Van Niel, T. G., McVicar, T. R., & Datt, B. (2005). On the relationship between training sample size and data dimensionality: Monte Carlo analysis of broadband multi - temporal classification. Remote sensing of environment, 98(4), 468 - 480.
Các tác giả
Nguyễn Thị Huyền, T., Đặng Thanh, T., Phạm Thị Mai, M., & Hà Thị Thu, H. (2023). 08. NGHIÊN CỨU PHÂN LOẠI LỚP PHỦ SỬ DỤNG ĐẤT TỪ ẢNH VỆ TINH SENTINEL - 2 DỰA TRÊN THUẬT TOÁN SVM. Tạp Chí Khoa học Tài Nguyên Và Môi trường, (45), 74–82. Truy vấn từ https://tapchikhtnmt.hunre.edu.vn/index.php/tapchikhtnmt/article/view/479
##submission.license.notAvailable##
