01. ĐÁNH GIÁ BIẾN ĐỘNG SỬ DỤNG ĐẤT/LỚP PHỦ KHU VỰC TỈNH ĐẮK LẮK GIAI ĐOẠN 1989 - 2021 TỪ DỮ LIỆU ẢNH VỆ TINH LANDSAT ĐA THỜI GIAN TRÊN NỀN TẢNG ĐIỆN TOÁN ĐÁM MÂY GOOGLE EARTH ENGINE
Thanh bên bài viết
-
Viễn thám Remote sensing
Giới thiệu
Lớp phủ bề mặt có vai trò rất quan trọng trong điều tiết nguồn nước, hạn chế lũ lụt, thoái hóa đất cũng như bảo tồn hệ sinh thái. Trong những năm qua, sử dụng đất/lớp có sự thay đổi sâu sắc do tác động của quá trình phát triển kinh tế - xã hội, sự gia tăng dân số cũng như ảnh hưởng của biến đổi khí hậu. Với những ưu điểm nổi bật so với các phương pháp nghiên cứu truyền thống, dữ liệu viễn thám đã được sử dụng rộng rãi trong giám sát và đánh giá biến động sử dụng đất/lớp phủ ở quy mô khu vực, quốc gia. Hiện nay, do sự phát triển mạnh mẽ của các hệ thống vệ tinh viễn thám, việc xử lý dữ liệu viễn thám đa thời gian gặp rất nhiều thách thức do hạn chế về hạ tầng lưu trữ. Bài báo này trình bày kết quả đánh giá biến động sử dụng đất/lớp phủ khu vực tỉnh Đắk Lắk từ dữ liệu ảnh viễn thám Landsat đa thời gian trên nền tảng Google Earth Engine (GEE) giai đoạn 1989 - 2021. Đây là một giải pháp phù hợp và hiệu quả trong xử lý dữ liệu lớn viễn thám, giúp tiết kiệm công sức và kinh phí khi nghiên cứu ở một khu vực rộng lớn.
Toàn văn bài báo
Trích dẫn
[2]. Nguyễn Văn Hoàng, Huỳnh Thị Kim Nhân, Nguyễn Đình Vượng (2020). Nghiên cứu ứng dụng nền tảng Google Earth Engine thành lập bản đồ giám sát hạn hán lưu vực sông Đồng Nai vùng Đông Nam Bộ. Tạp chí Khoa học Thủy lợi và Môi trường, số 58, 47 - 54.
[3]. Trịnh Lê Hùng, Mai Đình Sinh, Nguyễn Như Hùng, Lê Văn Phú (2021). Tự động phát hiện vùng ngập lụt từ ảnh Sentinel 1 sử dụng nền tảng Google Earth Engine. Tạp chí Khoa học Kỹ thuật, chuyên san Kỹ thuật công trình đặc biệt, số 8, 29 - 43.
[4]. Trần Anh Tuấn, Nguyễn Đình Dương (2019). Tạo ảnh không mây phục vụ phân loại lớp phủ với tư liệu Landsat đa thời gian - Nghiên cứu thử nghiệm tại tỉnh Đắk Lắk. VNU Journal of Science: Earth and Environmental Sciences, Vol. 35, No. 4 (2019) 80 - 87.
[5]. Gomes V., Queiroz G., Ferreire K. (2020). An overview of platforms for big Earth observation data management and analysis. Remote Sensing, 12, 1253. Doi:10.3390/rs12081253.
[6]. Foga S., Scaramuzza P., Guo S., Zhu Z., Dilley R., Beckmann T., Schmidt G., Dwyer J., Hughes M., Laue B. (2017). Cloud detection algorithm comparison and validation for operational Landsat data products. Remote Sensing of Environment 194, 379 - 390, http://doi.org/10.1016/j.rse.2017.03.026.
[7]. Jeppesen J., Jacobsen R., Inceoglu F., Toftegaard T. (2019). A cloud detection algorithm for satellite imagery based on deep learning. Remote Sensing of Environment, 229, 247 - 259.
[8]. Kumar A., Sinha N. (2020). Classification of forest cover type using Random Forest algorithm. Advances in Data and Information Sciences, Part of the Lecture Notes in Networks and Systems book series (LNNS), Vol. 94, 395 - 402.
[9]. Talukdar S., Singha P., Mahato S., Shahfahad, Pal S., Liou Y., Rahman A. (2020). Land use land cover classification by machine learning classifiers for satellite observation - a review.. Remote Sensing, Vol. 12(7), 1135. https://doi.org/10.3390/rs12071135.
[10]. Yang B., Li S. (2013). Remote sense image classification based on CART algorithm. Advanced Materials Research, Volumes 864 - 867, 2782 - 2786
[11]. https://earthengine.google.com/.
