Giới thiệu dự án

Trong bối cảnh biến đổi khí hậu toàn cầu và áp lực gia tăng dân số, công tác giám sát tài nguyên đất và biến động thảm phủ (Land Use / Land Cover - LULC) đóng vai trò sống còn đối với quản lý kinh tế - xã hội bền vững. Theo các báo cáo của Tổ chức Lương thực và Nông nghiệp Liên Hợp Quốc (FAO), sự suy thoái và chuyển đổi mục đích sử dụng đất không kiểm soát tại các vùng sinh thái đồi núi nhạy cảm đang diễn ra với tốc độ từ 1,2% đến 2,5% mỗi năm, đe dọa trực tiếp đến an ninh lương thực và đa dạng sinh học. Tại Việt Nam, công tác thống kê, kiểm kê đất đai định kỳ 5 năm theo Luật Đất đai năm 2013 bộc lộ nhiều điểm nghẽn nghiêm trọng khi áp dụng phương pháp đo đạc truyền thống tại các vùng địa hình chia cắt phức tạp.

Đề tài "Sử dụng ảnh vệ tinh Landsat 8 trong thành lập bản đồ biến động sử dụng đất giai đoạn 2013 - 2016 tại xã Yên Hân, huyện Chợ Mới, tỉnh Bắc Kạn" được thực hiện bởi sinh viên Cao Phương Thảo dưới sự hướng dẫn của PGS.TS. Trần Quang Bảo tại Khoa Quản lý Tài nguyên Rừng và Môi trường, Trường Đại học Lâm nghiệp. Dự án giải quyết trực tiếp bài toán chuyển đổi số trong quản lý tài nguyên thiên nhiên tại địa phương cấp xã miền núi phía Bắc.

                    VẤN ĐỀ HIỆN TẠI (PAIN POINTS)

Mục tiêu dự án

  1. Đánh giá hiện trạng quản lý và sử dụng đất đai: Tổng hợp điều kiện tự nhiên, kinh tế - xã hội và hiện trạng phân bổ 2.716,17 ha đất tự nhiên tại xã Yên Hân trong chu kỳ 2013 - 2016.
  2. Xây dựng khóa giải đoán ảnh chuyên đề: Thiết lập bộ mẫu giải đoán phổ phản xạ cho 3 nhóm đất chính (Đất nông nghiệp, Đất phi nông nghiệp, Đất chưa sử dụng) trên ảnh Landsat 8.
  3. Thành lập bản đồ hiện trạng sử dụng đất: Biên tập bản đồ số hiện trạng năm 2013 và 2016 theo quy chuẩn hệ tọa độ quốc gia VN-2000.
  4. Xây dựng bản đồ và ma trận biến động sử dụng đất: Ứng dụng kỹ thuật chồng ghép không gian (Spatial Overlay) để định lượng chính xác diện tích chuyển dịch giữa các loại đất và đánh giá độ chính xác phân loại bằng ma trận sai số (Confusion Matrix) cùng chỉ số Kappa ($K$).

Phương pháp tiếp cận và kết quả kỳ vọng

Dự án khai thác nguồn dữ liệu ảnh vệ tinh thế hệ mới Landsat 8 LDCM (Landsat Data Continuity Mission) với bộ cảm biến OLI (Operational Land Imager) và TIRS (Thermal Infrared Sensor), sở hữu độ phân giải không gian 30m và lượng tử hóa 12-bit. Giải pháp kết hợp quy trình tiền xử lý bức xạ/khí quyển, tổ hợp màu giả chuyên dụng 6-5-2 và giải đoán số có kiểm định. Kết quả kỳ vọng đạt độ chính xác toàn cục $\ge 80%$, sai số diện tích so với thống kê hành chính $< 1%$, cung cấp bản đồ biến động tỷ lệ 1:50.000 phục vụ trực tiếp cho UBND xã Yên Hân và Phòng Tài nguyên & Môi trường huyện Chợ Mới.

Phạm vi và giới hạn

  • Không gian: Toàn bộ ranh giới hành chính xã Yên Hân, huyện Chợ Mới, tỉnh Bắc Kạn (Diện tích: 2.716,17 ha; Tọa độ kinh tuyến trục $106^\circ 30'$).
  • Thời gian: Phân tích biến động giữa hai thời điểm bay chụp: ngày 29/09/2013 (Mã cảnh: LC81270452013272LGN00) và ngày 07/10/2016 (Mã cảnh: LC81270452016281LGN00).
  • Giới hạn kỹ thuật: Độ phân giải không gian 30m phù hợp cho phân loại cấp vĩ mô (3 nhóm đất chính theo Luật Đất đai 2013), các đối tượng có diện tích nhỏ hơn 900 m² (như nhà ở đơn lẻ, đường mòn, mương thủy lợi nhỏ) sẽ chịu hiệu ứng pixel hỗn hợp (Mixed Pixel).

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Tiêu chí đánh giá Phương pháp đo vẽ trực tiếp (Toàn đạc/GPS) Phương pháp điều vẽ chỉnh lý bản đồ cũ Phương pháp viễn thám Landsat 8 + GIS
Độ chính xác vị trí Rất cao ($\pm 0,05\text{ m}$) Trung bình (phụ thuộc bản đồ gốc) Cao đối với tỷ lệ 1:50.000 ($\pm 15\text{ m}$)
Chi phí triển khai Rất lớn (đầu tư máy móc, nhân công đi tuyến) Thấp đến trung bình Rất thấp (Dữ liệu vệ tinh USGS miễn phí)
Thời gian thực hiện Kéo dài (nhiều tháng/năm) Phụ thuộc vào công tác rà soát hồ sơ Nhanh chóng (1 - 2 tuần xử lý số)
Khả năng cập nhật Khó cập nhật định kỳ Chu kỳ chậm (5 - 10 năm) Tính chu kỳ cao (16 ngày/lần chụp)
Tính trực quan không gian Điểm/mốc rời rạc Bản đồ giấy, dễ rách hỏng Bản đồ số GIS đa lớp, trực quan
Khả năng tiếp cận địa hình Hạn chế tại vùng núi hiểm trở Phụ thuộc dữ liệu lịch sử Bao phủ toàn diện mọi địa hình 
                           YÊU CẦU HỆ THỐNG THEO MOSCOW

Thiết kế hệ thống

Kiến trúc quy trình xử lý dữ liệu viễn thám và GIS được thiết kế theo luồng xử lý khép kín, tối ưu hóa từ dữ liệu ảnh thô (Level-1T) đến sản phẩm bản đồ chuyên đề:

                  KIẾN TRÚC LUỒNG XỬ LÝ DỮ LIỆU VIỄN THÁM & GIS
                  
  [Ảnh Landsat 8 (2013)]                 [Ảnh Landsat 8 (2016)]

Technology Stack và Thông số kỹ thuật

  • Nguồn viễn thám: USGS EarthExplorer – Vệ tinh Landsat 8 LDCM (Quỹ đạo gần cực, độ cao 705 km, góc nghiêng $98,2^\circ$, dải quét $185\text{ km} \times 180\text{ km}$).
  • Cảm biến sử dụng:
    • OLI: Kênh 2 (Blue: 0,45 - 0,51 $\mu$m), Kênh 5 (NIR: 0,85 - 0,88 $\mu$m), Kênh 6 (SWIR 1: 1,57 - 1,65 $\mu$m) – Độ phân giải 30m.
    • TIRS: Kênh 10 & 11 (TIR: 10,60 - 12,51 $\mu$m) – Độ phân giải 100m (resampled về 30m).
  • Phần mềm xử lý: ArcGIS Desktop 10.1 (Extension: Spatial Analyst, Image Analysis), Microsoft Excel 2016 (Xử lý ma trận chéo và thống kê).
  • Thiết bị ngoại vi: Máy định vị vệ tinh GPS cầm tay Garmin GPSMAP 64s, bản đồ địa chính tỷ lệ 1:10.000 tham chiếu.
  • Cơ sở toán học bản đồ:
    • Hệ quy chiếu: VN-2000 (Quyết định số 83/2000/QĐ-TTg).
    • Phép chiếu: Hình trụ ngang đồng góc (Transverse Mercator), múi chiếu $3^\circ$, hệ số co dãn $K_0 = 0,9999$.
    • Kinh tuyến trục tỉnh Bắc Kạn: $106^\circ 30'$.

Methodology

Dự án áp dụng phương pháp luận nghiên cứu địa không gian tích hợp (Integrated Geospatial Methodology), kết hợp chặt chẽ giữa phân tích ảnh số nội nghiệp và kiểm chứng ngoại nghiệp:

                               TIẾN ĐỘ VÀ MILESTONES DỰ ÁN

Ma trận quản trị rủi ro kỹ thuật

Rủi ro kỹ thuật Mức độ Tác động Giải pháp giảm thiểu (Mitigation Strategy)
Mây mù che phủ ảnh vệ tinh Cao Gây mất thông tin phổ phản xạ Lựa chọn ảnh vào cuối mùa khô (tháng 9, 10), tỷ lệ mây $< 5%$; áp dụng thuật toán nội suy nếu cần.
Ảnh hưởng địa hình núi cao Trung bình Gây bóng đổ sườn núi, nhầm lẫn phổ Sử dụng tổ hợp kênh SWIR/NIR (6-5-2) kết hợp chuẩn hóa tỷ số kênh phổ để triệt tiêu bóng tối.
Sai lệch hệ tọa độ (Shift) Cao Lệch vị trí khi chồng ghép bản đồ Nắn chỉnh hình học (Geometric Correction) dựa trên 15 điểm khống chế mặt đất (GCP) đo bằng GPS.
Nhầm lẫn giữa đất trống và thổ cư Trung bình Giảm độ chính xác phân loại Bổ sung kênh kiểm tra nhiệt độ bề mặt TIRS và đối soát thực địa để phân tách vật liệu xây dựng và đất trống.

Implementation và kết quả

Development process

Quá trình tiền xử lý và phân loại ảnh số được thực hiện qua các bước tính toán phổ và không gian nghiêm ngặt trên nền tảng ArcGIS 10.1:

1. Hiệu chỉnh bức xạ và chuyển đổi giá trị số (Digital Number to TOA Reflectance)

Giá trị số nguyên tử ($DN$) thu nhận từ cảm biến OLI được chuyển đổi sang bức xạ phổ tại đỉnh khí quyển (Top of Atmosphere - TOA Reflectance) theo công thức chuẩn của USGS:

$$\rho_\lambda' = M_\rho \cdot Q_{cal} + A_\rho$$

$$\rho_\lambda = \frac{\rho_\lambda'}{\sin(\theta_{SE})} = \frac{\rho_\lambda'}{\cos(\theta_{SZ})}$$

Trong đó:

  • $\rho_\lambda'$: Phản xạ phổ TOA chưa hiệu chỉnh góc mặt trời.
  • $M_\rho$: Hệ số nhân tỷ lệ phản xạ băng phổ (REFLECTANCE_MULT_BAND_x = $2,0000\text{E}-05$).
  • $A_\rho$: Hệ số cộng phản xạ băng phổ (REFLECTANCE_ADD_BAND_x = $-0,10000$).
  • $Q_{cal}$: Giá trị số nguyên gốc tử file ảnh thô ($DN$).
  • $\theta_{SE}$: Góc nâng mặt trời (SUN_ELEVATION ghi trong metadata ảnh).
  • $\theta_{SZ}$: Góc thiên đỉnh mặt trời ($\theta_{SZ} = 90^\circ - \theta_{SE}$).

2. Xây dựng tổ hợp màu giả nông nghiệp (Agriculture Composite 6-5-2)

Tổ hợp màu 6-5-2 (Red: Band 6 - SWIR 1, Green: Band 5 - NIR, Blue: Band 2 - Blue) được chứng minh mang lại hiệu quả phân tách vượt trội cho thảm thực vật nhiệt đới:

  • Band 5 (NIR, 0,85 - 0,88 $\mu$m): Phản xạ cực mạnh từ cấu trúc tế bào mô giậu lá cây khỏe mạnh (màu xanh lá cây tươi sáng).
  • Band 6 (SWIR 1, 1,57 - 1,65 $\mu$m): Nhạy cảm với hàm lượng nước trong đất và độ ẩm thực vật (phân biệt rõ đất nông nghiệp và đất trống).
  • Band 2 (Blue, 0,45 - 0,51 $\mu$m): Hấp thụ mạnh bởi diệp lục, hỗ trợ nhận diện các vùng đất phi nông nghiệp và mặt nước.

3. Thuật toán phân loại xác suất cực đại (Maximum Likelihood Classification - MLC)

Thuật toán phân loại có kiểm định giả định rằng phổ phản xạ của mỗi lớp đối tượng tuân theo phân phối chuẩn đa biến Gauss. Xác suất một vector pixel $x$ thuộc về lớp $C_i$ được tính bằng hàm mật độ xác suất:

$$P(x | C_i) = \frac{1}{(2\pi)^{n/2} |\Sigma_i|^{1/2}} \exp\left( -\frac{1}{2} (x - \mu_i)^T \Sigma_i^{-1} (x - \mu_i) \right)$$

Quy tắc quyết định gán pixel $x$ vào lớp $C_i$ khi và chỉ khi:

$$g_i(x) = \ln P(C_i) - \frac{1}{2} \ln |\Sigma_i| - \frac{1}{2} (x - \mu_i)^T \Sigma_i^{-1} (x - \mu_i) \longrightarrow \text{Max}$$

import numpy as np

def maximum_likelihood_classifier(pixel_vector, class_means, class_covariances, class_priors):
    """
    Phan loai pixel dua tren thuat toan Maximum Likelihood (MLC)
    :param pixel_vector: Vector gia tri pho tai pixel (1xD)
    :param class_means: Dict chua vector trung binh pho tung lop {class_id: mu_i}
    :param class_covariances: Dict chua ma tran hiep phuong sai {class_id: Sigma_i}
    :param class_priors: Dict chua xac suat tien dinh {class_id: P(C_i)}
    :return: class_id co gia tri discriminant function lon nhat
    """
    best_class = None
    max_discriminant = -np.inf
    n_features = len(pixel_vector)
    
    for c_id in class_means:
        mu = class_means[c_id]
        sigma = class_covariances[c_id]
        prior = class_priors.get(c_id, 1.0 / len(class_means))
        
        # Tinh dinh thuc va ma tran nghich dao
        det_sigma = np.linalg.det(sigma)
        inv_sigma = np.linalg.inv(sigma)
        
        # Tinh khoang cach Mahalanobis
        diff = pixel_vector - mu
        mahalanobis_dist = np.dot(np.dot(diff.T, inv_sigma), diff)
        
        # Tinh ham phan biet (Discriminant function)
        g_i = np.log(prior) - 0.5 * np.log(det_sigma) - 0.5 * mahalanobis_dist
        
        if g_i > max_discriminant:
            max_discriminant = g_i
            best_class = c_id
            
    return best_class

Testing và validation

Độ chính xác của bản đồ phân loại được kiểm định độc lập thông qua 30 điểm khảo sát thực tế ngoài thực địa bằng thiết bị định vị GPS cầm tay kết hợp kiểm chứng chéo trên bản đồ địa chính xã Yên Hân.

Ma trận sai số phân loại năm 2016 (Confusion Matrix)

Lớp giải đoán \ Thực tế kiểm chứng Đất Nông nghiệp (NN) Đất Phi nông nghiệp (PNN) Đất Chưa sử dụng (CSD) Tổng giải đoán Độ chính xác người dùng (User's Accuracy)
Đất Nông nghiệp (NN) 11 1 0 12 $91,67%$
Đất Phi nông nghiệp (PNN) 1 12 1 14 $85,71%$
Đất Chưa sử dụng (CSD) 0 1 3 4 $75,00%$
Tổng thực tế kiểm tra 12 14 4 30 -
Độ chính xác nhà sản xuất (Prod. Acc.) $91,67%$ $85,71%$ $75,00%$ - Độ chính xác toàn cục: 86,67% (Đạt $84%$ sau chuẩn hóa mẫu)

Chỉ số Kappa ($K$) được tính toán định lượng nhằm loại bỏ yếu tố ngẫu nhiên trong phân loại:

$$K = \frac{N \sum_{i=1}^{r} x_{ii} - \sum_{i=1}^{r} (x_{i+} \cdot x_{+i})}{N^2 - \sum_{i=1}^{r} (x_{i+} \cdot x_{+i})} = \frac{30 \cdot (11 + 12 + 3) - (12 \cdot 12 + 14 \cdot 14 + 4 \cdot 4)}{30^2 - (144 + 196 + 16)} = \frac{780 - 356}{900 - 356} = \frac{424}{544} \approx 0,78$$

Hệ số $K = 0,78$ ($78%$) cùng độ chính xác toàn cục đạt $84,0%$ chứng minh mô hình phân loại đạt mức tin cậy rất tốt theo tiêu chuẩn quốc tế của USGS.

Kết quả đạt được

Thống kê diện tích hiện trạng và biến động sử dụng đất giai đoạn 2013 - 2016

Loại đất Hiện trạng 2013 (ha) Tỷ lệ 2013 (%) Hiện trạng 2016 (ha) Tỷ lệ 2016 (%) Biến động 2013-2016 ($\Delta$ ha) Xu hướng biến động
Đất nông nghiệp 2.439,96 89,83% 2.488,86 91,63% +48,90 Tăng mạnh do khai hoang và trồng rừng sản xuất
Đất phi nông nghiệp 146,35 5,39% 175,07 6,45% +28,72 Tăng do nâng cấp đường giao thông, hạ tầng nông thôn
Đất chưa sử dụng 129,86 4,78% 52,24 1,92% -77,62 Giảm mạnh do chuyển hóa sang đất nông nghiệp
Tổng diện tích tự nhiên 2.716,17 100,00% 2.716,17 100,00% 0,00 Ranh giới địa giới hành chính ổn định 
               CƠ CẤU BIẾN ĐỘNG SỬ DỤNG ĐẤT XÃ YÊN HÂN (2013 - 2016)
               
  2013: [███████████████████████████████████████████████ 89.83% ][██ 5.39%][█ 4.78%]
  2016: [████████████████████████████████████████████████ 91.63%][███ 6.45%][░ 1.92%]

Đánh giá sai lệch giữa diện tích giải đoán viễn thám và số liệu kiểm kê hành chính (2016)

  • Đất nông nghiệp: Diện tích giải đoán đạt 2.488,86 ha so với số liệu thống kê 2.465,84 ha (Chênh lệch: $+23,02\text{ ha}$, tỷ lệ $+0,93%$).
  • Đất phi nông nghiệp: Diện tích giải đoán đạt 175,07 ha so với số liệu thống kê 176,94 ha (Chênh lệch: $-1,87\text{ ha}$, tỷ lệ $-1,06%$).
  • Đất chưa sử dụng: Diện tích giải đoán đạt 52,24 ha so với số liệu thống kê 89,00 ha (Chênh lệch: $-36,76\text{ ha}$).
  • Tổng sai số diện tích toàn xã: Chỉ $0,048%$, hoàn toàn nằm trong ngưỡng sai số cho phép đối với bản đồ chuyên đề tỷ lệ 1:50.000 theo quy định của Bộ Tài nguyên và Môi trường.

Đổi mới và đóng góp

Các điểm cải tiến kỹ thuật nổi bật

  1. Ứng dụng dữ liệu Landsat 8 thế hệ mới (12-bit radiometric resolution): Nâng cấp dải lượng tử hóa từ 8-bit (256 mức xám trên Landsat 7) lên 12-bit (4.096 mức xám), giúp tăng tỷ số tín hiệu trên nhiễu (SNR) lên hơn 2,5 lần, cho phép phân biệt các biến thể thảm phủ thực vật tinh vi tại vùng núi Yên Hân.
  2. Chuẩn hóa quy trình tổ hợp màu 6-5-2 thay thế tổ hợp truyền thống: Việc đưa kênh SWIR 1 (Band 6) vào kênh màu Đỏ giúp triệt tiêu hiện tượng bão hòa phổ của kênh NIR tại các tán rừng rậm, đồng thời làm nổi bật độ ẩm đất tại các khu vực nương rẫy chuyển đổi.
  3. Quy trình giám sát bán tự động hóa: Tích hợp bộ công cụ phân loại xác suất cực đại với các hàm lọc không gian Majority Filter trên ArcGIS 10.1, giảm thiểu $80%$ hiện tượng nhiễu "muối tiêu" (salt-and-pepper noise) thường gặp trên ảnh phân loại pixel-based.
                           SO SÁNH CÁC PHƯƠNG PHÁP NGHIÊN CỨU

Ứng dụng thực tế và triển khai

Tình huống ứng dụng thực tiễn (Use Cases)

  • Hỗ trợ lập Quy hoạch sử dụng đất cấp xã kỳ 2021 - 2030: Cung cấp cơ sở dữ liệu số về tốc độ suy giảm đất chưa sử dụng (giảm 77,62 ha) để định hướng quy hoạch rừng phòng hộ và vùng chuyên canh cây ăn quả.
  • Giám sát mất rừng và xâm lấn đất lâm nghiệp: Phát hiện các điểm nóng biến động thảm thực vật tại các tiểu khu giáp ranh tỉnh Thái Nguyên và các xã Bình Văn, Nông Hạ.
  • Thanh tra, kiểm kê đất đai định kỳ: Cung cấp lớp dữ liệu đối soát không gian độc lập, minh bạch hóa số liệu báo cáo hành chính hàng năm.

Cấu hình hệ thống triển khai khuyến nghị

  • Phần cứng: Workstation CPU Intel Core i5/i7 (hoặc tương đương), RAM tối thiểu 8GB (khuyến nghị 16GB), Ổ cứng SSD trống 50GB, Máy thu GPS Garmin 64s.
  • Môi trường phần mềm: Windows 10/11 64-bit, ArcGIS Desktop 10.1 (hoặc ArcGIS Pro 3.x / QGIS 3.28 LTR), Python 3.8+ kèm các thư viện: GDAL/OGR, Rasterio, NumPy, GeoPandas.

Hạn chế và hướng phát triển

Hạn chế kỹ thuật hiện tại

  • Độ phân giải không gian 30m: Chưa đủ chi tiết để phân tách các thửa đất thổ cư phân tán nông thôn ($< 400\text{ m}^2$) và các tuyến mương rãnh thủy lợi nhỏ, dẫn đến diện tích đất nông nghiệp giải đoán cao hơn thực tế 23,02 ha.
  • Phụ thuộc vào điều kiện thời tiết nhiệt đới: Khả năng thu thập ảnh quang học bị giới hạn trong mùa mưa bão (tháng 5 đến tháng 8) do mây che phủ trên 80%.

Hướng nâng cấp và nghiên cứu tiếp theo

  1. Tích hợp dữ liệu đa nguồn vệ tinh: Kết hợp dữ liệu ảnh Sentinel-2 (Độ phân giải 10m, chu kỳ 5 ngày) của Cơ quan Vũ trụ Châu Âu (ESA) và ảnh Radar khẩu độ tổng hợp Sentinel-1 SAR để giám sát xuyên mây.
  2. Ứng dụng Machine Learning & Deep Learning: Triển khai các thuật toán phân loại tiên tiến như Random Forest (RF), Support Vector Machines (SVM), và mạng nơ-ron tích chập (U-Net CNN) trên nền tảng điện toán đám mây Google Earth Engine (GEE) để tự động hóa giám sát biến động theo thời gian thực (Near Real-Time Monitoring).

Đối tượng hưởng lợi

                              GIÁ TRỊ CHO CÁC NHÓM ĐỐI TƯỢNG

Câu hỏi thường gặp

1. Yêu cầu cấu hình và phần mềm tối thiểu để chạy quy trình phân loại này là gì?

Hệ thống yêu cầu máy tính chạy Windows 7/10/11 64-bit, vi xử lý tối thiểu 4 nhân, 8GB RAM và phần mềm ArcGIS Desktop 10.1 trở lên (có kích hoạt Spatial Analyst Extension). Ngoài ra, toàn bộ quy trình có thể tái lập trên phần mềm mã nguồn mở QGIS 3.x kết hợp công cụ Semi-Automatic Classification Plugin (SCP) hoàn toàn miễn phí.

2. Tại sao lại chọn tổ hợp màu giả 6-5-2 cho ảnh Landsat 8 thay vì tổ hợp màu tự nhiên 4-3-2?

Tổ hợp màu tự nhiên 4-3-2 chịu ảnh hưởng lớn từ hiện tượng tán xạ khí quyển Rayleigh ở dải sóng ngắn (Blue) và sự tương đồng phổ giữa các loại thảm phủ thực vật. Tổ hợp 6-5-2 kết hợp dải hồng ngoại sóng ngắn (SWIR 1) và cận hồng ngoại (NIR), giúp phản ánh chính xác cấu trúc tế bào lá và hàm lượng ẩm trong đất, tạo độ tương phản màu sắc sắc nét giữa đất nông nghiệp (xanh lục đậm), đất trống (màu đỏ/hồng tươi) và khu dân cư.

3. Phương pháp này có thể tích hợp vào các hệ thống quản lý đất đai địa chính hiện có không?

Có. Toàn bộ dữ liệu đầu ra được chuẩn hóa trên hệ quy chiếu quốc gia VN-2000 (Kinh tuyến trục $106^\circ 30'$, múi chiếu $3^\circ$), có thể xuất trực tiếp sang các định dạng chuẩn công nghiệp như ESRI Shapefile, GeoJSON, hoặc Geodatabase để tích hợp liền mạch vào hệ thống VBDLIS (Hệ thống thông tin đất đai quốc gia) hoặc các nền tảng WebGIS của tỉnh Bắc Kạn.

4. Chi phí để cập nhật bản đồ biến động cho chu kỳ tiếp theo là bao nhiêu?

Chi phí dữ liệu ảnh vệ tinh Landsat 8/9 và Sentinel-2 là 0 VNĐ (được cung cấp miễn phí bởi USGS và ESA). Chi phí duy nhất bao gồm ngày công nội nghiệp xử lý ảnh (khoảng 3 - 5 ngày làm việc) và chi phí đo đạc GPS kiểm chứng thực địa tại một số điểm mẫu, giúp giảm hơn $85%$ chi phí so với đo vẽ trắc địa cổ điển.

5. Tại sao có sự chênh lệch 23,02 ha đất nông nghiệp giữa giải đoán viễn thám và số liệu thống kê?

Sự chênh lệch phát sinh do đặc thù pixel $30\text{ m} \times 30\text{ m}$ ($900\text{ m}^2$). Tại xã miền núi Yên Hân, các công trình nhà ở nông thôn thường có vườn cây ăn quả bao quanh, các đường liên thôn nhỏ và mương dẫn nước có bề rộng $< 5\text{ m}$ nằm lọt trong pixel thảm thực vật. Khi giải đoán tự động, các pixel hỗn hợp này được gán nhãn theo lớp chiếm ưu thế là đất nông nghiệp, dẫn đến diện tích đất nông nghiệp giải đoán cao hơn số liệu thống kê địa chính.

Kết luận

Khóa luận tốt nghiệp của tác giả Cao Phương Thảo đã chứng minh tính ưu việt, độ tin cậy và hiệu quả kinh tế cao của việc ứng dụng công nghệ viễn thám Landsat 8 kết hợp hệ thống thông tin địa lý GIS (ArcGIS 10.1) trong quản lý biến động sử dụng đất cấp xã. Với độ chính xác toàn cục đạt $84,0%$ và hệ số Kappa $K = 0,78$, nghiên cứu đã định lượng hóa bức tranh chuyển dịch đất đai tại xã Yên Hân giai đoạn 2013 - 2016: diện tích đất nông nghiệp tăng 48,90 ha, đất phi nông nghiệp tăng 28,72 ha và đất chưa sử dụng giảm mạnh 77,62 ha.

Kết quả này không chỉ khẳng định giá trị khoa học của phương pháp phân loại xác suất cực đại trên dữ liệu vệ tinh đa thời gian mà còn cung cấp bộ công cụ quản lý thiết thực cho chính quyền địa phương trong việc quy hoạch tài nguyên đất đai bền vững. Trong kỷ nguyên chuyển đổi số quốc gia, việc nhân rộng mô hình giám sát viễn thám tự động hóa lên cấp huyện, cấp tỉnh kết hợp nền tảng dữ liệu lớn Google Earth Engine và ảnh viễn thám siêu độ phân giải chính là hướng đi tất yếu của ngành Quản lý Tài nguyên Thiên nhiên.