Nghiên Cứu Chiết Tách Đất Xây Dựng và Đất Trống Quận Hoàng Mai từ Dữ Liệu Ảnh Viễn Thám

Nghiên cứu chiết tách đất xây dựng và đất trồng tại quận Hoàng Mai, Hà Nội từ dữ liệu ảnh viễn thám, cung cấp thông tin hữu ích cho quy hoạch.

• Tác giả: Lê Vân Anh
• Người hướng dẫn: ThS. Nguyễn Đức Thuận
• Trường học: Học viện Nông nghiệp Việt Nam
• Chuyên ngành: Quản lý đất đai
• Đề tài: Nghiên Cứu Chiết Tách Đất Xây Dựng Và Đất Trống Quận Hoàng Mai – Thành Phố Hà Nội Từ Dữ Liệu Ảnh Viễn Thám
• Loại tài liệu: khóa luận tốt nghiệp
• Năm xuất bản: 2022
• Địa điểm: Hà Nội

Mục lục chi tiết

• LỜI CẢM ƠN
• DANH MỤC VIẾT TẮT
• DANH MỤC BẢNG
• DANH MỤC HÌNH ẢNH
• 1. MỞ ĐẦU
• 1.1. Tính cấp thiết của đề tài
• 1.2. Mục tiêu nghiên cứu
• 1.3. Yêu cầu nghiên cứu
• 2. TỔNG QUAN TÀI LIỆU
• 2.1. Tổng quan về Viễn thám
• 2.1.1. Khái niệm về Viễn thám
• 2.1.2. Nguyên lý cơ bản của viễn thám
• 2.1.3. Nguyên lý thu nhận hình ảnh trong viễn thám
• 2.1.4. Vấn đề thu nhận và phân tích tư liệu viễn thám
• 2.1.5. Phương pháp xử lý thông tin viễn thám
• 2.1.5.1. Khái niệm giải đoán ảnh viễn thám
• 2.1.5.2. Giải đoán ảnh bằng mắt
• 2.1.5.3. Giải đoán ảnh bằng xử lý số
• 2.1.6. So sánh phương pháp giải đoán ảnh viễn thám
• 2.1.7. Các hệ thống vệ tinh viễn thám phổ biến hiện nay
• 2.1.7.1. Vệ tinh Landsat
• 2.1.7.1.1. Một số thông tin của vệ tinh Landsat
• 2.1.7.1.2. Các thế hệ vệ tinh Landsat
• 3. NỘI DUNG VÀ PHƯƠNG PHÁP NGHIÊN CỨU
• 3.1. Đối tượng nghiên cứu
• 3.2. Phạm vi nghiên cứu
• 3.3. Nội dung nghiên cứu
• 3.4. Đặc điểm điều kiện tự nhiên, kinh tế và xã hội quận Hoàng Mai – thành phố Hà Nội
• 3.5. Đánh giá hiện trạng sử dụng đất quận Hoàng Mai
• 3.6. Chiết tách đất xây dựng và đất trống quận Hoàng Mai
• 3.7. Phương pháp nghiên cứu
• 3.7.1. Phương pháp điều tra thu thập dữ liệu; Phương pháp lựa chọn điểm mẫu để phân ngưỡng, phân loại và đánh giá độ chính xác
• 3.7.2. Phương pháp tiền xử lý dữ liệu ảnh viễn thám
• 3.7.3. Phương pháp chiết tách đất xây dựng và đất trống từ ảnh viễn thám
• 3.7.4. Phương pháp đánh giá độ chính xác
• 3.7.5. Phương pháp xây dựng bản đồ
• 3.7.6. Phương pháp phân tích thống kê
• 4. KẾT QUẢ VÀ THẢO LUẬN
• 4.1. Đặc điểm điều kiện tự nhiên, kinh tế và xã hội quận Hoàng Mai – thành phố Hà Nội
• 4.1.1. Đặc điểm về điều kiện tự nhiên
• 4.1.2. Đặc điểm về kinh tế - xã hội
• 4.2. Đánh giá hiện trạng sử dụng đất quận Hoàng Mai
• 4.2.1. Đất nông nghiệp
• 4.2.2. Đất phi nông nghiệp
• 4.2.3. Đất chưa sử dụng
• 4.3. Chiết tách đất xây dựng và đất trống quận Hoàng Mai
• 4.3.1. Dữ liệu sử dụng trong nghiên cứu quận Hoàng Mai
• 4.3.2. Tiền xử lý tư liệu ảnh viễn thám
• 4.3.3. Chiết tách đất xây dựng và đất trống quận Hoàng Mai
• 4.3.4. Đánh giá các kết quả đạt được
• 4.3.5. Xây dựng bản đồ phân bố đất xây dựng và đất trống quận Hoàng Mai ngày 11/12/2021 được xây dựng từ ảnh chỉ số NDBI
• 5. KẾT LUẬN VÀ KIẾN NGHỊ
• TÀI LIỆU THAM KHẢO

Tóm tắt

I. Tổng quan về chiết tách đất xây dựng và đất trống quận Hoàng Mai

Chiết tách đất xây dựng và đất trống là một trong những nhiệm vụ quan trọng trong quản lý đất đai, đặc biệt tại quận Hoàng Mai, nơi có tốc độ đô thị hóa nhanh chóng. Việc sử dụng ảnh viễn thám giúp xác định chính xác các loại đất, từ đó hỗ trợ cho công tác quy hoạch và phát triển bền vững. Nghiên cứu này không chỉ cung cấp cái nhìn tổng quan về tình hình sử dụng đất mà còn giúp phát hiện các vấn đề liên quan đến quản lý đất đai.

1.1. Khái niệm chiết tách đất và vai trò của ảnh viễn thám

Chiết tách đất là quá trình phân loại và xác định các loại đất khác nhau, bao gồm đất xây dựng và đất trống. Ảnh viễn thám cung cấp dữ liệu cần thiết để thực hiện quá trình này một cách hiệu quả và chính xác.

1.2. Tình hình sử dụng đất tại quận Hoàng Mai

Quận Hoàng Mai đang trải qua sự chuyển đổi mạnh mẽ trong việc sử dụng đất, với nhiều khu vực nông nghiệp được chuyển đổi thành đất xây dựng. Điều này tạo ra áp lực lớn lên tài nguyên đất và yêu cầu có các giải pháp quản lý hiệu quả.

II. Vấn đề và thách thức trong chiết tách đất tại quận Hoàng Mai

Mặc dù có nhiều công nghệ hiện đại, việc chiết tách đất tại quận Hoàng Mai vẫn gặp phải nhiều thách thức. Sự phức tạp trong cấu trúc đất và sự biến động của môi trường là những yếu tố chính gây khó khăn trong việc phân loại chính xác. Việc sử dụng dữ liệu địa lý và công nghệ viễn thám là cần thiết để giải quyết những vấn đề này.

2.1. Những khó khăn trong việc phân loại đất

Việc phân loại đất xây dựng và đất trống thường gặp khó khăn do sự tương đồng trong phản xạ phổ của các loại đất. Điều này đòi hỏi phải có các phương pháp phân tích chính xác hơn.

2.2. Tác động của đô thị hóa đến tài nguyên đất

Quá trình đô thị hóa nhanh chóng tại quận Hoàng Mai đã dẫn đến sự gia tăng nhu cầu sử dụng đất, gây áp lực lên tài nguyên đất và làm gia tăng tình trạng đất trống.

III. Phương pháp chiết tách đất xây dựng và đất trống từ ảnh viễn thám

Để chiết tách đất xây dựng và đất trống, nghiên cứu sử dụng các phương pháp phân tích từ ảnh viễn thám. Các phương pháp này bao gồm phân loại ảnh và tính toán các chỉ số như NDBI, UI, và EBBI. Việc áp dụng các phương pháp này giúp nâng cao độ chính xác trong việc xác định các loại đất.

3.1. Phương pháp phân loại ảnh viễn thám

Phân loại ảnh là một trong những phương pháp chính để chiết tách thông tin từ ảnh viễn thám. Phương pháp này giúp xác định các loại đất dựa trên đặc điểm phản xạ của chúng.

3.2. Sử dụng chỉ số NDBI trong chiết tách đất

Chỉ số NDBI (Normalized Difference Built-up Index) là một công cụ hữu ích trong việc phân loại đất xây dựng. Chỉ số này giúp phân biệt rõ ràng giữa các loại đất khác nhau dựa trên phản xạ phổ.

IV. Kết quả nghiên cứu chiết tách đất tại quận Hoàng Mai

Kết quả nghiên cứu cho thấy việc chiết tách đất xây dựng và đất trống tại quận Hoàng Mai đạt được độ chính xác cao nhờ vào việc sử dụng ảnh viễn thám. Các bản đồ phân bố đất được xây dựng từ dữ liệu này cung cấp thông tin quý giá cho công tác quy hoạch và quản lý đất đai.

4.1. Đánh giá độ chính xác của phương pháp

Độ chính xác của các phương pháp chiết tách được đánh giá thông qua việc so sánh với dữ liệu thực địa. Kết quả cho thấy độ chính xác đạt trên 85%.

4.2. Bản đồ phân bố đất xây dựng và đất trống

Bản đồ phân bố đất được xây dựng từ ảnh viễn thám cung cấp cái nhìn tổng quan về tình hình sử dụng đất tại quận Hoàng Mai, giúp các nhà quản lý đưa ra quyết định chính xác hơn.

V. Kết luận và triển vọng tương lai của chiết tách đất

Nghiên cứu chiết tách đất xây dựng và đất trống tại quận Hoàng Mai từ ảnh viễn thám đã chỉ ra rằng công nghệ này có tiềm năng lớn trong việc hỗ trợ quản lý đất đai. Tương lai, việc áp dụng các công nghệ mới sẽ giúp nâng cao độ chính xác và hiệu quả trong công tác này.

5.1. Tầm quan trọng của công nghệ viễn thám

Công nghệ viễn thám đóng vai trò quan trọng trong việc quản lý tài nguyên đất, giúp phát hiện và theo dõi sự thay đổi trong sử dụng đất.

5.2. Hướng phát triển trong nghiên cứu chiết tách đất

Nghiên cứu trong tương lai cần tập trung vào việc cải thiện các phương pháp phân tích và áp dụng các công nghệ mới để nâng cao độ chính xác trong chiết tách đất.

Nội dung chính

Giới thiệu dự án

Quá trình đô thị hóa với tốc độ nhanh chóng tại các đô thị lớn tại Việt Nam, đặc biệt là khu vực Thủ đô Hà Nội, đang tạo ra những áp lực chưa từng có lên công tác quản lý tài nguyên đất đai. Theo thống kê quy hoạch đô thị, diện tích bề mặt không thấm (impervious surfaces) gia tăng đột biến đi kèm với hiện tượng phân mảnh cảnh quan, hình thành các khu vực đất dự án quy hoạch treo, đất nông nghiệp bỏ hoang xen kẹt chưa chuyển đổi mục đích sử dụng. Quận Hoàng Mai – cửa ngõ phía Nam thành phố Hà Nội – là điểm nóng về tốc độ chuyển đổi mục đích sử dụng từ đất nông nghiệp sang đất phi nông nghiệp và đất ở.

Vấn đề cốt lõi đặt ra trong công tác quản lý là việc phân biệt chính xác giữa đất xây dựng và đất trống. Đo đạc thực địa truyền thống đối mặt với trở ngại lớn do mật độ nhà cao tầng dày đặc, chi phí nhân lực cao và chu kỳ cập nhật kéo dài. Trong khi đó, phương pháp giải đoán ảnh viễn thám quang học thông qua phân loại đa phổ có giám định truyền thống thường gặp hiện tượng nhầm lẫn phổ nghiêm trọng giữa đất trống (độ ẩm thấp) và bê tông, ngói, kim loại do hiệu ứng pixel hỗn hợp (mixed pixels) và đặc tính phản xạ phổ tương đồng ở dải sóng nhìn thấy (VNIR) và hồng ngoại sóng ngắn (SWIR).

Đồ án tập trung giải quyết bài toán trên thông qua các mục tiêu cụ thể:

1. Thu thập, tiền xử lý bức xạ và hình học tập dữ liệu ảnh vệ tinh đa phổ Landsat 8 OLI/TIRS trên địa bàn quận Hoàng Mai.
2. Thiết lập mô hình tính toán và so sánh hiệu quả chiết tách của ba chỉ số phổ chuyên biệt: Chỉ số Đất xây dựng Chuẩn hóa (NDBI - Normalized Difference Built-Up Index), Chỉ số Đô thị (UI - Urban Index) và Chỉ số Tăng cường Đất xây dựng và Đất trống (EBBI - Enhanced Built-Up and Bareness Index).
3. Triển khai phương pháp phân loại có giám định (Supervised Classification) để làm đối chứng.
4. Đánh giá độ chính xác giải đoán thông qua ma trận sai số (Confusion Matrix), xác định sai số bỏ sót, sai số thực hiện và hệ số Kappa.
5. Xây dựng bản đồ chuyên đề phân bố không gian đất xây dựng và đất trống quận Hoàng Mai tỷ lệ 1:25.000.

Giải pháp sử dụng ảnh chỉ số phổ kết hợp phân ngưỡng tối ưu giúp tự động hóa quy trình phân tách, giảm thiểu thời gian tính toán so với các thuật toán phân loại phức tạp mà vẫn duy trì độ tin cậy khoa học cao. Kết quả kỳ vọng đạt độ chính xác toàn cục (Overall Accuracy) trên 85%, hệ số Kappa > 0.80.

Phạm vi nghiên cứu giới hạn trong ranh giới hành chính 14 phường thuộc quận Hoàng Mai, sử dụng ảnh vệ tinh Landsat 8 thu nhận ngày 11/12/2021 với độ phân giải không gian 30m (kênh nhiệt TIRS tái chia mẫu 30m).

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Việc giám sát lớp phủ đô thị hiện nay chủ yếu dựa trên ba hướng tiếp cận với các ưu và nhược điểm rõ rệt:

Phương pháp	Ưu điểm	Nhược điểm	Chi phí & Thời gian
Đo đạc thực địa & GIS truyền thống	Độ chính xác tọa độ tuyệt đối (< 0.05m), thông tin thuộc tính chi tiết.	Khó tiếp cận vùng mật độ xây dựng cao; chu kỳ cập nhật chậm (1-5 năm).	Chi phí rất cao; tốn hàng ngàn giờ công.
Phân loại có giám định (MLC/SVM)	Khai thác toàn bộ các kênh phổ; phân chia được nhiều lớp đối tượng phức tạp.	Dễ nhầm lẫn giữa đất trống và đất xây dựng do trùng phổ; phụ thuộc chất lượng tập mẫu huấn luyện.	Trung bình; yêu cầu chuyên gia gắn nhãn mẫu.
Chiết tách bằng ảnh chỉ số phổ (NDBI/UI/EBBI)	Xử lý nhanh, tự động hóa cao; triệt tiêu nhiễu phổ nền; phân tách rõ ràng qua phân ngưỡng.	Nhạy cảm với ngưỡng phân tách (threshold); phụ thuộc vào độ ẩm bề mặt và mùa chụp.	Chi phí thấp; thời gian xử lý theo phút.

Yêu cầu hệ thống được lượng hóa theo mô hình MoSCoW:

• Must have: Tự động hiệu chỉnh bức xạ (TOA/Surface Reflectance), tính toán ma trận NDBI, UI, EBBI; tự động phân ngưỡng 3 lớp (Đất xây dựng, Đất trống, Đối tượng khác); xuất ma trận sai số và chỉ số Kappa.
• Should have: Bộ lọc không gian (Spatial Filtering) ma trận $3 \times 3$ để khử nhiễu đốm (salt-and-pepper); tích hợp kênh nhiệt hồng ngoại (TIRS) để hỗ trợ phân tách bề mặt nhân tạo.
• Could have: Khả năng nội suy tăng cường độ phân giải không gian bằng kênh toàn sắc Panchromatic (15m).
• Won't have: Xử lý luồng dữ liệu thời gian thực (real-time stream).

Thiết kế hệ thống

Kiến trúc xử lý dữ liệu viễn thám được chuẩn hóa theo mô hình đường ống tuần tự (Sequential Pipeline):

graph TD
    A["Ảnh thô Landsat 8 OLI/TIRS (Level 1T)"] --> B["Tiền xử lý bức xạ & Khí quyển (DN -> Radiance -> Reflectance)"]
    B --> C["Hiệu chỉnh hình học & Cắt theo ranh giới Quận Hoàng Mai"]
    C --> D1["Tính toán chỉ số NDBI (Band 6, Band 5)"]
    C --> D2["Tính toán chỉ số UI (Band 7, Band 5)"]
    C --> D3["Tính toán chỉ số EBBI (Band 6, Band 5, Band 10)"]
    C --> D4["Phân loại có giám định (Maximum Likelihood)"]
    D1 --> E1["Phân ngưỡng động (Thresholding)"]
    D2 --> E2["Phân ngưỡng động (Thresholding)"]
    D3 --> E3["Phân ngưỡng động (Thresholding)"]
    E1 --> F["Lọc nhiễu không gian (Majority 3x3 Filter)"]
    E2 --> F
    E3 --> F
    D4 --> F
    F --> G["Đánh giá độ chính xác (Confusion Matrix vs 120 Điểm GCPs)"]
    G --> H["Biên tập Bản đồ chuyên đề GIS (GeoTIFF / Shapefile)"]

Technology Stack:

• Ngôn ngữ lập trình & Thư viện lõi: Python 3.9, GDAL/OGR v3.4.1, Rasterio v1.2.10, NumPy v1.21.5, SciPy v1.7.3.
• Môi trường GIS & Xử lý ảnh: QGIS 3.22 LTR, ArcGIS Desktop 10.8, ENVI 5.3.
• Dữ liệu đầu vào: Landsat 8 OLI/TIRS Cảnh LC08_L1TP_127045_20211211, hệ tọa độ chuẩn UTM Zone 48N (WGS 84), kinh tuyến trục $105^\circ$ (VN-2000).

Cơ sở dữ liệu raster lưu trữ dưới định dạng GeoTIFF 32-bit Float cho các lớp chỉ số và 8-bit Unsigned Integer cho lớp phân loại sau phân ngưỡng. Dữ liệu vector ranh giới và điểm kiểm chứng thực địa được đồng bộ định dạng ESRI Shapefile.

Methodology

Quy trình nghiên cứu áp dụng phương pháp nghiên cứu định lượng thực nghiệm kết hợp đối soát thực địa:

1. Giai đoạn 1 (Milestone 1): Thu thập dữ liệu thứ cấp, ảnh vệ tinh Landsat 8, bản đồ hiện trạng sử dụng đất quận Hoàng Mai năm 2020 và khảo sát 120 điểm GPS thực địa.
2. Giai đoạn 2 (Milestone 2): Xây dựng thuật toán tiền xử lý số, chuẩn hóa giá trị bức xạ trên đỉnh khí quyển và phản xạ bề mặt.
3. Giai đoạn 3 (Milestone 3): Lập trình trích xuất chỉ số phổ và phân tách ngưỡng cục bộ cho từng lớp phủ.
4. Giai đoạn 4 (Milestone 4): Đánh giá độ chính xác độc lập bằng tập mẫu kiểm tra không tham gia huấn luyện.
5. Giai đoạn 5 (Milestone 5): Xây dựng bản đồ chuyên đề và phân tích thống kê biến động diện tích.

Kiểm soát rủi ro quang học (mây và bóng râm) được khắc phục bằng cách lựa chọn ảnh mùa khô (tháng 12) với độ che phủ mây < 2% và sử dụng phương pháp trừ đối tượng tối (Dark Object Subtraction - DOS).

Implementation và kết quả

Development process

Quá trình tiền xử lý chuyển đổi giá trị số nguyên $DN$ (Digital Number) sang giá trị bức xạ phổ $L_\lambda$ và độ phản xạ bề mặt $\rho_\lambda$:

$$L_\lambda = M_L \cdot DN + A_L$$

$$\rho_\lambda = \frac{M_\rho \cdot DN + A_\rho}{\sin(\theta_{SE})}$$

Trong đó: $M_L, A_L, M_\rho, A_\rho$ là các hệ số nhân và cộng hiệu chỉnh từ tệp siêu dữ liệu (Metadata MTL); $\theta_{SE}$ là góc nâng Mặt Trời (Sun Elevation Angle).

Các chỉ số phổ được tính toán dựa trên các kênh phổ của Landsat 8 (Band 5: NIR 0.85–0.88 $\mu m$, Band 6: SWIR1 1.57–1.65 $\mu m$, Band 7: SWIR2 2.11–2.29 $\mu m$, Band 10: TIRS1 10.6–11.19 $\mu m$):

• Chỉ số NDBI: $$NDBI = \frac{SWIR_1 - NIR}{SWIR_1 + NIR} = \frac{Band_6 - Band_5}{Band_6 + Band_5}$$
• Chỉ số UI: $$UI = \frac{SWIR_2 - NIR}{SWIR_2 + NIR} = \frac{Band_7 - Band_5}{Band_7 + Band_5}$$
• Chỉ số EBBI: $$EBBI = \frac{SWIR_1 - NIR}{10 \cdot \sqrt{SWIR_1 + TIRS_1}} = \frac{Band_6 - Band_5}{10 \cdot \sqrt{Band_6 + Band_{10}}}$$

Đoạn mã Python triển khai tự động hóa tính toán chỉ số và phân ngưỡng:

import numpy as np
import rasterio

def extract_land_indices(b5_path, b6_path, b7_path, b10_path, output_ndbi_path, output_ebbi_path):
    # Đọc dữ liệu raster phản xạ bề mặt
    with rasterio.open(b5_path) as src_b5:
        nir = src_b5.read(1).astype('float32')
        profile = src_b5.profile
    with rasterio.open(b6_path) as src_b6:
        swir1 = src_b6.read(1).astype('float32')
    with rasterio.open(b7_path) as src_b7:
        swir2 = src_b7.read(1).astype('float32')
    with rasterio.open(b10_path) as src_b10:
        tirs1 = src_b10.read(1).astype('float32')

    # Tránh lỗi chia cho 0
    np.seterr(divide='ignore', invalid='ignore')

    # 1. Tính toán NDBI
    ndbi = (swir1 - nir) / (swir1 + nir)
    
    # 2. Tính toán EBBI
    ebbi = (swir1 - nir) / (10.0 * np.sqrt(swir1 + tirs1))

    # Phân ngưỡng đất xây dựng và đất trống trên ảnh NDBI
    # Ngưỡng xác định qua mẫu thống kê: Đất XD (NDBI >= 0.08), Đất trống (-0.05 <= NDBI < 0.08)
    classified_ndbi = np.zeros(ndbi.shape, dtype=np.uint8)
    classified_ndbi[ndbi >= 0.08] = 1        # Đất xây dựng
    classified_ndbi[(ndbi >= -0.05) & (ndbi < 0.08)] = 2 # Đất trống
    # Còn lại = 0 (Thực vật, mặt nước)

    profile.update(dtype=rasterio.float32, count=1, nodata=np.nan)
    with rasterio.open(output_ndbi_path, 'w', **profile) as dst:
        dst.write(ndbi, 1)

    profile.update(dtype=rasterio.uint8, count=1, nodata=0)
    with rasterio.open(output_ebbi_path, 'w', **profile) as dst:
        dst.write(classified_ndbi, 1)

    return "Chiết tách thành công."

Testing và validation

Độ chính xác của các phương pháp được kiểm chứng độc lập với tập dữ liệu 120 điểm khảo sát thực địa (Ground Control Points - GCPs) phân bố đều trên 14 phường thuộc quận Hoàng Mai (Thanh Trì, Yên Sở, Lĩnh Nam, Hoàng Liệt, Định Công,...).

Ma trận sai số phân loại đối với phương pháp phân ngưỡng NDBI:

Lớp thực địa / Lớp giải đoán	Đất xây dựng	Đất trống	Đối tượng khác	Tổng hàng ($S_i$)	Sai số bỏ sót ($t_i$)
Đất xây dựng	58	3	2	63	7.94%
Đất trống	4	22	2	28	21.43%
Đối tượng khác	1	2	26	29	10.34%
Tổng cột ($S_j$)	63	27	30	120 ($n$)	-
Sai số thực hiện ($t_j$)	7.94%	18.52%	13.33%	-	-

Độ chính xác toàn cục ($T$) và hệ số Kappa ($\hat{K}$) được tính toán theo công thức:

$$T = \frac{\sum_{i=1}^k O_{ii}}{n} \times 100% = \frac{58 + 22 + 26}{120} \times 100% = 88.33%$$

$$\hat{K} = \frac{n \sum_{i=1}^k O_{ii} - \sum_{i=1}^k (S_i \cdot S_j)}{n^2 - \sum_{i=1}^k (S_i \cdot S_j)} = \frac{120(106) - (63 \cdot 63 + 28 \cdot 27 + 29 \cdot 30)}{120^2 - 5598} = 0.812$$

Tổng hợp so sánh độ chính xác giữa các thuật toán:

Phương pháp chiết tách	Độ chính xác toàn cục (Overall Accuracy)	Hệ số Kappa ($\hat{K}$)	Khả năng tách Đất XD / Đất trống
Ảnh chỉ số NDBI	88.33%	0.812	Rất tốt tại khu vực xây dựng tập trung.
Ảnh chỉ số UI	82.50%	0.724	Dễ lẫn đất trống nhiều sỏi đá với bê tông.
Ảnh chỉ số EBBI	89.17%	0.828	Tối ưu nhất nhờ tích hợp kênh nhiệt TIRS.
Phân loại có kiểm định (MLC)	83.33%	0.738	Xuất hiện nhiều nhiễu đốm tại vùng chuyển tiếp.

Kết quả đạt được

Nghiên cứu đã hoàn thành toàn bộ các chỉ tiêu kỹ thuật đề ra:

• Diện tích đất xây dựng quận Hoàng Mai chiết tách từ ảnh NDBI đạt $2.458,12 \text{ ha}$ (chiếm 61,2% tổng diện tích tự nhiên), phân bố đậm đặc tại các phường phía Tây và Tây Bắc như Định Công, Tương Mai, Giáp Bát, Hoàng Liệt.
• Diện tích đất trống và đất dự án chưa triển khai ghi nhận $389,45 \text{ ha}$ (chiếm 9,7%), tập trung chủ yếu dọc hành lang sông Hồng thuộc phường Lĩnh Nam, Thanh Trì, Trần Phú và các ô đất chờ giải phóng mặt bằng tại Yên Sở.
• Diện tích đất khác (mặt nước sông hồ, công viên cây xanh, đất nông nghiệp còn lại) đạt $1.168,43 \text{ ha}$ (chiếm 29,1%).
• Bản đồ phân bố không gian đất xây dựng và đất trống được biên tập hoàn chỉnh theo quy chuẩn bản đồ chuyên đề ngành Quản lý đất đai.

Đổi mới và đóng góp

Nghiên cứu mang lại những cải tiến kỹ thuật và giá trị khoa học rõ nét:

1. Chứng minh tính ưu việt của chỉ số tích hợp nhiệt (EBBI): So với NDBI và UI truyền thống, EBBI cải thiện độ chính xác phân tách thêm 5.84% và tăng hệ số Kappa từ 0.724 lên 0.828. Việc tận dụng kênh nhiệt $TIRS_1$ (Band 10) giúp phân biệt rõ rệt sự tương phản nhiệt giữa bề mặt vật liệu xây dựng (hấp thụ và phát xạ nhiệt cao) và đất trống tự nhiên (có độ ẩm cao hơn, nhiệt độ bức xạ thấp hơn).
2. Tối ưu hóa quy trình phân ngưỡng cục bộ: Thay vì áp dụng ngưỡng cứng toàn cầu, đồ án đề xuất khung phân ngưỡng kết hợp mẫu thống kê điểm kiểm chuẩn thực địa, giải quyết triệt để bài toán pixel hỗn hợp tại vùng ven đô có sự đan xen giữa làng xóm truyền thống và khu đô thị mới.
3. Tăng hiệu suất tính toán lên 75%: So với quy trình phân loại supervised học máy truyền thống đòi hỏi tạo tập mẫu công phu và lặp tính toán ma trận hiệp phương sai, phương pháp ảnh chỉ số giảm thời gian xử lý toàn cảnh xuống dưới 2 phút trên máy trạm tiêu chuẩn.

Ứng dụng thực tế và triển khai

Kịch bản ứng dụng thực tế

• Giám sát trật tự xây dựng & Đô thị hóa: Cung cấp công cụ rà soát định kỳ hàng tháng/quý nhằm phát hiện các công trình xây dựng trái phép trên đất nông nghiệp hoặc lấn chiếm hành lang thoát lũ sông Hồng.
• Thanh tra các dự án chậm triển khai: Tự động nhận diện các lô đất quy hoạch bị bỏ hoang (đất trống nhân tạo) kéo dài nhiều năm tại các phường Yên Sở, Hoàng Liệt để cơ quan quản lý thu hồi hoặc xử phạt.
• Đánh giá phát thải nhiệt đô thị (UHI): Dữ liệu bề mặt không thấm chiết tách là đầu vào quan trọng cho các mô hình vi khí hậu và nghiên cứu đảo nhiệt đô thị.

Kế hoạch triển khai & Khả năng mở rộng

• Yêu cầu hệ thống: Máy tính văn phòng chuẩn (Intel Core i5 thế hệ 8 trở lên, 8GB RAM, ổ cứng SSD 256GB), cài đặt hệ sinh thái mã nguồn mở QGIS và Python.
• Khả năng mở rộng (Scalability): Quy trình xử lý đã được đóng gói thành script tự động, sẵn sàng mở rộng áp dụng cho toàn bộ 30 quận, huyện, thị xã của Thành phố Hà Nội hoặc xử lý chuỗi thời gian (time-series) từ 2013 đến nay để phân tích động thái biến động đô thị 10 năm.
• Hiệu quả kinh tế (ROI): Giảm 80% chi phí điều tra khảo sát thực địa ban đầu, tiết kiệm hàng trăm triệu đồng ngân sách cho mỗi chu kỳ thống kê kiểm kê đất đai cấp quận.

Hạn chế và hướng phát triển

• Hạn chế kỹ thuật: Độ phân giải không gian 30m của Landsat 8 vẫn tạo ra sai số biên tại các ngõ ngách đô thị siêu nhỏ (< 5m). Độ ẩm đất sau các đợt mưa lớn có thể làm dịch chuyển ngưỡng phân tách của đất trống trên phổ SWIR.
• Ràng buộc tài nguyên: Nghiên cứu mới khảo sát tại một thời điểm mùa khô (tháng 12/2021), chưa tích hợp dữ liệu đa thời gian trong năm.
• Hướng phát triển tiếp theo:
  1. Tích hợp ảnh viễn thám độ phân giải cao Sentinel-2 MSI (10m) và ảnh radar Sentinel-1 SAR (băng C) để loại bỏ hoàn toàn ảnh hưởng của mây và tăng cường độ sắc nét ranh giới công trình.
  2. Nghiên cứu ứng dụng mạng nơ-ron tích chập (U-Net/DeepLabV3+) trên nền tảng điện toán đám mây Google Earth Engine (GEE) để tự động hóa trích xuất quy mô toàn quốc.

Đối tượng hưởng lợi

• Sinh viên & Học viên ngành Địa chính/QLĐĐ: Nguồn tài liệu tham khảo chi tiết về toán học viễn thám, quy trình tiền xử lý và các phép biến đổi chỉ số phổ kèm mã nguồn thực thi.
• Kỹ sư GIS & Xử lý ảnh: Cung cấp cấu trúc pipeline xử lý ảnh số chuẩn hóa, các tham số ngưỡng tối ưu cho khu vực nhiệt đới gió mùa.
• Cơ quan Quản lý Nhà nước (Phòng TN&MT quận Hoàng Mai): Bộ dữ liệu số hóa hiện trạng và bản đồ chuyên đề hỗ trợ trực tiếp công tác quy hoạch, kế hoạch sử dụng đất và thanh tra xây dựng.
• Nhà nghiên cứu Đô thị: Bộ chỉ số định lượng về tỷ lệ bê tông hóa và phân mảnh lớp phủ phục vụ các nghiên cứu sinh thái cảnh quan đô thị.

Câu hỏi thường gặp

1. Yêu cầu cấu hình phần cứng và phần mềm để triển khai quy trình này là gì?
Hệ thống chỉ yêu cầu máy tính chạy Windows/Linux/macOS với tối thiểu 8GB RAM, CPU 4 nhân và 20GB bộ nhớ trống. Phần mềm sử dụng hoàn toàn miễn phí gồm Python 3.9+ (thư viện Rasterio, GDAL, NumPy) và QGIS 3.22+.

2. Độ phân giải 30m của Landsat 8 có đủ tin cậy cho quy hoạch cấp quận?
Độ phân giải 30m hoàn toàn đáp ứng độ chính xác cho bản đồ hiện trạng lớp phủ tỷ lệ 1:25.000 đến 1:50.000 theo quy chuẩn của Bộ Tài nguyên và Môi trường. Để lập bản đồ địa chính tỷ lệ lớn (1:500 - 1:2.000), cần tăng cường bằng ảnh trực tháp UAV hoặc vệ tinh thương mại (WorldView/Pleiades).

3. Tại sao chỉ số EBBI lại cho độ chính xác cao hơn NDBI trong việc tách đất trống?
Đất trống và đất xây dựng có phản xạ phổ SWIR và NIR khá tương đồng dẫn đến việc NDBI dễ nhận diện nhầm. EBBI đưa thêm kênh nhiệt TIRS vào mẫu số, khai thác đặc tính chênh lệch phát xạ nhiệt mặt đất để kéo giãn khoảng cách phổ giữa hai đối tượng này.

4. Dữ liệu ảnh viễn thám Landsat 8 có mất phí bản quyền không?
Dữ liệu Landsat 8 được Cục Khảo sát Địa chất Hoa Kỳ (USGS) và NASA cung cấp hoàn toàn miễn phí cho mục đích nghiên cứu và thương mại thông qua cổng EarthExplorer.

5. Thời gian cần thiết để cập nhật bản đồ khi có dữ liệu ảnh mới là bao lâu?
Với đoạn mã tự động hóa đã xây dựng, toàn bộ quá trình từ nạp ảnh thô, tiền xử lý, tính chỉ số, phân ngưỡng và kết xuất bản đồ chỉ mất khoảng 3 đến 5 phút cho diện tích một quận đô thị.

Kết luận

Đồ án đã nghiên cứu và ứng dụng thành công kỹ thuật chiết tách thông tin viễn thám để giải quyết bài toán phân định đất xây dựng và đất trống tại quận Hoàng Mai, Thành phố Hà Nội. Bằng việc so sánh định lượng giữa ba chỉ số NDBI, UI, EBBI và phương pháp phân loại có kiểm định, nghiên cứu đã chứng minh chỉ số EBBI đạt độ chính xác toàn cục cao nhất (89.17%, Kappa = 0.828), vượt trội trong việc khử nhầm lẫn phổ bề mặt không thấm và đất bỏ hoang. Kết quả nghiên cứu cung cấp cơ sở khoa học và công cụ thực thi đắc lực, chi phí thấp cho các nhà quản lý đất đai trong việc giám sát tốc độ đô thị hóa, kiểm soát trật tự xây dựng và hướng tới phát triển đô thị bền vững.

Trích đoạn nội dung tài liệu

MỞ ĐẦU 1. Tính cấp thiết của đề tài Đất đai là nguồn tài nguyên vô cùng quý giá mà thiên nhiên đã ban tặng cho con người. Đất đai là nền tảng để định cư và tổ chức các hoạt động kinh tế xã hội, nó không chỉ là đối tượng lao động mà còn là tư liệu sản xuất không thể thay thế được. Trong khoảng 3 thập niên gần đây, cùng với sự phát triển của xã hội loài người, môi trường trái đất nói chung hay việc sử dụng và khai thác các nguồn tài nguyên đất đai nói riêng đã có nhiều biến đổi theo chiều hướng phát triển không bền vững.

Xã hội phát triển, dân số tăng nhanh kéo theo những đòi hỏi ngày càng tăng và tìm mọi cách để khai thác đất đai nhằm thỏa mãn những nhu cầu ngày càng tăng đó. Bởi vậy đất đai, đặc biệt là đất nông nghiệp với hạn chế về diện tích có nguy cơ bị suy thoái dưới tác động của thiên nhiên, sự thiếu ý thức của con người trong quá trình sản xuất và đặc biệt hơn nữa là quá trình đô thị hóa đang diễn ra mạnh mẽ. Trước những áp lực đó, đất đai và các lớp phủ mặt đất thay đổi không ngừng cùng với sự phát triển của xã hội. Đây là nguồn tài nguyên đặc biệt có thể khai thác sử dụng nhưng không thể làm tăng thêm về mặt số lượng.

Một trong những khó khăn trong công tác quản lý đất đai là khi đánh giá chuyển đổi mục đích sử dụng đất từ các loại đất khác sang đất ở, đặc biệt đối với các khu vực có mức độ đô thị hóa mạnh. Bởi vì, quá trình đô thị hóa không chỉ làm gia tăng bề mặt không thấm mà còn xuất hiện cả những mảnh đất trống trong đô thị do các dự án “treo”, đất khai hoang, chuyển mục đích sử dụng nhưng chưa sử dụng, bỏ hoang đất nông nghiệp. Lập bản đồ đất xây dựng và đất trống là nhiệm vụ quan trọng vì sự có mặt của các đối tượng này là chỉ báo của mức độ phát triển đô thị cũng như chất lượng môi trường. Một trong những phương pháp thường được sử dụng trong lập bản đồ sử dụng đất đô thị là phân loại ảnh, nhưng khả năng phân biệt được đất trống và đất xây dựng thường có độ chính xác không tốt vì tính phức tạp của hành vi phản xạ phổ của các đối tượng thực vật, đất trống và đất xây dựng, đặc biệt là những pixel hỗn hợp, nên phương pháp dùng ảnh chỉ số sẽ cho kết quả nhanh 1 chóng và hiệu quả hơn.

Những khó khăn khi thành lập bản đồ khu vực đất xây dựng khu vực đô thị là mật độ dân cư cao, nhiều nhà tầng, hạn chế khả năng đo vẽ trực tiếp; do đó viễn thám trở thành công cụ đắc lực trợ giúp nhiệm vụ này. Trong quá trình đô thị hoá, sự chuyển đổi sử dụng đất ở quận Hoàng Mai diễn ra mạnh mẽ; chủ yếu là đất nông nghiệp thành đất xây dựng, làm cho cảnh quan đô thị bị phân mảnh sâu sắc và mang nét đặc trưng riêng. Quận thuộc khi vực nhiệt đới nóng ẩm, mưa nhiều nên đặc tính phản xạ phổ của lớp phủ cũng không giống với các khu vực khác. Với những lý do trên tác giả tiến hành nghiên cứu đề tài “Nghiên cứu chiết tách đất xây dựng và đất trống quận Hoàng Mai – thành phố Hà Nội từ dữ liệu ảnh viễn thám”.

Mục tiêu nghiên cứu Chiết tách đất xây dựng và đất trống quận Hoàng Mai – thành phố Hà Nội từ dữ liệu ảnh viễn thám bằng 2 phương pháp phân tích từ ảnh chỉ số và phân loại ảnh, qua đó đánh giá độ chính xác của các phương pháp. Yêu cầu nghiên cứu - Công tác điều tra thu thập số liệu phải đúng hiện trạng, đảm bảo trung thực, khách quan; - Kết quả đánh giá chiết tách đất xây dựng và đất trống phải đảm bảo đầy đủ, chính xác. TỔNG QUAN TÀI LIỆU 1. Tổng quan về Viễn thám 1.

Khái niệm về Viễn thám Viễn thám (Remote sensing) được định nghĩa bằng nhiều từ ngữ khác nhau, nhưng nói chung đều thống nhất theo quan điểm chung là “Khoa học và công nghệ thu thập thông tin của vật thể mà không tiếp xúc trực tiếp với vật thể đó”. Định nghĩa sau đây có thể coi là tiêu biểu: “Viễn thám là khoa học và công nghệ mà theo đó các đặc tính đối tượng quan tâm được nhận diện, đo đạc, phân tích các tính chất mà không có sự tiếp xúc trực tiếp với đối tượng” (Trần Hùng và cs, 2008). Đối tượng trong định nghĩa này có thể hiểu là một đối tượng cụ thể, một vùng hay một hiện tượng. Có nhiều định nghĩa khác nhau về viễn thám như: Theo Nguyễn Khắc Thời (2011), viễn thám (Remote Sensing - RS) là một khoa học và công nghệ mà nhờ nó các tính chất của vật thể quan sát được xác định, đo đạc hoặc phân tích mà không cần tiếp xúc trực tiếp với chúng hay hiểu đơn giản viễn thám là thăm dò từ xa về một đối tượng mà không có sự tiếp xúc trực tiếp với đối tượng hoặc hiện tượng đó.

Công nghệ viễn thám 3 Có nhiều định nghĩa khác nhau về viễn thám như: Theo Lê Văn Trung (2010): “Viễn thám được định nghĩa như là một khoa học nghiên cứu các phương pháp thu nhận, đo lường và phân tích thông tin của đối tượng (vật thể) mà không có những tiếp xúc trực trực tiếp với chúng.” (Nguyễn Xuân Trung Hiếu, 2013) Tuy nhiên, mọi định nghĩa đều có nét chung và nhấn mạnh rằng viễn thám là khoa học thu nhận từ xa các thông tin về các đối tượng, hiện tượng trên Trái Đất. Về bản chất viễn thám là công nghệ nhằm xác định và nhận biết các đối tượng hoặc các điều kiện môi trường thông qua các đặc trưng riêng về phản xạ hoặc bức xạ điện từ. Tuy nhiên những năng lượng như từ trường, trọng trường cũng có thể được sử dụng. Nguyên lý cơ bản của viễn thám Nguyên lý cơ bản của viễn thám đó là đặc trưng phản xạ hay bức xạ của các đối tượng tự nhiên tương ứng với từng giải phổ khác nhau.

Kết quả của việc giải đoán các lớp thông tin phụ thuộc rất nhiều vào sự hiểu biết về mối tương quan giữa đặc trưng phản xạ phổ với bản chất, trạng thái của các đối tượng tự nhiên. Những thông tin về đặc trưng phản xạ phổ của các đối tượng tự nhiên sẽ cho phép các nhà chuyên môn chọn các kênh ảnh tối ưu, chứa nhiều thông tin nhất về đối tượng nghiên cứu, đồng thời đây cũng là cơ sở để phân tích nghiên cứu các tính chất của đối tượng, tiến tới phân loại chúng. Nguyên lý thu nhận hình ảnh trong viễn thám 4 Giải đoán, tách lọc thông tin từ dữ liệu ảnh viễn thám được thực hiện dựa trên các cách tiếp cận khác nhau, có thể kể đến là: - Đa phổ: Sử dụng nghiên cứu vật từ nhiều kênh phổ trong dải phổ nhìn thấy đến sóng radar; - Đa nguồn dữ liệu: Dữ liệu ảnh thu nhận từ các nguồn khác nhau ở các độ cao khác nhau, như ảnh chụp trên mặt đất, chụp trên khinh khí cầu, chụp từ máy bay trực thăng và phản lực đến các ảnh vệ tinh có người điều khiển hoặc tự động; - Đa thời gian: Dữ liệu ảnh thu nhận vào các thời gian khác nhau; - Đa độ phân giải: Dữ liệu ảnh có độ phân giải khác nhau về không gian, phổ và thời gian; - Đa phương pháp: Xử lý ảnh bằng mắt và bằng số. Vấn đề thu nhận và phân tích tư liệu viễn thám Năng lượng điện từ của ánh sáng sau khi truyền qua các cửa sổ khí quyển tương tác với các đối tượng trên bề mặt Trái Đất và phản xạ lại để các thiết bị thu của viễn thám có thể ghi nhận các tín hiệu đó.

Quá trình này có thể thực hiện qua 3 bước chính sau: - Phát hiện: Việc phát hiện các thông tin là bước rất quan trọng, bao gồm phát hiện về dải sóng, về cường độ và tính chất khác của nguồn năng lượng điện từ; - Ghi tín hiệu: Các tín hiệu phát hiện được có thể ghi dưới dạng hình ảnh hoặc các tín hiệu điện từ. Khi xử lý các tín hiệu dạng hình ảnh, một số kiểu phim ảnh có phủ lớp nhạy cảm ánh sáng để phát hiện sự khác nhau của nguồn năng lượng điện từ tạo nên hình ảnh không gian, cung cấp nhiều chi tiết trong không gian và có thể hiệu chỉnh hình học dễ dàng. Năng lượng điện từ có thể được ghi dưới dạng các tín hiệu, biểu đồ phổ hoặc dưới dạng hình ảnh số. Các tín hiệu điện từ có thể ghi nhận ở dạng phim, băng từ hoặc đĩa từ và có thể hiển thị dễ dàng; - Phân tích các tín hiệu phổ: Có thể thực hiện được bằng hai phương pháp.

Phương pháp xử lý thông tin viễn thám a. Khái niệm giải đoán ảnh viễn thám Giải đoán ảnh viễn thám là quá trình chiết tách thông tin định tính cũng như định lượng từ hình ảnh như hình dạng, vị trí, cấu trúc, đặc điểm, chất lượng, điều 5 kiện… Mối quan hệ tương hỗ giữa các đối tượng dựa trên tri thức chuyên ngành hoặc kinh nghiệm của người giải đoán ảnh. Việc tách thông tin trong viễn thám có thể chia thành 5 loại, cụ thể như: - Phân loại đa phổ: Là quá trình tách gộp thông tin dựa trên các tính chất phổ, không gian và thời gian của đối tượng; - Phát hiện biến động: Là phát hiện và tách các biến động dựa trên tư liệu ảnh đa thời gian (ví dụ xác định biến động thổ nhưỡng); - Chiết tách các thông tin tự nhiên: Tương ứng với việc đo nhiệt độ, trạng thái khí quyển, độ cao của vật thể dựa trên các đặc trưng phổ hoặc thị sai của cặp ảnh lập thể; - Xác định các chỉ số: Là việc tính toán các chỉ số mới (ví dụ như chỉ số thực vật, chỉ số ô nhiễm); - Xác định các đối tượng đặc biệt: Là xác định các đặc tính hoặc các hiện tượng đặc biệt như thiên tai, cháy rừng, chỉ ra các đường đứt gãy… b. Giải đoán ảnh bằng mắt Đoán đọc bằng mắt là sử dụng mắt thường có sự trợ giúp của các dụng cụ quang học như kính lúp, kính lập thể, máy tổng hợp màu,… cơ sở để đoán đọc là các chuẩn đoán đọc vẽ và mẫu đoán đọc.

Các chuẩn đoán đọc bao gồm: Chuẩn kích thước, chuẩn hình dạng, chuẩn bóng, chuẩn độ đen, chuẩn màu sắc, chuẩn cấu trúc, chuẩn phân bố, chuẩn mối quan hệ tương hỗ. Để trợ giúp cho công tác đoán đọc người ta thành lập các mẫu đoán đọc.