Nghiên cứu công nghệ viễn thám và gis trong dự báo sự biến động bề mặt không thấm khu vực thành phố hồ chí minh

Nghiên cứu công nghệ viễn thám và GIS trong dự báo biến động bề mặt không thấm tại thành phố Hồ Chí Minh, ứng dụng và tiềm năng phát triển.

• Tác giả: Phạm Văn Tùng
• Người hướng dẫn: TS. Nguyễn Văn Trung
• Trường học: Trường Đại Học Mỏ - Địa Chất
• Chuyên ngành: Kỹ thuật Trắc địa - bản đồ
• Đề tài: Nghiên Cứu Công Nghệ Viễn Thám Và GIS Trong Dự Báo Sự Biến Động Bề Mặt Không Thấm Khu Vực Thành Phố Hồ Chí Minh
• Loại tài liệu: luận án tiến sĩ kỹ thuật
• Năm xuất bản: 2023
• Địa điểm: Hà Nội

Mục lục chi tiết

• LỜI CAM ĐOAN
• 1. CHƯƠNG 1: TỔNG QUAN VỀ VẤN ĐỀ NGHIÊN CỨU
• 1.1. Tổng quan về bề mặt không thấm
• 1.2. Ảnh hưởng của bề mặt không thấm đến môi trường
• 1.3. Đô thị hóa và sự thay đổi diện tích bề mặt không thấm
• 1.4. Hiện trạng đô thị hóa trên thế giới và ở Việt Nam
• 1.5. Biến động diện tích bề mặt không thấm
• 1.6. Khả năng ứng dụng viễn thám và GIS trong giám sát biến động bề mặt không thấm
• 1.7. Các phương pháp chiết xuất thông tin bề mặt không thấm từ dữ liệu viễn thám
• 1.7.1. Phương pháp phân loại truyền thống
• 1.7.2. Phương pháp sử dụng các chỉ số phổ
• 1.7.3. Phương pháp phân loại sử dụng trí tuệ nhân tạo
• 1.8. Tổng quan tình hình nghiên cứu trong và ngoài nước
• 1.8.1. Trên thế giới
• 1.9. Luận giải những vấn đề cần nghiên cứu
• 1.10. Tiểu kết chương 1
• 2. CHƯƠNG 2: CƠ SỞ KHOA HỌC PHƯƠNG PHÁP DỰ BÁO BIẾN ĐỘNG BỀ MẶT KHÔNG THẤM KHU VỰC THÀNH PHỐ HỒ CHÍ MINH SỬ DỤNG CÔNG NGHỆ VIỄN THÁM VÀ GIS
• 2.1. Đặc điểm khu vực nghiên cứu
• 2.2. Điều kiện tự nhiên
• 2.3. Điều kiện kinh tế - xã hội
• 2.4. Đặc điểm đô thị hóa ở Thành phố Hồ Chí Minh
• 2.5. Nghiên cứu lựa chọn các nhân tố ảnh hưởng đến sự biến động bề mặt không thấm
• 2.6. Lựa chọn bộ dữ liệu bổ sung
• 2.7. Đánh giá tương quan giữa bộ dữ liệu bổ sung và dữ liệu cơ sở
• 2.8. Cơ sở khoa học phương pháp chiết xuất các lớp dữ liệu bổ sung cho mô hình dự báo sự biến động bề mặt không thấm
• 2.8.1. Mật độ che phủ thực vật
• 2.8.2. Nhiệt độ bề mặt
• 2.8.3. Khoảng cách tới đường giao thông
• 2.8.4. Khoảng cách tới thủy hệ
• 2.8.5. Dữ liệu mật độ dân cư
• 2.8.6. Khoảng cách tới công trình đặc biệt
• 2.9. Cơ sở khoa học phương pháp phân loại bề mặt không thấm từ dữ liệu viễn thám
• 2.9.1. Thuật toán xác suất cực đại
• 2.9.2. Thuật toán Random Forest
• 2.9.3. Thuật toán Support Vector Machine
• 2.9.4. Thuật toán Classification and Regression Tree
• 2.10. Mô hình Cellular Automata và các kỹ thuật học máy mô phỏng sự thay đổi bề mặt không thấm
• 2.10.1. Mô hình Cellular Automata
• 2.10.2. Mạng nơ ron nhân tạo (ANN)
• 2.10.3. Hồi quy Logistic (LR)
• 2.11. Sơ đồ mô hình dự báo sự biến động mặt không thấm
• 2.12. Tiểu kết chương 2
• 3. CHƯƠNG 3: THỰC NGHIỆM DỰ BÁO BIẾN ĐỘNG BỀ MẶT KHÔNG THẤM KHU VỰC THÀNH PHỐ HỒ CHÍ MINH
• 3.1. Đặc điểm dữ liệu sử dụng
• 3.1.1. Dữ liệu viễn thám
• 3.1.2. Dữ liệu khác
• 3.2. Kết quả phân loại bề mặt không thấm từ ảnh vệ tinh Landsat đa thời gian
• 3.2.1. Kết quả phân loại sử dụng thuật toán RF
• 3.2.2. Kết quả phân loại sử dụng thuật toán SVM
• 3.2.3. Kết quả phân loại sử dụng thuật toán CART
• 3.2.4. Kết quả phân loại sử dụng thuật toán Maximum Likelihood
• 3.3. Đánh giá và lựa chọn phương pháp phân loại phù hợp
• 3.4. Kết quả dự báo phân bố bề mặt không thấm khu vực Thành phố Hồ Chí Minh
• 3.4.1. Kết quả dự báo biến động bề mặt không thấm năm 2020
• 3.4.2. Đánh giá và hoàn thiện mô hình dự báo sự biến động bề mặt không thấm
• 3.4.3. Kết quả dự báo biến động bề mặt không thấm khu vực Thành phố Hồ Chí Minh trong tương lai
• 3.5. Tiểu kết chương 3
• KẾT LUẬN VÀ KIẾN NGHỊ
• CÁC CÔNG TRÌNH KHOA HỌC ĐÃ CÔNG BỐ
• TÀI LIỆU THAM KHẢO

Tóm tắt

I. Tổng Quan về Nghiên Cứu Biến Động Bề Mặt Không Thấm TPHCM

Nghiên cứu về biến động bề mặt không thấm tại các đô thị lớn như TP.HCM ngày càng trở nên cấp thiết. Bề mặt không thấm, bao gồm đường giao thông, vỉa hè, bãi đậu xe và mái nhà, không chỉ là chỉ số đô thị hóa mà còn là chỉ số quan trọng về chất lượng môi trường. Sự gia tăng của chúng có thể dẫn đến tăng quy mô, thời gian và cường độ dòng chảy đô thị, gây ô nhiễm nguồn nước và giảm diện tích thảm thực vật. Điều này ảnh hưởng đến khí hậu đô thị, làm tăng nhiệt độ và gây ra hiện tượng đảo nhiệt. Vì vậy, thông tin về phân bố không gian của bề mặt không thấm là rất quan trọng cho quy hoạch, quản lý và bảo vệ tài nguyên môi trường.

1.1. Tầm Quan Trọng của Nghiên Cứu Bề Mặt Không Thấm Đô Thị

Bề mặt không thấm ngăn chặn nước thấm vào đất, gây ra nhiều vấn đề về môi trường. Việc nghiên cứu và theo dõi sự biến động của chúng giúp chúng ta hiểu rõ hơn về tác động của đô thị hóa đến môi trường và đưa ra các giải pháp quản lý hiệu quả. Theo nghiên cứu, sự gia tăng diện tích bề mặt không thấm tác động và gây ô nhiễm nguồn nước, làm giảm diện tích thảm thực vật và ảnh hưởng đến khí hậu đô thị.

1.2. Ứng Dụng Viễn Thám và GIS trong Giám Sát Đô Thị Hóa

Kỹ thuật viễn thám và GIS cung cấp phương pháp hiệu quả để quan trắc, lập bản đồ phân bố và ước tính diện tích bề mặt không thấm do khả năng thu thập dữ liệu đa thời gian, đa phổ và trên diện rộng. GIS với khả năng phân tích dữ liệu không gian mạnh mẽ, cho phép định lượng, phân tích và mô hình hóa sự biến đổi của bề mặt không thấm, giúp dự báo xu hướng phát triển của đô thị.

II. Thách Thức Vấn Đề trong Dự Báo Biến Động Bề Mặt TPHCM

Mặc dù có nhiều nghiên cứu về bề mặt không thấm, nhưng vẫn còn những thách thức trong việc dự báo sự biến động của chúng, đặc biệt ở các đô thị lớn như TP.HCM. Các nghiên cứu trước đây thường chỉ tập trung vào phân loại và xác định biến động giữa các thời điểm khác nhau, hoặc đánh giá mối quan hệ giữa nhiệt độ bề mặt và diện tích bề mặt không thấm. Việc mô hình hóa sự biến động và dự báo sự gia tăng diện tích bề mặt không thấm về cả diện tích và không gian vẫn còn hạn chế. Sự mở rộng nhanh chóng của bề mặt không thấm ảnh hưởng lớn đến quá trình thoát nước bề mặt, gây ra hậu quả tiêu cực đến con người và môi trường.

2.1. Hạn Chế của Nghiên Cứu Hiện Tại về Bề Mặt Không Thấm

Các nghiên cứu hiện tại thường chỉ tập trung vào phân loại và xác định biến động, chưa đi sâu vào mô hình hóa và dự báo sự biến động về diện tích và không gian của bề mặt không thấm. Điều này gây khó khăn trong việc đưa ra các giải pháp quy hoạch và quản lý đô thị hiệu quả. Cần có những nghiên cứu chuyên sâu hơn để giải quyết vấn đề này.

2.2. Tác Động của Đô Thị Hóa Nhanh Chóng đến Bề Mặt Không Thấm

Quá trình đô thị hóa nhanh chóng ở các thành phố lớn như TP.HCM dẫn đến sự mở rộng nhanh chóng của bề mặt không thấm, gây ra nhiều vấn đề về thoát nước, ô nhiễm và ảnh hưởng đến khí hậu đô thị. Việc dự báo chính xác sự biến động của bề mặt không thấm là cần thiết để giảm thiểu các tác động tiêu cực này. Hậu quả của việc tăng diện tích bề mặt không thấm là quá trình thoát nước bề mặt bị ảnh hưởng và gây ra hậu quả tiêu cực đến các hoạt động của con người.

2.3. Thiếu Nghiên Cứu Mô Hình Hóa và Dự Báo Biến Động Không Gian

Hiện nay vẫn còn thiếu các nghiên cứu sử dụng công nghệ viễn thám và GIS nhằm mô hình hóa sự biến động bề mặt không thấm và dự báo sự gia tăng bề mặt không thấm ở các đô thị về cả diện tích và không gian. Điều này ảnh hưởng đến quá trình thoát nước bề mặt khi có lượng mưa lớn, gây ra hậu quả tiêu cực đến các hoạt động của con người và môi trường sống ở các đô thị lớn.

III. Phương Pháp Viễn Thám GIS Dự Báo Biến Động Bề Mặt

Luận án này tập trung vào việc lựa chọn mô hình dự báo sự biến động bề mặt không thấm trong tương lai tại khu vực TP.HCM, sử dụng công nghệ viễn thám và Hệ thống thông tin địa lý kết hợp với các kỹ thuật trí tuệ nhân tạo. Nghiên cứu này sử dụng dữ liệu ảnh vệ tinh Landsat đa thời gian (2010-2020) để mô hình hóa và dự báo biến động bề mặt không thấm trong tương lai (2025, 2030). Các phương pháp phân tích, tổng hợp, viễn thám và GIS được kết hợp để đạt được mục tiêu.

3.1. Ứng Dụng Dữ Liệu Viễn Thám Landsat Đa Thời Gian

Dữ liệu ảnh vệ tinh Landsat đa thời gian (2010-2020) được sử dụng để phân tích sự biến động của bề mặt không thấm trong quá khứ và hiện tại. Dữ liệu này cung cấp thông tin quan trọng về sự thay đổi về diện tích và phân bố của bề mặt không thấm theo thời gian, giúp xây dựng mô hình dự báo chính xác hơn.

3.2. Kết Hợp GIS và Trí Tuệ Nhân Tạo trong Mô Hình Hóa

Hệ thống thông tin địa lý (GIS) được sử dụng để tích hợp, phân tích và mô hình hóa dữ liệu không gian. Các kỹ thuật trí tuệ nhân tạo (AI), như mạng nơ-ron và hồi quy logistic, được sử dụng để xây dựng mô hình dự báo sự biến động bề mặt không thấm. Sự kết hợp này giúp tận dụng tối đa sức mạnh của cả hai công nghệ.

3.3. Xây dựng Mô Hình Giám Sát và Dự Báo Biến Động Bề Mặt Không Thấm

Tổng hợp, phân tích và đánh giá các nghiên cứu trong và ngoài nước liên quan đến ứng dụng viễn thám và hệ thống thông tin địa lý kết hợp phương pháp mô hình hóa trong xây dựng mô hình giám sát và dự báo biến động bề mặt không thấm. Đánh giá các mô hình dự báo biến động bề mặt không thấm phù hợp với điều kiện cụ thể khu vực nghiên cứu.

IV. Thực Nghiệm Đánh Giá Mô Hình Dự Báo Bề Mặt Không Thấm TPHCM

Nghiên cứu thực hiện phân loại bề mặt không thấm từ ảnh vệ tinh Landsat bằng nhiều phương pháp khác nhau, bao gồm phân loại truyền thống và các kỹ thuật học máy (Random Forest, SVM, CART, Maximum Likelihood). Độ chính xác của các phương pháp được đánh giá để lựa chọn phương pháp phù hợp nhất cho khu vực nghiên cứu. Sau đó, mô hình dự báo được xây dựng và thử nghiệm, kết quả được phân tích và đánh giá để hoàn thiện.

4.1. Phân Loại Bề Mặt Không Thấm Sử Dụng Các Thuật Toán Học Máy

Các thuật toán học máy như Random Forest (RF), Support Vector Machine (SVM), Classification and Regression Tree (CART) và Maximum Likelihood được sử dụng để phân loại bề mặt không thấm từ ảnh vệ tinh Landsat. Đánh giá và so sánh độ chính xác của từng thuật toán để lựa chọn phương pháp phù hợp nhất cho khu vực nghiên cứu.

4.2. Đánh Giá Độ Chính Xác của Mô Hình Dự Báo Biến Động

Độ chính xác của mô hình dự báo được đánh giá bằng cách so sánh kết quả dự báo với dữ liệu thực tế hoặc dữ liệu lịch sử. Các chỉ số đánh giá như độ chính xác tổng thể (overall accuracy) và chỉ số Kappa được sử dụng để định lượng độ tin cậy của mô hình. Phân tích và đánh giá kết quả.

4.3. Thực Nghiệm Phân Loại Bề Mặt Không Thấm từ Dữ Liệu Ảnh Vệ Tinh Landsat

Thực nghiệm phân loại bề mặt không thấm từ dữ liệu ảnh vệ tinh Landsat bằng các phương pháp khác nhau: phân loại truyền thống, phân loại dựa trên các kỹ thuật học máy. Lựa chọn phương pháp phân loại có độ chính xác cao nhất áp dụng cho khu vực nghiên cứu. Thử nghiệm và lựa chọn mô hình, xây dựng bản đồ dự báo biến động bề mặt không thấm khu vực Thành phố Hồ Chí Minh.

V. Kết Quả Ứng Dụng Dự Báo Biến Động Bề Mặt TPHCM

Kết quả nghiên cứu cho thấy mô hình dự báo sự biến động bề mặt không thấm có thể được sử dụng để dự báo sự gia tăng diện tích bề mặt không thấm trong tương lai tại TP.HCM. Bản đồ dự báo biến động bề mặt không thấm năm 2025 và 2030 được xây dựng, cung cấp thông tin quan trọng cho quy hoạch đô thị và quản lý tài nguyên môi trường. Mô hình này cũng có thể được áp dụng cho các khu vực đô thị khác trong cả nước.

5.1. Dự Báo Biến Động Bề Mặt Không Thấm cho Năm 2025 và 2030

Mô hình dự báo được sử dụng để dự báo sự biến động của bề mặt không thấm tại TP.HCM cho năm 2025 và 2030. Kết quả dự báo cung cấp thông tin chi tiết về sự thay đổi về diện tích và phân bố của bề mặt không thấm, giúp các nhà quy hoạch và quản lý đô thị đưa ra các quyết định sáng suốt.

5.2. Ứng Dụng Thực Tế trong Quy Hoạch Đô Thị và Môi Trường

Thông tin từ bản đồ dự báo biến động bề mặt không thấm có thể được sử dụng để quy hoạch đô thị bền vững, quản lý tài nguyên nước, giảm thiểu ô nhiễm và ứng phó với biến đổi khí hậu. Ví dụ, có thể sử dụng để xác định các khu vực có nguy cơ ngập lụt cao do sự gia tăng bề mặt không thấm.

VI. Kết Luận Hướng Nghiên Cứu Tiếp Theo Về Bề Mặt Không Thấm

Nghiên cứu đã thành công trong việc xây dựng và thử nghiệm mô hình dự báo sự biến động bề mặt không thấm tại TP.HCM, sử dụng công nghệ viễn thám và GIS kết hợp trí tuệ nhân tạo. Kết quả nghiên cứu cung cấp thông tin quan trọng cho quy hoạch đô thị và quản lý môi trường. Hướng nghiên cứu tiếp theo có thể tập trung vào việc cải thiện độ chính xác của mô hình, tích hợp thêm các yếu tố ảnh hưởng khác và mở rộng phạm vi ứng dụng.

6.1. Đánh Giá và Tổng Kết Kết Quả Nghiên Cứu

Nghiên cứu đã đạt được mục tiêu đề ra là xây dựng và thử nghiệm mô hình dự báo sự biến động bề mặt không thấm tại TP.HCM. Mô hình này cung cấp thông tin quan trọng và hữu ích cho quy hoạch đô thị và quản lý môi trường. Đánh giá mô hình dự báo cũng có thể áp dụng cho các khu vực đô thị khác trong cả nước.

6.2. Đề Xuất Hướng Nghiên Cứu Mở Rộng và Phát Triển

Hướng nghiên cứu tiếp theo có thể tập trung vào việc cải thiện độ chính xác của mô hình bằng cách sử dụng dữ liệu có độ phân giải cao hơn, tích hợp thêm các yếu tố ảnh hưởng khác như biến đổi khí hậu và chính sách phát triển đô thị. Ngoài ra, có thể mở rộng phạm vi ứng dụng của mô hình để hỗ trợ quản lý tài nguyên nước, giảm thiểu ô nhiễm và ứng phó với biến đổi khí hậu.

Trích đoạn nội dung tài liệu

chương 1. CƠ SỞ KHOA HỌC PHƯƠNG PHÁP DỰ BÁO BIẾN ĐỘNG BỀ MẶT KHÔNG THẤM KHU VỰC THÀNH PHỐ HỒ CHÍ MINH SỬ DỤNG CÔNG NGHỆ VIỄN THÁM VÀ GIS. Đặc điểm khu vực nghiên cứu. Điều kiện tự nhiên.

Điều kiện kinh tế - xã hội. Đặc điểm đô thị hóa ở Thành phố Hồ Chí Minh. Nghiên cứu lựa chọn các nhân tố ảnh hưởng đến sự biến động bề mặt không thấm. Lựa chọn bộ dữ liệu bổ sung.

Đánh giá tương quan giữa bộ dữ liệu bổ sung và dữ liệu cơ sở. Cơ sở khoa học phương pháp chiết xuất các lớp dữ liệu bổ sung cho mô hình dự báo sự biến động bề mặt không thấm. Mật độ che phủ thực vật. Nhiệt độ bề mặt.

Khoảng cách tới đường giao thông. Khoảng cách tới thủy hệ. Dữ liệu mật độ dân cư. Khoảng cách tới công trình đặc biệt.

Cơ sở khoa học phương pháp phân loại bề mặt không thấm từ dữ liệu viễn thám. Thuật toán xác suất cực đại. Thuật toán Random Forest. Thuật toán Support Vector Machine.

Thuật toán Classification and Regression Tree. Mô hình Cellular Automata và các kỹ thuật học máy mô phỏng sự thay đổi bề mặt không thấm. Mô hình Cellular Automata. Mạng nơ ron nhân tạo (ANN).

Hồi quy Logistic (LR). Sơ đồ mô hình dự báo sự biến động mặt không thấm. Tiểu kết chương 2. THỰC NGHIỆM DỰ BÁO BIẾN ĐỘNG BỀ MẶT KHÔNG THẤM KHU VỰC THÀNH PHỐ HỒ CHÍ MINH.

Đặc điểm dữ liệu sử dụng. Dữ liệu viễn thám. Dữ liệu khác. Kết quả phân loại bề mặt không thấm từ ảnh vệ tinh Landsat đa thời gian.

Kết quả phân loại sử dụng thuật toán RF. Kết quả phân loại sử dụng thuật toán SVM. Kết quả phân loại sử dụng thuật toán CART. Kết quả phân loại sử dụng thuật toán Maximum Likelihood.

Đánh giá và lựa chọn phương pháp phân loại phù hợp. Kết quả dự báo phân bố bề mặt không thấm khu vực Thành phố Hồ Chí Minh. Kết quả dự báo biến động bề mặt không thấm năm 2020. Đánh giá và hoàn thiện mô hình dự báo sự biến động bề mặt không thấm ………118 3.

Kết quả dự báo biến động bề mặt không thấm khu vực Thành phố Hồ Chí Minh trong tương lai. Tiểu kết chương 3. 131 KẾT LUẬN VÀ KIẾN NGHỊ. 134 CÁC CÔNG TRÌNH KHOA HỌC ĐÃ CÔNG BỐ.

135 TÀI LIỆU THAM KHẢO. Giao diện và mã code phân loại bề mặt không thấm trên nền tảng Google Earth Engine (GEE). Thông tin về các điểm dùng để so sánh kết quả dự báo phân bố bề mặt không thấm năm 2025 và bản đồ quy hoạch đến năm 2025. 168 DANH MỤC CHỮ VIẾT TẮT Tên viết tắt Tên đầy đủ tiếng anh Tên đầy đủ tiếng việt ANN Artificial Neural Network Mạng nơ-ron nhân tạo CA Cellular Automata CART Classification and Regression Phân loại và cây hồi quy Tree CSDL Cơ sở dữ liệu DEM Digital Elevation Model Mô hình số độ cao EBBI Enhanced Built-up and Bareness Chỉ số đất xây dựng và đất trống Index tăng cường ETM+ Enhanced Thematic Mapper Plus Bộ cảm biến ETM+ GIS Geographical Information Hệ thông tin địa lý System LST Land surface temperature Nhiệt độ bề mặt MIR Middle Infrared Hồng ngoại trung MSI MultiScanner Instrument Thiết bị quét đa phổ NDBI Normalized Difference Built-up Chỉ số khác biệt đất xây dựng Index NDVI Normalized Difference Chỉ số khác biệt thực vật Vegetation Index NDWI Normalized Difference Water Chỉ số khác biệt nước Index NIR Near Infrared Cận hồng ngoại OLI Operational Land Image Bộ cảm biến OLI RF Random Forest Rừng ngẫu nhiên SRTM Space Shuttle Radar Topography Mission SVM Support Vector Machine Máy hỗ trợ vector SWIR Shortware Infrared Hồng ngoại sóng ngắn TIR Thermal Infrared Hồng ngoại nhiệt TM Thematic Mapper Bộ cảm biến TM UHI Urban Heat Island Đảo nhiệt đô thị UI Urban Index Chỉ số đô thị DANH MỤC BẢNG BIỂU Bảng 1.

Các thế hệ vệ tinh Landsat. Đặc điểm các kênh phổ ảnh vệ tinh Landsat 8/9 [153]. Giá trị tương quan của các lớp dữ liệu bổ sung. Đặc điểm ảnh hồng ngoại nhiệt Landsat.

Diện tích, dân số và mật độ dân số năm 2021 khu vực Thành phố Hồ Chí Minh phân theo quận/huyện. Ma trận sai số khi phân loại bằng thuật toán RF đối với ảnh Landsat khu vực nghiên cứu năm 2010. Độ chính xác khi phân loại bằng thuật toán RF đối với ảnh Landsat khu vực nghiên cứu năm 2010. Ma trận sai số khi phân loại bằng thuật toán RF đối với ảnh Landsat khu vực nghiên cứu năm 2015.

Độ chính xác khi phân loại bằng thuật toán RF đối với ảnh Landsat khu vực nghiên cứu năm 2015. Ma trận sai số khi phân loại bằng thuật toán SVM đối với ảnh Landsat khu vực nghiên cứu năm 2010. Độ chính xác khi phân loại bằng thuật toán SVM đối với ảnh Landsat khu vực nghiên cứu năm 2010. Ma trận sai số khi phân loại bằng thuật toán SVM đối với ảnh Landsat khu vực nghiên cứu năm 2015.

Độ chính xác khi phân loại bằng thuật toán SVM đối với ảnh Landsat khu vực nghiên cứu năm 2015. Ma trận sai số khi phân loại bằng thuật toán CART đối với ảnh Landsat khu vực nghiên cứu năm 2010. Độ chính xác khi phân loại bằng thuật toán CART đối với ảnh Landsat khu vực nghiên cứu năm 2010. Ma trận sai số khi phân loại bằng thuật toán CART đối với ảnh Landsat khu vực nghiên cứu năm 2015.

Độ chính xác khi phân loại bằng thuật toán CART đối với ảnh Landsat khu vực nghiên cứu năm 2015. Ma trận sai số khi phân loại bằng thuật toán xác suất cực đại đối với ảnh Landsat khu vực nghiên cứu năm 2010. Độ chính xác khi phân loại bằng thuật toán xác suất cực đại đối với ảnh Landsat khu vực nghiên cứu năm 2010. Ma trận sai số khi phân loại bằng thuật toán xác suất cực đại đối với ảnh Landsat khu vực nghiên cứu năm 2015.

Độ chính xác khi phân loại bằng thuật toán xác suất cực đại đối với ảnh Landsat khu vực nghiên cứu năm 2015. Độ chính xác tổng thể và chỉ số Kappa của các thuật toán phân loại đối với ảnh Landsat khu vực nghiên cứu năm 2010. Độ chính xác tổng thể và chỉ số Kappa của các thuật toán phân loại đối với ảnh Landsat khu vực nghiên cứu năm 2015. Các tham số sử dụng trong thuật toán ANN.

Các tham số sử dụng trong thuật toán hồi quy Logistic. Diện tích của các đối tượng giai đoạn 2010 - 2025. Diện tích biến động của các đối tượng giai đoạn 2020 - 2025 và 2025 - 2030 129 DANH MỤC HÌNH VẼ Hình 1. Mô tả về bề mặt không thấm [151].

So sánh khả năng thấm nước của bề mặt không thấm và bề mặt thấm [46]. Định lượng hóa khả năng thấm nước của bề mặt không thấm và bề mặt thấm [49]. So sánh dòng chảy bề mặt đối với các bề mặt khác nhau khi lượng mưa đạt 3 inch [152]. Tác động của sự gia tăng bề mặt không thấm đến chất lượng nước khu vực hồ Dianchi (Trung Quốc) [78].

Nhiệt độ bề mặt các khu vực với lớp phủ bề mặt khác nhau [26]. Dự báo tỉ lệ dân cư đô thị tại các nước ở châu Á đến năm 2050 [84]. Thay đổi diện tích đất xây dựng ở thủ đô Ấn Độ giai đoạn 1972 - 2014 [105]. Thay đổi diện tích đất xây dựng khu vực Quảng Đông-Hồng Kông-Ma Cao (Trung Quốc) giai đoạn 1987 – 2017 từ dữ liệu ảnh Landsat [75].

Biến động diện tích bề mặt không thấm khu vực Thành phố Hồ Chí Minh giai đoạn 1989 - 2019 [9]. Biến động diện tích bề mặt không thấm khu vực thành phố Thanh Hóa giai đoạn 2015 - 2021 [87]. Phân loại đất trống đô thị từ các chỉ số khác nhau trong nghiên cứu của Nguyen Trong Can và cộng sự (2021) [116]. Kết quả phân loại đất trống bằng chỉ số NDLI giai đoạn 2007 – 2013 trong nghiên cứu của Li và cộng sự (2017) [72].

Kết quả phân loại đất trống bằng chỉ số BI khu vực thành phố Bắc Kinh (Trung Quốc) trong nghiên cứu của Lin và cộng sự (2005)[74]. Mật độ bề mặt không thấm ở một số thành phố lớn trên thế giới [44]. So sánh kết quả phân loại bề mặt không thấm bằng phương pháp MSMT_RF và một số bố dữ liệu khác [132]. Dự báo phân bố bề mặt không thấm khu vực Milwaukee, Wisconsin đến năm 2050 [73].

Biến động bề mặt không thấm khu vực thành phố Cần Thơ giai đoạn 2000 - 2020 [15]. Vị trí địa lý Thành phố Hồ Chí Minh. Gia tăng diện tích đất đô thị ở Thành phố Hồ Chí Minh giai đoạn 1990 – 2015 [130]. Mô tả mối quan hệ tương quan giữa 2 lớp dữ liệu.

Chỉ số thực vật NDVI khu vực Thành phố Hồ Chí Minh, chiết xuất từ dữ liệu ảnh Landsat 8 ngày 23/2/2020. Kết quả xác định lớp dữ liệu mật độ che phủ thực vật khu vực Thành phố Hồ Chí Minh từ ảnh Landsat 8 ngày 23/2/2020. Kết quả xác định lớp dữ liệu nhiệt độ bề mặt khu vực Thành phố Hồ Chí Minh từ ảnh vệ tinh Landsat ngày 23/2/2020 sau khi chuẩn hóa về thang giá trị 0-1. Lớp dữ liệu độ cao xây dựng từ CSDL nền địa lý quốc gia tỉ lệ 1:50 000 khu vực Thành phố Hồ Chí Minh sau khi chuẩn hóa về thang giá trị 0-1.

Lớp dữ liệu khoảng cách tới đường giao thông khu vực Thành phố Hồ Chí Minh sau khi chuẩn hóa về thang giá trị 0-1. Lớp dữ liệu khoảng cách tới đường giao thông khu vực Thành phố Hồ Chí Minh sau khi được phân vùng. Lớp dữ liệu khoảng cách tới thủy hệ khu vực Thành phố Hồ Chí Minh sau khi chuẩn hóa về thang giá trị 0-1. Lớp dữ liệu khoảng cách tới thủy hệ khu vực Thành phố Hồ Chí Minh sau khi được phân vùng.

Lớp dữ liệu mật độ dân cư khu vực Thành phố Hồ Chí Minh Minh sau khi chuẩn hóa về thang giá trị 0-1. Lớp dữ liệu khoảng cách tới công trình đặc biệt khu vực Thành phố Hồ Chí Minh sau khi chuẩn hóa về thang giá trị 0-1. Cơ sở khoa học thuật toán phân loại xác suất cực đại. Sơ đồ nguyên lý phân loại bằng thuật toán RF.

Nguyên lý hoạt động của thuật toán phân loại SVM. Mô tả nguyên lý hoạt động của thuật toán phân loại CART. Định nghĩa vùng lân cận Moore và Neumann trong mô hình Cellular Automata hai chiều. Kiến trúc của mạng nơ ron nhân tạo.20: Mô hình toán học của một nút xử lý trong mạng nơ ron nhân tạo .