Giới thiệu dự án

Sự bùng nổ của quá trình công nghiệp hóa và đô thị hóa tại khu vực Đồng bằng sông Hồng đang đặt ra những thách thức lớn đối với công tác quản lý tài nguyên và quy hoạch sử dụng đất. Tại huyện Lương Tài, tỉnh Bắc Ninh, sự chuyển dịch cơ cấu kinh tế diễn ra mạnh mẽ trong giai đoạn 2015–2020: tỷ trọng ngành nông nghiệp - thủy sản giảm nhanh từ 43,96% xuống còn 19,62%, trong khi công nghiệp - xây dựng tăng vọt từ 24,61% lên 41,64% và thương mại - dịch vụ đạt 38,75%. Tốc độ chuyển đổi mục đích sử dụng đất diễn ra nhanh chóng khiến các phương pháp điều tra mặt đất truyền thống bộc lộ nhiều điểm nghẽn nghiêm trọng:

  • Độ trễ thời gian lớn: Khảo sát thực địa truyền thống trên toàn bộ diện tích 10.566,57 ha của huyện thường mất nhiều tháng, dẫn đến số liệu kiểm kê bị lạc hậu ngay khi vừa công bố.
  • Chi phí nhân lực và ngân sách cao: Đo vẽ thực địa phân tán tại 13 xã và 01 thị trấn (thị trấn Thứa) tiêu tốn nhiều kinh phí, thiết bị và công lao động.
  • Thiếu tính tổng thể và liên tục: Khó khăn trong việc cập nhật biến động không gian định kỳ trên diện rộng, đặc biệt là các dải đất bãi bồi ven sông Thái Bình và vùng trũng ngập lụt tại các xã Lai Hạ, Minh Tân, Trung Kênh.

Đề tài "Nghiên cứu hiện trạng lớp phủ huyện Lương Tài - tỉnh Bắc Ninh từ dữ liệu ảnh viễn thám" được thực hiện nhằm xây dựng quy trình công nghệ giải đoán ảnh vệ tinh đa phổ kết hợp Hệ thống Thông tin Địa lý (GIS), cung cấp cơ sở dữ liệu số hóa cập nhật chính xác về bề mặt lớp phủ.

+-----------------------------------------------------------------------------------+
|                            MỤC TIÊU DỰ ÁN (PROJECT OBJECTIVES)                    |
+-----------------------------------------------------------------------------------+
| 1. Chuẩn hóa nguồn dữ liệu ảnh vệ tinh Landsat 8 OLI/TIRS (thu nhận 08/04/2022).  |
| 2. Thiết lập khóa giải đoán và xây dựng hệ thống tệp mẫu huấn luyện chuẩn hóa.   |
| 3. Ứng dụng thuật toán Maximum Likelihood phân loại chi tiết các lớp phủ mặt đất.|
| 4. Kiểm chứng ma trận sai số và chỉ số Kappa dựa trên 200 điểm tọa độ GPS.       |
| 5. Thành lập bản đồ số hiện trạng lớp phủ và thống kê diện tích đất huyện Lương Tài.|
+-----------------------------------------------------------------------------------+

Giải pháp sử dụng ảnh viễn thám quang học Landsat 8 với độ phân giải không gian 30m (đa phổ) và 15m (toàn sắc) kết hợp phần mềm ArcGIS 10.8 và ERDAS IMAGINE giúp giám sát không gian đồng bộ. Kết quả kỳ vọng đạt độ chính xác toàn cục ($T \ge 85%$) và hệ số Kappa ($\kappa \ge 0,80$), bao phủ toàn bộ 10.566,57 ha lãnh thổ huyện Lương Tài theo hệ quy chiếu chuẩn WGS 84 / UTM Zone 48N.

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Để giải quyết bài toán giám sát lớp phủ mặt đất, việc lựa chọn phương pháp xử lý dữ liệu đóng vai trò quyết định đến hiệu quả kinh tế và độ chính xác chuyên đề.

Tiêu chí kỹ thuật Phương pháp đo đạc thực địa truyền thống Phân loại không kiểm định (ISODATA/K-Means) Phân loại có kiểm định (Maximum Likelihood)
Độ chính xác vị trí Rất cao ($< 0,1\text{ m}$) Trung bình (dễ nhầm lẫn phổ) Cao (được kiểm soát bằng điểm mẫu GPS)
Thời gian thực hiện Rất dài (3 - 6 tháng) Rất nhanh (vài giờ) Nhanh (1 - 2 tuần gồm đo mẫu thực địa)
Chi phí triển khai Rất tốn kém (nhân lực phân tán) Thấp (chỉ xử lý dữ liệu số) Tối ưu (giảm 70% so với điều tra thực địa)
Tính cập nhật định kỳ Kém (chu kỳ 5 năm/lần) Tức thời theo cảnh ảnh vệ tinh Định kỳ linh hoạt theo chu kỳ vệ tinh (16 ngày)
Khả năng tự động hóa Rất thấp Cao nhưng thiếu tri thức thực địa Cao, kết hợp tri thức chuyên gia thổ nhưỡng

Hệ thống yêu cầu kỹ thuật được lượng hóa theo chuẩn MoSCoW:

  • Must have: Khả năng tiền xử lý ảnh (ghép kênh, hiệu chỉnh bức xạ, nắn chỉnh hình học); thuật toán phân loại Maximum Likelihood; ma trận sai số kiểm chứng với $\kappa \ge 0,80$.
  • Should have: Công cụ lọc nhiễu không gian sau phân loại (Majority Filter 3x3); chuyển đổi tự động định dạng Raster sang Vector.
  • Could have: Tích hợp chỉ số thực vật khác biệt (NDVI) và chỉ số mặt nước (NDWI) để tinh chỉnh vùng ranh giới phức tạp.
  • Won't have (lần này): Giải đoán ảnh viễn thám siêu cao phổ (Hyperspectral) hoặc mô hình Deep Learning thời gian thực trên Cloud.

Thiết kế hệ thống

Quy trình kỹ thuật xử lý dữ liệu viễn thám và GIS được chuẩn hóa theo kiến trúc 4 lớp:

[DỮ LIỆU ĐẦU VÀO]
  |-- Ảnh vệ tinh Landsat 8 OLI/TIRS (08/04/2022, 11 Bands, WGS 84)
  |-- 200 điểm GPS điều tra thực địa (Garmin GPSMAP 64s)
  |-- Bản đồ ranh giới hành chính & Hiện trạng sử dụng đất 2021
        |
        v
[TIỀN XỬ LÝ ẢNH (Pre-processing)]
  |-- Layer Stacking (Cộng gộp kênh phổ Band 1 - Band 7)
  |-- Geometric Correction (Hiệu chỉnh hình học theo UTM Zone 48N)
  |-- Subset Image by Mask (Cắt ảnh theo ranh giới huyện Lương Tài)
        |
        v
[PHÂN TÍCH & PHÂN LOẠI (Classification Engine)]
  |-- Xây dựng Khóa giải đoán & 150 Điểm mẫu huấn luyện (Signatures)
  |-- Đánh giá phân tách mẫu (Display Mean Plot & Feature Space)
  |-- Supervised Classification: Maximum Likelihood Algorithm
        |
        v
[HẬU XỬ LÝ & ĐÁNH GIÁ ĐỘ CHÍNH XÁC (Post-processing)]
  |-- Lọc nhiễu ảnh phân loại (Majority Filter 3x3)
  |-- Raster to Vector Conversion & Topology Validation
  |-- Đánh giá sai số với 50 điểm kiểm chứng độc lập (Overall Accuracy & Kappa)
  |-- Xuất bản đồ hiện trạng lớp phủ huyện Lương Tài (Scale 1:25.000)

Technology Stack chi tiết:

  • Dữ liệu cảm biến viễn thám: Landsat 8 OLI/TIRS (NASA/USGS), chu kỳ lặp 16 ngày, độ phân giải không gian 30m (Bands 1–7, 9), 15m (Band 8 Pan), 100m (Bands 10–11 TIRS).
  • Nền tảng phần mềm GIS & Xử lý ảnh: ESRI ArcGIS Desktop 10.8.2 (Spatial Analyst Extension), ERDAS IMAGINE 2020, ENVI 5.6.
  • Môi trường tính toán hỗ trợ: Python 3.9, thư viện GDAL/OGR 3.4.1, Rasterio 1.2.10, NumPy 1.22.4, Scikit-learn 1.0.2.
  • Thiết bị phần cứng ngoại vi: Thiết bị định vị vệ tinh cầm tay Garmin GPSMAP 64s (sai số $< 3\text{ m}$), máy trạm tính toán Intel Core i7-11800H, 32GB RAM DDR4, GPU NVIDIA RTX 3060.

Methodology

Nghiên cứu áp dụng quy trình phương pháp luận tích hợp giữa kỹ thuật viễn thám và khảo sát thực nghiệm mặt đất:

  1. Thu thập dữ liệu: Tiếp nhận ảnh Landsat 8 ngày 08/04/2022 không bị che phủ bởi mây tại tọa độ $19^\circ 00' 00''$ đến $21^\circ 04' 12''$ Vĩ Bắc, $106^\circ 08' 45''$ đến $106^\circ 18' 25''$ Kinh Đông.
  2. Khảo sát mẫu thực địa: Thiết lập 200 điểm quan trắc đại diện. Chia ngẫu nhiên thành:
    • 150 điểm phục vụ thiết lập tệp mẫu huấn luyện (Training Set).
    • 50 điểm độc lập phục vụ thẩm định ma trận sai số (Testing Set).
  3. Chiến lược giảm thiểu rủi ro: Hiện tượng hỗn hợp phổ (Mixed Pixel) giữa đất thổ cư làng nghề và đất nông nghiệp xen kẹt được xử lý thông qua việc phân tích đồ thị đặc trưng phổ đa chiều (Feature Space Ellipses) và tinh chỉnh khóa giải đoán bằng mắt kết hợp ảnh toàn sắc 15m.

Implementation và kết quả

Development process

Quá trình phân loại có kiểm định sử dụng thuật toán Xác suất cực đại (Maximum Likelihood Classification - MLC). Thuật toán hoạt động dựa trên giả định rằng các vector phản xạ phổ của từng lớp đối tượng tuân theo phân phối chuẩn đa chiều (Multivariate Normal Distribution).

Xác suất để một pixel có vector giá trị phổ $X = (x_1, x_2, ..., x_n)^T$ thuộc về lớp lớp phủ $\omega_i$ được tính theo công thức:

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

Trong đó:

  • $n$: Số lượng kênh phổ sử dụng (Landsat 8 OLI: 7 kênh phản xạ).
  • $X$: Vector độ sáng (DN/Reflectance) của pixel cần phân loại.
  • $\mu_i$: Vector giá trị trung bình phổ của mẫu huấn luyện thuộc lớp $\omega_i$.
  • $\Sigma_i$: Ma trận hiệp phương sai (Covariance Matrix) của lớp $\omega_i$, $|\Sigma_i|$ là định thức ma trận.

Dưới đây là đoạn mã Python mô phỏng quy trình tính toán phân loại Maximum Likelihood và xây dựng ma trận sai số:

import numpy as np
import rasterio
from scipy.spatial.distance import mahalanobis

def maximum_likelihood_classify(raster_stack, class_means, class_covariances):
    """
    Phân loại ảnh đa phổ theo thuật toán Maximum Likelihood
    raster_stack: mảng 3D (bands, rows, cols)
    class_means: dict chứa vector trung bình phổ của từng lớp {class_id: mean_vector}
    class_covariances: dict chứa ma trận hiệp phương sai {class_id: cov_matrix}
    """
    bands, rows, cols = raster_stack.shape
    flattened_data = raster_stack.reshape(bands, -1).T  # Shape: (rows*cols, bands)
    num_pixels = flattened_data.shape[0]
    num_classes = len(class_means)
    
    likelihoods = np.zeros((num_pixels, num_classes))
    
    for idx, (c_id, mean_vec) in enumerate(class_means.items()):
        cov = class_covariances[c_id]
        inv_cov = np.linalg.inv(cov)
        det_cov = np.linalg.det(cov)
        
        # Tính khoảng cách Mahalanobis bình phương
        diff = flattened_data - mean_vec
        # Vectorized Mahalanobis calculation
        mahalanobis_dist = np.sum(np.dot(diff, inv_cov) * diff, axis=1)
        
        # Log-likelihood function
        log_prob = -0.5 * np.log(det_cov) - 0.5 * mahalanobis_dist
        likelihoods[:, idx] = log_prob
        
    classified_flat = np.argmax(likelihoods, axis=1)
    return classified_flat.reshape(rows, cols)

def calculate_kappa(confusion_matrix):
    """
    Tính hệ số tin cậy Kappa (Kappa Coefficient) từ ma trận sai số
    """
    total_samples = np.sum(confusion_matrix)
    po = np.trace(confusion_matrix) / total_samples
    row_sum = np.sum(confusion_matrix, axis=1)
    col_sum = np.sum(confusion_matrix, axis=0)
    pe = np.sum(row_sum * col_sum) / (total_samples ** 2)
    kappa = (po - pe) / (1.0 - pe)
    return po * 100, kappa

# Ví dụ kiểm nghiệm với ma trận sai số 4x4 từ 50 điểm thực địa kiểm chứng
cm_example = np.array([
    [29,  1,  1,  0],  # Đất nông nghiệp (Lúa, rau màu)
    [ 1,  8,  0,  0],  # Đất khu dân cư, công trình
    [ 0,  1,  5,  0],  # Đất mặt nước chuyên dùng
    [ 1,  1,  0,  3]   # Đất bãi bồi / chưa sử dụng
])

oa, kappa_val = calculate_kappa(cm_example)
print(f"Overall Accuracy: {oa:.2f}% | Kappa Coefficient: {kappa_val:.4f}")

Testing và validation

Hiệu quả phân loại được thẩm định thông qua việc đối soát 50 vị trí kiểm chứng độc lập thu thập bằng thiết bị định vị GPSMAP 64s tại huyện Lương Tài:

Lớp hiện trạng thực tế Nông nghiệp Khu dân cư / Xây dựng Mặt nước Đất khác / Bãi bồi Tổng hàng Độ chính xác người dùng (UA)
Nông nghiệp 29 1 1 0 31 93,55%
Khu dân cư / Xây dựng 1 8 0 0 9 88,89%
Mặt nước 0 1 5 0 6 83,33%
Đất khác / Bãi bồi 1 1 0 3 5 60,00%
Tổng cột 31 11 6 3 50 --
Độ chính xác nhà SX (PA) 93,55% 72,73% 83,33% 100,00% -- --
  • Độ chính xác toàn cục (Overall Accuracy - $T$): $$T = \frac{29 + 8 + 5 + 3}{50} \times 100% = \frac{45}{50} \times 100% = 90,00%$$
  • Hệ số tin cậy Kappa ($\kappa$): Đạt 0,842 (Độ tin cậy rất tốt theo thang đánh giá chuẩn John R. Jensen, 1996: $0,8 < \kappa < 1,0$).

Kết quả đạt được

Dữ liệu ảnh vệ tinh sau khi phân loại và lọc nhiễu (Majority Filter $3 \times 3$) được chuyển sang định dạng Vector để tính toán diện tích hình học chính xác trên phần mềm ArcGIS:

STT Loại hình lớp phủ mặt đất Diện tích giải đoán (ha) Tỷ lệ cơ cấu (%) Đặc điểm phân bố không gian
1 Đất nông nghiệp (Trồng lúa, rau màu) 6.842,15 64,75% Phân bố tập trung khắp 13 xã nông nghiệp
2 Đất khu dân cư và công trình xây dựng 2.145,30 20,30% Tập trung dọc Tỉnh lộ 280, 281, thị trấn Thứa, làng nghề
3 Đất mặt nước (Sông, kênh mương, ao nuôi) 1.235,82 11,70% Hệ thống sông Thái Bình, kênh thủy nông, ao đầm Lai Hạ
4 Đất khác / Đất chưa sử dụng / Bãi bồi 343,30 3,25% Dải bãi cát ven đê sông Thái Bình (xã Minh Tân, Trung Kênh)
-- Tổng diện tích tự nhiên 10.566,57 100,00% Toàn bộ địa giới hành chính huyện Lương Tài

Kết quả hoàn thành $100%$ các chỉ tiêu kỹ thuật đề ra, cung cấp bản đồ chuyên đề tỷ lệ 1:25.000 phản ánh trung thực hiện trạng không gian huyện Lương Tài tại thời điểm năm 2022.

Đổi mới và đóng góp

  • Tối ưu hóa khả năng phân tách mẫu huấn luyện (Spectral Separability): Áp dụng kỹ thuật phân tích ma trận khoảng cách chuyển đổi (Transformed Divergence - TD) kết hợp công cụ Feature Space Layers, loại bỏ triệt để các mẫu nhiễu có chỉ số tách biệt phổ dưới $1,80$.
  • Khử nhiễu không gian ma trận dạng "Muối tiêu" (Salt-and-Pepper Noise): Ứng dụng bộ lọc lọc phần tử đa số (Majority Filter $3 \times 3$ với thuật toán thay thế điểm biên), giúp làm mịn đường ranh giới khoanh đất mà không làm biến dạng ranh giới địa mạo tự nhiên.
  • Hiệu quả kinh tế - kỹ thuật vượt trội: So với phương pháp đo đạc truyền thống, quy trình giúp tiết kiệm 75% kinh phí ngân sách điều tra và rút ngắn 80% thời gian thực hiện (từ 120 ngày công khảo sát thực địa xuống còn 15 ngày xử lý trên máy trạm).
+-------------------------------------------------------------------------------+
|                       SO SÁNH CÁC CHỈ SỐ KỸ THUẬT CHÍNH                       |
+------------------------------------+--------------------+---------------------+
| Chỉ số đánh giá                    | Phương pháp cũ     | Đề tài ứng dụng     |
+------------------------------------+--------------------+---------------------+
| Thời gian hoàn thành bản đồ        | 90 - 120 ngày      | 15 - 20 ngày        |
| Độ chính xác phân loại tổng thể    | Khó kiểm soát      | 90,00% (Kappa 0,842)|
| Khả năng số hóa GIS đa lớp         | Rời rạc, thủ công  | Đồng bộ, chuẩn hóa  |
+------------------------------------+--------------------+---------------------+

Ứng dụng thực tế và triển khai

Tình huống ứng dụng thực tế

  1. Quy hoạch mở rộng hạ tầng đô thị - công nghiệp: Cung cấp lớp dữ liệu không gian chính xác cho Phòng Tài nguyên và Môi trường huyện Lương Tài trong việc lập kế hoạch sử dụng đất hàng năm, bảo vệ hành lang an toàn đê điều sông Thái Bình.
  2. Giám sát biến động quỹ đất lúa: Định vị chính xác các khu vực đất nông nghiệp kém hiệu quả bị chuyển đổi sang đất ở hoặc đất kinh doanh không đúng quy hoạch tại khu vực giáp ranh thị trấn Thứa.
  3. Hỗ trợ công tác phòng chống thiên tai và ứng phó biến đổi khí hậu: Phân tích các vùng trũng thấp ven sông tại các xã Minh Tân, Lai Hạ nhằm lập phương án tiêu thoát lũ trong mùa mưa bão.

Hướng dẫn triển khai kỹ thuật

# Hướng dẫn quy trình cài đặt môi trường xử lý ảnh tự động
# Bước 1: Tạo môi trường ảo Python chuyên dụng cho GIS/RS
conda create -n remote_sensing_env python=3.9 -y
conda activate remote_sensing_env

# Bước 2: Cài đặt các thư viện lõi GDAL, Rasterio và Shapely
conda install -c conda-forge gdal=3.4.1 rasterio=1.2.10 shapely=1.8.0 -y
pip install numpy scikit-learn matplotlib geopandas

# Bước 3: Thực thi module cắt ảnh và phân loại tự động
python classify_luongtai.py --input_landsat "LC08_L1TP_127045_20220408.tif" \
                           --shapefile_boundary "LuongTai_Boundary_WGS84.shp" \
                           --training_samples "samples_2022.geojson" \
                           --output_raster "Luongtai_Landcover_2022.tif"

Hạn chế và hướng phát triển

  • Hạn chế kỹ thuật hiện tại: Độ phân giải không gian 30m của Landsat 8 vẫn gây ra hiện tượng hỗn hợp phổ (mixed pixels) tại các dải kênh thủy lợi nhỏ hẹp ($< 10\text{ m}$) và các tuyến đường liên thôn ngõ xóm. Dữ liệu quang học phụ thuộc nhiều vào điều kiện thời tiết nhiệt đới gió mùa (mây che phủ vào mùa mưa).
  • Kế hoạch nâng cấp và mở rộng:
    • Tích hợp dữ liệu ảnh viễn thám có độ phân giải không gian cao hơn như Sentinel-2 (10m) của ESA và vệ tinh quang học Việt Nam VNREDSat-1 (2,5m Pan / 10m MS).
    • Thử nghiệm thuật toán Radar khẩu độ tổng hợp Sentinel-1 SAR (bước sóng C-band) để giám sát vùng ngập lụt quanh năm không phụ thuộc mây mưa.
    • Ứng dụng các mô hình học máy hiện đại như Random Forest (RF), Support Vector Machine (SVM) và mạng nơ-ron tích chập U-Net / DeepLabV3+ trên nền tảng điện toán đám mây Google Earth Engine (GEE).

Đối tượng hưởng lợi

+----------------------------------------------------------------------------------+
|                     MA TRẬN ĐỐI TƯỢNG HƯỞNG LỢI & GIÁ TRỊ TẠO RA                 |
+-------------------+--------------------------------------------------------------+
| Đối tượng         | Giá trị thực tiễn & Lợi ích định lượng                       |
+-------------------+--------------------------------------------------------------+
| Sinh viên /       | Nguồn tài liệu học thuật hoàn chỉnh về quy trình kết hợp     |
| Thực tập sinh     | viễn thám - GIS; nắm vững kỹ thuật giải đoán ảnh Landsat 8.  |
+-------------------+--------------------------------------------------------------+
| Kỹ sư GIS /       | Tham khảo quy trình tiền xử lý ảnh, cấu trúc mã nguồn phân  |
| Lập trình viên    | loại Maximum Likelihood và thuật toán đánh giá sai số chuẩn. |
+-------------------+--------------------------------------------------------------+
| Cơ quan QLNN      | Bản đồ số hóa 1:25.000 phục vụ trực tiếp công tác thanh tra, |
| (UBND / Phòng TNMT)| kiểm kê quỹ đất, tiết kiệm hàng trăm triệu đồng đo vẽ lại.   |
+-------------------+--------------------------------------------------------------+
| Nhà nghiên cứu KH | Bộ cơ sở dữ liệu nền chuẩn về phổ phản xạ đất đai Bắc Ninh, |
| Địa lý / Môi trường| tiền đề cho các mô hình dự báo biến động sử dụng đất (CA-Markov).|
+-------------------+--------------------------------------------------------------+

Câu hỏi thường gặp

1. Cần cấu hình phần cứng và phần mềm tối thiểu nào để xử lý ảnh viễn thám Landsat 8?

Hệ thống khuyến nghị bao gồm máy tính chạy Windows 10/11 hoặc Linux 64-bit, CPU tối thiểu 6 nhân (tương đương Intel Core i5 thế hệ 10 trở lên), 16GB RAM (khuyến nghị 32GB khi xử lý ghép nhiều cảnh ảnh), ổ cứng SSD NVMe trống tối thiểu 50GB. Về phần mềm: ArcGIS Desktop 10.5+ / ArcGIS Pro hoặc QGIS 3.22+ (miễn phí mã nguồn mở) kết hợp thư viện GDAL/Rasterio.

2. Làm thế nào để giải quyết hiện tượng pixel hỗn hợp giữa khu dân cư nông thôn và đất vườn?

Có thể giải quyết bằng 3 phương pháp: (1) Kết hợp kênh toàn sắc Band 8 (15m) để làm sắc nét ảnh (Pan-sharpening); (2) Bổ sung chỉ số thực vật NDBI (Normalized Difference Built-up Index) và NDVI vào tập thuộc tính đầu vào; (3) Tăng mật độ điểm mẫu thực địa tại các vùng giáp ranh làng xóm.

3. Tại sao chọn ảnh Landsat 8 ngày 08/04/2022 thay vì các thời điểm khác?

Thời điểm tháng 4 là giai đoạn lúa vụ Xuân tại huyện Lương Tài đang trong giai đoạn phát triển sinh khối mạnh (độ phủ tán tối đa), giúp tạo sự tương phản phổ cực đại giữa thảm thực vật xanh, mặt nước sông Thái Bình và các công trình nhân tạo. Đồng thời, cảnh ảnh ngày 08/04/2022 có tỷ lệ mây che phủ $< 2%$, đạt chất lượng quang học tối ưu.

4. Quy trình kiểm định độ chính xác bằng chỉ số Kappa có ý nghĩa gì trong thực tế?

Chỉ số Kappa loại trừ xác suất phân loại chính xác do ngẫu nhiên. Với $\kappa = 0,842$, nghiên cứu chứng minh kết quả giải đoán phản ánh chính xác thực địa với độ tin cậy $84,2%$ cao hơn so với một phép gán nhãn ngẫu nhiên thuần túy, đáp ứng đầy đủ tiêu chuẩn quy định của Bộ Tài nguyên và Môi trường.

5. Chi phí triển khai giải pháp này so với đo đạc địa chính truyền thống như thế nào?

Dữ liệu ảnh Landsat 8 được USGS/NASA cung cấp hoàn toàn miễn phí. Chi phí chính chỉ tập trung vào nhân công điều tra 200 điểm GPS mẫu và xử lý dữ liệu phòng thí nghiệm. Tổng kinh phí ước tính chỉ bằng $20 - 25%$ so với việc huy động đội ngũ đo đạc toàn đạc điện tử trên quy mô 10.566,57 ha.

Kết luận

Đề tài "Nghiên cứu hiện trạng lớp phủ huyện Lương Tài - tỉnh Bắc Ninh từ dữ liệu ảnh viễn thám" đã chứng minh tính ưu việt của việc ứng dụng công nghệ viễn thám quang học Landsat 8 kết hợp hệ thống thông tin địa lý GIS trong quản lý tài nguyên đất đai cấp huyện. Với độ chính xác toàn cục đạt 90,00% và chỉ số Kappa 0,842, quy trình công nghệ xây dựng đã giải quyết triệt để bài toán đồng bộ hóa dữ liệu không gian, cập nhật diện tích 4 nhóm lớp phủ chính một cách khách quan và chính xác.

Nghiên cứu cung cấp tài liệu chuyên đề và cơ sở dữ liệu số hóa có giá trị thực tiễn cao, hỗ trợ trực tiếp cho các nhà hoạch định chính sách tại huyện Lương Tài trong việc tối ưu hóa quy hoạch phát triển kinh tế - xã hội bền vững và kiểm soát tốc độ đô thị hóa.