Số báo hiện thời

Lê Duy Thành1, Trịnh Thị Hoài Thu1*, Bùi Thị Hồng Thắm1 , Trịnh Thị Loan2

1Trường Đại học Tài nguyên và Môi trường Hà Nội, Hà Nội, Việt Nam 2Công ty cổ phần khảo sát đo đạc và thiết kế Hưng Bình, Hà Nội, Việt Nam

Email tác giả liên hệ: tththu@hunre.edu.vn https://doi.org/10.5281/zenodo.xxxxxxxx

Tóm tắt:

Nghiên cứu này đánh giá hiệu quả của ba thuật toán học máy gồm Random Forest (RF), Support Vector Machine (SVM) và Naive Bayes (NB) trong phân loại lớp phủ bề mặt từ dữ liệu ảnh vệ tinh Sentinel-2 tại tỉnh Thái Nguyên. Dữ liệu ảnh được xử lý trên nền tảng Google Earth Engine (GEE), kết hợp các kênh phổ, chỉ số phổ, yếu tố địa hình và đặc trưng kết cấu ảnh để xây dựng tập dữ liệu đầu vào cho mô hình phân loại. Tổng cộng 18.524 pixel mẫu được sử dụng, trong đó 70% số mẫu dùng để huấn luyện và 30% dùng để đánh giá độ chính xác mô hình. Kết quả cho thấy sự khác biệt rõ rệt về hiệu quả phân loại giữa các thuật toán. RF đạt độ chính xác cao nhất với độ chính xác tổng thể (OA) 90,27% và hệ số Kappa 0,880; SVM cũng cho kết quả tốt với OA đạt 88,78% và Kappa 0,862. Trong khi đó, NB cho độ chính xác thấp hơn đáng kể với OA 37,41% và Kappa 0,238. Điều này cho thấy RF và SVM có khả năng mô hình hóa tốt các mối quan hệ phi tuyến giữa các biến phổ và lớp phủ bề mặt, trong khi giả định độc lập giữa các biến đầu vào của NB chưa phù hợp với đặc trưng phổ phức tạp của dữ liệu viễn thám đa phổ. Nghiên cứu khẳng định tiềm năng của việc kết hợp dữ liệu Sentinel-2 với các thuật toán học máy trên nền tảng GEE trong phân loại và xây dựng bản đồ lớp phủ bề mặt, đồng thời cung cấp cơ sở cho việc lựa chọn thuật toán phù hợp trong các nghiên cứu viễn thám.

Từ khóa: Sentinel-2, phân loại lớp phủ bề mặt, Random Forest, Support Vector Machine, GEE 
 

Tóm tắt:

Nghiên cứu này đánh giá hiệu quả của ba thuật toán học máy gồm Random Forest (RF), Support Vector Machine (SVM) và Naive Bayes (NB) trong phân loại lớp phủ bề mặt từ dữ liệu ảnh vệ tinh Sentinel-2 tại tỉnh Thái Nguyên. Dữ liệu ảnh được xử lý trên nền tảng Google Earth Engine (GEE), kết hợp các kênh phổ, chỉ số phổ, yếu tố địa hình và đặc trưng kết cấu ảnh để xây dựng tập dữ liệu đầu vào cho mô hình phân loại. Tổng cộng 18.524 pixel mẫu được sử dụng, trong đó 70% số mẫu dùng để huấn luyện và 30% dùng để đánh giá độ chính xác mô hình. Kết quả cho thấy sự khác biệt rõ rệt về hiệu quả phân loại giữa các thuật toán. RF đạt độ chính xác cao nhất với độ chính xác tổng thể (OA) 90,27% và hệ số Kappa 0,880; SVM cũng cho kết quả tốt với OA đạt 88,78% và Kappa 0,862. Trong khi đó, NB cho độ chính xác thấp hơn đáng kể với OA 37,41% và Kappa 0,238. Điều này cho thấy RF và SVM có khả năng mô hình hóa tốt các mối quan hệ phi tuyến giữa các biến phổ và lớp phủ bề mặt, trong khi giả định độc lập giữa các biến đầu vào của NB chưa phù hợp với đặc trưng phổ phức tạp của dữ liệu viễn thám đa phổ. Nghiên cứu khẳng định tiềm năng của việc kết hợp dữ liệu Sentinel-2 với các thuật toán học máy trên nền tảng GEE trong phân loại và xây dựng bản đồ lớp phủ bề mặt, đồng thời cung cấp cơ sở cho việc lựa chọn thuật toán phù hợp trong các nghiên cứu viễn thám. 
 

Tập 11, Số 06 (12/2025), ISSN: 2615-9481 

Võ Trung Thuật¹, Văn Ngọc Trúc Phương¹, Nguyễn Kim Hoa¹*

Tập 11, Số 06 (12/2025), ISSN: 2615-9481 

Nguyễn Trọng Nhân^1*, Lê Thị Như Hảo¹, Lê Thiên Bảo¹

Vũ Văn Thái¹, Hoàng Việt Anh^1*, Tạ Minh Huy¹, Dương Văn Vinh²

¹Công ty TNHH Tư vấn và Phát Triển Đồng Xanh

 ²Chi cục Kiểm lâm tỉnh Cà Mau

Email tác giả liên hệ: anh.hv@gfd.com.vn

doi.org/10.5281/zenodo.17068824

Tóm tắt:

            Mục đích của nghiên cứu là ứng dụng công nghệ Google Earth Engine (GEE) và GIS để xác định biến động đường bờ biển từ năm 2000 đến năm 2023 trên địa bàn thành phố Sầm Sơn , tỉnh Thanh Hóa. Nghiên cứu đã sử dụng dữ liệu ảnh Landsat 5, Landsat 8 trên Google Earth Engine, đồng thời sử dụng công nghệ GIS để xác định biến động đường bờ biển. Kết quả nghiên cứu cho thấy, việc sử dụng GEE rút ngắn được thời gian xử lý cũng như tiết kiệm được bộ nhớ lưu trữ và tốc độ xử lý dữ liệu ảnh. Sự biến động đường bờ biển trên địa bàn thành phố Sầm Sơn diễn ra khác nhau ở các đoạn khác nhau dọc bờ biển, Từ năm 2000 đến 2010, diện tích xói lở đường bờ biển tăng lên đáng kể từ 288 898m2 lên 384 248m2trong giai đoạn 2010-2020, sau đó giảm xuống còn 208 662m2 trong giai đoạn 2020-2023. Trong khi đó, diện tích bồi tụ giảm từ 569 563m2 xuống còn 361 499m2 trong giai đoạn 2010-2020, sau đó lại giảm xuống còn 109 367m2 trong giai đoạn 2020-2023. Kết quả nghiên cứu này giúp các nhà quản lý ra quyết định đúng đắn trong việc quản lý sử dụng đất ven biển.