BỘ KHOA HỌC VÀ CÔNG NGHỆ
HỆ THỐNG THÔNG TIN KHOA HỌC VÀ CÔNG NGHỆ

Lọc theo danh mục
  • Năm xuất bản
    Xem thêm
  • Lĩnh vực
liên kết website
Lượt truy cập
 Lượt truy cập :  18,380,621
  • Công bố khoa học và công nghệ Việt Nam

Khoa học kỹ thuật và công nghệ

BB

Giang Thị Phương Thảo, Phạm Thị Thu Hương, Phạm Việt Hòa, Nguyễn An Bình

06. ĐÁNH GIÁ ĐỘ CHÍNH XÁC TRONG PHÂN LOẠI LỚP PHỦ DỰA TRÊN THUẬT TOÁN HỌC MÁY VÀ DỮ LIỆU VIỄN THÁM THÔNG QUA GOOGLE EARTH ENGINE: ÁP DỤNG TẠI TỈNH ĐẮK LẮK

06. Accuracy assessment of landcover classification based on various machine learning algorithms and remotely sensed data through Google Earth Engine: Application in Dak Lak province

Tạp chí Khoa học Tài nguyên và Môi trường

2023

46

55-65

Các thuật toán học máy cho phép tăng cường độ chính xác của các mô hình phân loại lớp phủ trên dữ liệu ảnh vệ tinh quan sát trái đất. Kết hợp với các nền tảng điện toán đám mây, quy trình này được thực hiện tự động nhằm đảm bảo hiệu suất xử lý một tệp dữ liệu lớn chứa nhiều thông tin không gian có giá trị được triết tách từ ảnh viễn thám. Nghiên cứu này đánh giá độ chính xác của các mô hình phân loại lớp phủ từ ảnh vệ tinh quang học Landsat 8 (LS8) và Sentinel 2 (S2) trên Google Earth Engine (GEE). Giá trị phổ phản xạ mặt đất được sử dụng làm đầu vào cho mô hình học máy Classification And Regression Tree (CART) và Random Forest (RF) phục vụ phân loại 7 loại hình hiện trạng lớp phủ tỉnh Đắk Lắk năm 2021. Kết quả đánh giá độ chính xác sau phân loại đã chỉ ra rằng, với diện tích khoảng 13.000 km2 trên quy mô cấp tỉnh Đắk Lắk, ảnh LS8 cùng thuật toán CART đạt được độ chính xác cao nhất với hệ số Kappa là 0,85. Quy trình hoàn thiện cung cấp giải pháp tự động hóa trong phục vụ thành lập bản đồ hiện trạng lớp phủ chính xác và tin cậy, hỗ trợ cho các công tác trong lĩnh vực tài nguyên và môi trường.

Machine learning algorithms allow for increasing the accuracy of land cover classification models from earth observation satellite images. Combined with cloud computing platforms, the procedure is performed automatically to ensure efficient processing of a big dataset containing a plethora of valuable spatial information extracted from remotely sensed images. This study evaluates the performance of various classification models from Landsat 8 (LS8) and Sentinel 2 (S2) optical satellite images through Google Earth Engine (GEE). Spectral surface reflectance values are used as input to the Classification And Regression Tree (CART) and Random Forest (RF) machine learning models to classify 7 land cover classes in Dak Lak province in 2021. Statistical error revealed that, with an area of about 13,000 km2 on the scale of Dak Lak province, the LS8 image combined with the CART algorithm achieved the highest accuracy with Kappa of 0.85. The all-inclusive procedure provides an automatic solution of accurate and reliable land cover mapping, as well as supporting natural resources management and the environmental monitoring.

Xem toàn văn