Nghiên cứu một số phương pháp học máy trong thành lập bản đồ lớp phủ bề mặt tỉnh Cà Mau trên nền tảng Google Earth Engine

Bài viết Nghiên cứu một số phương pháp học máy trong thành lập bản đồ lớp phủ bề mặt tỉnh Cà Mau trên nền tảng Google Earth Engine trình bày việc xây dựng bản đồ lớp phủ đất tỉnh Cà Mau, Việt Nam sử dụng 3 phương pháp phân loại khác nhau là rừng ngẫu nhiên (RF), Máy véc tơ hỗ trợ (SVM) và Gradient boosting (Gboost).
Nội dung trích xuất từ tài liệu:
Nghiên cứu một số phương pháp học máy trong thành lập bản đồ lớp phủ bề mặt tỉnh Cà Mau trên nền tảng Google Earth Engine Nghiên cứu - Ứng dụng 1 NGHIÊN CỨU MỘT SỐ PHƯƠNG PHÁP HỌC MÁY TRONG THÀNH LẬP BẢN ĐỒ LỚP PHỦ BỀ MẶT TỈNH CÀ MAU TRÊN NỀN TẢNG GOOGLE EARTH ENGINE TRẦN VÂN ANH(1,4), TRẦN HỒNG HẠNH(1,4), LÊ THANH NGHỊ(1,4) PHẠM THI THANH HÒA(1,4), TRẦN QUÝ ANH(2), NGUYỄN THỊ VÂN ANH(3) PHẠM THỊ THU(2), TRẦN QUÝ THỌ(3) Bộ môn Đo ảnh và Viễn thám, Trường Đại học Mỏ - Địa chất (1) Công ty TNHHMTV Trắc địa Bản đồ, CN miền Trung, Cục Bản đồ-Bộ Tổng Tham mưu (2) (3) Cục Đo đạc Bản đồ và hệ Thông tin Địa lý Việt Nam (4) Nhóm nghiên cứu Công nghệ Địa tin học trong Khoa học Trái đất (GES), Trường Đại học Mỏ - Địa chất Tóm tắt: Trong bài báo này, chúng tôi đã xây dựng bản đồ lớp phủ đất tỉnh Cà Mau, Việt Nam sử dụng 3 phương pháp phân loại khác nhau là rừng ngẫu nhiên (RF), Máy véc tơ hỗ trợ (SVM) và Gradient boosting (Gboost). Khu vực nghiên cứu là Cà Mau thuộc Đồng bằng sông Cửu Long, Việt Nam. Ảnh vệ tinh dùng để phân loại là ảnh Sentinel-2 đa thời gian từ tháng 1 đến tháng 12 năm 2021. Số ảnh giai đoạn này sau khi loại bỏ mây còn lại 17 ảnh. Phương pháp lọc trung bình đã được sử dụng để tạo ra một hình ảnh duy nhất trong khoảng thời gian này để sử dụng cho phân loại. Công cụ để thực hiện việc phân loại là nền tảng Google Earth Engine. Các mẫu phân loại được lấy dựa trên bản đồ sử dụng đất tỉnh Cà Mau năm 2014 và ảnh Google Earth. Số lượng mẫu lấy để phân loại cho cả 3 phương pháp là gần 4000 pixel và số lượng mẫu để đánh giá độ chính xác là 3000 pixel. Sai số tổng thể (OA) của SVM là 79,5%, hệ số Kappa là 0,72 trong khi phương pháp Gboost đạt 85,6% với Kappa là 0,79 và RF có OA là 86,5%, Kappa đạt 0,81. Ảnh phân loại theo phương pháp RF có độ chính xác cao nhất đã được chọn để xây dựng bản đồ lớp phủ bề mặt tỷ lệ 1:50.000 của tỉnh Cà Mau. Từ khóa: Lớp phủ bề mặt, RF, SVM, Gboost, Cà Mau, GEE. 1. Giới thiệu biển diễn ra nghiêm trọng. Chính vì vậy, quy Cà mau là một tình nằm ở cực Nam của hoạch đất nông nghiệp cũng phải thay đổi cho Tổ quốc với ba mặt giáp biển. Trong những phù hợp và thích ứng với tình hình biến đổi năm gần đây, do biến đổi khí hậu và nước biển khí hậu. Hiện nay, công nghệ viễn thám đã trở dâng, tình trạng sụt lún, xói lở bờ sông, bờ nên phổ biến và giúp các nhà khoa học xây Ngày nhận bài: 1/2/2023, ngày chuyển phản biện: 5/2/2023, ngày chấp nhận phản biện: 9/2/2023, ngày chấp nhận đăng: 28/2/2023 TẠP CHÍ KHOA HỌC ĐO ĐẠC VÀ BẢN ĐỒ SỐ 55-3/2023 18 Nghiên cứu - Ứng dụng dựng các loại hình sử dụng đất, thảm phủ, quy ưu hóa tham số Bayes trên dữ liệu hoạch hay các lĩnh vực khác một cách dễ dàng. WorldView-3 có độ phân giải rất cao. Họ nhận Để có thể xây dựng được các loại bản đồ này, thấy rằng Xgboost vượt trội hơn SVM 0,3%. điều quan trọng nhất là thuật toán phân loại Xgboost cũng được phát hiện là tốt hơn một phục vụ cho việc tách các lớp dữ liệu sử dụng chút so với RF 0,2% trong một nghiên cứu đất khác nhau. Trong những năm gần đây, các phân loại LULC sáu lớp gần đây sử dụng dữ phương pháp học máy đã trở nên phổ biến và liệu có độ phân giải cao từ RapidEye [11]. chúng đã được chứng minh là có khả năng và Ba phương pháp học máy này đều cho độ có độ chính xác tốt. Một trong những thuật chính xác khá tốt theo như các bài báo đã khảo toán học máy đầu tiên cần được kể tên là rừng sát ở trên. Tuy nhiên, khu vực nghiên cứu là ngẫu nhiên (RF) [1]. Sự phổ biến của thuật khu vực khá phức tạp do có nhiều kiểu thảm toán này là nó có thể được sử dụng cho cả mục thực vật và thay đổi theo mùa. Vì vậy, nghiên đích phân loại và hồi quy, do đó có thể được cứu này muốn so sánh khả năng phân loại của sử dụng với các biến phân loại và liên tục. Do ba thuật toán học máy phổ biến RF, SVM và tính linh hoạt này, RF đã được sử dụng trong GBoost để thành lập bản đồ lớp phủ đất cho nhiều ngành khoa học Trái đất. Các ứng dụng khu vực nghiên cứu Cà Mau, Việt Nam sử bao gồm mô hình hóa lớp phủ rừng [2], thành dụng ảnh Sentinel-2. lập bản đồ sử dụng đất [3], bản đồ lớp phủ đất Gần đây với sự ra mắt của Google Earth [4] và lập bản đồ lớp phủ sử dụng đất bằng kết Engine (GEE) - một nền tảng điện toán đám hợp giữa học đồng bộ của RF và phân loại mây để phân tích không gian địa lý, giúp dễ hướng đối tượng [5]. dàng truy cập các tài nguyên tính toán hiệu Phương pháp phân loại Máy vector hỗ trợ suất cao để xử lý dữ liệu vệ tinh đa thời gian (SVM) là một thuật toán học máy dựa trên lý trực tuyến [12]. Tính sẵn có của dữ liệu ảnh vệ thuyết học thống kê đã được sử dụng rộng rãi tinh và các công cụ xử lý ảnh trên GEE cho trong cộng đồng viễn thám. Chúng dường như phép người dùng có thể thực hiện các thuật hoạt động tốt hơn hầu hết các bộ phân loại thông toán học máy như RF, SVM hay Gboost một thường [6], [7], [8]. Hơn nữa, SVM thậm chí còn cách nhanh chóng. Mục tiêu chính của bài báo vượt trội so với một số phương pháp nhận dạng là ứng dụng các nguồn ảnh trên GEE như mẫu mới, chẳng hạn như mạng nơ ron [6], [9]. Sentinel-2 và các thuật toán sẵn đã đề cập ở Trong nghiên cứu của Foody và Mathur đã khẳng trên để phân loại lớp phủ khu vực Cà Mau định việc lựa chọn mẫu trong phân loại SVM là phục vụ thành lập bản đồ lớp phủ bề mặt. một việc quan trọng sẽ ảnh hưởng đến độ chính ...