Ứng dụng Google Earth Engine thành lập bản đồ biến động lớp phủ bề mặt đất xã Bến Lức, tỉnh Tây Ninh giai đoạn 2020 - 2025
DOI:
https://doi.org/10.5281/zenodo.18186755Từ khóa:
Google Earth Engine, Sentinel-2, Random Forest, lớp phủ bề mặt, WebGIS, Bến Lức, Tây NinhTóm tắt
Nghiên cứu này ứng dụng nền tảng Google Earth Engine (GEE) kết hợp ảnh vệ tinh Sentinel-2 để thành lập bản đồ lớp phủ bề mặt đất và bản đồ biến động lớp phủ bề mặt đất xã Bến Lức, tỉnh Tây Ninh giai đoạn 2020-2025. Hai ảnh tổng hợp mùa khô năm 2020 và 2025 từ dữ liệu Sentinel-2 Level-2A được tiền xử lý (lọc mây, ghép và cắt theo ranh giới hành chính) trên GEE, sau đó phân loại bằng thuật toán Random Forest (RF) với bốn lớp chính: đất trống (DT), đất xây dựng (DXD), thủy hệ (TH) và thực vật (TV). Mẫu huấn luyện và mẫu kiểm tra được xây dựng từ ảnh độ phân giải cao và đối chiếu với thực địa. Độ chính xác phân loại được đánh giá thông qua ma trận sai số, độ chính xác tổng thể và hệ số Kappa. Kết quả cho thấy độ chính xác tổng thể đạt 91,05% với hệ số Kappa 0,88 cho năm 2020 và 87,58% với hệ số Kappa 0,83 cho năm 2025, thể hiện mức độ tin cậy cao của mô hình phân loại. Năm 2020, lớp đất trống và thực vật chiếm gần 70% diện tích tự nhiên, trong khi đất xây dựng và thủy hệ chiếm tỷ lệ thấp hơn. Đến năm 2025, diện tích đất trống giảm khoảng 657,77 ha, trong khi diện tích thực vật tăng thêm khoảng 402,50 ha, đất xây dựng tăng hơn 124,33 ha và thủy hệ tăng khoảng 130,95 ha. Sự chuyển dịch này phản ánh xu thế giảm diện tích đất chưa sử dụng, gia tăng độ che phủ cây xanh đồng thời mở rộng không gian xây dựng và hệ thống ao hồ, kênh rạch. Từ hai bản đồ lớp phủ, bản đồ biến động lớp phủ bề mặt đất giai đoạn 2020-2025 được thành lập bằng kỹ thuật chồng xếp lớp trong môi trường ArcGIS. Các lớp kết quả tiếp tục được đưa vào hệ quản trị cơ sở dữ liệu PostgreSQL/PostGIS và công bố qua máy chủ bản đồ GeoServer để xây dựng WebGIS chuyên đề. Hệ thống WebGIS cho phép người dùng tra cứu nhanh loại hình biến động, diện tích và vị trí không gian ngay trên nền bản đồ trực tuyến. Kết quả nghiên cứu khẳng định tính hiệu quả của GEE và ảnh Sentinel-2 trong giám sát biến động lớp phủ bề mặt ở quy mô địa phương, đồng thời cho thấy tiềm năng của việc tích hợp WebGIS trong hỗ trợ quản lý tài nguyên đất và quy hoạch không gian.
Downloads
Tài liệu tham khảo
Gorelick, N., Hancher, M., Dixon, M., Ilyushchenko, S., Thau, D., Moore, R., “Google Earth Engine: Planetary-scale geospatial analysis for everyone”, Remote Sensing of Environment, 2017.
[2] Alshehri, B., Zhang, Z., Liu, X., 2025, “A Review of Google Earth Engine for Land Use and Land Cover Change Analysis: Trends, Applications, and Challenges”, ISPRS International Journal of Geo-Information, 14(11), 416.
[3] Phiri, D., Simwanda, M., Salekin, S., Nyirenda, V.R., Murayama, Y., Ranagalage, M., 2020, “Sentinel-2 Data for Land Cover/Use Mapping: A Review”, Remote Sensing, 12(14), 2291.
[4] Phan, T.N., Kuch, B., et al., 2020, “Land Cover Classification using Google Earth Engine and Random Forest Classifier - The Role of Image Composition”, Remote Sensing, 12(15), 2411.
[5] Lê, H.T.D., 2021, “Land-cover classification using Random Forest and incorporating NDVI time-series and topography: a case study of Thanh Hoa province, Vietnam”, Science and Technology Development Journal - Earth and Environmental Science, 5(1), 34–44, 2021.
[6] Nguyễn Thị Thanh Hương, Đoàn Minh Trung, 2018, “Áp dụng thuật toán phân loại Random Forest để xây dựng bản đồ sử dụng đất/thảm phủ tỉnh Đắk Lắk dựa vào ảnh vệ tinh Landsat 8 OLI”, Tạp chí Nông nghiệp và Phát triển Nông thôn, số 13, tr. 122-129.
[7] Lê Văn Trung, 2015, Giáo trình Viễn thám và Hệ thông tin địa lý, Nhà xuất bản Khoa học và Kỹ thuật, Hà Nội.
[8] Nguyễn Ngọc Thạch, 2005, Cơ sở Viễn thám, Nhà xuất bản Khoa học và Kỹ thuật, Hà Nội.
[9] Nguyễn Kim Lợi, Lê Tiến Dũng, “Ứng dụng GIS phục vụ quy hoạch sử dụng đất tại huyện Xuân Lộc, tỉnh Đồng Nai”, Kỷ yếu Hội thảo Ứng dụng GIS toàn quốc, 2009.
[10] Đặng Thanh Tùng và cộng sự, 2012, “Phương pháp phân loại lớp phủ bề mặt sử dụng dữ liệu LiDAR kết hợp ảnh viễn thám”, Tạp chí Khoa học Đo đạc và Bản đồ, số 12, tr. 29 - 36.
[11] Breiman, L., 2001, “Random Forests”, Machine Learning, 45(1), page 5-32.
[12] Rodríguez-Galiano, V.F., Ghimire, B., Rogan, J., Chica-Olmo, M., Rigol-Sanchez, J.P., 2012, “An Assessment of the Effectiveness of a Random Forest Classifier for Land-Cover Classification”, ISPRS Journal of Photogrammetry and Remote Sensing, 67, 93-104.
[13] Sun, J., Ongsomwang, S., 2023, “Optimal parameters of random forest for land cover classification with suitable data type and dataset on Google Earth Engine”, Frontiers in Earth Science, 11, 1188093.
Lượt tải xuống
Đã Xuất bản
Số
Chuyên mục
Giấy phép
Tác phẩm này được cấp phép theo Giấy phép Creative Commons Ghi công 4.0 Quốc tế.
Giấy phép CC 4.0
