Nguyễn Thanh Tuấn * , Phan Văn Tuấn , Nguyễn Văn Quý Hoàng Thị Phương Nhung

* Người chịu trách nhiệm về bài viết: Nguyễn Thanh Tuấn (email: nttuan@vnuf2.edu.vn)

Abstract

Information on land use and land cover including forest categories is important for the forest management, forest policy and biodiversity conservation. This research used three machine learning classifiers (neural networks, random forest, and support vector machine) for classification of Sentinel 2 satellite imagery into forest categories in Bu Dang district, Binh Phuc province. Different ten of Land use and land cover were discriminated for the whole area, of which 6 forest classes were distinguished in the study area. The highest accuracies were found using RF with overal accurarcy of 90 % and Kappa of 0.86, followed by the NNET and SVM algorithm. Among the Sentinel-2 spectral bands, the SWIR B11, followed by the red-edge B5 and B6, contributed the most to the accuracy of the forest type classification. In conclusion, the results of this study demonstrated that the random forest algorithm is well-suited for vegetation mapping using Sentinel imagery, which can be applied for large-scale forest types classifications.

Keywords: Land use, neural networks, random forest, classification algorithms, support vector machine.

Tóm tắt

Nghiên cứu sử dụng 3 thuật toán phân loại học máy (mạng thần nhân tạo, rừng ngẫu nhiên và véc tơ hỗ trợ) để phân loại trạng thái rừng của huyện Bù Đăng, tỉnh Bình Phước từ ảnh vệ tinh Setinel-2. Mười loại hiện trạng sử dụng đất và lớp phủ trong đó có 6 lớp hiện trạng rừng đã được phân loại trong khu vực nghiên cứu. Phương pháp rừng ngẫu nhiên có độ chính xác cao nhất với độ chính xác toàn cục bằng 90% và hệ số Kappa bằng 0.86, tiếp theo là thuật toán mạng thần kinh nhân tạo và véc tơ hỗ trợ. Trong số các kênh ảnh của vệ tinh Sentinel 2, kênh sóng ngắn hồng ngoại (kênh 11), tiếp theo là kênh rìa đò (kênh 5 và 6) đóng góp nhiều nhất vào độ chính xác của kết quả phân loại. Kết quả của nghiên cứu này đã chứng minh rằng thuật toán rừng ngẫu nhiên rất phù hợp cho việc lập bản đồ thảm thực vật từ ảnh vệ tinh Sentinel, và có thể được áp dụng được cho phân loại bản đồ hiện trạng rừng ở quy mô không gian rộng.

Từ khóa: Hiện trạng sử dụng đất, mạng nhân tạo, rừng ngẫu nhiên, thuật toán phân loại, véc tơ hỗ trợ.

Article Details

Tài liệu tham khảo

Apte, K. S., & Patravali, D. S. (2015). Development of back propagation neutral network model for ectracting the feature from a satellite image using curvelet transform. Int. J. Eng. Res. Gen. Sci3, 226-236.

Ban QLRPH Bù Đăng. (2021). Phương án quản lý rừng bền vững giai đoạn 2021-2030 của Ban quản lý rừng phòng hộ Bù Đăng.

Chen, G., & Hay, G. J. (2011). A support vector regression approach to estimate forest biophysical parameters at the object level using airborne lidar transects and quickbird data. Photogrammetric Engineering & Remote Sensing77(7), 733-741.

Duẩn, P.V., Doanh, L.S., Thìn, V.T, Thị, N.V., Khiên, H.V.,Dũng, P.T., Tuyến, Đ.V. (2019). Đánh giá khả năng khai thác ảnh vệ tinh quang học miễn phí phục vụ giám sát lớp phủ mặt đất tại Việt Nam. Tạp chí khoa học và công nghệ lâm nghiệp, (3), 65-75

Fassnacht, F. E., Latifi, H., Stereńczak, K., Modzelewska, A., Lefsky, M., Waser, L. T., ... & Ghosh, A. (2016). Review of studies on tree species classification from remotely sensed data. Remote Sensing of Environment186, 64-87.

Furuya, D. E. G., Aguiar, J. A. F., Estrabis, N. V., Pinheiro, M. M. F., Furuya, M. T. G., Pereira, D. R., ... & Ramos, A. P. M. (2020). A Machine Learning Approach for Mapping Forest Vegetation in Riparian Zones in an Atlantic Biome Environment Using Sentinel-2 Imagery. Remote Sensing12(24), 4086.

Gebhardt, S., Wehrmann, T., Ruiz, M. A. M., Maeda, P., Bishop, J., Schramm, M., ... & Schmidt, M. (2014). MAD-MEX: Automatic wall-to-wall land cover monitoring for the Mexican REDD-MRV program using all Landsat data. Remote Sensing6(5), 3923-3943.

Hiền, L. T. D., Luân, P. H., Tuyết, H. T., & Toàn, Đ. Q. (2022). Phân loại lớp đất phủ sử dụng mô hình Random Forest kết hợp chỉ số thực vật NDVI và yếu tố địa hình: một nghiên cứu điển hình tại tỉnh Thanh Hóa, Việt Nam. Science of The Earth & Environment6(1), 507-520.

Hộ, P.H.(2003). Cây cỏ Việt Nam. Nhà xuất bản trẻ,  Hà Nội.

Hợp, T.(2002). Cây rừng Việt Nam. Nhà xuất bản Nông nghiệp , Hà Nội.

Hương, N.T.T.,& Trung, D.M. (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 & Phát triển nông thôn, (13): 122-129.

Immitzer, M., Atzberger, C., & Koukal, T. (2012). Tree species classification with random forest using very high spatial resolution 8-band WorldView-2 satellite data. Remote sensing4(9), 2661-2693.

Immitzer, M., Vuolo, F., & Atzberger, C. (2016). First experience with Sentinel-2 data for crop and tree species classifications in central Europe. Remote sensing8(3), 166.

Li, M., Im, J., & Beier, C. (2013). Machine learning approaches for forest classification and change analysis using multi-temporal Landsat TM images over Huntington Wildlife Forest. GIScience & Remote Sensing50(4), 361-384.

Lim, J., Kim, K. M., & Jin, R. (2019). Tree species classification using hyperion and sentinel-2 data with machine learning in South Korea and China. ISPRS International Journal of Geo-Information8(3), 150.

Lowe, B., & Kulkarni, A. (2015). Multispectral image analysis using random forest.
International Journal on Soft Computing (IJSC), 6(1),1-13

 Luong, N. V., Tateishi, R., Kondoh, A., Anh, N. D., & Thanh, N. (2017). Land cover mapping in Yok Don National Park, Central Highlands of Viet Nam using Landsat 8 OLI images. Vietnam Journal of Earth Sciences39(4), 393-406.

Lu, D., & Weng, Q. (2007). A survey of image classification methods and techniques for improving classification performance .International journal of Remote sensing28(5), 823-870.

Meng, Y., Cao, B., Mao, P., Dong, C., Cao, X., Qi, L., ... & Wu, Y. (2020). Tree species distribution change study in Mount Tai based on Landsat remote sensing image data. Forests11(2), 130.

Mora, A., Santos, T. M., Łukasik, S., Silva, J. M., Falcão, A. J., Fonseca, J. M., & Ribeiro, R. A. (2017). Land cover classification from multispectral data using computational intelligence tools: A comparative study. Information8(4), 147-158

Mutanga, O., & Skidmore, A. K. (2007). Red edge shift and biochemical content in grass canopies. ISPRS journal of Photogrammetry and Remote Sensing62(1), 34-42.

Noi, P.T, & Kappas, M. (2017). Comparison of random forest, k-nearest neighbor, and support vector machine classifiers for land cover classification using Sentinel-2 imagery. Sensors18(1), 1-18.

Novack, T., Esch, T., Kux, H., & Stilla, U. (2011). Machine learning comparison between WorldView-2 and QuickBird-2-simulated imagery regarding object-based urban land cover classification. remote sensing3(10), 2263-2282.

Nguyen, T. T. P., Mac Duy, H., Duong, T. N., & Nghiem, T. D. (2020). Forecast of Hourly Tropospheric Ozone Concentration in Quang Ninh using MLP and SVM. VNU Journal of Science: Earth and Environmental Sciences36(3), 46-54

Pouteau, R., Gillespie, T. W., & Birnbaum, P. (2018). Predicting tropical tree species richness from normalized difference vegetation index time series: The devil is perhaps not in the detail. Remote Sensing10(5), 698.

Puletti, N., Chianucci, F., & Castaldi, C. (2018). Use of Sentinel-2 for forest classification in Mediterranean environments. Ann. Silvic. Res42(1), 32-38.

R Core Team. (2021). The R Project for Statistical Computing. Foundation for Statistical Computing, Vienna, Austria. https://www.r-project.org/.

Ramoelo, A., Cho, M., Mathieu, R., & Skidmore, A. K. (2015). Potential of Sentinel-2 spectral configuration to assess rangeland quality. Journal of applied remote sensing9(1), 094096.

Schultz, B., Immitzer, M., Roberto Formaggio, A., Del’Arco Sanches, I., José Barreto Luiz, A., & Atzberger, C. (2015). Self-guided segmentation and classification of multi-temporal Landsat 8 images for crop type mapping in Southeastern Brazil. Remote Sensing7(11), 14482-14508.

Silveira, E. M., Bueno, I. T., Acerbi-Junior, F. W., Mello, J. M., Scolforo, J. R. S., & Wulder, M. A. (2018). Using spatial features to reduce the impact of seasonality for detecting tropical forest changes from Landsat time series. Remote Sensing10(6), 808.

Sothe, C., Almeida, C. M. D., Liesenberg, V., & Schimalski, M. B. (2017). Evaluating Sentinel-2 and Landsat-8 data to map sucessional forest stages in a subtropical forest in Southern Brazil. Remote Sensing9(8), 838.

Story, M., & Congalton, R. G. (1986). Accuracy assessment: a user’s perspective. Photogrammetric Engineering and remote sensing52(3), 397-399.

 Trung, D.M.,& Huong, N.T.(2019). Đánh giá độ chính xác của các phương pháp phân loại thảm phủ dựa vào ảnh vệ tinh Sentinel-2. Kỷ yếu hội thảo gis toàn quốc (trang 733-744).

Tùng, Đ.T, Tung, N.T., Thủy, H.T., Nhàn, T.T.T., Hằng, Đ.T., Hải, V.N., Dương N.D. (2021). Khai thác trực tuyến cơ sở dữ liệu ảnh vệ tinh, so sánh thuật toán học máy về phân loại lớp phủ trên nền google earth engine. Kỷ yếu hội thảo khoa học quốc gia giải pháp kết nối và chia sẻ hệ thống cơ sở dữ liệu phục vụ côngtác đào tạo, quản lý lĩnh vực tài nguyên và môi trường (trang 1-11).

Volke, M. I., & Abarca-Del-Rio, R. (2020). Comparison of machine learning classification algorithms for land cover change in a coastal area affected by the 2010 Earthquake and Tsunami in Chile. Natural Hazards and Earth System Sciences Discussions, 1-14.

Waśniewski, A., Hościło, A., Zagajewski, B., & Moukétou-Tarazewicz, D. (2020). Assessment of Sentinel-2 satellite images and random forest classifier for rainforest mapping in Gabon. Forests11(9), 941.

Xi, Y., Ren, C., Tian, Q., Ren, Y., Dong, X., & Zhang, Z. (2021). Exploitation of time series sentinel-2 data and different machine learning algorithms for detailed tree species classification. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing14, 7589-7603.