Ứng dụng giải thuật trí tuệ nhân tạo phân loại và dự báo sự phân bố lớp phủ thực vật sử dụng ảnh landsat – vùng nghiên cứu tại đới ven bờ của tỉnh Bà Rịa Vũng Tàu
và
*
Article Sidebar
Full Text: 
PDF
Abstract
The automatic and continuous updates along with predictions of changes in vegetation cover are essential prerequisites for identifying solutions for rational planning and resource management. This study classified automatically various vegetation covers using Landsat images from 1988 to 2024 in Bà Rịa – Vũng Tàu province. The Random Forest (RF) algorithm on the Google Earth Engine (GEE) platform was applied to classify vegetation. Subsequently, the Hidden Markov Model (HMM) and Bayesian network were applied to forecast the distribution of vegetation cover in the future (up to 2030). The classification and prediction results, with high accuracy (over 87%), demonstrate the advantages of applying artificial intelligence (AI) in remote sensing, supporting monitoring efforts and decision-making in planning for resource and ecosystem management activities.
Tóm tắt
Việc cập nhật tự động và liên tục cùng với dự báo sự thay đổi lớp phủ thực vật là tiền đề quan trọng giúp xác định các giải pháp quy hoạch, quản lý sử dụng hợp lý tài nguyên. Nghiên cứu này đã thực hiện phân loại tự động các lớp phủ thực vật khác nhau sử dụng ảnh viễn thám Landsat giai đoạn từ 1988 đến 2024 tại đới bờ tỉnh Bà Rịa – Vũng Tàu. Giải thuật Rừng ngẫu nhiên (Random Forest - RF) trên nền tảng Google Earth Engine (GEE) đã được áp dụng để phân loại các đối tượng thực phủ. Tiếp đến, mô hình Markov ẩn (Hidden Markov Model - HMM) và mạng Bayes (Bayesian network) được sử dụng để dự báo sự phân bố lớp phủ thực vật trong tương lai (đến 2030). Kết quả phân loại và dự báo lớp phủ thực vật với độ chính xác cao (trên 87%) đã cho thấy tính ưu việt của việc ứng dụng trí tuệ nhân tạo (AI) trong trích xuất tự động các đối tượng thực phủ, hỗ trợ công tác theo dõi và ra quyết định lập kế hoạch cho các hoạt động quản lí tài nguyên và hệ sinh thái.
Article Details
This work is licensed under a Creative Commons Attribution-NonCommercial 4.0 International License.
Tài liệu tham khảo
Dao, K. V., & Nguyen, S. T. T. (2019). Study and forecast of land use changes by Markov chain - CA and GIS in Phu Tho province. Vietnam Journal of Agricultural Science and Technology, 108(11) (in Vietnamese).
Huynh, T. V., Le, T. P., & Vu, O. T. K. (2023). Application of GIS technology and modeling to create a land cover forecast map of Vinh Cuu district, Dong Nai province in 2030. Journal of Forestry Science and Technology, 12(6), 119-129 (in Vietnamese). https://doi.org/10.55250/jo.vnuf.12.6.2023.119-129
Kolli, M. K., Pham, Q. B., Linh, N. T. T., Hoai, P. N., Costache, R., & Anh, D. T. (2022). Assessment of change in the extent of mangrove ecosystems using different spectral indices in Google Earth Engine based on random forest model. Arabian Journal of Geosciences, 15(9). https://doi.org/10.1007/s12517-022-10158-7
Lukas, P., Melesse, A. M., & Kenea, T. T. (2023). Prediction of Future Land Use/Land Cover Changes Using a Coupled CA-ANN Model in the Upper Omo–Gibe River Basin, Ethiopia. Remote Sensing, 15(4). https://doi.org/10.3390/rs15041148
Mithal, V., Khandelwal, A., Boriah, S., Steinhaeuser, K., & Kumar, V. (2013). Proceedings of the 2013 SIAM International Conference on Data Mining, 650-658. https://doi.org/10.1137/1.9781611972832.72
Nguyen, H. T. T., & Doan, T. M. (2018). Applying Random Forest classification algorithm to build land use/land cover map of Dak Lak province based on Landsat 8 OLI satellite images. Journal of Agriculture & Rural Development, (13), 122-129 (in Vietnamese).
Pham, H. M., Do, H. T., Bui, T. Q., & Nguyen, Q. N. (2019). Research on the scientific basis of applying random forest algorithm in classifying SPOT6 satellite images with experimental area in Ca Mau province. Conference Proceedings: Basic Research in “Earth and Environmental Sciences” (in Vietnamese). https://doi.org/10.15625/vap.2019.000155
Pham, T. T. T., Trinh, H. N., Le, T. H. N., & Duong, N. Q. (2023). Application of GIS and Markov chain to forecast land use change in Phu Vang district, Thua Thien Hue province. Journal of Agricultural Science and Technology, Hue University of Agriculture and Forestry, 7(1), 3512-3522 (in Vietnamese). https://doi.org/10.46826/huaf-jasat.v7n1y2023.996
Phan, T. V., & Ngo, T. A. (2021). Application of mathematical models and GIS techniques in forecasting land changes in Quy Nhon city.. Journal of Natural Resources and Environmental Science (37) (in Vietnamese).
Rahnama, M. R. (2021). Forecasting land-use changes in Mashhad Metropolitan area using Cellular Automata and Markov chain model for 2016-2030. Sustainable Cities and Society, 64. https://doi.org/https://doi.org/10.1016/j.scs.2020.102548
Salberg, A.-B., & Trier, Ø. D. (2011). Temporal analysis of forest cover using hidden Markov models. Geoscience and Remote Sensing Symposium (IGARSS), 2011 IEEE International. https://doi.org/10.1109/IGARSS.2011.6049674
Satya, B. A., Shashi, M., & Deva, P. (2020). Future land use land cover scenario simulation using open source GIS for the city of Warangal, Telangana, India. Applied Geomatics, 12(3), 281-290. https://doi.org/10.1007/s12518-020-00298-4
Tieng, T., Sharma, S., Mackenzie, R., Venkattappa, M., Sasaki, N., & Collin, A. (2019). Mapping mangrove forest cover using Landsat-8 imagery, Sentinel-2, Very High Resolution Images and Google Earth Engine algorithm for entire Cambodia. IOP Conference Series: Earth and Environmental Science, 266(012010). https://doi.org/10.1088/1755-1315/266/1/012010
Tran, V. A., Tran, H. H., Le, T. N., Pham, T. T. H., Tran, Q. A., Nguyen, T. V. A., Pham, T. T., & Tran, Q. T. (2023). Research on some machine learning methods in establishing surface cover map of Ca Mau province on Google Earth Engine platform. Journal of Surveying and Cartography, (55), 18-26 (in Vietnamese). https://doi.org/10.54491/jgac.2023.55.671
Xu, L., Liu, X., Tong, D., Liu, Z., Yin, L., & Zheng, W. (2022). Forecasting Urban Land Use Change Based on Cellular Automata and the PLUS Model. Land, 11(5). https://doi.org/10.3390/land11050652