Kết hợp trí tuệ nhân tạo (AI) và Google Earth Engine (GEE) để phân loại các lớp phủ từ ảnh Sentinel-2: trường hợp nghiên cứu tại xã Quảng Sơn và xã Tà Đùng, tỉnh Lâm Đồng
DOI:
https://doi.org/10.55250/Jo.vnuf.14.7.2025.060-070Từ khóa:
EUDR, GEE , không gây mất rừng, phân loại lớp phủ, trí tuệ nhân tạoTóm tắt
Nghiên cứu này đã tích hợp giữa mô hình học sâu Vision Transformer (ViT) và Google Earth Engine (GEE) để phân loại lớp phủ đất và thành lập bản đồ các khu vực canh tác cà phê và các khu vực có rừng từ ảnh Sentinel-2 năm 2020 tại xã Quảng Sơn và xã Tà Đùng, tỉnh Lâm Đồng. Tổng cộng 10.394 điểm mẫu được sử dụng, trong đó 8.352 điểm huấn luyện và 2.042 điểm kiểm tra. Kết quả đào tạo mô hình AI cho thấy độ chính xác tổng thể đạt 91%, điểm F1 trung bình có trọng số 0,91, điểm F1 trung bình không có trọng số đạt 0,92. Kết quả đánh giá độ chính xác bằng dữ liệu kiểm tra cho độ tin cậy cao với độ chính xác tổng thể đạt 88%, độ tin cậy của kết quả kiểm tra đối với cà phê đạt 83%, rừng đạt 96%, mặt nước 99%, đất nông nghiệp và cây trồng khác đạt 71%, đất xây dựng đạt 95%. Kết quả phân loại được kiểm chứng ngoài thực địa ở 46 điểm năm 2024 đạt 91,4%. Kết quả tính toán diện tích lớp phủ khu vực nghiên cứu cho thấy có khoảng 55.264 ha rừng (chiếm hơn 56% tổng diện tích của hai xã), hơn 26.000 ha cà phê (chiếm khoảng 26,5% tổng diện tích của hai xã). Kết quả nghiên cứu đã khẳng định hiệu quả của việc kết hợp thuật toán AI và GEE trong nhận diện các vùng canh tác cà phê và rừng điển hình ở vùng Tây Nguyên, đồng thời cung cấp cơ sở khoa học cho giám sát và chứng minh vùng trồng cà phê không gây mất rừng nhằm đáp ứng Quy định chống mất rừng của Liên minh châu Âu (EUDR).
Tài liệu tham khảo
[1]. FAO (2020). Global Forest Resources Assessment 2020.
[2]. Philip G Curtis, Christy M Slay, Nancy L Harris, Alexandra Tyukavina & Matthew C Hansen (2018). Classifying drivers of global forest loss. Science. 361(6407): 1108-1111.
[3]. Christopher L Gilbert (2024). The EU deforestation regulation. EuroChoices. 23(3): 64-70.
[4]. Noel Gorelick, Matt Hancher, Mike Dixon, Simon Ilyushchenko, David Thau & Rebecca Moore (2017). Google Earth Engine: Planetary-scale geospatial analysis for everyone. Remote sensing of Environment. 202: 18-27.
[5]. Pardhasaradhi Teluguntla, Prasad S Thenkabail, Adam Oliphant, Jun Xiong, Murali Krishna Gumma, Russell G Congalton, Kamini Yadav & Alfredo Huete (2018). A 30-m landsat-derived cropland extent product of Australia and China using random forest machine learning algorithm on Google Earth Engine cloud computing platform. ISPRS journal of photogrammetry and remote sensing. 144: 325-340.
[6]. Trần Quang Bảo, Nguyễn Trọng Cương, Lê Sỹ Doanh, Lã Nguyên Khang, Đinh Văn Tuyến & Lê Đức Nhật Minh (2023). Kết hợp ảnh vệ tinh sentiel-2 va google earth engine để xác định diện tich rừng chuyển đổi sang đất nông nghiệp giai đoạn 2016-2021: trường hợp nghiên cứu tại huyện Đăk Glong, tỉnh Đăk Nông. Tạp chí Khoa học và Công nghệ Lâm nghiệp. 2: 54-64.
DOI: 10.55250/jo.vnuf.2023.2.054-064
[7]. Trần Quang Bảo, Nguyễn Trọng Cương & Mai Hà An (2016). Nghiên cứu xây dựng phần mềm tự động phát hiện sớm cháy rừng từ Trạm quan trắc mặt đất. Tạp chí Khoa học Lâm nghiệp. 3(3): 4538 - 4546.
[8]. Panagiotis Barmpoutis, Periklis Papaioannou, Kosmas Dimitropoulos & Nikos Grammalidis (2020). A review on early forest fire detection systems using optical remote sensing. Sensors. 20(22): 6442.
[9]. Xiao Xiang Zhu, Devis Tuia, Lichao Mou, Gui-Song Xia, Liangpei Zhang, Feng Xu & Friedrich Fraundorfer (2017). Deep learning in remote sensing: A comprehensive review and list of resources. IEEE geoscience and remote sensing magazine. 5(4): 8-36.
[10]. Lei Ma, Yu Liu, Xueliang Zhang, Yuanxin Ye, Gaofei Yin & Brian Alan Johnson (2019). Deep learning in remote sensing applications: A meta-analysis and review. ISPRS journal of photogrammetry and remote sensing. 152: 166-177.
[11]. Alexey Dosovitskiy, Lucas Beyer, Alexander Kolesnikov, Dirk Weissenborn, Xiaohua Zhai, Thomas Unterthiner, Mostafa Dehghani, Matthias Minderer, Georg Heigold & Sylvain Gelly (2020). An image is worth 16x16 words: Transformers for image recognition at scale. arXiv preprint arXiv:2010.11929.
[12]. Nathalie Pettorelli (2013). The normalized difference vegetation index. Oxford University Press, USA.
[13]. Suming Jin & Steven A Sader (2005). Comparison of time series tasseled cap wetness and the normalized difference moisture index in detecting forest disturbances. Remote sensing of Environment. 94(3): 364-372.
[14]. Yong Zha, Jay Gao & Shaoxiang Ni (2003). Use of normalized difference built-up index in automatically mapping urban areas from TM imagery. International journal of remote sensing. 24(3): 583-594.
[15]. Hongmei Zhao & Xiaoling Chen (2005). Use of normalized difference bareness index in quickly mapping bare areas from TM/ETM+. International geoscience and remote sensing symposium. 1666.
[16]. Bo-Cai Gao (1996). NDWI—A normalized difference water index for remote sensing of vegetation liquid water from space. Remote sensing of environment. 58(3): 257-266.
[17]. Alfredo R Huete (1988). A soil-adjusted vegetation index (SAVI). Remote sensing of environment. 25(3): 295-309.
[18]. Xiang Gao, Alfredo R Huete, Wenge Ni & Tomoaki Miura (2000). Optical–biophysical relationships of vegetation spectra without background contamination. Remote sensing of environment. 74(3): 609-620.
[19]. Shunzhou Wang, Tianfei Zhou, Yao Lu & Huijun Di (2022). Detail-preserving transformer for light field image super-resolution. Proceedings of the AAAI conference on artificial intelligence. 2522-2530.
[20]. Ewa Grabska, Patrick Hostert, Dirk Pflugmacher & Katarzyna Ostapowicz (2019). Forest stand species mapping using the Sentinel-2 time series. Remote Sensing. 11(10): 1197.
[21]. Ava Vali, Sara Comai & Matteo Matteucci (2020). Deep learning for land use and land cover classification based on hyperspectral and multispectral earth observation data: A review. Remote Sensing. 12(15): 2495.
