ỨNG DỤNG VIỄN THÁM VÀ GOOGLE EARTH ENGINE THÀNH LẬP BẢN ĐỒ HIỆN TRẠNG SỬ DỤNG ĐẤT NÔNG NGHIỆP NĂM 2023 Ở HUYỆN HÒA VANG, THÀNH PHỐ ĐÀ NẴNG
Tập 133 Số 3B (2024), Nghiên Cứu
Tập 133 Số 3B (2024)

ỨNG DỤNG VIỄN THÁM VÀ GOOGLE EARTH ENGINE THÀNH LẬP BẢN ĐỒ HIỆN TRẠNG SỬ DỤNG ĐẤT NÔNG NGHIỆP NĂM 2023 Ở HUYỆN HÒA VANG, THÀNH PHỐ ĐÀ NẴNG

Nghiên Cứu
https://doi.org/10.26459/hueunijard.v133i3B.7443
Đã xuất bản 2024-06-28
Lê Ngọc Hành
Trường Đại học Sư phạm, Đại học Huế, 34 Lê Lợi, Huế, Việt Nam
Nguyễn Hoàng Sơn
Trường Đại học Sư phạm, Đại học Huế, 34 Lê Lợi, Huế, Việt Nam
Lê Phúc Chi Lăng
Trường Đại học Sư phạm, Đại học Huế, 34 Lê Lợi, Huế, Việt Nam

Từ khóa

bản đồ
Hòa Vang
nông nghiệp
sử dụng đất
viễn thám map
Hoa Vang
agriculture
landuse
remote sensing

Tóm tắt

Hòa Vang là huyện nông nghiệp của thành phố Đà Nẵng. Do đó, việc quản lý, sử dụng đất nông nghiệp là nhiệm vụ quan trọng của huyện. Mục tiêu của nghiên cứu này nhằm sử dụng ảnh Sentinel 2 để thành lập bản đồ hiện trạng sử dụng đất nông nghiệp năm 2023 ở huyện Hòa Vang trên Google Earth Engine. Nghiên cứu sử dụng phương pháp Random Forest để giải đoán ảnh, đánh giá độ tin cậy bằng chỉ số Kappa và độ chính xác toàn cục. Kết quả tính toán được chỉ số Kappa là 0,85 và độ chính xác toàn cục là 0,87. Điều này cho thấy bản đồ hiện trạng sử dụng đất nông nghiệp được thành lập bằng ảnh Sentinel 2 có độ tin cậy cao. Kết quả nghiên cứu cũng cho thấy, đất nông nghiệp có diện tích là 61.204 ha, chiếm 83,5% diện tích tự nhiên của huyện. Trong đó, đất lâm nghiệp có diện tích lớn nhất với 52.438 ha, chiếm tỉ lệ 71,5%. Đất trồng lúa (3.484,1 ha) và đất trồng cây lâu năm (3.348 ha) có diện tích tương đương nhau, chiếm tỉ lệ khoảng 9,5%. Đất trồng cây hàng năm khác có diện tích nhỏ nhất trong nhóm đất nông nghiệp với 1.933,9 ha, chiếm tỉ lệ 2,6%. Kết quả nghiên cứu là tài liệu tham khảo cho việc quản lý, sử dụng đất nông nghiệp ở huyện Hòa Vang, thành phố Đà Nẵng.

https://doi.org/10.26459/hueunijard.v133i3B.7443

Tài liệu tham khảo

  1. FAO (1997), Integrated approach to the planning and management of land resources, Progress Report.
  2. Franklin, S. E. & Wulder, M. A. (2002), Remote sensing methods in medium spatial resolution satellite data land cover classification of large areas, Progress in Physical Geography: Earth and Environment, 26, 173–205.
  3. Talukdar, S., Singha, P., Mahato, S., Shahfahad, Pal, S., Liou, Y.-A. & Rahman, A. (2020), Land-Use Land-Cover Classification by Machine Learning Classifiers for Satellite Observations—A Review, Remote Sensing, 12, 1135.
  4. Sentinel, E. (2004), Missions-Sentinel Online. ESA: Paris, France.
  5. 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, 2291.
  6. Pesaresi, M., Corbane, C., Julea, A., Florczyk, A. J., Syrris, V. & Soille, P. (2016), Assessment of the added-value of Sentinel-2 for detecting built-up areas, Remote Sensing, 8, 299.
  7. Bruzzone, L., Bovolo, F., Paris, C., Solano-Correa, Y. T., Zanetti, M. & Fernández-Prieto, D. (2017), Analysis of multitemporal Sentinel-2 images in the framework of the ESA Scientific Exploitation of Operational Missions, 9th International Workshop on the Analysis of Multitemporal Remote Sensing Images (MultiTemp), IEEE.
  8. Xu, Y., Yu, L., Feng, D., Peng, D., Li, C., Huang, X., Lu, H. & Gong, P. (2019), Comparisons of three recent moderate resolution African land cover datasets: CGLS-LC100, ESA-S2-LC20, and FROM-GLC-Africa30, International Journal of Remote Sensing, 40, 6185–6202.
  9. Chi, M., Plaza, A., Benediktsson, J. A., Sun, Z., Shen, J. & Zhu, Y. (2016), Big data for remote sensing: Challenges and opportunities, Proceedings of the IEEE, 104, 2207–2219.
  10. Amani, M., Ghorbanian, A., Ahmadi, S. A., Kakooei, M., Moghimi, A., Mirmazloumi, S. M., Moghaddam, S. H. A., Mahdavi, S., Ghahremanloo, M., Parsian, S., Wu, Q. & Brisco, B. (2020), Google Earth Engine Cloud Computing Platform for Remote Sensing Big Data Applications: A Comprehensive Review, IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 13, 5326–5350.
  11. Tamiminia, H., Salehi, B., Mahdianpari, M., Quackenbush, L., Adeli, S. & Brisco, B. (2020), Google Earth Engine for geo-big data applications: A meta-analysis and systematic review, ISPRS Journal of Photogrammetry and Remote Sensing, 164, 152–170.
  12. Ủy ban nhân dân huyện Hòa Vang (2023), Báo cáo thuyết minh tổng hợp kế hoạch sử dụng đất năm 2023 huyện Hòa Vang, thành phố Đà Nẵng.
  13. Immitzer, M., Vuolo, F. & Atzberger, C. (2016), First experience with Sentinel-2 data for crop and tree species classifications in central Europe, Remote sensing, 8, 166.
  14. Novelli, A., Aguilar, M. A., Nemmaoui, A., Aguilar, F. J. & Tarantino, E. (2016), Performance evaluation of object based greenhouse detection from Sentinel-2 MSI and Landsat 8 OLI data: A case study from Almería (Spain), International journal of applied earth observation and geoinformation, 52, 403–411.
  15. Vuolo, F., Neuwirth, M., Immitzer, M., Atzberger, C. & Ng, W.-T. (2018), How much does multi-temporal Sentinel-2 data improve crop type classification?, International journal of applied earth observation and geoinformation, 72, 122–130.
  16. Copernicus (2023), S2A_MSIL1C_20230507T030521_N0509_R075_T48PZC_20230507T052914.SAFE, Available from: https://browser.dataspace.copernicus.eu.
  17. Oshiro, T. M., Perez, P. S. & Baranauskas, J. A. (2012), How Many Trees in a Random Forest? (2012), Machine Learning and Data Mining in Pattern Recognition, Berlin, Heidelberg: Springer Berlin Heidelberg, 7376.
  18. Belgiu, M. & Drăguţ, L. (2016), Random forest in remote sensing: A review of applications and future directions, ISPRS Journal of Photogrammetry and Remote Sensing, 114, 24–31.
  19. Tsutsumida, N. & Comber, A. J. (2015), Measures of spatio-temporal accuracy for time series land cover data, International Journal of Applied Earth Observation and Geoinformation, 41, 46–55.
  20. Maryantika, N. & Lin, C. (2017), Exploring changes of land use and mangrove distribution in the economic area of Sidoarjo District, East Java using multi-temporal Landsat images, Information Processing in Agriculture, 4(4), 321–332.
  21. Islami, F. A., Tarigan, S. D., Wahjunie, E. D. & Dasanto, B. D. (2022), Accuracy Assessment of Land Use Change Analysis Using Google Earth in Sadar Watershed Mojokerto Regency, IOP Conference Series: Earth and Environmental Science, 950, 012091.