Professional Documents
Culture Documents
Đoàn Viết Long1, Nguyễn Chí Công1, Phạm Thành Hưng1, Nguyễn Tiến Cường2
Tóm tắt: Trong nghiên cứu về trượt lở đất ở Việt Nam, nguồn dữ liệu về hiện trạng trượt lở chưa được
thu thập đầy đủ do khó khăn trong công tác đo đạc xác định vị trí và thời gian trượt lở. Với sự phát
triển của khoa học quan sát Trái đất và khoa học máy tính, công nghệ xử lý ảnh viễn thám có thể giải
quyết vấn đề này. Nghiên cứu này sử dụng kỹ thuật phân tích ảnh viễn thám Sentinel 2 để nhận dạng vị
trí trượt lở. Hai ảnh vệ tinh trước và sau khi xảy ra trượt lở được sử dụng để phân tích. Vị trí các điểm
trượt lở được xác định dựa trên phân tích sự thay đổi của chỉ số thảm thực vật NDVI, sử dụng mô hình
phân loại Random Forest (RF) và kỹ thuật chồng chập bản đồ. Kết quả kiểm định cho thấy mô hình RF
cho độ chính xác toàn cục đạt 98.2% và chỉ số Kappa đạt 0.95. Kết quả kiểm chứng tại 2 vị trí trượt lở
bằng dữ liệu ảnh chụp thực tế đã cho thấy khả năng áp dụng của mô hình này.
Từ khóa: Trượt lở đất, Sentinel 2, phần mềm SNAP, Random Forest, NDVI
1. GIỚI THIỆU CHUNG * có thể phân chia làm 2 nhóm: ảnh quang học và
Trượt lở đất được định nghĩa là sự dịch chuyển ảnh radar. Ảnh quang học có thể lấy từ các vệ tinh
của khối đất, đá trên sườn dốc dưới tác động của như: Landsat 4, 5, 7 và 8, Sentinel-2A/B (Amatya
trọng lực (Cruden & Varnes, 1996). Đây là loại et al., 2019; Budha & Bhardwaj, 2019; Li et al.,
hình thiên tai khá phổ biến ở trên thế giới, gây hậu 2016; Qin et al., 2018; Zhao et al., 2017). Trong
quả hết sức nghiêm trọng (Reichenbach et al., khi đó, ảnh radar có thể thu thập từ vệ tinh radar
2018). Trong nghiên cứu về hiện tượng này, công khẩu độ tổng hợp (Synthetic Aperture Radar _
tác thu thập dữ liệu các vụ trượt lở (vị trí, thời SAR) như Sentinel-1A/B, ERS-1/2, ENVISAT,
gian, loại hình, quy mô ...) đã xảy ra là rất quan ALOS PALSAR, RADASAT-2 (Barra et al.,
trọng. Việc này có thể được thực hiện bằng khảo 2016; Liu et al., 2018; Plank et al., 2016; Strozzi
sát đo đạc thực tế hoặc thông qua phân tích dữ liệu et al., 2018). Ưu điểm của ảnh quang học so với
ảnh từ máy bay (Scaioni et al., 2014). Quá trình ảnh SAR là có độ phân giải cao hơn, các bước tiền
này tiêu tốn khá nhiều thời gian khi phải thực hiện xử lý và phân tích đơn giản hơn. Do đó, ảnh
trên một phạm vi rất rộng với địa hình phức tạp quang học được sử dụng nhiều hơn trong các
(Qin et al., 2018). Ngày nay, với sự phát triển của trường hợp phân tích rủi ro thiên tai khi cần kết
khoa học quan sát trái Trái đất, kỹ thuật viễn thám quả nhanh chóng.
đã được ứng dụng giúp nhận diện nhanh các vụ Có nhiều phương pháp nhận dạng vết trượt lở
trượt lở đất (Guzzetti et al., 2012). Ảnh viễn thám đất từ ảnh không gian, có thể chia làm 5 nhóm:
có thể thu thập từ nhiều nguồn vệ tinh khác nhau, (i) Dựa vào trực quan (visual interpretation-
based), (ii) dựa vào đặc trưng (feature-based),
1
Khoa Xây dựng Công trình thủy, Trường Đại học Bách (iii) dựa vào phát hiện sự thay đổi (change
khoa, Đại học Đà Nẵng
2 detection-based), (iv) dựa vào mô phỏng địa
Khoa Kỹ thuật Ô tô và Năng lượng, Trường Đại học
hình (topographic model-based) và (v) phương
Phenikaa
3. PHƯƠNG PHÁP NGHIÊN CỨU Giám sát Môi trường và An ninh toàn cầu
Ảnh vệ tinh Sentinel 2 có chất lượng tốt ít bị (GMES) và được đồng tổ chức bởi Ủy ban Châu
ảnh hưởng bởi mây được thu thập ở các thời điểm Âu (EC) và Cơ quan Vũ trụ Châu Âu (ESA) (Qin
trước và sau vụ trượt lở. Nghiên cứu sử dụng phần et al., 2018). Hệ thống này bao gồm hai vệ tinh
mềm SNAP để xử lý ảnh, tính toán chỉ số NDVI. quay quanh cực (tức là Sentinel-2A và Sentinel-
Sau đó, thuật toán phân loại RF (tích hợp trong 2B) trên cùng một quỹ đạo nhưng lệch pha nhau
phần mềm QGIS) được sử dụng để phân loại bản 180°. Các vệ tinh mang thiết bị đa quang phổ
đồ NDVI thành 2 nhóm: có thảm phủ và không có (MSI) tạo mẫu gồm 12 dải phổ (dải 10 m, 20 m,
thảm phủ. Các vết trượt lở được nhận dạng dựa 60 m) từ dải nhìn thấy và hồng ngoại gần (VNIR)
vào kỹ thuật chồng chập bản đồ, được thực hiện đến dải hồng ngoại sóng ngắn (SWIR). Độ phân
trên phần mềm QGIS. Sơ đồ nghiên cứu được giải về thời gian là 5 ngày nếu kết hợp cả hai vệ
trình bày ở Hình 2. tinh. Các cấp sản phẩm Cấp-1C và Cấp-2A được
cung cấp miễn phí cho người dùng để giám sát đất
đai, quản lý khẩn cấp và lập bản đồ rủi ro.
Đối với khu vực nghiên cứu này, dữ liệu ảnh
Cấp-1C được thu thập từ web-site của Cơ quan Vũ
trụ Châu Âu (ESA) https://scihub.copernicus.eu/.
Dữ liệu ảnh vệ tinh Sentinel-2B với độ phân giải
cao nhất 10mx10m và chu kì lặp lại là 10 ngày sẽ
được thu thập để phân tích. Để đảm bảo chất
lượng trong quá trình phân tích, nghiên cứu chỉ
lựa chọn những bức ảnh có tỷ lệ mây che phủ dưới
20%. Ngày 28/10/2020, liên tiếp nhiều vụ trượt lở
Hình 2. Sơ đồ phương pháp nghiên cứu được ghi nhận trên địa bàn huyện Phước Sơn do
ảnh hưởng của mưa lớn. Trên cơ sở đó, nghiên
3.1. Thu thập và xử lý ảnh vệ tinh Sentinel 2 cứu này đã lựa chọn 2 ảnh vệ tinh Sentinel 2 có
Vệ tinh Sentinel-2 là một hệ thống quan sát chất lượng tốt và được chụp vào thời điểm trước
Trái đất đa quang phổ được thực hiện bởi tổ chức trượt lở (ngày 14/09/2020, cấp 1C) và sau thời
Ảnh sau khi được phân loại thể hiện bởi hai
đặc trưng: (i) có thảm phủ và (ii) không có thảm Hình 9. Ảnh trước trượt lở đã phân loại:
phủ hoặc bề mặt nước hoặc bị ảnh hưởng bởi (i) có thảm phủ (màu trắng);
mây (Hình 9 và Hình 10). Vùng không có thảm (ii) không có thảm phủ (màu xanh).
phủ ở ảnh trước sự kiện biểu thị bằng màu xanh Vùng bị che khuất bởi mây (ô vuông đen)
Hình 11. Chồng chập ảnh trước trượt lở (Hình 9) Hình 12. Vị trí sạt lở thực tế số 1
và sau trượt lở (Hình 10)
Đoàn Viết Long, Nguyễn Chí Công, Nguyễn Quang Bình, N. T. C. (2020). Đánh giá thực trạng và giải
pháp nghiên cứu về trượt lở đất ở Việt Nam giai đoạn 2010 – 2020. Tạp chí Khoa học và Công nghệ
Thủy lợi, 61.
Amatya, P., Kirschbaum, D., & Stanley, T. (2019). Use of very high-resolution optical data for landslide
mapping and susceptibility analysis along the Karnali highway, Nepal. Remote Sensing, 11(19), 2284.
Barra, A., Monserrat, O., Mazzanti, P., Esposito, C., Crosetto, M., & Scarascia Mugnozza, G. (2016).
First insights on the potential of Sentinel-1 for landslides detection. Geomatics, Natural Hazards and
Risk, 7(6), 1874–1883.
Basten, K. (2016). Classifying Landsat Terrain Images via Random Forests. Bachelor Thesis Computer
Science.
Bernat Gazibara, S., Krkač, M., & Mihalić Arbanas, S. (2019). Landslide inventory mapping using
LiDAR data in the City of Zagreb (Croatia). Journal of Maps, 15(2), 773–779.
Breiman, L. (2001). Random forests. Machine Learning, 45(1), 5–32.
Budha, P. B., & Bhardwaj, A. (2019). Landslide Extraction From Sentinel-2 Image In Siwalik Of
Surkhet District, Nepal. ISPRS Annals of Photogrammetry, Remote Sensing & Spatial Information
Sciences, 4.
Bunn, M. D., Leshchinsky, B. A., Olsen, M. J., & Booth, A. (2019). A simplified, object-based
framework for efficient landslide inventorying using LIDAR digital elevation model derivatives.
Remote Sensing, 11(3), 303.
Cruden, D. M., & Varnes, D. J. (1996). Landslides: investigation and mitigation. Chapter 3-
Landslide types and processes. Transportation Research Board Special Report, 247.
In the study of landslides in Vietnam, the inventories of landslide has still been insufficient due to the
difficulty in measuring and detecting location and time of landslide sites. With the development of the
Earth - Observing Science and Computer Science, remote sensing technology is considered a solution to
this problem. This study utilised optical imagery Sentinel 2 for landslide detection, analysed by SNAP
and QGIS software. The pre-event and post-event Sentinel 2 images acquired at the same study area
were selected for the analysis. Location of landslide points is determined based on the change of NDVI
index, using Random Forest (RF) classification model and overlay mapping technique. The validation
results showed that this model has performed well with the accuracy and kappa values are 98.2% and
0.95 respectively. In addition, the test results at 2 actual landslide locations have shown the
applicability of this method.
Keywords: Landslide; Sentinel 2; SNAP software; Random Forest, NDVI.