Tuyển tập Báo cáo khoa học
Hội thảo “Ứng dụng khoa học công nghệ trong quản lý tài nguyên nước”

Doi: 10.15625/vap.2021.0112

CÁC PHƢƠNG PHÁP VIỄN THÁM XÁC ĐỊNH
DIỆN TÍCH MẶT NƢỚC HỒ CHỨA NGOÀI BIÊN GIỚI
VIỆT NAM THEO THỜI GIAN
Nguyễn Anh Đức, Trần Mạnh Cường, Trần Anh Phương
Viện Khoa học tài nguyên nước - Bộ Tài ngun và Mơi trường

Tóm tắt
Đa phần các con sông lớn ở Việt Nam bắt nguồn từ các nước khác và
ngày càng chịu nhiều sự chi phối từ hoạt động kiểm sốt dịng chảy thơng
qua các hồ thủy điện ở phía thượng nguồn. Số liệu của các hồ chứa ngồi
lãnh thổ khơng được cơng bố rộng rãi, khiến cho cơng tác nghiên cứu dịng
chảy trở nên khó khăn. Hiện nay, công nghệ viễn thám đang ngày càng phát
triển, có thể được sử dụng để phân tích mặt nước từ xa trong một thời gian
dài, làm cơ sở cho các nghiên cứu chuyên sâu. Việc xác định mặt nước có
thể được thực hiện bằng các phương pháp: dùng ngưỡng phân tách, dùng
chỉ số và dùng phân loại trong học máy (machine learning). Phương pháp
ngưỡng phân tách dùng cho ảnh Sentinel-1, hỗ trợ xác định mặt nước ngay
cả trong điều kiện thời tiết nhiều mây. Phương pháp dùng chỉ số áp dụng
cho các loại ảnh vệ tinh quang học thông qua các chỉ số như NDVI,
NDWI… Phương pháp phân loại trong học máy sử dụng thuật toán random
forest để xác định khu vực mặt nước. Các phương pháp này đều được thực
hiện bởi công cụ Google Earth Engine, là nền tảng công nghệ đầu tiên đưa
lượng dữ liệu lớn với quy mơ petabyte và hình ảnh vệ tinh từ quá khứ đến
hiện tại lên mạng. Nền tảng này cung cấp cho các nhà khoa học cơ sở hạ
tầng điện tốn đám mây mở rộng của Google để phân tích hình ảnh. Diện
tích mặt nước các hồ chứa được trích xuất và tính tốn từ nhiều ảnh vệ tinh

theo thời gian tạo thành chuỗi giá trị hữu ích phục vụ cho cơng tác nghiên
cứu dịng chảy trên các sơng xun biên giới.
Từ khóa: Ngưỡng phân tách, NDWI, học máy, random forest, Google
Earth Engine.
1. Mở đầu
Việt Nam có nguồn nước mặt phong phú, dồi dào với rất nhiều sơng
ngịi, kênh rạch; nhưng đa phần các con sông lớn ở nước ta bắt nguồn từ bên
VIỆN KHOA HỌC TÀI NGUYÊN NƯỚC

39


Tuyển tập Báo cáo khoa học
Hội thảo “Ứng dụng khoa học cơng nghệ trong quản lý tài ngun nước”

ngồi lãnh thổ, khiến chế độ dịng chảy trên các con sơng phụ thuộc rất nhiều
vào các hoạt động từ các nước phía thượng nguồn, nhất là trong bối cảnh hiện
nay, khi mà các quốc gia đó đang tiến hành xây dựng ngày càng nhiều các
đập thủy điện. Để hạn chế các tác động khơng mong muốn do việc thay đổi
dịng chảy cũng như có kế hoạch sử dụng nguồn nước một cách phù hợp, cần
thiết có các nghiên cứu cụ thể. Tuy nhiên việc thu thập số liệu hồ chứa ngoài
lãnh thổ rất khó khăn do chúng khơng được cơng bố. Vì vậy, cơng nghệ viễn
thám tỏ ra phù hợp trong q trình tiến hành các nghiên cứu đó.
Thơng qua viễn thám diện tích mặt nước của các hồ chứa hồn tồn có
thể xác định từ ảnh vệ tinh. Hiện nay, với sự hỗ trợ của công cụ Google
Earth Engine (GEE) - sản phẩm của tập đồn cơng nghệ Google, việc phân
tích hình ảnh vệ tinh được tiến hành thuận tiện, nhanh chóng và có độ chính
xác cao hơn so với các phương pháp phân tích trước đây. Hệ thống sử dụng
cơng nghệ điện tốn đám mây cho phép đọc nhiều loại định dạng dữ liệu
khác nhau, chia sẻ và tích hợp chúng lại, nhờ đó GEE khơng chỉ tạo ra một

cơ sở hạ tầng với quy mô Petabyte, mà cả các hàm API, ngơn ngữ lập trình
JavaScript và Python, giúp xử lý khá nhiều dữ liệu khác nhau. Thay vì phải
tải xuống từng cảnh ảnh viễn thám và xử lý từng ảnh như cách làm truyền
thống, GEE cho phép người dùng viết các đoạn code lập trình để tự động xử
lý thông tin trên máy chủ của Google và do đó khơng phải tốn tài ngun
máy tính và cho kết quả gần như ngay lập tức.
Việc phân tích mặt nước trên ảnh viễn thám bằng công cụ GEE được
tiến hành bằng các phương pháp: dùng ngưỡng phân tách, dùng chỉ số và
dùng phân loại trong học máy (machine learning). Tùy thuộc vào từng
trường hợp nghiên cứu mà các nhà nghiên cứu có thể sử dụng phương pháp
phù hợp hoặc kết hợp cả ba phương pháp.
2. Khu vực và dữ liệu nghiên cứu
2.1. Khu vực nghiên cứu
Sông Đà là phụ lưu lớn nhất của Sông Hồng, là con sông chứa nhiều
năng lượng, dài 927 km, diện tích lưu vực 52.900 km2, dịng chính bắt
nguồn từ núi Vơ Lượng, tỉnh Vân Nam - Trung Quốc. Đoạn thượng nguồn
Sông Đà ở Trung Quốc được gọi là Lý Tiên Giang (Lixian Jiang), có chiều
dài khoảng 400 km. Sơng Đà mang lại nhiều lợi ích, từ việc cung cấp nước
tưới tiêu, nguồn lợi thủy sản, đến cung cấp nước sinh hoạt cho người dân và
có nhiều điều kiện thuận lợi để xây dựng các công trình thủy điện.
40

VIỆN KHOA HỌC TÀI NGUYÊN NƯỚC


Tuyển tập Báo cáo khoa học
Hội thảo “Ứng dụng khoa học cơng nghệ trong quản lý tài ngun nước”

Hình 1. Vị trí các đập thủy điện đang vận hành ở
thượng nguồn Sơng Đà (Trung Quốc)


Có thể nói Sơng Đà từ xưa đến nay đã và đang mang đến nhiều lợi ích,
đóng góp vào q trình phát triển kinh tế - xã hội của đất nước. Tuy nhiên,
hiện nay ở thượng nguồn Sơng Đà - phía Trung Quốc, các cơng trình thủy
điện lớn đang được xây dựng ngày càng nhiều trên dịng chính (Hình 1),
làm ảnh hưởng khơng nhỏ đến chế độ dòng chảy, tác động đến đời sống
người dân cũng như các nguồn lợi kinh tế của nước ta. Trong số các hồ chứa
phía thượng nguồn thì Longma được xây dựng với dung tích lớn nhất (590
triệu m3), là hồ chứa có nhiều ảnh hưởng đến chế độ dịng chảy Sông Đà.
Các bước nghiên cứu tập trung vào xác định diễn biến diện tích mặt nước
trên hồ chứa này.
2.2. Dữ liệu nghiên cứu
Dữ liệu được sử dụng trong nghiên cứu gồm các cảnh ảnh vệ tinh
Sentinel-1 và Landsat 8 trong giai đoạn năm 2016 - 2020. Trong đó, các
cảnh ảnh Landsat 8 được lọc để loại bỏ các cảnh ảnh có diện tích mây che
phủ lớn.
Bảng 1. Các loại dữ liệu và khoảng thời gian
TT

Loại dữ liệu

Thời gian

1

COPERNICUS/S1_GRD

2016 - 2020

2


LANDSAT/LC08/C01/T1_TOA

2016 - 2020

VIỆN KHOA HỌC TÀI NGUYÊN NƯỚC

41


Tuyển tập Báo cáo khoa học
Hội thảo “Ứng dụng khoa học công nghệ trong quản lý tài nguyên nước”

3. Phƣơng pháp xác định diện tích mặt nƣớc hồ chứa theo thời gian
3.1. Phương pháp ngưỡng phân tách
Phương pháp này được thực hiện bằng việc sử dụng một giá trị làm
ngưỡng để phân tách khu vực mặt nước và khu vực khác. Nó được tiến hành
trên ảnh vệ tinh Sentinel-1 - một loại ảnh vệ tinh Radar, sóng điện từ phát ra
từ vệ tinh khi gặp vật thể trên bề mặt Trái đất phản xạ ngược lại và được thu
nhận bằng bộ cảm. Một số đặc điểm của loại vệ tinh Radar:
Hoạt động trong một dải sóng rộng từ band radio đến band cực ngắn
(với bước sóng từ micromet đến vài milimet);
Do bước sóng radio thường dài hơn bước sóng của ánh sáng nhìn thấy
và ánh sáng hồng ngoại nên chúng có thể xuyên qua được tán cây của lớp
phủ thực vật nên chất lượng ảnh Radar không phụ thuộc thời tiết như ảnh
viễn thám quang học;
Cách thức tương tác của các tín hiệu Radar phụ thuộc vào kích thước
vật thể, hình dạng, độ nhẵn bề mặt, góc tiếp xúc với các mức năng lượng
sản sinh từ sóng cực ngắn và hằng số điện mơi.


Hình 2. Ảnh vệ tinh Sentinel-1 khu vực hồ Longma theo band VV
42

VIỆN KHOA HỌC TÀI NGUYÊN NƯỚC


Tuyển tập Báo cáo khoa học
Hội thảo “Ứng dụng khoa học công nghệ trong quản lý tài nguyên nước”

Nhờ việc sóng có thể xuyên qua một số đối tượng nhất định và không
phụ thuộc vào thời tiết mà dữ liệu thu thập từ Sentinel-1 gần như đầy đủ.
Dựa theo loại sóng VV - một loại band ảnh Sentinel-1, giá trị sóng phản xạ
khi gặp mặt nước ln thấp hơn các đối tượng khác, giúp phân biệt mặt
nước và các đối tượng khác. Giá trị cụ thể được xác định phụ thuộc vào
từng khu vực địa lý nhất định. Trong GEE, ảnh vệ tinh truy cập từ dữ liệu
Sentinel-1 thông qua hàm ee.ImageCollection('COPERNICUS/S1_GRD') và
chọn band VV. Những ảnh này được làm mịn nhằm giảm sai số các điểm
ảnh do các thung lũng, vách núi độ dốc lớn tạo ra, quá trình này được tiến
hành bởi hàm focal_median().
3.2. Phương pháp dùng chỉ số
Xác định mặt nước cịn được thực hiện thơng qua việc sử dụng chỉ số để
phân loại các đối tượng. Từng đối tượng trên ảnh vệ tinh được gán với mỗi
giá trị khác nhau dựa theo đặc điểm của chúng. Các chỉ số được sử dụng
phổ biến để xác định mặt nước là NDVI và NDWI. Các chỉ số này được xây
dựng dựa trên mối quan hệ của các kênh ảnh vệ tinh quang học. Nhìn
chung, mỗi đối tượng phản xạ khác nhau với sóng điện từ tại các bước sóng
khác nhau, đây là cơ sở để xác định từng loại đối tượng trên ảnh vệ tinh.
Nước có phản xạ chủ yếu nằm trong vùng nhìn thấy (0,4 - 0,7 μm) và phản
xạ mạnh ở dải sóng lam (0,4 - 0,5 μm) và lục (0,5 - 0,6 μm). Giá trị phản xạ
của một đối tượng nước phụ thuộc chủ yếu vào độ đục của nó. Nước trong

có giá trị phản xạ rất khác nước đục, nước càng đục có độ phản xạ càng cao.
Ảnh vệ tinh từ năm 2016 đến năm 2020 được truy cập từ công cụ GEE
(ee.ImageCollection('LANDSAT/LC08/ C01/T1_TOA')) và lọc các cảnh ảnh
có diện tích mây che phủ nhỏ bằng hàm filter(ee.Filter.lt('cloud')). Tính tốn
chỉ số NDWI cho từng ảnh thông qua hàm normalizedDifference(['B3',
'B5']) (B3, B5 thuộc ảnh Landsat 8). Diện tích mặt nước của mỗi ảnh vệ tinh
được tính tốn trong GEE bởi hàm multiply(ee.Image.pixelArea()).
3.3. Phương pháp phân loại bằng học máy
Với phương pháp phân loại bằng học máy, GEE sẽ phân tích từng điểm
ảnh và nhóm các điểm ảnh có thuộc tính giống nhau, cần một số lượng điểm
cụ thể làm để mẫu trong quá trình phân loại và kiểm định [1], những điểm
ảnh này phải thể hiện chính xác đối tượng mà nó đại diện tại cùng thời điểm
[2] (Hình 3). Đối với khu vực hồ Longma, các đối tượng phân loại chủ yếu
là mặt nước, rừng cây và đất trống. Từ các điểm mẫu này, tiến hành đào tạo
cho các điểm ảnh còn lại (điểm ảnh khơng phải là mẫu) theo thuật tốn
Random forest (random forest) thông qua hàm randomColumn() trong GEE.
VIỆN KHOA HỌC TÀI NGUYÊN NƯỚC

43


Tuyển tập Báo cáo khoa học
Hội thảo “Ứng dụng khoa học cơng nghệ trong quản lý tài ngun nước”

Hình 2. Các điểm mẫu phân loại

Random forest - một trong những thuật toán học máy (machine
learning) hoạt động tốt nhất, được sử dụng rộng rãi nhất [3, 4], thuật tốn
học có giám sát (supervised learning), nó sử dụng các cây (tree) làm nền
tảng. Random forest là một phương pháp khai thác dữ liệu hoặc học máy sử

dụng một nhóm các cây quyết định (“rừng”) để “dự đoán” lớp sử dụng đất
bằng cách sử dụng nhiều biến đối tượng (đặc điểm phổ) [5]. Random forest
đã được sử dụng trong một loạt các ứng dụng khoa học Trái đất bao gồm lập
mơ hình sử dụng đất [6, 7], che phủ đất [8].
Trong số các điểm ảnh được lựa chọn làm điểm mẫu, 70 % được sử
dụng để đào tạo và 30 % dùng để kiểm định. Các điểm ảnh được phân loại
dựa vào các thuộc tính của nó, cụ thể là giá trị của các kênh ảnh B2, B3, B4,
B8, B11, B12. Ngoài ra, để nâng cao độ chính xác trong phân loại, chỉ số
NDVI (normalized difference vegetation index) của các điểm ảnh được bổ
sung vào thuộc tính đào tạo.
3.4. Kết quả nghiên cứu
3.4.1. Phương pháp ngưỡng phân tách
Tập ảnh vệ tinh được thu thập trong khoảng thời gian từ năm 2016 đến
năm 2020, chọn band ảnh vv. Giá trị ngưỡng để phân tách mặt nước khỏi
các đối tượng khác tại khu vực hồ Longma được điều chỉnh để phù hợp với
thực tế, giá trị được lựa chọn trong nghiên cứu này là -13.
44

VIỆN KHOA HỌC TÀI NGUYÊN NƯỚC


Tuyển tập Báo cáo khoa học
Hội thảo “Ứng dụng khoa học cơng nghệ trong quản lý tài ngun nước”

Hình 3. Mặt nước hồ Longma theo phương pháp ngưỡng phân tách
3.4.2. Phương pháp dùng chỉ số
Sau khi tính tốn chỉ số NDWI cho toàn bộ các cảnh ảnh Landsat 8 thu
thập trong khoảng thời gian từ năm 2016 đến năm 2020, các đối tượng trên
bề mặt đất bao gồm mặt nước, cây cối, đất trống… được gán các giá trị
(theo từng điểm ảnh) và thể hiện bằng màu sắc trực quan. Lọc các điểm ảnh

có giá trị NDWI lớn hơn 0 để có được mặt nước tại khu vực.

Hình 4. Tính toán chỉ số NDWI khu vực
hồ Longma
VIỆN KHOA HỌC TÀI NGUYÊN NƯỚC

Hình 5. Mặt nước hồ Longma xác định
theo phương pháp dùng chỉ số
45


Tuyển tập Báo cáo khoa học
Hội thảo “Ứng dụng khoa học công nghệ trong quản lý tài nguyên nước”

3.4.3. Phương pháp phân loại bằng học máy
Trong phương pháp phân loại bằng học máy, một số điểm ảnh được xác
định trước (điểm ảnh mẫu), gồm các điểm ảnh là mặt nước, các điểm ảnh là
cây cối, các điểm ảnh là đất trống và khu vực khác. Qua quá trình đào tạo và
kiểm định các điểm ảnh dựa vào các điểm được chọn làm mẫu, các điểm
ảnh còn lại là mặt nước được gộp thành một nhóm và phân biệt với nhóm
điểm ảnh là cây cối, nhóm điểm ảnh là đất trống và vùng khác thể hiện
thơng qua màu sắc (Hình 6).

Hình 6. Mặt nước hồ Longma phân loại theo phương pháp phân loại học máy

3.4.4. Diễn biến diện tích mặt nước
Diện tích mặt nước từng cảnh ảnh được tính tốn tạo thành chuỗi giá trị
thể hiện diễn biến diện tích mặt nước trong khoảng thời gian từ năm 2016
đến năm 2020 (Hình 7).
46


VIỆN KHOA HỌC TÀI NGUYÊN NƯỚC


Tuyển tập Báo cáo khoa học
Hội thảo “Ứng dụng khoa học cơng nghệ trong quản lý tài ngun nước”

Hình 7. Diễn biến diện tích mặt nước hồ Longma từ năm 2016 đến năm 2020
được tính tốn trên GEE

Nhìn chung, từ biểu đồ có thể thấy được quy luật tích nước và xả nước
trên hồ chứa Longma. Trong giai đoạn từ năm 2016 đến năm 2020, diện tích
mặt nước hồ bắt đầu giảm từ tháng 12 năm trước, tháng 1 năm sau; thông số
này đạt giá trị nhỏ nhất vào khoảng tháng 5, 6. Sau thời điểm đó, diện tích
mặt nước tăng dần và duy trì ở mức cao từ tháng 10 đến tháng 12. Điều này
có thể giải thích bằng việc lượng mưa sụt giảm trong các tháng mùa khô (từ
tháng 11 đến tháng 4) làm cho lượng nước về hồ chứa giảm dần trong
khoảng thời gian này và đến tháng 5, 6, dung tích nước trong hồ ít nhất, vì
vậy diện tích mặt nước cũng đạt giá trị nhỏ nhất. Lượng mưa tăng lên trong
các tháng mùa mưa (từ tháng 5 đến tháng 10) khiến cho lưu lượng dòng
chảy về hồ tăng dần và duy trì dung lượng lớn vào cuối mùa mưa, do đó
diện tích mặt nước đạt giá trị cao vào các tháng 10, 11.
4. Kết luận
Xác định thông số hồ chứa là một công việc quan trọng trong q trình
nghiên cứu dịng chảy, cho phép mơ phỏng hệ thống một cách chính xác
hơn. Đối với các hồ chứa thuộc địa phận nước ngồi thì phương án khả thi
để thu thập những số liệu này là sử dụng công nghệ viễn thám. Thông qua
ảnh vệ tinh các nhà khoa học có thể trích xuất được diện tích mặt nước các
hồ chứa tại từng thời điểm, qua đó có cơ sở để đánh giá, phân tích diễn biến
của các hồ chứa ở thượng nguồn.

VIỆN KHOA HỌC TÀI NGUYÊN NƯỚC

47


Tuyển tập Báo cáo khoa học
Hội thảo “Ứng dụng khoa học công nghệ trong quản lý tài nguyên nước”

Phương pháp sử dụng ngưỡng phân tách có thể sử dụng trong mọi thời
điểm, mọi điều kiện thời tiết tuy nhiên nó có thể nhầm lẫn mặt nước với một số
vị trí thung lũng sâu. Phương pháp dùng chỉ số có thể xác định đối tượng mặt
nước chính xác hơn nhưng phụ thuộc vào thời tiết, phù hợp với cảnh ảnh khơng
có mây che phủ khu vực nghiên cứu. Phương pháp phân loại bằng học máy có
độ chính xác trong phân loại cao hơn các phương pháp trước, tuy nhiên phương
pháp này phù hợp với việc phân tích từng cảnh ảnh riêng lẻ thay vì chuỗi thời
gian. Phụ thuộc vào vị trí, thời điểm, mục đích nghiên cứu mà các nghiên cứu
viên sử dụng phương pháp phù hợp. Số liệu diện tích mặt nước kết hợp với dữ
liệu DEM giúp xây dựng các thơng số chính của hồ chứa bao gồm: diện tích
mặt nước - dung tích - mực nước. Các thơng số này hồn tồn có thể sử dụng
phục vụ cho các nghiên cứu chuyên sâu khác.

Tài liệu tham khảo
1. Gómez, Miguel G. C. "Joint Use of Sentinel-1 And Sentinel-2 For
Land Cover Classification: A Machine Learning Approach". Lund
University,
GEM
Thesis
Series
Nr
18,

2017,
lup.lub.lu.se/luur/download?func=downloadFile&recordOId=8915043&file
OId=8915048.
2. Nezhad, M. M., Heydari, A., Fusilli, L., Laneve, G. “Land cover
classification by using Sentinel-2 Images: A case study in the city of
Rome”. Proceedings of the 4th World Congress on Civil, Structural, and
Environmental Engineering (CSEE’19), 2019.
3. Breinman, L. “Random forests”. Mach. Learn., 2001 (45): p. 5 - 32.
4. Pirotti, F., Sunar, F., Piragnolo, M. “Benchmark of machine learning
methods for classification of a Sentinel-2 image”. International Archives of
the Photogrammetry, Remote Sensing & Spatial Information Sciences, 2016
(41).
5. Minderhoud, P. S. J., Coumou, L., Erban, L. E., Middelkoop, H.,
Stouthamer, E., Addink, E. A. “The relation between land use and
subsidence in the Vietnamese Mekong delta”. Science of The Total
Environment, 2018 (634): p. 715 - 726.
6. Araki, S., Shima, M., Yamamoto, K. “Spatiotemporal land use
random forest model for estimating metropolitan NO2 exposure in Japan”.
Science of The Total Environment, 2018 (634): p. 1269 - 1277.
7. Campos-Taberner, M., García-Haro, F. J., Martínez, B., IzquierdoVerdiguier, E., Atzberger, C., Camps-Valls, G., Gilabert, M. A.

48

VIỆN KHOA HỌC TÀI NGUYÊN NƯỚC


Tuyển tập Báo cáo khoa học
Hội thảo “Ứng dụng khoa học công nghệ trong quản lý tài nguyên nước”

“Understanding deep learning in land use classification based on Sentinel-2

time series”. Scientific Reports, 2020 (10(1)): p. 1 - 12.
8. Nitze, I., Barrett, B., Cawkwell, F. “Temporal optimisation of image
acquisition for land cover classification with Random Forest and MODIS
time-series”. International Journal of Applied Earth Observation and
Geoinformation, 2015 (34): p. 136-146.

VIỆN KHOA HỌC TÀI NGUYÊN NƯỚC

49


Tuyển tập Báo cáo khoa học
Hội thảo “Ứng dụng khoa học công nghệ trong quản lý tài nguyên nước”

THE METHODS TO DETERMINE THE AREA OF
RESERVOIR SURFACE OUTSIDE THE BOUNDARY OF
VIETNAM ACCORDING TO TIME SERIES USING
REMOTE SENSING
Nguyen Anh Duc, Tran Manh Cuong, Tran Anh Phuong
Water resources Institute - Ministry of Natural Resources and Encironment

Abtracts
Most of the major rivers in Vietnam originate from other countries and
are increasingly influenced by controlling flow through reservoirs
upstream. Data of reservoirs outside the territory are not widely available,
which makes researching flow on the rivers become difficulty. Currently,
remote sensing technology is developing more and more, it can be used to
analyze the water surface remotely for a long time, as the basis for in-depth
studies. The determination of water surface can be implemented by
methods: using separation thresholding, using indexes, and using

classification in machine learning. The separation thresholding threshold
method use for Sentinel-1 images, which supports water surface
determination even in conditions of cloudy weather. The index method is
applied to optical satellite images through indexes such as NDVI, NDWI,
etc. The classification method in machine learning uses a random forest
algorithm to determine the water surface area. These methods are all
performed by the Google Earth Engine, which is the first technology
platform to bring large amounts of petabyte-scale data and satellite images
from the past to the present online. This platform provides scientists with
Google's extensive cloud infrastructure for image analysis. The water
surface area of the reservoirs is extracted and calculated from many
satellite images over time, forming a useful value chain for the study of
flows on cross-border rivers.
Keywords: Separation thresholding, NDWI, machine learning, random
forest, Google Earth Engine.

50

VIỆN KHOA HỌC TÀI NGUYÊN NƯỚC