ĐẠI HỌC QUỐC GIA TP. HCM
TRƯỜNG ĐẠI HỌC BÁCH KHOA
--------------------

HOÀNG PHI PHỤNG

ỨNG DỤNG DỮ LIỆU VIẾN THÁM RADAR TRONG XÁC
ĐỊNH ĐỐI TƯỢNG RỪNG NGẬP MẶN

Chuyên ngành : Bản đồ, Viễn thám và Hệ thông tin Địa lý
Mã số: 60 44 02 14

LUẬN VĂN THẠC SĨ

TP. HỒ CHÍ MINH, tháng 10 năm 2014


ĐẠI HỌC QUỐC GIA TP. HCM
TRƯỜNG ĐẠI HỌC BÁCH KHOA
--------------------

HOÀNG PHI PHỤNG

ỨNG DỤNG DỮ LIỆU VIẾN THÁM RADAR TRONG XÁC
ĐỊNH ĐỐI TƯỢNG RỪNG NGẬP MẶN

Chuyên ngành : Bản đồ, Viễn thám và Hệ thông tin Địa lý
Mã số: 60 44 02 14

LUẬN VĂN THẠC SĨ

TP. HỒ CHÍ MINH, tháng 10 năm 2014


CƠNG TRÌNH ĐƯỢC HỒN THÀNH TẠI
TRƯỜNG ĐẠI HỌC BÁCH KHOA – ĐHQG-HCM
Cán bộ hướng dẫn khoa học : .....................................................................
(Ghi rõ họ, tên, học hàm, học vị và chữ ký)

Cán bộ chấm nhận xét 1 : ...........................................................................
(Ghi rõ họ, tên, học hàm, học vị và chữ ký)

Cán bộ chấm nhận xét 2 : ...........................................................................
(Ghi rõ họ, tên, học hàm, học vị và chữ ký)

Luận văn thạc sĩ được bảo vệ tại Trường Đại học Bách Khoa, ĐHQG Tp. HCM
ngày . . . . . tháng . . . . năm . . . . .
Thành phần Hội đồng đánh giá luận văn thạc sĩ gồm:
(Ghi rõ họ, tên, học hàm, học vị của Hội đồng chấm bảo vệ luận văn thạc sĩ)
1. ..............................................................
2. ..............................................................
3. ..............................................................
4. ..............................................................
5. ..............................................................
Xác nhận của Chủ tịch Hội đồng đánh giá LV và Trưởng Khoa quản lý chuyên
ngành sau khi luận văn đã được sửa chữa (nếu có).
CHỦ TỊCH HỘI ĐỒNG

TRƯỞNG KHOA KT XÂY DỰNG



ĐẠI HỌC QUỐC GIA TP.HCM
TRƯỜNG ĐẠI HỌC BÁCH KHOA

CỘNG HÒA XÃ HỘI CHỦ NGHĨA VIỆT NAM
Độc lập - Tự do - Hạnh phúc

NHIỆM VỤ LUẬN VĂN THẠC SĨ
Họ tên học viên: HOÀNG PHI PHỤNG

MSHV: 12100440

Ngày, tháng, năm sinh: 16/06/1986

Nơi sinh: Đồng Nai

Chuyên ngành: Bản đồ, Viễn thám và Hệ thông tin Địa lý

Mã số : 60 44 02 14

I. TÊN ĐỀ TÀI:
ỨNG DỤNG DỮ LIỆU VIỄN THÁM RADAR TRONG XÁC ĐỊNH ĐỐI TƯỢNG
RỪNG NGẬP MẶN
II. NHIỆM VỤ VÀ NỘI DUNG:
Sử dụng dữ liệu viễn thám vệ tinh để xác định và phân loại rừng ngập mặn ở mũi bán
đảo Cà Mau nhằm hỗ trợ quản lý rừng bền vững. Những nôi dung cụ thể như sau:
o Khảo sát đặc trưng tán xạ ngược dữ liệu viễn thám radar (SAR) ở kênh C và L để
xác định và phân loại RNM. Sử dụng các dữ liệu đa bước sóng (kênh C và L), đa
phân cực (phân cực đôi) để phân loại rừng ngập mặn và so sánh kết quả phân loại
giữa hai loại dữ liệu viễn thám radar.
o Kết hơp ảnh quang học và ảnh radar để xác định và phân loại RNM nhằm tìm hiểu

khả năng nâng cao độ chính xác phân loại.
III. NGÀY GIAO NHIỆM VỤ :
IV. NGÀY HOÀN THÀNH NHIỆM VỤ:
V. CÁN BỘ HƯỚNG DẪN: TS. LÂM ĐẠO NGUYÊN

Tp. HCM, ngày . . . . tháng .. . . năm 20....
CÁN BỘ HƯỚNG DẪN
(Họ tên và chữ ký)

CHỦ NHIỆM BỘ MÔN ĐÀO TẠO
(Họ tên và chữ ký)

TRƯỞNG KHOA KỸ THUẬT XÂY DỰNG
(Họ tên và chữ ký)


LỜI CẢM ƠN

Tôi xin gởi lời cảm ơn chân thành tới Thầy Lâm Đạo Nguyên và Thầy Phạm Bách
Việt đã tận tình chỉ dẫn cho tơi trong q trình thực hiện luận văn này.
Xin gởi lời cảm ơn tới các thầy cô trong Bộ môn Địa Tin Học – Khoa Kỹ thuật
Xây dựng – Trường Đại học Bách Khoa Thành phố Hồ Chí Minh đã tận tình truyền đạt
những kiến thức chun mơn trong suốt q trình học tập.
Xin cảm ơn bố mẹ, các anh em và bạn bè; những người đã đồng hành và cổ vũ tôi
trong suốt quá trình làm luận văn.

i


TÓM TẮT


Rừng ngập mặn (RNM) được xem là một trong những hệ sinh thái ven biển có ý
nghĩa quan trọng về mặt sinh thái, môi trường và tài nguyên sinh vật. Phương pháp viễn
thám radar có tiềm năng xác định, phân loại và giám sát RNM. Phương pháp viễn thám
radar không bị ảnh hưởng bởi các hiện tượng thời tiết trong bầu khí quyển (như bị che
phủ bởi mây) và nó có thể thu nhận ảnh vào bất kỳ thời điểm nào trong ngày (kể cả ngày
và đêm). Đề tài đã xem xét khả năng phân loại RNM của ảnh radar và tìm hiểu khả năng
nâng cao độ chính xác bằng cách kết hợp với dữ liệu ảnh quang học ở bán đảo Cà Mau.
Kết quả đã chứng minh dữ liệu ENVISAT ASAR APP khó khăn khi phân loại các đối
tượng RNM kể cả hai cặp phân cực HH, HV và HH, HV với một thời điểm ảnh. Dữ liệu
ALOS PALSAR phân cực kép HH, HV một thời điểm có khả năng phân loại theo mật độ
cây rừng và còn phân loại theo loài (như rừng mắm và rừng đước) khó nhận diện chính
xác, tuy nhiên nó lại có khả năng nhận diện rừng mắm mới phát triển trên các bãi bồi
thường xuyên bị ngập nước. Đồng thời nghiên cứu đã chứng minh sự kết hợp dữ liệu
quang học và radar sẽ tìm thấy được độ chính xác cao hơn cho công tác phân loại với sáu
lớp, cụ thể ở đây là ảnh PALSAR phân cực kép HH và HV và ảnh SPOT 5. Tuy nhiên với
bốn lớp phân loại thì việc kết hợp giữa dữ liệu quang học và radar cho kết quả cải thiện
không nhiều về mặt độ chính xác so với chỉ sử dụng dữ liệu radar để phân loại.

ii


ABSTRACT
Mangroves are one of the ecologically significant ecosystems in coastal areas, both on
environment and biological resources. Radar remote sensing demonstrates a high
potential in detecting, identifying, mapping and monitoring mangrove forests. Advantages
of radar remote sensing are that almost unaffected by the weather phenomena in the
atmosphere, e.g. clouds so that it can acquire images at day and night times. This study
considers possibilities of the radar images for classifying mangrove forests, enhancing
accuracy of classification by combination of radar and optical imagery. Results show that

using single-date data of ENVISAT ASAR APP including polarization HH, HV and HH,
HV are difficult to classify mangrove objects; whilst single-date data of ALOS PALSAR
with dual polarization HH, HV have a better classification for tree density but at species
level identification (e.g. Avicenna or Rhizophora) is more difficult. It only is capable to
identify Avicenna alba communities on new tidal mudflat. This research uses PALSAR
and SPOT 5 data, proven that combination of optical and radar images would result in
identification of more classes (six classes). However, outcomes are that this combination
does not significantly improve classification results with four classes if comparing to
using radar images only.

iii


LỜI CAM ĐOAN

Tôi cam đoan rằng, ngoại trừ các kết quả tham khảo từ các cơng trình khác như đã ghi rõ
trong luận văn, các cơng việc trình bày trong luận văn này là do chính tơi thực hiện và
chưa có phần nơi dụng nào của luận văn này được nộp để lấy một bằng cấp ở trường này
hoặc trường khác.
Thành phố Hồ Chí Minh, năm 2014

HỒNG PHI PHỤNG

iv


MỤC LỤC
LỜI CẢM ƠN ……………………………………………………………………………..i
TÓM TẮT ………………………………………………………………………………...ii
ABSTRACT …………………………………………………………………...…….…..iii

LỜI CAM ĐOAN ……………………………………………………………...………...iv
MỤC LỤC ……………………………………………………………………...………...v
DANH MỤC HÌNH …………………………………………………………..….…….viii
DANH MỤC BẢNG ……………………………………………………………..……..xii
DANH MỤC TỪ VIẾT TẮT ………………………………………………...………...xiii
CHƯƠNG 1. GIỚI THIỆU CHUNG ................................................................................ 1
1.1.

Đặt vấn đề ............................................................................................................... 1

1.2.

Mục tiêu nghiên cứu ............................................................................................... 1

1.3.

Đối tượng nghiên cứu ............................................................................................. 2

1.4. Phạm vi nghiên cứu .................................................................................................... 2
1.5. Nội dung nghiên cứu .................................................................................................. 3
1.6. Cấu trúc luận văn ....................................................................................................... 3
CHƯƠNG 2. TỔNG QUAN NGHIÊN CỨU VÀ GIỚI THIỆU KHU VỰC
NGHIÊN CỨU .................................................................................................................... 5
2.1. Tình hình nghiên cứu ngồi nước .............................................................................. 5
2.1. Ứng dụng viễn thám quang học trong nghiên cứu RNM ....................................... 5
2.2. Ứng dụng viễn thám radar trong nghiên cứu RNM................................................ 7
2.2. Tình hình nghiên cứu trong nước ............................................................................... 9
2.3. Giới thiệu khu vực nghiên cứu ................................................................................. 10
2.3.1. Điều kiện tự nhiên.............................................................................................. 10
2.3.2. RNM tại Cà Mau ............................................................................................... 13

2.4. Cơ sở lý thuyết viễn thám radar ............................................................................... 15
2.4.1. Độ phân giải không gian .................................................................................... 15
2.4.2. Độ phân giải phương vị ..................................................................................... 16
2.4.3. Radar khẩu độ tổng hợp (SAR) ......................................................................... 16
v


CHƯƠNG 3. PHƯƠNG PHÁP NGHIÊN CỨU VÀ DỮ LIỆU SỬ DỤNG ................ 17
3.1. Dữ liệu sử dụng ........................................................................................................ 17
3.1.1. Dữ liệu ảnh......................................................................................................... 17
3.1.2. Dữ liệu thực địa ................................................................................................. 17
3.1.2. Dữ liệu tham khảo khác ..................................................................................... 17
3.2. Phương pháp luận..................................................................................................... 19
3.3. Phương pháp tiền xử lý ảnh ..................................................................................... 21
3.3.1. Ảnh ENVISAT ASA ......................................................................................... 21
3.3.2. Ảnh ALOS PLR ................................................................................................. 21
3.4. Phương pháp xử lý ảnh ............................................................................................ 21
3.4.1. Hiệu chỉnh hình học ........................................................................................... 23
3.4.2. NDVI ................................................................................................................. 23
3.4.3. Phân tích thành phần chính (Principal Component Analysis - PCA) ................ 23
3.5. Phương pháp lọc nhiễu ảnh ...................................................................................... 23
3.6. Phương pháp phân loại ............................................................................................. 24
3.6.1. Phân loại khoảng cách tối thiểu (Minimun Distance Classifier - MiD) ............ 24
3.6.2. Phân loại khoảng cách mahalanobis (Mahalanobis Distance Classifier - MaD)
..................................................................................................................................... 25
3.6.3. Phân loại gần đúng nhất (Maximum Likelihood Classifier - MLC) ................. 25
3.6.4. Phân loại theo Support Vector Machine (SVM) ............................................... 25
3.7. Khóa giải đốn ......................................................................................................... 25
3.8. Phương pháp lấy mẫu huấn luyện ............................................................................ 26
3.9. Phương pháp đánh giá độ chính xác ........................................................................ 28

3.10. Xử lý sau phân loại ................................................................................................ 30
CHƯƠNG 4. KẾT QUẢ PHÂN TÍCH VÀ THẢO LUẬN CHO VIỆC PHÂN LOẠI
SỬ DỤNG DỮ LIỆU PLR VÀ ASA ............................................................................... 31
4.1. Giới thiệu.................................................................................................................. 31
4.2. Kết quả khảo sát các đối tượng RNM đối với các ảnh PLR và ASA ...................... 31
4.2.1. Khả năng phân loại theo loài vào theo mật độ cây của ảnh PLR ...................... 31
4.2.2. Khảo sát khả năng phân loại theo loài và mật độ của ảnh ASA ........................ 37
4.3. Đánh giá và lựa chọn phương pháp lọc nhiễu.......................................................... 39
vi


4.3.1. Phương pháp lọc đa thời gian ............................................................................ 40
4.3.2. Lựa chọn phương pháp lọc không gian ............................................................. 42
4.4. Kết quả phân loại với ảnh PLR ................................................................................ 46
4.4.1. Phân loại với 6 lớp ............................................................................................. 46
4.4.2. Phân loại với 4 lớp ............................................................................................. 48
4.5. Kết quả phân loại với ảnh ASA ............................................................................... 50
4.5.1. Phân loại 6 lớp ................................................................................................... 50
4.5.2. Phân loại với 4 lớp ............................................................................................. 52
4.6. So sánh kết quả phân loại của PLR và ASA ............................................................ 55
Nhận xét .......................................................................................................................... 57
CHƯƠNG 5. KẾT QUẢ PHÂN TÍCH VÀ THẢO LUẬN CHO VIỆC PHÂN LOẠI
SỬ DỤNG DỮ LIỆU KẾT HỢP RADAR VÀ QUANG HỌC..................................... 58
5.1. Giới thiệu.................................................................................................................. 58
5.2. Kết quả phân loại cho trường hợp 6 lớp đối tượng ................................................. 58
Các kết quả phân loại tương ứng với các trường hợp dữ liệu sử dụng ........................ 61
5.3. Kết quả phân loại cho trường hợp 4 lớp .................................................................. 67
Các kết quả phân loại tương ứng với các trường hợp dữ liệu sử dụng ........................ 70
Nhận xét .......................................................................................................................... 75
CHƯƠNG 6. KẾT LUẬN ................................................................................................ 76

TÀI LIỆU THAM KHẢO................................................................................................ 78
PHỤ LỤC .......................................................................................................................... 86

vii


DANH MỤC HÌNH
Hình 1.1. Bản đồ hành chánh tỉnh Cà Mau và vị trí khu vực nghiên cứu ở mũi Cà Mau .... 2
Hình 2.1. Nguyên lý thu ảnh radar, xung radar truyền từ anten vệ tinh tới đối tượng bề
mặt đất (hình bên trái) và sóng radar bị tán xạ bởi bề mặt đối tượng trở lại anten vệ tinh
(hình bên phải). (Nguồn ảnh: ..15
Hình 2.2. Độ phân giải của hướng góc phương vị [CCRS, 2007]……………………….16
Hình 3.1. Các điểm mẫu thực địa (màu xanh) và các điểm chụp hình có có GPS (màu
vàng) tại khu vực mũi Cà Mau. .......................................................................................... 18
Hình 3.2. Bản đồ các loại đất loại rừng khu vực mũi Cà Mau năm 2010 .......................... 19
Hình 3.3. Sơ đồ các bước thực hiện trong đề tài ................................................................ 20
Hình 3.4. Sơ đồ tiền xử lý ảnh ASA ................................................................................... 21
Hình 3.5. Sơ đồ tiền xử lý ảnh PLR ................................................................................... 22
Hình 3.6. Các vị trí lấy mẫu huấn luyện của 6 lớp phân loại ............................................. 28
Hình 3.7. Các vị trí lấy mẫu kiểm tra theo phương pháp lấy mẫu hệ thống ...................... 26
Hình 4.1. Biểu đồ biểu thị giá trị trung bình và độ lệch chuẩn (đơn vị dB) của các khóa
giải đốn trong ảnh PLR 23/11/2010, phân cực HH (phía trên) và HV (phía dưới) trước
khi lọc đa thời gian. ............................................................................................................ 34
Hình 4.2. Biểu đồ biểu thị giá trị trung bình và độ lệch chuẩn (đơn vị dB) của khóa giải
đốn trong ảnh PLR 23/11/2010, phân cực HH (phía trên) và HV (phía dưới) sau khi lọc
356đa thời gian. .................................................................................................................. 33
Hình 4.3. Biểu đồ tán xạ của phân cực HH và HV cho khóa giải đốn của ảnh PLR
23/11/2010 trước khi lọc đa thời gian. ............................................................................... 33
Hình 4.4. Biểu đồ tán xạ của phân cực HH và HV cho khóa giải đốn của ảnh PLR
23/11/2010 sau khi lọc đa thời gian.................................................................................... 35

Hình 4.5. Biểu đồ tán xạ của phân cực HH và HV cho khóa giải đốn của ảnh PLR
23/11/2010 sau khi lọc đa thời gian.................................................................................... 35
Hình 4.6. Biểu đồ biểu thị giá trị trung bình và độ lệch chuẩn (đơn vị dB) của các khóa
giải đốn của ảnh ASA 05/02/2010, phân cực HH (phía trên) và VV (phía dưới) ............ 38
Hình 4.7. Biểu đồ biểu thị giá trị trung bình và độ lệch chuẩn (đơn vị dB) của các khóa
phân loại trong ảnh ASA 03/04/2012, phân cực HH (phía trên) và HV (phía dưới) ......... 39
Hình 4.8. Phép lọc đa thời gian với các cửa sổ lọc khác nhau ........................................... 40
viii


Hình 4.9. Kết quả phân loại với độ chính xác toàn cục cho dữ liệu ảnh PLR 2010/11/23
trong các trường hợp a) dữ liệu ảnh gốc b) dữ liệu đã lọc đa thời gian c) dữ liệu ảnh đã lọc
đa thời gian và không gian (phép lọc Gamma 3x3) ........................................................... 41
Hình 4.10. Kết quả phân loại với hệ số Kappa cho cửa sổ dữ liệu ảnh PLR 2010/11/23
trong các trường hợp a) dữ liệu ảnh gốc b) dữ liệu đã lọc đa thời gian c) dữ liệu ảnh đã lọc
đa thời gian và không gian (phép lọc Gamma 3x3) ........................................................... 41
Hình 4.11. So sánh các phương pháp lọc nhiễu khơng gian với các cửa sổ lọc khác nhau41
Hình 4.12. So sánh các phương pháp lọc không gian khác nhau với cửa sổ lọc 3x3. ....... 42
Hình 4.13. Kết quả phân loại với độ chính xác tồn cục cho dữ liệu ảnh PLR 2010/11/23
trong các phép lọc không gian và phương pháp phân loại khác nhau. ............................... 43
Hình 4.14. Kết quả phân loại với hệ số Kappa cho dữ liệu ảnh PLR 2010/11/23 trong các
phép lọc không gian và phương pháp phân loại khác nhau. .............................................. 45
Hình 4.15. Kết quả phân loại ảnh PLR 23/11/2010 theo phương pháp SVM (bên trái) và
MLC (bên phải) trong trường hợp 6 lớp............................................................................. 48
Hình 4.16. Kết quả phân loại ảnh PLR 23/11/2010 theo phương pháp SVM (bên trái) và
MLC (bên phải) .................................................................................................................. 50
Hình 4.17. So sánh độ chính xác tồn cục và hệ số Kappa cho ảnh ASA 05/02/2010 và
03/04/2012 cho 6 lớp với các phương pháp phân loại khác nhau. ..................................... 51
Hình 4.18. Kết quả phân loại ảnh ASA 05/02/2010 phân cực HH, VV theo phương pháp
SVM (bên trái) và MLC (bên phải) với 6 lớp phân loại..................................................... 51

Hình 4.19. Kết quả phân loại ảnh ASA 03/04/2012 phân cực HH, HV theo phương pháp
SVM (bên trái) và MLC (bên phải) với 6 lớp phân loại..................................................... 52
Hình 4.20. So sánh độ chính xác tồn cục và hệ số Kappa cho ảnh ASA 05/02/2010 và
03/04/2012 cho 4 lớp với các phương pháp phân loại khác nhau. ..................................... 53
Hình 4.21. Kết quả phân loại ảnh ASA 05/02/2010 phân cực HH, VV theo phương pháp
SVM (bên trái) và MLC (bên phải) với 4 lớp phân loại..................................................... 54
Hình 4.22. Kết quả phân loại ảnh ASA 03/04/2012 phân cực HH, VV theo phương pháp
SVM (bên trái) và MLC (bên phải) với 4 lớp phân loại..................................................... 55
Hình 4.23. So sánh độ chính xác tồn cục và hệ số Kappa cho ảnh PLR và ASA cho 6 lớp
với các phương pháp phân loại khác nhau. ........................................................................ 56
Hình 4.24. So sánh độ chính xác toàn cục và hệ số Kappa cho ảnh PLR và ASA cho 4 lớp
với các phương pháp phân loại khác nhau. ........................................................................ 56

ix


Hình 5.1. Độ chính xác tồn cục của các trường hợp sử dụng dữ liệu ảnh cho 6 lớp với
các phương pháp phân loại khác nhau................................................................................ 59
Hình 5.2. Hệ số Kappa của các trường hợp dữ liệu ảnh cho 6 lớp với các phương pháp
phân loại khác nhau ............................................................................................................ 59
Hình 5.3. So sánh độ chính xác tồn cục đối với các loại dữ liệu sử dụng cho ảnh PLR,
SPOT5 và các loại dữ liệu kết hợp, trong trường hợp 6 lớp. ............................................. 60
Hình 5.4. So sánh hệ số Kappa đối với các loại dữ liệu sử dụng cho ảnh PLR, SPOT5 và
các loại dữ liệu kết hợp, trong trường hợp 6 lớp ................................................................ 61
Hình 5.5. Kết quả ảnh phân loại 6 lớp bằng cách sử dụng dữ liệu ảnh SPOT 5 ngày
03/01/2011 với 4 kênh ảnh cho 4 phương pháp phân loại khác nhau ................................ 62
Hình 5.6. Kết quả ảnh phân loại 6 lớp bằng cách sử dụng dữ liệu ảnh kết hợp PLR
23/11/2010 + SPOT 5 ngày 03/01/2011 với 4 kênh ảnh cho 4 phương pháp phân loại khác
nhau .................................................................................................................................... 63
Hình 5.7. Kết quả ảnh phân loại 6 lớp bằng cách sử dụng dữ liệu ảnh kết hợp PLR

23/11/2010 + SPOT 5 ngày 03/01/2011 với 4 kênh NDVI cho 4 phương pháp phân loại
khác nhau ............................................................................................................................ 64
Hình 5.8. Kết quả ảnh phân loại 6 lớp bằng cách sử dụng dữ liệu ảnh kết hợp SPOT 5
ngày 03/01/2011 với 3 kênh NDVI, PC1, SWIR cho 4 phương pháp phân loại khác nhau
............................................................................................................................................ 65
Hình 5.9. Kết quả ảnh phân loại 6 lớp bằng cách sử dụng dữ liệu ảnh kết hợp PLR
23/11/2010 + SPOT 5 ngày 03/01/2011 với 3 kênh NDVI, PC1, SWIR cho 4 phương
pháp phân loại khác nhau ................................................................................................... 66
Hình 5.10. Độ chính xác tồn cục của các trường hợp sử dụng dữ liệu ảnh cho 4 lớp với
các phương pháp phân loại khác nhau................................................................................ 67
Hình 5.11. Hệ số Kappa của các trường hợp sử dụng dữ liệu ảnh cho 4 lớp với các
phương pháp phân loại khác nhau. ..................................................................................... 68
Hình 5.12. So sánh độ chính xác tồn cục đối với các loại dữ liệu sử dụng cho ảnh PLR,
SPOT5 và các loại dữ liệu kết hợp, trong trường hợp 4 lớp. ............................................. 69
Hình 5.13. So sánh hệ số Kappa đối với các loại dữ liệu sử dụng cho ảnh PLR, SPOT5 và
các loại dữ liệu kết hợp, trong trường hợp 4 lớp. ............................................................... 69
Hình 5.14. Kết quả ảnh phân loại 4 lớp bằng cách sử dụng dữ liệu ảnh SPOT 5 ngày
03/01/2011 với 4 kênh ảnh cho 4 phương pháp phân loại khác nhau ................................ 70

x


Hình 5.15. Kết quả ảnh phân loại 4 lớp bằng cách sử dụng dữ liệu ảnh kết hợp PLR
23/11/2010 + SPOT 5 ngày 03/01/2011 với 4 kênh ảnh cho 4 phương pháp phân loại khác
nhau .................................................................................................................................... 71
Hình 5.16. Kết quả ảnh phân loại 4 lớp bằng cách sử dụng dữ liệu ảnh kết hợp PLR
23/11/2010 + SPOT 5 ngày 03/01/2011 với 1 kênh NDVI cho 4 phương pháp phân loại
khác nhau ............................................................................................................................ 72
Hình 5.17. Kết quả ảnh phân loại 4 lớp bằng cách sử dụng dữ liệu ảnh kết hợp SPOT 5
ngày 03/01/2011 với 3 kênh NDVI, PC1, SWIR cho 4 phương pháp phân loại khác nhau

............................................................................................................................................ 73
Hình 5.18. Kết quả ảnh phân loại 4 lớp bằng cách sử dụng dữ liệu ảnh kết hợp PLR
23/11/2010 + SPOT 5 ngày 03/01/2011 với 3 kênh NDVI, PC1, SWIR cho 4 phương
pháp phân loại khác nhau ................................................................................................... 74

xi


DANH MỤC BẢNG
Bảng 2.1. Diện tích rừng có đến ngày 31/12/2009 (Niên giám thống kê tỉnh Cà Mau CGSO, 2010) ...................................................................................................................... 13
Bảng 3.1. Các thời điểm dữ liệu ảnh vệ tinh đã thu nhận .................................................. 17
Bảng 3.2. Số điểm lấy mẫu đánh giá độ chính xác phân loại cho trường hợp 6 lớp .......... 29
Bảng 3.3. Số điểm lấy mẫu đánh giá độ chính xác phân loại cho trường hợp 4 lớp .......... 29
Bảng 4.1. Các khóa giải đốn được sử dụng cho việc phân loại theo loài và mật độ cây
của ảnh PLR........................................................................................................................ 31
Bảng 4.2. Bảng các giá trị trung bình và độ lệch chuẩn của ảnh PLR 23/11/2010 đã lọc
thời gian (Spk9) và chưa lọc cho từng phân cực HH và HV, đơn vị linear ....................... 32
Bảng 4.3. Bảng các giá trị trung bình và độ lệch chuẩn của ảnh ASA 05/02/2010 và
03/04/2012 cho từng phân cực, đơn vị linear ..................................................................... 37
Bảng 4.4. Độ chính xác tồn cục và hệ số Kappa của ảnh PLR 23/11/2010 cho bốn
phương pháp phân loại trong trường hợp 6 lớp .................................................................. 46
Bảng 4.5. Ma trận sai số phân loại cho ảnh PLR 23/11/2010 với phương pháp phân loại
SVM trong trường hợp 6 lớp .............................................................................................. 47
Bảng 4.6. Ma trận sai số phân loại cho ảnh PLR 23/11/2010 với phương pháp phân loại
MLC trong trường hợp 6 lớp .............................................................................................. 47
Bảng 4.7. Độ chính xác toàn cục và hệ số Kappa của ảnh PLR 23/11/2010 cho bốn
phương pháp phân loại trong trường hợp 4 lớp .................................................................. 49
Bảng 4.8. Ma trận sai số phân loại cho ảnh PLR 23/11/2010 với phương pháp phân loại
SVM trong trường hợp 4 lớp .............................................................................................. 49
Bảng 4.9. Ma trận sai số phân loại cho ảnh PLR 23/11/2010 với phương pháp phân loại

MLC trong trường hợp 4 lớp .............................................................................................. 49
Bảng 4.10. Ma trận sai số phân loại cho ảnh ASA 05/02/2010 phân cực HH, VV với
phương pháp phân loại SVM trong trường hợp 4 loại ....................................................... 53
Bảng 4.11. Ma trận sai số phân loại cho ảnh ASA 03/04/2012 phân cực HH, HV với
phương pháp phân loại SVM trong trường hợp 4 loại ....................................................... 54

xii


DANH MỤC TỪ VIẾT TẮT
ASA

ASAR APP

BEST

Basic Envisat SAR Toolbox

CSDL

Cơ sở dữ liệu

dB

decibel

ĐBSCL

Đồng bằng sông Cửu Long


DN

Digital Number

EnFrost3

Enhanced Frost Filter with window size 3x3

EnLee3

Enhanced Lee Filter with window size 3x3

ENVI

Environment for Visualizing Images

FAO

Food and Agriculture Organization

FRA

Global Forest Resources Assessments

Frost3

Frost Filter with window size 3x3

GAM3


Gamma Filter with window size 3x3

GPS

Global Positioning System

HH

Horizontal transmit and Horizontal receive

HV

Horizontal transmit and Vertical receive

Lee3

Lee Filter with window size 3x3

MaD

Mahalanobis Distance Classifier

MiD

Minimun Distance Classifier

MLC

Maximum Likelihood Classifier


NASA

National Aeronautics and Space Administration

NDVI

Normalized Difference Vegetation Index

NEST

Next ESA SAR Toolbox

NIR

Near Infrared

NN

Neural Network

PC1

Kênh thứ nhất trong ảnh PCA
xiii


PCA

Principal Component Analysis


PLR

PALSAR

RNM

Rừng ngập mặn

SAR

Synthetic Aperture Radar

SIR-C

Shuttle Imaging Radar-C

Spk9

Multi-Temporal Speckle Filter Operator with window size 9x9

SVM

Support Vector Machine

SWIR

Short-wave infrared

VV


Vertical transmit and Vertical receive

xiv


CHƯƠNG 1. GIỚI THIỆU CHUNG
1.1. Đặt vấn đề
Rừng ngập mặn (RNM) được xem là một trong những hệ sinh thái ven biển có ý
nghĩa quan trọng về mặt sinh thái, môi trường và tài nguyên sinh vật. Hệ sinh thái này
góp phần trong việc chống xói lở bờ biển do tác động của các cơ chế động học như (sóng,
triều và dịng chảy ven bờ), và nó cịn hạn chế ảnh hưởng của các hiện tượng thời tiết
nguy hiểm như bão, sóng thần. Đồng thời nó cịn tạo ra một mơi trường sinh thái thuận lợi
cho các lồi thủy hải sản và các loại cây thân gỗ và bụi có thể phái triển trong vùng gian
triều (intertidal zone). Ngoài ra RNM cịn có ý nghĩa quan trọng đối với hoạt động kinh tế
xã hội của con người như: cung cấp vật liệu xây dựng (gỗ…) nếu được khai thác hợp lý,
nguyên liệu trong điều chế thuốc và phục vụ cho du lịch sinh thái. Do đó việc nghiên cứu
về RNM có ý nghĩa quan trọng và ngày càng nhận được sự quan tâm của nhiều nhà
nghiên cứu. Trong những nghiên cứu này thì phương pháp viễn thám radar có tiềm năng
xác định, phân loại và giám sát RNM. Phương pháp viễn thám với những ưu điểm như có
thể giám sát trên một khu vực rộng lớn, liên tục với một chu kỳ nhất định và cho cái nhìn
đồng thời tại một thời điểm, đặc biệt là viễn thám radar có thể giám sát một cách thuận lợi
các đối tượng trên bề mặt đất mà gần như không bị ảnh hưởng bởi các hiện tượng thời tiết
trong bầu khí quyển (như bị che phủ bởi mây) so với viễn thám quang học và có thể thu
nhận ảnh vào bất kỳ thời điểm nào trong ngày (kể cả ngày và đêm).
Hiện nay hệ sinh thái RNM đang chịu ảnh hưởng nghiêm trọng bởi các hoạt động phá
rừng hay chuyển đổi mục đích sử dụng đất, phát triển nuôi trồng thủy sản không theo quy
hoạch. Nên việc nghiên cứu và giám sát RNM trở nên cấp thiết, bởi vì nó sẽ góp phần vào
việc đánh giá và lên kế hoạch phát triển, bảo vệ và quản lý hệ sinh thái RNM. Đặc biệt
đối với khu vực đồng bằng sơng Cửu Long (ĐBSCL) có 128.537 ha chiếm hơn 60% diện
tích RNM cả nước (Bộ Nông Nghiệp và PTNT, 2008).

1.2. Mục tiêu nghiên cứu
Mục tiêu chung
Sử dụng dữ liệu viễn thám vệ tinh để xác định và phân loại RNM ở khu vực ĐBSCL
nhằm hỗ trợ quản lý rừng bền vững.

1
Luận văn Thạc sĩ: Ứng dụng dữ liệu viễn thám radar trong xác định đối tượng rừng ngập mặn


Mục tiêu cụ thể
 Khảo sát đặc trưng tán xạ ngược dữ liệu viễn thám radar (SAR) ở kênh C và L để
xác định và phân loại RNM. Sử dụng các dữ liệu đa bước sóng (kênh C và L), đa
phân cực (phân cực kép) để phân loại RNM và so sánh kết quả phân loại giữa hai
loại dữ liệu viễn thám radar.
 Kết hơp ảnh quang học và ảnh radar để xác định và phân loại RNM nhằm tìm hiểu
khả năng nâng cao độ chính xác phân loại.
1.3. Đối tượng nghiên cứu
Đối tượng nghiên cứu là RNM ở khu vực tỉnh Cà Mau.
 Phân loại thực phủ (landcover) gồm RNM và các đối tượng khác như đất trồng lúa,
đô thị, bãi bồi, mặt nước, cây khác…
 Khảo sát khả năng phân loại để xác định các loại RNM theo độ che phủ rừng như
rừng dày, trung bình, thưa; hoặc theo loài cây rừng như rừng đước và mắm là hai
loài cây chủ yếu trong RNM Cà Mau.
1.4. Phạm vi nghiên cứu
Trong đề tài này sẽ giới hạn phạm vi nghiên cứu ở khu vực mũi Cà Mau như được
trình bày ở hình 1.1.

Hình 1.1. Bản đồ hành chánh tỉnh Cà Mau và vị trí khu vực nghiên cứu ở mũi Cà Mau
2
Luận văn Thạc sĩ: Ứng dụng dữ liệu viễn thám radar trong xác định đối tượng rừng ngập mặn



1.5. Nội dung nghiên cứu
 Tổng quan về cơ sở lý thuyết của dữ liệu viễn thám radar và quang học như
nguyên lý thu nhận, và phương pháp xử lý và phân tích ảnh.
 Tổng quan về các nghiên cứu đã sử dụng dữ liệu SAR và quang học trong giám sát
RNM trong và ngoài nước.
 Thu thập các dữ liệu ở khu vực nghiên cứu như dữ liệu ảnh viễn thám (ENVISAT
ASAR APP, ALOS PALSAR, SPOT 5,…), bản đồ hiện trạng RNM, các số liệu
thống kê.
 Tiền xử lý các dữ liệu viễn thám radar kênh C (ENVISAT ASAR APP - ASA) và
kênh L (ALOS PALSAR - PLR) như định chuẩn dữ liệu thành dạng hệ số tán xạ
ngược.
 Xử lý các dữ liệu viễn thám như: đăng ký tọa độ, hiệu chỉnh hình học, lọc nhiễu,
tăng cường ảnh, kết hợp ảnh quang học và SAR.
 Khảo sát đặc trưng tán xạ radar ở kênh C và L của đối tượng RNM.
 Xác định và phân loại RNM với dữ liệu ảnh radar. Sử dụng các dữ liệu đa bước
sóng (kênh C và L), phân cực kép để phân loại RNM và so sánh kết quả phân loại
giữa hai loại dữ liệu SAR.
 Kết hợp ảnh quang học và ảnh radar (có độ phân giải khơng gian gần tương đương
nhau) để xác định và phân loại RNM.
1.6. Cấu trúc luận văn
Bố cục luận văn gồm có 6 chương như sau:
Chương 1: Giới thiệu chung
Giới thiệu lý do chọn đề tài, mục tiêu, đối tượng nghiên cứu, nội dụng và giới hạn
nghiên cứu.
Chương 2: Tổng quan nghiên cứu và giới thiệu khu vực nghiên cứu
Tổng quan các nghiên cứu ứng dụng dữ liệu viễn thám radar, quang học cho việc
phân loại đối tượng RNM trong và ngoài nước. Giới thiệu khái quát về điều kiện tự nhiên
của khu vực nghiên cứu. Đặc điểm và hiện trạng RNM ở khu vực nghiên cứu.

Chương 3: Phương pháp nghiên cứu và dữ liệu sử dụng
Trình bày các phương pháp cụ thể được sử dụng trong đề tài như: các phương pháp
tiền xử lý và xử lý ảnh radar; xử lý ảnh quang học; phương pháp hiệu chỉnh hình học; lọc
nhiễu ảnh radar; phương pháp chọn mẫu dữ liệu huấn luyện và kiểm tra; phương pháp
phân loại; và phương pháp đánh giá độ chính xác.

3
Luận văn Thạc sĩ: Ứng dụng dữ liệu viễn thám radar trong xác định đối tượng rừng ngập mặn


Chương 4: Kết quả phân tích và thảo luận cho việc phân loại sử dụng dữ liệu ảnh PRL và
ASA
Trình bày kết quả phân tích và thảo luận cho việc phân loại sử dụng dữ liệu ảnh radar
một thời điểm phân cực kép ALOS PLR (kênh L) và ENVISAT ASA (kênh C) với nội
dung như: Kết quả lựa chọn phương pháp lọc đa thời gian và khơng gian thích hợp cho dữ
liệu radar; Khả năng phân loại theo loài của ảnh radar; So sánh độ chính xác của việc
phân loại của ảnh ASA phân cực kép HH, VV và phân cực kép HH, HV; đồng thời so
sánh giữa hai loại ảnh radar PLR và ASA.
Chương 5: Kết quả phân tích và thảo luận cho việc phân loại sử dụng dữ liệu kết hợp
radar và quang học
Trình bày kết quả phân tích và thảo luận cho việc phân loại sử dụng dữ liệu kết hợp
radar và quang học nhằm nâng cao khả năng nhận biết các đối tượng RNM và độ chính
xác phân loại.
Chương 6: Kết luận
Tổng kết các kết quả đạt được của đề tài.

4
Luận văn Thạc sĩ: Ứng dụng dữ liệu viễn thám radar trong xác định đối tượng rừng ngập mặn



CHƯƠNG 2. TỔNG QUAN NGHIÊN CỨU VÀ GIỚI THIỆU
KHU VỰC NGHIÊN CỨU
Theo Tổ chức Lương thực và Nông nghiệp Liên Hiệp Quốc (FAO), RNM là những
cây thân gỗ và cây bụi mọc dưới mức triều cao của triều cường (FAO, 1952). Vì vậy hệ
thống rễ của chúng thường xuyên bị ngập trong nước mặn, mặc dầu nước có thể được pha
lỗng do dịng nước ngọt và chỉ ngập một hay hai lần trong năm (FAO, 1994). RNM theo
quan điểm thực phủ (land cover) của ngành Lâm nghiệp thế giới, bao gồm rừng có trong
vùng triều (bãi triều) và cả vùng đất có ngập nước theo triều có chiều cao cây chưa đạt 5m
nhưng độ che phủ trên 10% thì được xem là RNM (FAO/FRA, 2010). Trên quan điểm
sinh thái học, RNM (mangrove/ mangal) được coi như thuật ngữ để chỉ đến nhóm các cây
có trong hệ sinh thái vùng ven biển nhiệt đới và quần thể thực vật được xác định, phát
triển trong vùng đó (Richards, 1996; Ellison and Farnsworth, 2001).
2.1. Tình hình nghiên cứu ngồi nước
2.1. Ứng dụng viễn thám quang học trong nghiên cứu RNM
Từ khi vệ tinh quan sát tài nguyên trái đất đầu tiên là Landsat 1 của Hoa Kỳ được
phóng
lên
quỹ
đạo
vào
năm
1972
(Trang
web
của
NASA,
các dữ liệu ảnh vệ tinh đã được sử dụng
nhiều cho xây dựng bản đồ thực phủ (Binh et al., 2005), bản đồ rừng (Pham Bach Viet,
2006; Sulong et al., 2002; Wang et al., 2004), đánh giá xu hướng diễn biến nói chung
(Giri et al., 2008; Michel et al., 2008; Bjorn, 2004; Hoa Binh et al., 2008). Dữ liệu ảnh vệ

tinh đã được sử dụng cho thành lập bản đồ RNM đã trở thành công cụ quan trọng làm
thay đổi phương pháp giám sát rừng truyền thống; với việc sử dụng ảnh vệ tinh cho ra kết
quả có độ chính xác cao hơn so với các phương pháp truyền thống (Wang et al., 2003;
Blasco, 1998). Việc sử dụng dữ liệu ảnh vệ tinh trong các nghiên cứu với đối tượng chính
là RNM, có nhiều nội dung lớn, có thể phân chia theo ba nội dung: (i) xác định phạm vi,
phân bố xây dựng bản đồ hiện trạng rừng; (ii) xác định phân bố các loài chính; (iii) đánh
giá diễn biến rừng.
Các ứng dụng dữ liệu viễn thám quang học để giám sát và xây dựng bản đồ RNM
ngày càng được sử dụng rộng rãi trên các quy mô khác nhau như cấp vùng (Wang, 2003;
Satyanarayana et al., 2011; Sulong et al., 2002), quy mô lớn cấp khu vực hay châu lục
(FAO, 1981; Blasco et al., 2001; Giri et al., 2008) và trên quy mơ tồn cầu như của Giri
(2011) đã xây dựng cơ sở dữ liệu (CSDL) đầu tiên về phạm vi và phân bố của RNM của
cả thế giới, sử dụng trên 1.000 dữ liệu ảnh vệ tinh Landsat và của Spalding et al. (2010)
5
Luận văn Thạc sĩ: Ứng dụng dữ liệu viễn thám radar trong xác định đối tượng rừng ngập mặn


với sự trợ giúp của nhiều tổ chức quốc tế để xây dựng tập bản đồ RNM thế giới. Nhiều
nghiên cứu sử dụng dữ liệu ảnh vệ tinh để xác định RNM, ở phạm vi rộng cấp vùng,
thường tập trung vào các khu vực có phân bố RNM lớn như ở Châu Á, Đông Nam Á hoặc
Nam Á (Blasco et al., 1998 và 2001; Satyanarayana et al., 2011).
Với cách tiếp cận viễn thám quang học, để xác định được tới lồi hoặc quần thể lồi
thì cần có các dữ liệu ảnh hàng khơng, hoặc các loại ảnh vệ tinh có độ phân giải không
gian rất cao như ảnh QuickBird, Ikonos, GeoEye, SPOT 5 với độ phân giải 2,5 m (Sulong
et al., 2002; Wang et al., 2008; Wang et al., 2004), hoặc dữ liệu siêu phổ (Kamal and
Stuart, 2011; Wang and Sousan, 2009). Trong các nghiên cứu về RNM bằng ảnh vệ tinh
quang học, đã có những nghiên cứu xác định tới lồi, nhóm lồi cây RNM như ở
Malaysia (Satyanarayana et al., 2011). Tuy nhiên, khi sử dụng những loại dữ liệu này, chi
phí đầu tư cao và khó thực hiện trên phạm vi rộng. Trong các nghiên cứu của Blasco từ
1998 đã chỉ ra rằng với độ phân giải trung bình như ảnh Landsat hoặc SPOT (cho tới 10

m) chưa thể xác định tới loài cho dù về mặt phản xạ phổ của các lồi cây RNM chính là
khác nhau, chẳng hạn Đước và Mắm - Rhizophora / Avicennia (Blasco et al., 1998;
Claudia et al., 2011). Trong những điều kiện hoàn cảnh nhất định của địa phương, các
quần thể này có thể phân biệt được bằng viễn thám do đặc điểm diễn thế hình thành các
quần thể cây RNM chính thường phân bố thành đai song song với bờ biển, hoặc phân bố
theo mức ngập triều (Feller and Marsha, 1996; GIZ-Australian AID; MONRE, 2008). Các
thông tin mặt đất, khảo sát thực địa, dữ liệu ảnh vệ tinh sẽ giúp cho xác định ranh giới
phân bố. Các thông tin chi tiết về địa hình, mức ngập triều; các lồi cây RNM khác nhau
sẽ có các mức độ chịu ngập khác nhau và có thể quan sát được theo đúng diễn thế của
RNM (Loon et al., 2007; Dijksma et al., 2010). Các quần xã RNM phân bố trong các điều
kiện lập địa khác nhau từ ngồi bờ biển vào sâu phía trong, phụ thuộc vào điều kiện đất
đai (độ thành thục đất), vi địa hình và mức ngập thủy triều (thời gian và độ cao ngập triều)
hình thành các quần thể cây RNM với các lồi/nhóm lồi ưu thế.
Diễn thế RNM nói chung là một trong những vấn đề được quan tâm nhiều nhất đối
với các nhà nghiên cứu, quản lý rừng. Viễn thám được xem là cơng cụ có nhiều lợi thế
nhất so với các phương pháp khác do có thể sử dụng các dữ liệu đã có để truy ngược về
quá khứ, hoặc sử dụng dữ liệu ảnh vệ tinh được thu nhận trong các khoảng thời gian xác
định hoặc liên tục hoặc theo chu kỳ để giám sát những thay đổi của đối tượng cần giám
sát nhằm xác định các thay đổi theo không gian và thời gian (Giri et al., 2008; Michel et
al., 2008; Bjorn, 2004; Hoa Binh et al., 2008). Trong các nghiên cứu về diễn biến thực
phủ, rừng và RNM bằng kỹ thuật viễn thám đều sử dụng dữ liệu nhiều thời điểm để xác
định hiện trạng từng thời điểm, sau đó xác định và đánh giá diễn biến. Các đánh giá diễn
biến này không chỉ tập trung vào RNM mà còn trên các đối tượng liên quan như đường
6
Luận văn Thạc sĩ: Ứng dụng dữ liệu viễn thám radar trong xác định đối tượng rừng ngập mặn


bờ biển, phát triển thủy sản trong vùng RNM (Wang et al., 2003; Giri et al., 2007;
Fromard et al., 2004; Binh et al., 2005; Conchedda et al., 2008; Nguyen Viet Chien et al.,
1999).

2.2. Ứng dụng viễn thám radar trong nghiên cứu RNM
Dữ liệu liệu viễn thám radar được nhận từ các hệ thống radar như SAR hầu như khó
giải thích hay giải đốn hơn ảnh quang học. Tín hiệu cường độ được đo lường từ bộ cảm
được gọi là hệ số tán xạ ngược (backscatter coeficient) với đơn vị dB (decibel). Do các
sóng siêu cao tần có thể truyền đi với cấu hình khác nhau tùy theo loại bộ cảm, có sự khác
biệt về bước sóng, phân cực truyền đi và nhận lại tín hiệu, và góc tới mà dẫn đến cùng
một bề mặt có thể thu nhận hệ số tán xạ có sự khác nhau. Cơ chế tương tác chủ yếu của
sóng radar với các giai đoạn phát triển của RNM phụ thuộc vào bước sóng radar (Claudia
et al., 2011). Mối quan hệ này có thể được tìm thấy trong nghiên cứu của Mougin et al.
(1999) và Proisy et al. (2000) đã khảo sát mối quan hệ giữa dữ liệu SAR với các chế độ
tần số và phân cực khác nhau, và cấu trúc thành phần RNM cho khu vực Guiana, tại Pháp.
Ứng dụng viễn thám radar trong RNM nói riêng và rừng nói chung, chủ yếu quan tâm
đến việc phân loại và ước lượng sinh khối RNM tại một thời điểm. Kết quả tốt nhất cho
việc ước lượng rừng nhận được từ dữ liệu SAR kênh L và P (Hoekman and Quinones,
2000). Đặc biệt trong RNM, Mougin et al. (1999) đã tìm thấy tương quan cao khi sử dụng
phân cực HV với kênh P. Các bước sóng dài cũng thuận lợi cho việc phân loại RNM tại
một thời điểm. Sự phân biệt giữa rừng đang phát triển (young forest) và rừng trưởng
thành (mature forest) có thể thực hiện được ở kênh L (thông qua tổ hợp của dữ liệu HH HV) hoặc tốt hơn với bốn phân cực hoặc dữ liệu phân cực đầy đủ với pha bảo toàn
(phase-preserved) (McNeill and Pairman, 2005). Dựa trên dữ liệu SIR-C/X-SAR, Kyplich
(2006) đã cho thấy là khó khăn khi tách biệt các giai đoạn sinh trưởng của rừng Amazon
với độ chính xác vừa đủ khi thực hiện trên các kênh X, C và L. Tuy nhiên, Rignot et al.
(1994) đã kết luận kênh C có khả năng tách biệt rừng hơn là kênh L và P. Các kết luận
khác nhau của họ nên được được nghiên cứu nhiều hơn ở các vùng khác nhau và các loại
thực vật sử dụng dữ liệu phân cực, bước sóng và góc tới khác nhau để có thể tính đến các
thay đổi địa phương.
Phân loại RNM từ dữ liệu quang học hầu như đã được xem xét và nghiên cứu nhiều
trong phần tổng quan nghiên cứu trên, còn dữ liệu SAR thường được sử dụng như một dữ
liệu bổ sung thông tin. Tuy nhiên với khả năng của các bộ cảm phân cực, dữ liệu radar có
thể ứng dụng độc lập cho mục tiêu phân loại. Có nhiều nghiên cứu đã cho thấy có thể sử
dụng dữ liệu SAR để giám sát và thành lập bản đồ rừng. Một vài nghiên cứu đã khảo sát

các cách tiếp cận khác nhau để trích thơng tin bản đồ rừng từ dữ liệu JERS-1 và ERS7
Luận văn Thạc sĩ: Ứng dụng dữ liệu viễn thám radar trong xác định đối tượng rừng ngập mặn