Đánh giá biến động thảm phủ và sử dụng đất khu vực miền Trung dựa vào thuật toán ước tính mật độ hạt nhân

KHOA HỌC CÔNG NGHỆ 
 TẠP CHÍ KHOA HỌC VÀ CÔNG NGHỆ THỦY LỢI SỐ 54 - 2019 1
ĐÁNH GIÁ BIẾN ĐỘNG THẢM PHỦ VÀ SỬ DỤNG ĐẤT 
KHU VỰC MIỀN TRUNG DỰA VÀO THUẬT TOÁN ƯỚC TÍNH 
MẬT ĐỘ HẠT NHÂN 
Đỗ Hoài Nam, Phan Cao Dương, Hồ Việt Cường 
Viện Khoa học Thủy lợi Việt Nam 
Tóm tắt: Bài báo này giới thiệu một cách tiếp cận mới trong xây dựng bản đồ thảm phủ và sử 
dụng đất (LULC) cho khu vực miền Trung từ nhiều nguồn ảnh viễn thám khác nhau. Cách tiếp 
cận dựa vào thuật toán ước tính mật độ hạt nhân (KDE) để phân loại cho 9 dạng thảm phủ gồm 
mặt nước, đô thị, lúa, cây hoa màu, cỏ, cây ăn quả, đất trống, rừng và rừng ngập mặn. Kết quả 
cho thấy, phương pháp KDE có thể tạo ra bản đồ LULC với độ chính xác hơn 90 %. Khoảng 33 
± 18 % diện tích khu vực nghiên cứu xuất hiện sự thay đổi dạng thảm phủ, đặc biệt là rừng và 
nước mặt tăng mạnh tương ứng 2680 km2 và 570 km2. Đất trống và diện tích lúa giảm tương ứng 
là 495 km2 và 485 km2 do sự chuyển đổi loại hình canh tác và đô thị hóa. Ngoài ra kết quả cũng 
cho thấy sử dụng bản đồ toàn cầu cho các nghiên cứu với quy mô địa phương dường như có 
nhiều sai số và thiếu tính nhất quán. Kết quả của nghiên cứu này rất cần thiết cho phát triển 
chiến lược quản lý tài nguyên đất và nước. 
Từ khóa: Thảm phủ và sử dụng đất, phân loại hình ảnh, đánh giá độ chính xác phân loại, 
Landsat, ALOS / AVNIR-2 và ALOS-2 / PALSAR-2. 
Summary: This paper introduces a new approach in constructing land use and land cover 
(LULC) in Central Vietnam from various remote sensing images. The approach is based on the 
algorithm of kernel density estimation (KDE) to classify 9 types of land cover including water 
surface, urban area, rice, crop, grass, fruit tree, bare land, forest and mangrove. The results 
show that the KDE method can create LULC maps with more than 90% accuracy. About 33 ± 
18% of the area of the study area appears to be changed in the form of the land cover, especially 
the forest and surface water, which increased sharply by 2680 km2 and 570 km2 respectively. 
Bare land and rice area decreased by 495 km2 and 485 km2, respectively, due to the conversion 
of cultivation and urbanization. In addition, the results also show that the use of global maps for 
local studies seems to have large errors and inconsistencies. These findings are essential for 
developing resource management strategies. 
Key words: Land use/cover change, image classification, classification accuracy assessment, 
Landsat, ALOS/AVNIR-2, and ALOS-2/PALSAR-2. 
1. ĐẶT VẤN ĐỀ* 
Thông tin về thảm phủ và sử dụng đất (LULC) 
là dữ liệu rất quan trọng trong hầu hết các 
nghiên cứu về khoa học trái đất (môi trường, 
hệ sinh thái, hệ thống khí hậu, v.v.). Với sự 
Ngày nhận bài: 01/5/2019 
Ngày thông qua phản biện: 06/6/2019 
Ngày duyệt đăng: 12/6/2019 
phát triển mạnh mẽ của công nghệ viễn thám 
và học máy (trí tuệ nhân tạo - AI) trong những 
năm gần đây, thông tin LULC được cập nhật 
với nhiều tính năng ưu việt như tiết kiệm thời 
gian và chi phí, bao phủ được diện rộng và đa 
thời điểm. Tuy nhiên, không dễ dàng để đạt 
được bộ dữ liệu LULC với độ chính xác cao 
do một số hạn chế như: sự che phủ của mây, 
thiếu dữ liệu vì các sự cố kỹ thuật và ưu tiên 
KHOA HỌC CÔNG NGHỆ 
TẠP CHÍ KHOA HỌC VÀ CÔNG NGHỆ THỦY LỢI SỐ 54 - 2019 2
tiếp cận dữ liệu cho một số vùng. 
Để giải quyết vấn đề thiếu dữ liệu, gần đây 
một số nghiên cứu đã kết hợp nhiều loại ảnh 
viễn thám (ví dụ: Landsat và L-band SAR) để 
phân loại LULC [1] và tài nguyên rừng [2] 
trong khu vực cận nhiệt đới. Với sự phát triển 
ảnh viễn thám có độ phân giải khá tốt và tần 
suất chụp liên tục của cơ quan Vũ trụ Châu Âu 
như Sentinel 1, 2, 3 thì việc kết hợp nhiều loại 
cảm biến ảnh trở nên phổ biến và hiệu quả 
hơn. Sự kết hợp nhiều loại ảnh giữa quang học 
và radar sẽ giúp nhận ra sự đa dạng của các 
loại LULC hơn là dùng một loại ảnh đơn thuần 
[3]. Tuy nhiên, phần lớn các nghiên cứu hiện 
tại chỉ tập trung phân tích LULC cho một thời 
điểm cụ thể hoặc cho một vài loại thảm phủ 
nhất định như rừng, hoa màu và lúa [4]. Rất ít 
nghiên cứu sử dụng phương pháp tổ hợp nhiều 
nguồn ảnh để phân tích đa dạng LULC. [5] đã 
sử dụng phương pháp tổ hợp để phân tích sự 
thay đổi thảm phủ cho miền Bắc. Tuy nhiên, 
nghiên cứu này chưa xét để các chỉ số ảnh 
hưởng (spectral index) đối với từng loại thảm 
phủ cụ thể và chưa sử dụng ảnh có độ phân 
giải cao như Vệ tinh quan sát mặt đất công 
nghệ cao cho dải màu nhìn thấy và cận hồng 
ngoại loại 2 (ALOS/AVNIR-2) để phân tích sự 
thay đa dạng LULC. 
Mục đích chính của nghiên cứu này là xây 
dựng bản đồ LULC độ phân giải cao cho khu 
vực miền Trung ở thời điểm năm 2007 và 
2017, sử dụng thuật toán ước tính mật độ hạt 
nhân (KDE) và nhiều nguồn ảnh viễn thám 
khác nhau. Nghiên cứu cũng sẽ đánh giá tiềm 
năng của phương pháp tổ hợp nhiều loại ảnh 
và các nguồn dữ liệu thảm phủ trong phân 
loại và nhận diện các loại thảm phủ phức tạp 
và phân theo mảnh. Từ bản ... á trị xác suất hậu 
nghiệm cuối cùng và quyết định loại LULC. 
Phương pháp này phù hợp để nhận diện thông 
tin LULC trên diện rộng vì tính tự động hoàn 
toàn của mô hình. Quan trọng hơn, cách tiếp 
cận KDE này chính xác hơn các phương pháp 
được sử dụng phổ biến hiện nay như “support 
vector machine” (SVM) và phân loại khả năng 
tối đa (MLC) [13]. 
Chi tiết phương pháp được trình bày như sau. 
Xác suất hậu nghiệm của một lớp sẽ được 
tính dựa trên dữ liệu đầu vào x, cụ thể là các 
băng tần, chỉ số, giá trị thời gian tại thời điểm 
phân tích [t1, t2] như được trình bày trong 
công thức (1). 
  
maxmax
21 2sin(,2cos(,
DOY
DOY
DOY
DOY
tt (1) 
Trong đó DOY là ngày trong năm (lịch Julian), 
và DOYmax (= 365,25) là số ngày lớn nhất 
trong năm nghiên cứu (tính trung bình). 
Đối với mỗi ảnh, xác suất hậu nghiệm của một 
loại thảm phủ Ck (k: là loại thảm phủ k, k = 1, 
2, ... M; M là tổng số loại thảm phủ; M = 9) 
được xác định bằng cách sử dụng lý thuyết 
Bayes dựa trên dữ liệu đầu vào x trong công 
thức (2). 

M
k
kk
kkkk
k
CxpCp
CxpCp
xp
CxpCp
xCp
1
)|()(
)|()(
)(
)|()(
)|( (2) 
Trong đó p(Ck) là xác suất tiền nghiệm của Ck 
(được giả sử là phân phối đồng đều) và 
p(x|Ck) là xác suất có điều kiện của x; p(x|Ck) 
được ước tính dựa trên dữ liệu luyện mô hình 
và sử dụng ước tính KDE. KDE được sử dụng 
để tính phân phối xác suất của dữ liệu dưới 
dạng tổng của các hàm con ứng với từng dữ 
liệu luyện mô hình. Các hàm con KDE được 
xây dựng dựa vào quy luật Gaussian như trình 
bày ở công thức (3) và quy tắc ngón tay cái 
của Scott được trình bày trong công thức (4) 
dưới đây: 




 
kN
n
D
d d
dnd
dk
k
h
xx
K
hN
Cxp
1 1
,11)|( (3) 
2
exp
2
1
)(
2u
uK
 (4) 
d
D
d Nh .
)4/(1 (5) 
Trong đó, Nk là số lượng dữ liệu để luyện 
mô hình của lớp Ck, hd là tham số được ước 
tính theo công thức (5), N là tổng số dữ liệu 
để luyện (N = N1 + N2 + ... + NM) và σd 
biểu thị độ lệch chuẩn của bộ dự liệu đầu 
vào thứ dth của dữ liệu để luyện mô hình 
{xn,d | 1 ≤ n ≤ N}. 
Trong bước tiếp theo, tại mỗi vị trí, nghiên cứu 
đã tích hợp xác suất hậu nghiệm ứng với từng 
loại thảm phủ/sử dụng đất của tất cả các hình 
ảnh chồng ghép nhau. Lớp thảm phủ/sử dụng 
đất có tích xác suất hậu nghiệm cao nhất sẽ là 
loại LULC được ước tính. Tuy nhiên, trong 
thực tế, một số điểm ảnh bị mây che phủ hoặc 
không đủ dữ liệu sẽ bị ước tính sai. Nghĩa là 
xác suất hậu nghiệm p(Ck|x) của điểm ảnh đó 
có thể bằng không. Nếu xảy ra, nó sẽ làm cho 
tích của xác suất hậu nghiệm của loại Ck cũng 
gần bằng hoặc gần bằng không, vì nhân với số 
không luôn cho kết quả là không. Nghĩa là ngay 
cả khi một vài ảnh có kết quả ước tính p(Ck|x) 
cao và thậm chí bằng 1, dự đoán cuối cùng về 
loại LULC sẽ không thể là lớp Ck. Để khắc 
phục vấn đề này, xác suất hậu nghiệm của mỗi 
hình ảnh không được quá nhỏ hoặc bằng không. 
Để giải quyết vấn đề này, nghiên cứu đã sử 
dụng phương trình (6) để giữ các giá trị xác 
suất hậu nghiệm bé ở mức cho phép. Tích xác 
suất hậu nghiệm cuối cùng của một loại LULC 
Ck là p’(Ck) được ước tính theo công thức (7). 
M
a
xCapxCp kk
1
)|()|(' (6) 
KHOA HỌC CÔNG NGHỆ 
 TẠP CHÍ KHOA HỌC VÀ CÔNG NGHỆ THỦY LỢI SỐ 54 - 2019 5
 
S
i
ikik xCpCp
1
'' )|()( (7) 
trong đó a là giá trị không đổi (a = 0,7) và S là 
số lượng hình ảnh tại một vị trí. 
Việc xác định một loại LULC là loại có tích 
xác suất hậu nghiệm của tất cả các ảnh chồng 
ghép cao nhất trong số tất cả các loại. Giả sử, 
tại một pixel r của một ảnh dự kiến phân ra hai 
loại LULC là nước và đô thị, có tích xác suất 
hậu nghiệm của nước: p'(Cnước) = 0,6 và tích 
xác suất hậu nghiệm của đô thị: p'(Cđô thị) = 0,4 
. Tích xác suất hậu nghiệm cao nhất của pixel 
r là 0,6 và độ che phủ của pixel r sẽ là nước 
trong trường hợp này. 
3. KẾT QUẢ 
Kết quả là bản đồ phân loại LULC khu vực 
miền Trung ở thời điểm năm 2007 và 2017 và 
những vị trí thay đổi trong suốt mười năm 
(Hình 2). Độ chính xác của bản đồ được đánh 
giá dựa vào ma trận lỗi như thể hiện trong 
Bảng 2 và Bảng 3. Độ chính xác tổng thể của 
các bản đồ cho năm 2007 và 2017 là 90,5% 
(hệ số kappa là 90%) và 90,6% (hệ số kappa là 
90%), theo thứ tự tương ứng. Hầu hết các lớp 
có độ chính xác cho người dùng và nhà sản 
xuất lớn hơn hoặc gần 90%, ngoại trừ cỏ và cây 
ăn quả. Nước, đất trống, lúa và rừng có độ chính 
xác cao nhất là hơn hoặc gần 95%, tiếp theo là 
đô thị và cây trồng có độ chính xác tương ứng 
khoảng 91% và 90%. Cây ăn quả và đồng cỏ có 
độ chính xác thấp nhất (<85%) trong hai bản đồ. 
Lý do phân loại sai về cây ăn quả và đồng cỏ có 
thể là các đặc điểm phổ tương ứng giữa các 
vườn cây, cỏ và các loại khác. 
Hình 2: Bản đồ che phủ đất trong (a) 2007, (b) 2017, (c) các khu vực thay đổi độ che phủ đất 
trong giai đoạn 10 năm ở miền Trung Việt Nam và A, B và C là các địa điểm được chọn để 
phân tích thay đổi ở Thừa Thiên Huế Các tỉnh Quảng Nam và Thanh Hóa tương ứng 
Bảng 2: Đánh giá độ chính xác của các bản đồ LULC năm 2007 
 khu vực miền Trung, sử dụng ma trận lỗi 
Lo i th m ph d báoạ ả ủ ự 
Lo
i t
h
m
 p
h
 t
h
c 
t
ạ
ả
ủ
ự
ế
 W U P C G O B F M Total PA (%) 
W 644 0 4 0 0 0 0 0 11 659 97.8 
U 0 1005 3 64 31 76 2 0 0 1181 85.1 
P 0 6 1138 12 3 2 15 2 58 1236 92.1 
C 0 12 8 1123 73 105 6 6 2 1335 84.2 
G 0 6 0 4 377 5 1 0 0 393 96.0 
KHOA HỌC CÔNG NGHỆ 
TẠP CHÍ KHOA HỌC VÀ CÔNG NGHỆ THỦY LỢI SỐ 54 - 2019 6
O 0 8 2 34 11 637 0 45 0 737 86.5 
B 0 7 0 1 1 1 496 0 0 506 98.1 
F 1 0 1 0 1 60 0 986 0 1049 94.0 
M 23 0 16 0 2 0 0 0 495 536 92.4 
Total 668 1044 1172 1238 499 886 520 1039 566 7632 91.8 
UA (%) 96.5 96.3 97.1 90.8 75.6 71.9 95.4 94.9 87.5 89.6 90.5 
Ka 0.02 0.05 0.02 0.02 0.00 0.00 0.01 0.03 0.00 0.15 0.9 
Bảng 3: Đánh giá độ chính xác của các bản đồ LULC năm 2017 
 khu vực miền Trung, sử dụng ma trận lỗi 
Lo i th m ph d báoạ ả ủ ự 
Lo
i 
th
m
 p
h
 t
h
c 
t
ạ
ả
ủ
ự
ế
 W U P C G O B F M Total PA (%) 
W 2636 2 1 0 4 0 0 0 2 2645 99.7 
U 0 1799 1 70 58 75 17 0 0 2020 89.1 
P 5 0 2971 17 0 11 0 28 19 3051 97.4 
C 2 33 157 2454 181 171 0 28 48 3074 79.9 
G 84 74 7 107 1821 135 0 46 7 2281 79.9 
O 1 12 4 153 72 765 0 54 8 1069 71.6 
B 12 60 5 16 7 3 1264 0 0 1367 92.5 
F 0 0 8 3 1 10 1 3291 0 3314 99.4 
M 7 3 5 2 2 1 1 22 781 824 94.8 
Total 2747 1983 3159 2822 2146 1171 1283 3469 865 19645 89.4 
UA (%) 96.0 90.8 94.1 87.0 84.9 65.4 98.6 94.9 90.3 89.1 90.6 
Ka 0.02 0.01 0.02 0.02 0.01 0.00 0.00 0.03 0.00 0.13 0.9 
UA: Độ chính xác cho người sử dụng; PA: Độ chính xác của nhà xuất bản; and Ka: Hệ số 
Kappa; W: Nước; 
U: Đô thị; P: Lúa; C: Hoa màu; G: Cỏ; O: Cây ăn quả; B: Đất trống; F: Rừng; M: Rừng ngập mặn. 
KHOA HỌC CÔNG NGHỆ 
 TẠP CHÍ KHOA HỌC VÀ CÔNG NGHỆ THỦY LỢI SỐ 54 - 2019 7
KHOA HỌC CÔNG NGHỆ 
TẠP CHÍ KHOA HỌC VÀ CÔNG NGHỆ THỦY LỢI SỐ 54 - 2019 8
Hình 5: Các địa điểm được lựa chọn để phát hiện thay đổi LULC trong 
giai đoạn 2007-2017 ở miền Trung Việt Nam; Địa điểm A, B và C lần lượt thuộc 
các tỉnh Thừa Thiên Huế, Quảng Nam và Thanh Hóa. 
4. THẢO LUẬN 
Khu vực miền Trung có thảm phủ phân mảnh 
và phức tạp đã trải qua những thay đổi nhanh 
chóng và rộng lớn trong giai đoạn 2007 đến 
2017. Để quan sát sự chuyển đổi sử dụng đất ở 
miền Trung do sự chuyển đổi kinh tế xã hội 
gần đây, ba địa điểm thử nghiệm đã được 
chọn. Các địa điểm thử nghiệm lần lượt là các 
địa điểm A, B và C tại các tỉnh Thừa Thiên 
Huế, Quảng Nam và Thanh Hóa (Hình 6). Tại 
khu vực A, một số hồ chứa đã được xây dựng, 
đó là một hiện tượng phổ biến ở miền Trung. 
Những hồ chứa này đã chuyển đổi một số 
vùng cây ăn quả sang nước mặt trong khi một 
số khu rừng lân cận được chuyển sang trồng 
trọt. Phát hiện này phù hợp với phân tích vệ 
tinh khác [15] và có thể giải thích tại sao vườn 
cây giảm trong khi đất trồng trọt tăng trong 
một vài thập kỷ gần đây. Vị trí B minh họa 
một sự thay đổi từ đất trồng trọt sang đất rừng, 
đây là kết quả của chính sách gần đây do chính 
phủ ban hành nhằm trồng lại rừng ỏ một số 
vùng của Việt Nam thông qua việc cung cấp 
các nguồn lực tài chính và kỹ thuật [16]. Mức 
tăng diện tích rừng này cũng trùng khớp với 
phân tích từ vệ tinh khác [17] và thống kê 
nhân khẩu học [18] cho thấy diện tích rừng 
tăng thêm 1.696 triệu ha trên quy mô quốc gia 
từ năm 2005 đến 2015. Vị trí C trình bày sự 
thay đổi của lúa sang trồng trọt hoặc đô thị lên 
khu vực. Điều này có thể giải thích sự suy 
giảm của các cánh đồng lúa và sự gia tăng của 
các vùng trồng trọt trong khu vực. Một lý do 
khác cho việc giảm ruộng lúa có thể là từ 
chuyển đổi sang nuôi trồng thủy sản vì năng 
suất lúa giảm do sự xâm nhập của nước mặn. 
Khu vực miền Trung đã trải qua những thay 
đổi lớn, đặc biệt là sự suy giảm của các cánh 
đồng lúa và sự gia tăng của mặt nước nội địa 
có thể được phát hiện dễ dàng dựa trên nghiên 
cứu này. Những thay đổi này có thể đã tạo ra 
các hệ sinh thái mới chưa từng có tác động đến 
sự phát triển bền vững môi trường và an ninh 
lương thực. Kết quả cho thấy hơn 21 con đập 
khổng lớn đã được xây dựng tại các con sông 
ở thượng nguồn (ví dụ: Hương, Vu Gia -Thu 
Bồn, Đồng Nai và Sre Pok) và nhiều dự án 
khác hiện đang được lên kế hoạch. Những con 
đập này có thể chặn trầm tích lơ lửng từ các 
khu vực thượng nguồn, có thể gây xói mòn bờ 
biển quy mô lớn và mất đất. Ngoài ra, việc xây 
dựng các đập thượng nguồn hạn chế dòng chảy 
hạ lưu dẫn đến mực nước tại các cửa sông 
giảm, trong khi mực nước biển dự kiến sẽ 
tăng. Điều này cũng có thể dẫn đến xói mòn 
nghiêm trọng và xâm nhập mặn nghiêm trọng 
ở vùng thấp, sau đó là sự mở rộng ảnh hưởng 
của độ mặn đến tăng trưởng và năng suất của 
cây như lúa, và chuyển đổi lúa gạo sang nuôi 
trồng thủy sản hoặc các vùng đất khác dẫn đến 
giảm năng suất lúa. Do Việt Nam là nước xuất 
khẩu gạo lớn thứ hai trên thế giới, sản xuất 
lương thực trong nước và thương mại gạo 
quốc tế có thể gặp rủi ro trừ khi chiến lược 
phát triển bền vững được xem xét trong tương 
lai gần. 
5. KẾT LUẬN 
Áp lực từ các hoạt động của con người lên hệ 
thống LULC đất ở miền Trung đang gia tăng 
do quá trình phát triển kinh tế xã hội nhanh 
chóng. Trong thập kỷ gần đây, các khu vực 
rừng đã mở rộng đáng kể do những nỗ lực của 
chính phủ khuyến khích trồng lại bằng cách 
thay đổi chính sách và cung cấp các nguồn lực 
kỹ thuật. Tuy nhiên, chất lượng rừng ở miền 
Trung vẫn còn là một câu hỏi ngõ và là mối 
quan tâm lớn trong việc đảm bảo quản lý rừng 
ở Việt Nam và Mục tiêu phát triển bền vững 
(SDG). Các khu vực đô thị & cơ sở hạ tầng 
khác đã mở rộng xung quanh các thành phố 
đông đúc như Thanh Hóa, Vinh, Huế và Đà 
Nẵng do sự gia tăng dân số và sự di chuyển 
của công dân từ nông thôn đến thành thị. Gia 
tăng dân số cũng đi kèm với nhu cầu về nước, 
KHOA HỌC CÔNG NGHỆ 
 TẠP CHÍ KHOA HỌC VÀ CÔNG NGHỆ THỦY LỢI SỐ 54 - 2019 9
thủy lợi trong nước và công nghiệp và thủy 
điện ngày càng tăng, dẫn đến việc mở rộng 
mặt nước nội địa. Những thay đổi này có thể 
làm giảm tính bền vững của môi trường, đặc 
biệt là do xói mòn bờ biển, mất đất và xâm 
nhập mặn. Những phát hiện về động lực che 
phủ đất cùng với việc giải thích các yếu tố 
thúc đẩy có thể cung cấp cho các nhà hoạch 
định chính sách và cộng đồng các nhà khoa 
học dữ liệu đầu vào thích hợp để nghiên cứu 
và thảo luận thêm về quản lý môi trường đất. 
LỜI CÁM ƠN 
Tác giả chân thành gửi lời cảm ơn đến Quỹ 
học bổng phát triển nguồn nhân lực của Chính 
phủ Nhật Bản (JDS) đã tài trợ kinh phí thực 
hiện các hoạt động của nghiên cứu này. 
TÀI LIỆU THAM KHẢO 
[1] N. Torbick, D. Chowdhury, W. Salas, and J. Qi, “Monitoring rice agriculture across myanmar 
using time series Sentinel-1 assisted by Landsat-8 and PALSAR-2,” Remote Sens., 2017. 
[2] J. Dong et al., “Mapping deciduous rubber plantations through integration of PALSAR and 
multi-temporal Landsat imagery,” Remote Sens. Environ., 2013. 
[3] J. Reiche et al., “Combining satellite data for better tropical forest monitoring,” Nature 
Climate Change. 2016. 
[4] J. D. T. De Alban, G. M. Connette, P. Oswald, and E. L. Webb, “Combined Landsat and 
L-band SAR data improves land cover classification and change detection in dynamic 
tropical landscapes,” Remote Sens., 2018. 
[5] T. T. Hoang and K. N. Nasahara, “Phân Tích Biến Động Thảm Phủ Mặt Đất ở Miền Bắc 
Việt Nam Sử Dụng Dữ Liệu Viễn Thám Phân Giải Cao,” in Hội thảo khoa học Quốc gia về 
Khí tượng, Thủy văn, Môi trường và Biến đổi khí hậu, 2017, no. Vi, pp. 445–451. 
[6] A. R. As-syakur, I. W. S. Adnyana, I. W. Arthana, and I. W. Nuarsa, “Enhanced built-UP 
and bareness index (EBBI) for mapping built-UP and bare land in an urban area,” Remote 
Sens., vol. 4, no. 10, pp. 2957–2970, 2012. 
[7] Y. Zha, J. Gao, and S. Ni, “Use of normalized difference built-up index in automatically 
mapping urban areas from TM imagery,” Int. J. Remote Sens., vol. 24, no. 3, pp. 583–594, 2003. 
[8] Hongmei Zhao and Xiaoling Chen, “Use of normalized difference bareness index in 
quickly mapping bare areas from TM/ETM+,” 2005. 
[9] C. J. Tucker, “Red and photographic infrared linear combinations for monitoring 
vegetation,” Remote Sens. Environ., vol. 8, no. 2, pp. 127–150, 1979. 
[10] A. Huete, K. Didan, T. Miura, E. P. Rodriguez, X. Gao, and L. G. Ferreira, “Overview of 
the radiometric and biophysical performance of the MODIS vegetation indices,” Remote 
Sens. Environ., vol. 83, no. 1–2, pp. 195–213, 2002. 
[11] A. R. Huete, “A soil-adjusted vegetation index (SAVI),” Remote Sens. Environ., vol. 25, 
no. 3, pp. 295–309, 1988. 
[12] T. J. Jackson et al., “Vegetation water content mapping using Landsat data derived 
normalized difference water index for corn and soybeans,” in Remote Sensing of 
Environment, 2004. 
[13] S. Hashimoto, T. Tadono, M. Onosato, M. Hori, and T. Moriyama, “Probabilistic land cover 
classification approach toward knowledge-based satellite data interpretations,” in International 
CHUYỂN GIAO CÔNG NGHỆ 
TẠP CHÍ KHOA HỌC VÀ CÔNG NGHỆ THỦY LỢI SỐ 54 - 2019 10
Geoscience and Remote Sensing Symposium (IGARSS), 2012, pp. 1513–1516. 
[14] S. Hashimoto, T. Tadono, M. Onosato, and M. Hori, “Land use and land cover inference in 
large areas using multi-temporal optical satellite images,” in International Geoscience and 
Remote Sensing Symposium (IGARSS), 2013. 
[15] D. D. Khoi and Y. Murayama, “Forecasting areas vulnerable to forest conversion in the tam Dao 
National Park region, Vietnam,” Remote Sens., vol. 2, no. 5, pp. 1249–1272, 2010. 
[16] E. S. Nambiar, C. E. Harwood, and N. D. Kien, “Acacia plantations in Vietnam: research 
and knowledge application to secure a sustainable future,” Southern Forests. 2015. 
[17] P. Meyfroidt and E. F. Lambin, “Forest transition in Vietnam and its environmental 
impacts,” Glob. Chang. Biol., 2008. 
[18] FAO, “Global Forest Resources Assessment 2010,” 2010.