Phân tích biến động của đường bờ đảo Phú Quý sử dụng ảnh viễn thám trên nền google earth engine và phần mềm DSAS

 KHOA HỌC KỸ THUẬT THỦY LỢI VÀ MÔI TRƯỜNG - SỐ 73 (3/2021) 92 
BÀI BÁO KHOA HỌC 
PHÂN TÍCH BIẾN ĐỘNG CỦA ĐƯỜNG BỜ ĐẢO PHÚ QUÝ 
SỬ DỤNG ẢNH VIỄN THÁM TRÊN NỀN GOOGLE EARTH ENGINE 
VÀ PHẦN MỀM DSAS 
Mai Quang Khoát1, Mai Văn Công1, Phạm Ngọc Quý1 
Tóm tắt: Xói lở bờ biển, bờ đảo đang trở thành mối lo ngại của các quốc gia nằm giáp biển trên toàn 
thế giới trong bối cảnh biến đổi khí hậu và nước biển dâng hiện nay. Bờ biển, bờ đảo tại Việt Nam đã 
và đang bị xói lở mạnh trong những năm gần đây không chỉ ảnh hưởng đến kinh tế - xã hội, đời sống 
người dân, mà còn tác động đến vấn đề an ninh quốc phòng. Bờ đảo Phú Quý là một trong những khu 
vực xảy ra hiện tượng xói lở trong nhiều năm qua tại Việt Nam. Bài báo này đã ứng dụng nền tảng công 
nghệ điện toán đám mây Google Earth Engine và công cụ Digital Shoreline Analysis System (DSAS) để 
phân tích biến động đường bờ đảo Phú Quý thông qua ảnh Landsat và Sentinel-2 từ năm 2000 đến năm 
2020. Kết quả nghiên cứu cho thấy xói lở và bồi tụ xảy ra đan xen nhau tại khu vực bờ đảo nghiên cứu. 
Chỉ số phân tích từ DSAS cho thấy tốc độ xói lở bờ đảo trung bình khoảng 0,79 m/năm và nơi xói lở 
mạnh nhất lên đến gần 5 m/năm xuất hiện tại phía Tây, phía Nam và phía Tây Nam đảo. Ngược lại, bờ 
đảo được bồi tụ và ổn định chủ yếu tập trung ở phía Bắc và phía Đông đảo với tốc độ bồi tụ trung bình 
khoảng 1,38 m/năm. 
Từ khóa: Phân tích biến đổi đường bờ, ảnh vệ tinh, Google Earth Engine, Digital Shoreline Analysis 
System, đảo Phú Quý 
1. GIỚI THIỆU CHUNG * 
Phân tích biến đổi đường bờ đóng một vai trò 
quan trọng trong quá trình quản lý vùng ven biển 
do bờ biển có đặc điểm biến động theo thời gian, 
đồng thời chúng có mối quan hệ trực tiếp với hiện 
tượng xói mòn và bồi tụ ở các vùng ven biển. 
Trong những năm gần đây, phần lớn các đường bờ 
biển trên toàn thế giới chứng kiến những hậu quả 
nặng nề của xói mòn, và hiện tượng này đang diễn 
ra ngày càng nghiêm trọng (Stefan Hergarten & 
Thomas Kenkmann, 2018). Ngày nay, ảnh vệ tinh 
đã trở thành một nguồn dữ liệu đầu vào quan 
trọng trong các nghiên cứu phân tích biến đổi 
đường bờ bởi chúng chứa đựng một lượng lớn dữ 
liệu về không gian và thời gian (Xu, 2018). Tuy 
nhiên hướng tiếp cận này cần giải quyết các yếu tố 
ảnh hưởng đến sự biến động đường bờ, đặc biệt là 
sự biến đổi của mực nước triều (Karunarathna & 
Reeve, 2013). Để giải quyết vấn đề trên, Chen & 
Chang (2009) đã nghiên cứu sử dụng chuỗi ảnh vệ 
tinh với độ phân giải cao và số liệu mực nước 
triều thực đo để giảm thiểu tác động của biến động 
mực nước triều đến sự thay đổi đường bờ. Tuy 
nhiên, cách tiếp cận trên không phù hợp với 
những vùng biển không có đủ số liệu địa hình 
1 Khoa Công trình, Trường Đại học Thủy lợi 
(Xu, 2018). Do vậy cách tiếp cận sử dụng số lượng 
lớn ảnh vệ tinh với độ phân giải trung bình như 
Landsat và Sentinel-2 (trung bình 2,9 ngày có một 
ảnh nếu kết hợp Landsat 8 với Sentinel 2A và 2B) 
cùng việc lấy trung bình vị trí các đường bờ trong 
cùng một năm nghiên cứu trở thành một phương 
pháp hợp lý để xác định đường bờ hàng năm 
(Almonacid-Caballer et al., 2016). Trên thế giới đã 
có nhiều nghiên cứu chỉ sử dụng ảnh vệ tinh để 
phân tích biến đổi đường bờ như các nghiên cứu 
của Rahman et al. (2011), Ford (2013) và Esmail et 
al. (2019); tuy nhiên, việc xử lý ảnh vệ tinh theo 
phương pháp truyền thống đòi hỏi một lượng lớn 
thời gian tải và không gian lưu trữ, đặc biệt với các 
phân tích dài hạn. Do đó, Google Earth Engine 
(GEE), một nền tảng công nghệ điện toán đám 
mây, xuất hiện như một công cụ hiệu quả với khả 
năng truy cập vào nguồn ảnh vệ tinh và xử lý trực 
tuyến một lượng lớn dữ liệu không gian địa lý mà 
không cần phải trở thành một chuyên gia công 
nghệ thông tin (Gorelick et al., 2017). 
Hiện nay, có nhiều phương pháp được sử dụng 
để phân tích biến đổi đường bờ biển, trong đó Hệ 
thống phân tích bờ biển kỹ thuật số (Digital 
Shoreline Analysis System - DSAS) được xem là 
một công cụ hiệu quả và được sử dụng rộng rãi 
(Chakraborty & Pal, 2020). DSAS có thể tích hợp 
KHOA HỌC KỸ THUẬT THỦY LỢI VÀ MÔI TRƯỜNG - SỐ 73 (3/2021) 93 
với phần mềm ArcGIS để phân tích thông tin địa 
lý và tính toán tốc độ thay đổi đường bờ theo cả 
không gian và thời gian. Trong nước cũng như 
trên thế giới, sự kết hợp giữa DSAS và ảnh vệ tinh 
đã được áp dụng cho một số nghiên cứu của Thinh 
& Hen (2017), Esmail et al. (2019) và Baig et al. 
(2020). Tuy nhiên, hầu hết những nghiên cứu này 
mới chỉ dừng lại ở việc phân tích các chỉ số thống 
kê cơ bản như tốc độ điểm đầu – điểm cuối (EPR) 
và tốc độ hồi quy tuyến tính (LRR) trong khi các 
chỉ số thống kê quan trọng khác nhằm đánh giá độ 
tin cậy và độ chắc chắn của các kết quả trên như 
sai số tiêu chuẩn của hồi quy tuyến tính (LSE), 
khoảng tin cậy của hồi quy tuyến tính (LCI),  
chưa được xét đến. 
Tại Việt Nam, trước các tác động ngày càng rõ 
rệt của biến đổi khí hậu, các đảo ở khu vực miền 
Trung, điển hì ... gian và thời 
gian trong các bước tiếp theo. 
Hình 5. Bản đồ mNDWI (trái) và bề mặt nước trích xuất (giữa) sử dụng ảnh Landsat 8 
ngày 28/12/2015; và bản đồ WFI cho năm 2015 (phải) 
4.2. Biến động của đường bờ đảo Phú Quý 
theo không gian và thời gian 
4.2.1. Biến động của đường bờ đảo Phú Quý 
theo không gian 
Phần mềm DSAS đã được sử dụng để phân tích 
biến động của đường bờ dựa trên bộ dữ liệu 
đường bờ hàng năm được thiết lập ở bước trước. 
Có tất cả 398 đường trực giao được tạo thành 
(tương đương với độ dài 19.990 m, trong đó 
đường trực giao từ 1 đến 98 nằm trong xã Ngũ 
Phụng, từ 99 đến 254 là của xã Long Hải và còn 
lại thuộc địa phận xã Tam Thanh. Sự biến đổi 
đường bờ trong vòng 20 năm được chia ra thành 6 
ngưỡng chính, tương đương với 6 cấp độ màu sắc 
khác nhau từ xói lở (từ cam đến đỏ), ổn định 
(vàng) đến bồi tụ (các màu xanh) (Hình 6). Kết 
quả cho thấy diễn biến xói lở và bồi tụ đan xen lẫn 
nhau tại vùng đảo này, trong đó xói lở tập trung 
nhiều hơn ở hai xã Ngũ Phụng, phía Tây và Nam 
thuộc Tam Thanh. Trong khi đó phía Bắc đảo 
(thuộc xã Long Hải) ghi nhận sự ổn định hơn 
trong suốt quá trình phân tích. 
 KHOA HỌC KỸ THUẬT THỦY LỢI VÀ MÔI TRƯỜNG - SỐ 73 (3/2021) 96 
Hình 6. Kết quả phân tích bòi xói bằng phần mềm 
DSAS sử dụng chỉ số LRR 
Hình 7. Tốc độ thay đổi đường bờ quanh đảo Phú Quý 
Khái quát chung sau tính toán bằng phần mềm 
DSAS như sau: chỉ số EPR chỉ ra rằng có tất cả 
124 đường trực giao (31% số đường trực giao) 
tương ứng với 6.150 m đường bờ bị xói lở; tốc độ 
xói lở đường bờ trung bình dọc đường bờ trong 
giai đoạn 2000-2020 là -0,7 m/năm, nơi xói nặng 
nhất là -4,33 m/năm (Hình 7). Bồi tụ và ổn định 
được cho là chiếm ưu thế hơn tại vùng đảo này 
với 274 đường trực giao đại diện (chiếm tới 69% 
số lượng đường trực giao), tốc độ bồi trung bình là 
1,19 m/năm. Trong khi chỉ số EPR chỉ áp dụng 
cho đường bờ 2000 và 2020, chỉ số LRR cũng 
được tính toán để so sánh kết quả với EPR. Kết 
quả xói lở và bồi tụ trung bình từ LRR lần lượt là -
0,8 m/năm và 1,38 m/năm, giá trị xói lớn nhất là -
4,78 m/năm và tốc độ bồi lớn nhất là 13,03 
m/năm. Chiều dài sạt lở từ chỉ số LRR là khoảng 
6.300 m. Kết quả phân tích bằng DSAS cho thấy 
chiều dài và tốc độ sạt lở trung bình khá trùng 
khớp với kết quả khảo sát của Phòng nghiệp vụ 
kinh tế hạ tầng nông thôn huyện Phú Quý (2014). 
Xâm thực và bồi tụ được ghi nhận ở cả 3 xã, 
tuy nhiên tốc độ bồi nhẹ và ổn định chiếm ưu thế 
hơn. Tại xã Tam Thanh, tốc độ xói lở cao được 
ghi nhận vùng ở giữa cảng Phú Quý và vịnh Triều 
Dương (màu đỏ ở Hình 6 và đường trực giao số 
336-341, ứng với khoảng cách 16,8-17,05 km ở 
Hình 7). Kết quả phân tích này khá khớp với 
nghiên cứu về mô hình hóa biến động đường bờ 
đảo Phú Quý vào năm 2015 (Kiều Xuân Tuyển và 
nnk., 2015). Vùng bồi tụ lớn cũng được ghi nhận 
tại vịnh Triều Dương (khoảng cách 16,25-16,55 
km). Có thể thấy rằng hai chỉ số EPR và LRR khá 
trùng khớp cho giai đoạn dài từ 2000 đến 2020 với 
chỉ số tương quan R2 = 0,927 (Hình 8). 
Hình 8. Tương quan giữa hai chỉ số EPR và LRR 
4.2.2. Phân tích biến động của đường bờ đảo 
Phú Quý theo thời gian 
Bên cạnh việc phân tích thay đổi đường bờ 
theo không gian, biến động theo thời gian cũng 
được đưa vào nghiên cứu cho từng xã theo giai 
đoạn mỗi 5 năm, sử dụng chỉ số EPR do chỉ có hai 
đường bờ (Hình 9). Kết quả phân tích cho thấy 
giai đoạn 2000-2005 chứng kiến xói lở khá cao tại 
hai xã Ngũ Phụng và Tam Thanh (phía Tây đảo), 
nơi xói mạnh nhất tại xã Tam Thanh lên tới gần 
20 m/năm. Ngược lại, quá trình bồi tụ lại diễn ra 
mạnh hơn ở phía Nam xã Tam Thanh, trong đó có 
khu vực bồi nhân tạo phía Nam do việc xây các đê 
chắn sóng có chiều dài từ 420m đến 750m tại khu 
cảng Phú Quý (bến Triều Dương) cảng và vùng 
tránh gió, bão cho tàu thuyền. Đến giai đoạn 
2005-2010, hiện tượng xói lở vẫn còn nhưng đã 
giảm hơn so với giai đoạn trước, tại xã Tam 
Thanh và Ngũ Phụng, tốc độ suy thoái giảm còn 
khoảng 10 m/năm. Từ năm 2010 đến 2015, xã 
Ngũ Phụng và Tam Thanh (phía Tây đảo) chỉ còn 
xói lở nhẹ, bờ phía Đông và Nam (địa phận Tam 
Thanh và Long Hải) thiên hướng bồi tụ nhẹ, chỉ 
có một phần nhỏ Long Hải có hiện tượng suy 
thoái nhẹ, khoảng 8 m/năm. Giai đoạn gần nhất từ 
2015 đến 2020, xói lở hầu như không xuất hiện 
nhiều, phần lớn là bồi nhẹ hoặc ổn định do đã 
được xây dựng các công trình chống sạt lở như 
đóng cọc, kè đá. Tốc độ hồi quy tuyến tính LRR 
cũng được thể hiện trong Hình 9 để phản ánh 
đúng hơn xu hướng biến đổi đường bờ và tránh 
kết quả cực đoan cho thời đoạn tính toán dài hạn. 
KHOA HỌC KỸ THUẬT THỦY LỢI VÀ MÔI TRƯỜNG - SỐ 73 (3/2021) 97 
Hình 9. Tốc độ biến đổi đường bờ theo thời gian 
cho 3 xã đảo của huyện Phú Quý 
Một trong những tính năng vượt trội của 
DSAS là ngoài EPR và LRR, DSAS còn có thể 
đưa ra các chỉ số thống kê bổ sung cho kết quả, 
ví dụ như hệ số tương quan R2 của hồi quy tuyến 
tính (LR2), sai số tiêu chuẩn của hồi quy tuyến 
tính (LSE) và khoảng tin cậy của hồi quy tuyến 
tính (đối với 90%) (LCI90). Các thống kê bổ 
sung này cung cấp thông tin hữu ích trong việc 
đánh giá mức độ tin cậy của tỷ lệ hồi quy được 
tính toán. Ví dụ tại đường trực giao số 219 được 
thể hiện dưới Hình 10, có giá trị EPR bằng 3,61 
m/năm trong giai đoạn 2000 đến 2020. Từ các vị 
trí đường bờ hàng năm, phương trình hồi quy 
tuyến tính y = -3,63x + 7473,09 được xác định, từ 
đó ta xác định được giá trị của LRR là 3,64 
m/năm và LCI90 là 1,5. Khoảng tin cậy xung 
quanh tốc độ thay đổi được thể hiện là 3,64 ± 1,5. 
Nói cách khác, có 90% độ tin cậy rằng tốc độ 
thay đổi thực sự là từ 2,14 m/năm đến 5,14 
m/năm, với giá trị tương quan LR2 là 0,92 và sai 
số tiêu chuẩn LSE là 10,11. 
Hình 10. Sai số tiêu chuẩn của LRR tại đường trực giao 219 (trái) và khoảng tin cậy 90% (phải) 
4.2.3 Ảnh hưởng của số lượng ảnh phân tích 
đến kết quả tính toán tốc độ biến động đường bờ 
Liên quan đến mức độ chính xác của đường bờ 
giải đoán, Xu (2018) đã chỉ ra rằng việc sử dụng 
nhiều ảnh vệ tinh có thể làm giảm mức độ không 
chắc chắn của vị trí đường bờ trích xuất cũng như 
tốc độ biến động của đường bờ. Theo kết quả phân 
tích, mức độ không chắc chắn của chúng lần lượt là 
0,75m và 0,015m/năm với số lượng ảnh phân tích là 
30 (Hình 11). Như vậy việc sử dụng nhiều ảnh vệ 
tinh trong một năm như trong nghiên cứu này, ví dụ 
63 ảnh cho năm 2020, sẽ cải thiện đáng kể mức độ 
tin cậy và tính chắc chắn trong việc đánh giá tốc độ 
biến động đường bờ cho khu vực nghiên cứu. 
Hình 11. Tương quan giữa số ảnh phân tích và mức độ không chắc chắn của: 
 (a) vị trí đường bờ và (b) tốc độ thay đổi đường bờ (Xu, 2018) 
 KHOA HỌC KỸ THUẬT THỦY LỢI VÀ MÔI TRƯỜNG - SỐ 73 (3/2021) 98 
5. KẾT LUẬN 
Sự biến đổi đường bờ đảo Phú Quý đã được 
nghiên cứu trong bài báo này bằng việc ứng dụng 
nền tảng công nghệ điện toán đám mây GEE và 
công cụ DSAS. Ảnh vệ tinh Landsat và Sentinel-2 
của đảo Phú Quý chụp vào các năm 2000, 2005, 
2010, 2015 và 2020 đã được xử lý thông qua 
GEE, từ đó đường bờ đảo hàng năm được trích 
xuất. Đồng thời, công cụ DSAS đã được ứng dụng 
để phân tích sự biến động cả về không gian và 
thời gian của đường bờ đảo Phú Quý qua các năm. 
Kết quả phân tích cho thấy xói lở và bồi tụ xuất 
hiện đan xen quanh khu vực nghiên cứu, trong đó 
tốc độ xói lở mạnh xuất hiện ở khu vực bờ đảo 
thuộc xã Ngũ Phụng và một phần tại xã Tam 
Thanh (phía Tây, Nam và Tây Nam đảo), với mức 
độ xói mạnh nhất là -4,78 m. Trong khi đó tại phía 
Đông của đảo ghi nhận hiện tượng bờ đảo được 
bồi tụ với mức độ lớn nhất đạt 13,03 m và bờ phía 
Bắc đảo thuộc xã Long Hải lại khá ổn định. Từ kết 
quả của nghiên cứu này, vị trí và tốc độ bồi tụ hay 
xói lở bờ biển trên phạm vi toàn đảo có thể được 
nhận biết dễ dàng. Từ đó chúng ta có thể đưa ra 
các biện pháp chống xói lở bờ đảo Phú Quý một 
cách hợp lý và hiệu quả. Trong tương lai gần, sự 
kết hợp giữa công nghệ xử lý ảnh trên nền tảng 
điện toán đám mây GEE và công cụ DSAS sẽ là 
công cụ đắc lực để phân tích và dự báo biến động 
đường bờ biển, bờ đảo nhờ vào quá trình xử lý dữ 
liệu nhanh, kịp thời của GEE cũng như các tính 
năng nổi trội và sự tiện dụng của DSAS trong việc 
phân tích theo không gian và thời gian. 
TÀI LIỆU THAM KHẢO 
Phòng nghiệp vụ kinh tế hạ tầng nông thôn huyện Phú Quý. (2014). Báo cáo hiện trạng xâm thực, xói lở 
bờ đảo Phú Quý. https://openjicareport.jica.go.jp/pdf/12319042.pdf 
Sở KHCN tỉnh Bình Thuận. (2006). Đánh giá hiện trạng môi trường huyện đảo Phú Quý (p. 37). 
Kiều Xuân Tuyển và nnk. (2015). Mô hình hóa biến động đường bờ và xâm thực bãi biển, đảo Phú Quý, 
tỉnh Bình Thuận. Tạp Chí Khoa Học và Công Nghệ Thủy Lợi. 
Almonacid-Caballer, J., Sánchez-García, E., Pardo-Pascual, J. E., Balaguer-Beser, A. A., & Palomar-Vázquez, 
J. (2016). Evaluation of annual mean shoreline position deduced from Landsat imagery as a mid-term 
coastal evolution indicator. Marine Geology, 372, 79–88. https://doi.org/10.1016/j.margeo.2015.12.015 
Baig, M. R. I., Ahmad, I. A., Shahfahad, Tayyab, M., & Rahman, A. (2020). Analysis of shoreline changes in 
Vishakhapatnam coastal tract of Andhra Pradesh, India: An application of digital shoreline analysis system 
(DSAS). Annals of GIS, 26(4), 361–376. https://doi.org/10.1080/19475683.2020.1815839 
Chakraborty, R., & Pal, S. (2020). Application of numerical models to simulate the charland area from 
Rajmahal to Farakka barrage of the Ganga river of eastern India. Spatial Information Research, 
28(6), 683–698. https://doi.org/10.1007/s41324-020-00327-9 
Chen, W.-W., & Chang, H.-K. (2009). Estimation of shoreline position and change from satellite 
images considering tidal variation. Estuarine, Coastal and Shelf Science, 84(1), 54–60. 
https://doi.org/10.1016/j.ecss.2009.06.002 
Esmail, M., Mahmod, W. E., & Fath, H. (2019). Assessment and prediction of shoreline change using 
multi-temporal satellite images and statistics: Case study of Damietta coast, Egypt. Applied Ocean 
Research, 82, 274–282. https://doi.org/10.1016/j.apor.2018.11.009 
Ford, M. (2013). Shoreline changes interpreted from multi-temporal aerial photographs and high 
resolution satellite images: Wotje Atoll, Marshall Islands. Remote Sensing of Environment, 135, 
130–140. https://doi.org/10.1016/j.rse.2013.03.027 
G, V., Goswami, S., Samal, R. N., & Choudhury, S. B. (2019). Monitoring of Chilika Lake mouth 
dynamics and quantifying rate of shoreline change using 30m multi-temporal Landsat data. Data in 
Brief, 22, 595–600. https://doi.org/10.1016/j.dib.2018.12.082 
Gorelick, N., Hancher, M., Dixon, M., Ilyushchenko, S., Thau, D., & Moore, R. (2017). Google Earth 
Engine: Planetary-scale geospatial analysis for everyone. Remote Sensing of Environment, 202, 18–
27. https://doi.org/10.1016/j.rse.2017.06.031 
Himmelstoss, E. A., Henderson, R. E., Kratzmann, M. G., & Farris, A. S. (2018). Digital Shoreline 
Analysis System (DSAS) version 5.0 user guide. In Digital Shoreline Analysis System (DSAS) 
version 5.0 user guide (USGS Numbered Series No. 2018–1179; Open-File Report, Vols. 2018–
1179). U.S. Geological Survey. https://doi.org/10.3133/ofr20181179 
KHOA HỌC KỸ THUẬT THỦY LỢI VÀ MÔI TRƯỜNG - SỐ 73 (3/2021) 99 
Karunarathna, H., & Reeve, D. E. (2013). A hybrid approach to model shoreline change at multiple 
timescales. Continental Shelf Research, 66, 29–35. https://doi.org/10.1016/j.csr.2013.06.019 
Nandi, S., Ghosh, M., Kundu, A., Dutta, D., & Baksi, M. (2016). Shoreline shifting and its prediction 
using remote sensing and GIS techniques: A case study of Sagar Island, West Bengal (India). Journal 
of Coastal Conservation, 20(1), 61–80. https://doi.org/10.1007/s11852-015-0418-4 
Nassar, K., Mahmod, W. E., Fath, H., Masria, A., Nadaoka, K., & Negm, A. (2019). Shoreline change 
detection using DSAS technique: Case of North Sinai coast, Egypt. Marine Georesources & 
Geotechnology, 37(1), 81–95. https://doi.org/10.1080/1064119X.2018.1448912 
O’Rourke, M. J. E. (2017). Archaeological Site Vulnerability Modelling: The Influence of High Impact 
Storm Events on Models of Shoreline Erosion in the Western Canadian Arctic. Open Archaeology, 
3(1), 1–16. https://doi.org/10.1515/opar-2017-0001 
Otoo, D. A. (2018). Shoreline Change Analysis of the Coastline of Teshie in Accra. [Thesis, University 
Of Ghana].  
Rahman, A. F., Dragoni, D., & El-Masri, B. (2011). Response of the Sundarbans coastline to sea level 
rise and decreased sediment flow: A remote sensing assessment. Remote Sensing of Environment, 
115(12), 3121–3128. https://doi.org/10.1016/j.rse.2011.06.019 
Stefan Hergarten, & Thomas Kenkmann. (2018). Has erosion globally increased? Long-term erosion 
rates as a function of climate derived from the impact crater inventory. Earth Surf. Dynam. Discuss. 
https://doi.org/10.5194/esurf-2018-59 
Sutikno, S., Murakami, K., & Fauzi, M. (2015). Calibration of Numerical Model for Shoreline Change Prediction 
Using Satellite Imagery Data.  
Thinh, N. A., & Hens, L. (2017). A Digital Shoreline Analysis System (DSAS) applied on mangrove 
shoreline changes along the Giao Thuy coastal area (Nam Dinh, Vietnam) during 2005-2014. 
VIETNAM JOURNAL OF EARTH SCIENCES, 39(1), 87–96. https://doi.org/10.15625/0866-
7187/39/1/9231 
Xu, N. (2018). Detecting Coastline Change with All Available Landsat Data over 1986–2015: A Case 
Study for the State of Texas, USA. Atmosphere, 9(3), 107. https://doi.org/10.3390/atmos9030107 
Abstract: 
SHORELINE CHANGE ANALYSIS IN PHU QUY ISLAND USING SATELLITE IMAGES ON 
GOOGLE EARTH ENGINE PLATFORM AND DIGITAL SHORELINE ANALYSIS SYSTEM 
Shoreline erosion is becoming a concern of many countries around the world due to climate change and 
sea level rise. The coast in Vietnam have been strongly eroded in recent years, this is not only affecting 
the socio-economy, people's lives, but also the national security and defense. The coast of Phu Quy 
island is one of the areas where erosion has occurred in many years in Vietnam. This article has applied 
the cloud-based platform Google Earth Engine and Digital Shoreline Analysis System (DSAS) to 
analyse the change of Phu Quy island shoreline based on the Landsat and Sentinel-2 images taken from 
2000 to 2020. The results show that erosion and deposition occurred alternately in the studied island 
coast. The analysis index obtained from DSAS shows that the average rate of coastal erosion is about 
0.79 m/year and the severe erosion is up to 5 m/year occurs in the West, South and South-West of the 
island. On the contrary, the accretion and stability coast of the island are in the North and the East of 
the island with an average rate of accretion of about 1.38 m/year. 
Keywords: Coastal change analysis, satellite images, Google Earth Engine, Digital Shoreline Analysis 
System, Phu Quy island 
Ngày nhận bài: 10/3/2021 
Ngày chấp nhận đăng: 31/3/2021