Ứng dụng ảnh vệ tinh Landsat 8 OLI xác định độ che phủ thực vật khu vực nội thành Hà Nội
Main Article Content
Abstract
Tóm tắt:Độ che phủ thực vật là thông số quan trọng trong nghiên cứu môi trường sinh thái, do đó xác định độ che phủ thực vật là bài toán cần thiết. Mục tiêu của bài báo là nghiên cứu xác định độ che phủ thực vật khu vực nội thành Hà Nội sử dụng ảnh vệ tinh Landsat 8 OLI. Trước tiên, ảnh vệ tinh được hiệu chỉnh hình học và hiệu chỉnh bức xạ, sau đó tính toán NDVI, trên cơ sở NDVI ứng dụng mô hình phân giải pixel hỗn hợp tuyến tính xác định độ che phủ thực vật. Kết quả nghiên cứu cho thấy: về tổng thể độ che phủ thực vật khu vực nội thành Hà Nội rất thấp (trung bình chỉ đạt 25.8%), độ che phủ thực vật thấp (khoảng 10%) chiếm đến 56% tổng diện tích, khu vực có độ che phủ thực vật cao (trên 80%) chỉ chiếm 7.4% tổng diện tích. Từ kết quả nghiên cứu có thể kết luận: (i) mô hình phân giải pixel hỗn hợp tuyến tính đã xử lý rất tốt các pixel hỗn hợp giúp xác định độ che phủ thực vật một cách chính xác hơn; (ii) ứng dụng ảnh vệ tinh giúp xác định độ che phủ thực vật một cách nhanh chóng, hiệu quả và tiết kiệm chi phí.
Từ khóa: NDVI, độ che phủ thực vật, ảnh Landsat 8 OLI, khu vực nội thành Hà Nội.
References
[1] Zhao Yingshi. Remote Sensing Applications, Principles and Methods. Beijing: Science Press, 2003.
[2] He Yunling, Zhang Yiping. Studies on Interaction between Urban Eco-environment and Urban Afforestation. Plateau Meteorology, 2004, 23 (3): 297 – 304.
[3] Shen Taoyuan. Study on the Relationship between the Intensity Distribution of Heat Island and Vegetation Cover in Urumqi Using Remote Sense Data. Bimonthly Xinjiang Meteorology, 2004, 27 (1): 282-300.
[4] Xiao, J., Moody, A. (2005). A comparison of methods for estimating fractional green vegetation cover within a desert-to-upland transition zone in central New Mexico, USA. Remote Sensing of Environment 98: 2-3, 237– 250.
[5] Choudhury, B. J., Ahmed, N. U., Idso, S. B., et al. (1994). Relations between evaporation coefficients and vegetation indices studied by model simulations. Remote Sensing of Environment, 50: 1–17.
[6] Carlson T. N., Ripley D A, 1997. On the relationship between fractional vegetation cover, leaf area index, and IDVI. Remote sensing of Environment, 62: 241-252.
[7] Gitelson A. A., Kaufman Y. J., Stark R ., et al. Novel algorithms for remote estimation of vegetation fraction . Remote Sensing of Environment,2002(80):76-87.
[8] Van der Meer, F. 1999. Image classification through spectral unmixing. In: Spatial Statistics for Remote Sensing, Stein, A., Van der Meer, F. & Gorte, B. (Eds.) Kluwer Academic Publishers, Dordrecht, pp. 185-193.
[9] Lu, D. and Weng, Q. (2004) Spectralmixture analysis of the urban landscape in Indianapolis city with Landsat ETM+ imagery. Photogrammetric Engineering and Remote Sensing, 70, 1053-1062.
[10] Qi, J., R. C. Marsett, M. S. Moran, D. C. Goodrich, et al. (2000). Spatial and temporal dynamics of vegetation in the San Pedro River basin area, Agric. For. Meteorol., 105, 55 – 68.
[11] Jensen, J.R., F. Qiu and M. Ji, 1999. Predictive Modeling of Coniferous Forest Age Using Statistical and Artificial Neural Network Approaches Applied to Remote Sensing Data, International Journal of Remote Sensing, Vol. 20, No. 14, 2805-2822.
[12] Gessner, U.; Klein, D.; Conrad, C.; et al. (2009): Towards an automated estimation of vegetation cover fractions on multiple scales: Examples of Eastern and Southern Africa. 33rd International Symposium on Remote Sensing of Environment. May 4-8 2009, Stresa, Italy.
[13] https://www.usgs.gov/
[14] Mishra N., Haque, M., Leigh, L. et al. Radiometric Cross Calibration of Landsat 8 Operational Land Imager (OLI) and Landsat 7 Enhanced Thematic Mapper Plus (ETM+). Remote Sensing 6.12 (2014): 12619-12638.
[15] Roberts D. A., Smith M. O., and Adams J. B. (1993), Green vegetation, non-photosynthetic vegetation and soils in AVIRIS data, Remote Sens. Environ. 44: 255-269.
[16] B.C. Gao, M. J. Montes, Z. Ahmad, and C. O. Davis, (2000). Atmospheric correction algorithm for hyperspectral remote sensing of ocean color from space. Appl. Opt. 39, 887-896.
[17] Sobrino J.A., Jiménez-Muñoz J.C., Paolini L. Land surface temperature retrieval from LANDSAT TM 5, Remote Sensing of Environment, 90, 434-440.2004.
[18] Sobrino J.A., Jiménez-Muñoz J.C., Sòria G., et al (2008). Land Surface Emissivity Retrieval From Different VNIR and TIR sensors, IEEE Transactions on Geoscience and Remote Sensing, 46, 2, 316-326.