Tạp chí
 
Năm 2026
 
Số 67, Kỳ 3, [06 - 2026]

Dự báo biến động lớp phủ/sử dụng đất tại Đà Nẵng dựa trên mô hình CA-ANN và dữ liệu ảnh vệ tinh

DOI:10.46326/JMES.2026.67(3).10

  • Cơ quan:

    1 Trường Đại học Tài nguyên và Môi trường Hà Nội, Hà Nội, Việt Nam.
    2 Trường Đại học Mỏ - Địa chất, Hà Nội, Việt Nam

  • *Tác giả liên hệ:
    This email address is being protected from spambots. You need JavaScript enabled to view it.
  • Nhận bài: 12-12-2025
  • Sửa xong: 27-03-2026
  • Chấp nhận: 21-04-2026
  • Ngày đăng: 01-06-2026
Trang: 116 - 130
Lượt xem: 25
Xem onlineXem online
Lượt tải: 1
Tải về PDF
★★★★★Yêu thích: , Số lượt: 0
  • ★
  • ★
  • ★
  • ★
  • ★
Bạn yêu thích

Tóm tắt:

Thành phố Đà Nẵng là khu vực đang đô thị hóa nhanh chóng ở miền Trung Việt Nam, do vậy có nhiều biến động về lớp phủ/sử dụng đất (LULC). Nghiên cứu này nhằm mục tiêu theo dõi và dự báo biến động LULC tại khu vực Đà Nẵng đến năm 2035. Việc sử dụng nguồn dữ liệu mở, miễn phí và có tính nhất quán cao này kết hợp với ngôn ngữ lập trình JavaScript trên nền tảng Google Earth Engine (GEE) và thuật toán học máy đã cho phép xử lý dữ liệu nhanh chóng và hiệu quả. Nghiên cứu sử dụng thuật toán Rừng ngẫu nhiên (Random Forest (RF)) để phân loại 6 loại lớp phủ từ ảnh vệ tinh Landsat-8, kết quả phân loại đạt độ chính xác cao với hệ số Kappa vượt ngưỡng 0,8. Các kết quả phân loại này sau đó được sử dụng cho mô hình dự báo biến động LULC trong tương lai. Để mô phỏng và dự báo biến động LULC cho năm 2035, mô hình tích hợp Cellular Automata (CA) và Mạng nơ-ron nhân tạo (ANN) được áp dụng nghiên cứu cho khu vực Đà Nẵng. Mô hình CA-ANN khắc phục được hạn chế của các mô hình thống kê truyền thống (như Chuỗi Markov) bằng cách tích hợp các yếu tố kiểm soát không gian và các yếu tố lân cận. Kết quả dự báo cho thấy xu hướng mở rộng khu vực dân cư một cách rõ ràng, diện tích khu vực dân cư có kết quả dự báo sẽ tăng, đạt tới 6,22% vào năm 2035, trong khi diện tích khu vực canh tác nông nghiệp giảm đáng kể, giảm khoảng 2,81% so với năm 2015. Nghiên cứu khẳng định hiệu quả vượt trội của mô hình tích hợp CA-ANN trong dự báo biến động LULC tại các khu vực đang phát triển nhanh. Kết quả chi tiết và có tính liên tục trong nhiều năm này có thể hỗ trợ hiệu quả các lĩnh vực như quy hoạch không gian, quản lý đất đai, bất động sản, quản lý tài nguyên môi trường và góp phần hỗ trợ sự phát triển tại Đà Nẵng.

Trích dẫn
Đặng Thanh Tùng và Hoàng Thị Thủy, 2026. Dự báo biến động lớp phủ/sử dụng đất tại Đà Nẵng dựa trên mô hình CA-ANN và dữ liệu ảnh vệ tinh, Tạp chí Khoa học kỹ thuật Mỏ - Địa chất, số 67, kỳ 3, tr. 116-130.
Tài liệu tham khảo

Anh, N. H. J. T. c. K. h. Đ. h. C. T. (2025). Ứng dụng giải thuật trí tuệ nhân tạo phân loại và dự báo sự phân bố lớp phủ thực vật sử dụng ảnh landsat–vùng nghiên cứu tại đới ven bờ của tỉnh Bà Rịa Vũng Tàu. 61(2), 67-79.

Astuty, Y. I., and Dimyati, M. (2024). Prediction of land use/land cover change in Indonesia using the open source land cover dataset: a review. Geodesy Cartography, 50(2), 67-75. https://doi.org/10.3846/gac.2024.19285.

Baig, M. F., Mustafa, M. R. U., Baig, I., Takaijudin, H. B., and Zeshan, M. T. (2022). Assessment of land use land cover changes and future predictions using CA-ANN simulation for Selangor, Malaysia. Water, 14(3), 402. https://doi.org/10.3390/w14030402.

Boston, T., Van Dijk, A., Larraondo, P., and Thackway, R. (2022). Comparing CNNs and Random Forests for Landsat Image Segmentation Trained on a Large Proxy Land Cover Dataset. Remote Sensing, 14(14), 3396. https://doi.org/10.3390/rs14143396.

Breiman, L. (2001). Random Forests. Machine learning, 45, 5-32. https://doi.org/10.1023/A:1010933404324

Burgert, T., Ravanbakhsh, M., and Demir, B. (2022). On the Effects of Different Types of Label Noise in Multi-Label Remote Sensing Image Classification. IEEE Transactions on Geoscience and Remote Sensing, 60, 1-13. https://doi.org/10.1109/tgrs.2022.3226371.

Byrt, T., Bishop, J., and Carlin, J. B. (1993). Bias, prevalence and kappa. J Clin Epidemiol, 46(5), 423-429. https://doi.org/10.1016/0895-4356(93)90018-v.

Cohen, J. (1960). A coefficient of agreement for nominal scales. Educational and Psychological Measurement, 20(1), 37-46.https://doi.org/10.1177/001316446002000104.

Gislason, P. O., Benediktsson, J. A., and Sveinsson, J. R. (2006). Random Forests for land cover classification. Pattern Recognition Letters, 27(4), 294-300. https://doi.org/10.1016/j.patrec.2005.08.011.

Halmy, M. W. A., Gessler, P. E., Hicke, J. A., and Salem, B. B. (2015). Land use/land cover change detection and prediction in the north-western coastal desert of Egypt using Markov-CA. Applied Geography, 63, 101-112. https://doi.org/10.1016/j.apgeog.2015.06.015.

Islam, K., Rahman, M. F., and Jashimuddin, M. (2018). Modeling land use change using cellular automata and artificial neural network: The case of Chunati Wildlife Sanctuary, Bangladesh. Ecological indicators, 88, 439-453. https://doi.org/10.1016/j.ecolind.2018.01.047.

Karimi, H., Jafarnezhad, J., Khaledi, J., and Ahmadi, P. (2018). Monitoring and prediction of land use/land cover changes using CA-Markov model: a case study of Ravansar County in Iran. Arabian Journal of Geosciences, 11(19), 592. https://doi.org/10.1007/s12517-018-3940-5.

Landis, J. R., and Koch, G. G. (1977). The measurement of observer agreement for categorical data. biometrics, 33(1), 159-174. https://doi.org/10.2307/2529310.

Li, F., Yigitcanlar, T., Nepal, M., Nguyen, K., and Dur, F. (2023). Machine learning and remote sensing integration for leveraging urban sustainability: A review and framework. Sustainable Cities and Society, 96, 104653. https://doi.org/10.1016/j.scs.2023.104653

Liang, Y., Hashimoto, S., and Liu, L. (2021). Integrated assessment of land-use/land-cover dynamics on carbon storage services in the Loess Plateau of China from 1995 to 2050. Ecological indicators, 120, 106939. https://doi.org/10.1016/j.ecolind.2020.106939.

Lin, Y.-P., Chu, H.-J., Wu, C.-F., and Verburg, P. H. (2011). Predictive ability of logistic regression, auto-logistic regression and neural network models in empirical land-use change modeling–a case study. International Journal of Geographical Information Science, 25(1), 65-87. https://doi.org/10.1080/13658811003752332.

Liping, C., Yujun, S., and Saeed, S. (2018). Monitoring and predicting land use and land cover changes using remote sensing and GIS techniques—A case study of a hilly area, Jiangle, China. PloS one, 13(7), e0200493. https://doi.org/10.1371/journal.pone.0200493

Louppe, G. (2014). Understanding Random Forests: From Theory to Practice (Publication Number 31350005) [Ph.D., Universite de Liege (Belgium)]. ProQuest Central. Belgium. https://www.proquest.com/dissertations-theses/understanding-random-forests-theory-practice/docview/3110356512/se-2?accountid=221009.

Metropolis, N., Rosenbluth, A. W., Rosenbluth, M. N., Teller, A. H., and Teller, E. (1953). Equation of state calculations by fast computing machines. The journal of chemical physics, 21(6), 1087-1092. https://doi.org/10.2172/4390578

Metropolis, N., and Ulam, S. (1949). The Monte Carlo method. J Am Stat Assoc, 44(247), 335-341. https://doi.org/10.1080/01621459.1949.10483310.

Meyer, L. H., Heurich, M., Beudert, B., Premier, J., and Pflugmacher, D. (2019). Comparison of Landsat-8 and Sentinel-2 Data for Estimation of Leaf Area Index in Temperate Forests. Remote Sensing, 11(10), 1160. https://doi.org/10.3390/rs11101160.

Nguyen, H. T. T., Doan, T. M., and Radeloff, V. (2018). Applying Random Forest Classification to Map Land Use/Land Cover Using Landsat 8 Oli. The International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences, XLII-3/W4, 363-367. https://doi.org/10.5194/isprs-archives-XLII-3-W4-363-2018.

Nguyễn T., P., and Hồ T., U. (2023). Đánh giá sự thay đổi lớp phủ, sử dụng đất tại thành phố Đông Hà, tỉnh Quảng Trị bằng ảnh vệ tinh và dự đoán sự thay đổi bằng mô hình Molusce trong QGIS. Tạp chí Khoa học và công nghệ nông nghiệp Trường Đại học Nông Lâm Huế, 7(3), 3891-3900.

https://doi.org/10.46826/huaf-jasat.v7n3y2023.1073.

Nuthammachot, N., and Ali, M. Z. (2025). Comparative study of multiple algorithms classification for land use and land cover change detection and its impact on local climate of Mardan District, Pakistan. Environmental Challenges, 18, 101069. https://doi.org/10.1016/j.envc.2024.101069.

Phạm, V. T., Trịnh, L. H. n., Nguyễn, V. T., and Vũ, X. C. (2023). Nghiên cứu dự báo biến động bề mặt không thấm khu vực thành phố Hồ Chí Minh từ dữ liệu Viễn thám và GIS. Tạp chí Khoa học Đo đạc và Bản đồ(56), 25-33. https://doi.org/10.54491/jgac.2023.56.682.

Phương, Đ. L., Thủy, H. T., and Hiệp, Đ. N. (2024). Nghiên cứu ứng dụng trí tuệ nhân tạo theo dõi biến động lớp phủ sử dụng đất khu vực quận Bắc Từ Liêm Hà Nội giai đoạn 2019-2023. Tạp chí Trắc địa - Bản đồ, 10(01), 22-29. https://doi.org/10.5281/zenodo.13218549.

Prospects, U. W. U. (2024). Da Nang Population. https://worldpopulationreview.com/cities/vietnam/da-nang.

Rumelhart, D. E., Hinton, G. E., and Williams, R. J. (1986). Learning representations by back-propagating errors. nature, 323(6088), 533-536. https://doi.org/10.1038/323533a0.

Sajan, B., Mishra, V. N., Kanga, S., Meraj, G., Singh, S. K., and Kumar, P. (2022). Cellular automata-based artificial neural network model for assessing past, present, and future land use/land cover dynamics. Agronomy, 12(11), 2772. https://doi.org/10.3390/agronomy12112772.

Shandu, I. D., Xulu, S., and Gebreslasie, M. (2026). Enhancing land cover classification in the heterogeneous landscape by integrating auxiliary data with Sentinel-2 imagery using the random forest algorithm. Frontiers in Remote Sensing, 6, 1697897. https://doi.org/10.3389/frsen.2025.1697897.

Shih, H.-c., Stow, D. A., Chang, K.-C., Roberts, D. A., and Goulias, K. G. (2021). From land cover to land use: applying random forest classifier to Landsat imagery for urban land-use change mapping. Geocarto International, 37(19), 5523-5546. https://doi.org/10.1080/10106049.2021.1923827.

Tavora, J., Jiang, B., Kiffney, T., Bourdin, G., Gray, P. C., Carvalho, L. S.,…Boss, E. (2023). Recipes for the Derivation of Water Quality Parameters Using the High-Spatial-Resolution Data from Sensors on Board Sentinel-2A, Sentinel-2B, Landsat-5, Landsat-7, Landsat-8, and Landsat-9 Satellites. Journal of Remote Sensing, 3, 0049. https://doi.org/10.34133/remotesensing.0049.

Ullah, S., Ullah, N., Tariq, A., Kasi, B. A., Tahir, P., Khan, B., and Kucher, D. E. (2025). Monitoring effects of LULC change dynamics on the environment using time series remote sensing data with Google Earth Engine. Theoretical and Applied Climatology, 156(6), 1-13. https://doi.org/10.1007/s00704-025-05590-0.

USGS. (2020a). Landsat 8–9 Operational Land Imager/Thermal Infrared Sensor (OLI/TIRS) Level-2 Science Product (Surface Reflectance and Surface Temperature) User Guide. https://www.usgs.gov/landsat-missions/landsat-collection-2-surface-reflectance.

USGS. (2020b). Landsat Collection 2 Surface Reflectance Atmospheric Auxiliary Data. https://www.usgs.gov/landsat-missions/landsat-collection-2-surface-reflectance-atmospheric-auxiliary-data.

Vetter-Gindele, J., Braun, A., Warth, G., Bui, T. T. Q., Bachofer, F., and Eltrop, L. (2019). Assessment of Household Solid Waste Generation and Composition by Building Type in Da Nang, Vietnam. Resources, 8(4), 171. https://doi.org/10.3390/resources8040171.

Yan, L., Roy, D., Zhang, H., Li, J., and Huang, H. (2016). An Automated Approach for Sub-Pixel Registration of Landsat-8 Operational Land Imager (OLI) and Sentinel-2 Multi Spectral Instrument (MSI) Imagery. Remote Sensing, 8(6), 520. https://doi.org/10.3390/rs8060520.

Yang, Q., Li, X., and Shi, X. (2008). Cellular automata for simulating land use changes based on support vector machines. Computers geosciences, 34(6), 592-602. https://doi.org/10.1016/j.cageo.2007.08.003.

Zhang, C., Liu, Y., and Tie, N. (2023). Forest Land Resource Information Acquisition with Sentinel-2 Image Utilizing Support Vector Machine, K-Nearest Neighbor, Random Forest, Decision Trees and Multi-Layer Perceptron. Forests, 14(2), 254. https://doi.org/10.3390/f14020254.

Zhou, Y., Zhang, F., Du, Z., Ye, X., and Liu, R. (2017). Integrating cellular automata with the deep belief network for simulating urban growth. Sustainability, 9(10), 1786. https://doi.org/10.3390/su9101786.

Các bài báo khác