Đánh giá tác động của lớp phủ đến nhiệt độ bề mặt đất và phân bố không gian nhiệt độ tại một số tuyến đường trên địa bàn Thành phố Hà Nội bằng ảnh viễn thám

n xạ ở tầng
trên khí quyển bằng cách sử dụng các tham số cung cấp trong tệp siêu dữ liệu của ảnh [19]:
Lλ = ML ∗ Qcal + AL (1)
trong đó Lλ là giá trị bức xạ phổ tại ống kính của sensor; Qcal là giá trị số trên ảnh (DN); ML là giá trị
Radiance_Mult_Band_x; AL là giá trị Radiance_Add_Band_x (x là số thứ tự kênh phổ).
ρλ′ =
(
Mρ ∗ Qcal + Aρ
)
/ cos(θsz) (2)
trong đó ρλ′ là giá trị phản xạ phổ tại đỉnh khí quyển; Mρ là giá trị Reflectance_Mult_Band_x; Aρ là
giá trị Reflectance_Add_Band_x (x là số thứ tự kênh phổ); Qcal là giá trị số trên ảnh (DN); cos(θsz)
là góc thiên đỉnh của mặt trời.
b. Chỉ số khác biệt thực vật (NDVI) và chỉ số khác biệt xây dựng (NDBI)
Chỉ số NDVI được sử dụng để xác định mật độ phân bố của thảm thực vật trên bề mặt trái đất dựa
trên nguyên lý phản xạ khác nhau với cùng đối tượng của bước sóng cận hồng ngoại và bước sóng đỏ
[20, 21]. NDVI có giá trị trong ngưỡng từ −1 đến +1 tương ứng với các giá trị mật độ phủ khác nhau
của thực vật trên bề mặt. Chỉ số NDVI được xác định theo công thức sau [22]:
NDVI =
ρNir − ρRed
ρNir + ρRed
(3)
trong đó ρNir và ρRe d lần lượt là các giá trị phản xạ của bước sóng cận hồng ngoại (kênh 5) và bước
sóng đỏ (kênh 4) đã được tính ở công thức (2).
Tương tự nguyên lý xây dựng chỉ số NDVI, chỉ số NDBI được thành lập và sử dụng như một công
cụ hữu hiệu để phân tích các khu vực có diện tích xây dựng [23]. Giá trị của NDBI nằm trong ngưỡng
từ −1 đến +1. Những khu vực có diện tích xây dựng thường có giá trị NDBI cao, khu vực là diện tích
thực vật có giá trị NDBI thấp và các khu vực mặt nước thường có giá trị NDBI âm. Chỉ số NDBI được
xác định theo công thức [23]:
NDBI =
ρSW1 − ρNir
ρSW1 + ρNir
(4)
trong đó ρSW1 và ρNir lần lượt là các giá trị phản xạ của bước sóng hồng ngoại trung bình (kênh 6) và
cận hồng ngoại (kênh 5) được tính ở công thức (2).
147
Trọng, T. Đ., và cs. / Tạp chí Khoa học Công nghệ Xây dựng
c. Thu hồi nhiệt độ bề mặt (LST)
Giá trị nhiệt độ bề mặt là hàm phụ thuộc vào giá trị của nhiệt độ sáng (Brightness Temperature)
và phát xạ bề mặt (ε). Quá trình thu hồi các giá trị nhiệt độ bề mặt được thực hiện theo các bước sau:
Bước 1. Kết quả giá trị bức xạ tại kênh phổ hồng ngoại nhiệt (TIRS1) được sử dụng để chuyển đổi
sang giá trị nhiệt độ sáng:
BT =
K2
ln
[(
K1
Lλ
)
+ 1
] (5)
trong đó BT là giá trị nhiệt độ sáng; Lλ là giá trị bức xạ phổ; K1, K2 là các hằng số K1_constant_band_x
và K2_constant_band_x (x là số thứ tự của kênh phổ) theo thứ tự trong tệp siêu dữ liệu.
Bước 2. Sử dụng kết quả tính chỉ số NDVI để tính tỷ lệ thực vật (Pv) và hệ số phát xạ bề mặt (ε)
[16]:
Pv =
NDVI − NDVImin
NDVImax − NDVImin (6)
ε = 0,004 ∗ Pv + 0,986 (7)
trong đó NDVI là giá trị chỉ số NDVI của pixcel tính toán; NDVImax là giá trị chỉ số NDVI lớn nhất
của khu vực nghiên cứu, đại diện cho pixcel thực vật; NDVImin là giá trị chỉ số NDVI nhỏ nhất của
khu vực nghiên cứu, đại diện cho pixcel đất;
Bước 3. Tính nhiệt độ bề mặt (LST) [16]:
LST =
BT{
1 +
[(
λδBT
hc
)
ln ε
]} (8)
trong đó λ là giá trị bước sóng sử dụng (10,9 mm cho dải 10 trong dữ liệu Landsat 8-OLI); σ là hằng
số Boltzmann (1,38 × 10−23 J / K); h là hằng số Plank (6,626 × 10−34 Js); c là vận tốc của ánh sáng
trong chân không (2,998 × 10−8 m / giây) và ε là độ phát xạ.
d. Phương pháp thống kê và trích xuất dữ liệu LST
Nghiên cứu sử dụng phương pháp đánh giá tương quan để phân tích mối quan hệ giữa nhiệt độ bề
mặt LST và các chỉ số NDVI, NDBI. Ngoài ra, dựa vào các ngưỡng giá trị NDVI đại diện cho các bề
mặt lớp phủ khác nhau ở Bảng 2 để xác định liên hệ giữa lớp phủ và sự gia tăng nhiệt. Hệ số tương
quan (Correlation coefficient - R) được sử dụng để đánh giá mối quan hệ giữa nhiệt độ bề mặt và các
chỉ số NDVI, NDBI.
Các điểm mẫu trên các tuyến đường được gán các giá trị LST, NDVI, NDBI tương ứng với vị trí
không gian bằng cách sử dụng một số thao tác phân tích không gian trong phần mềm ArcMap10.3.
Dữ liệu sau khi trích xuất được sử dụng để phân tích nhiệt độ bề mặt các tuyến đường giao thông trong
khu vực nghiên cứu.
3. Kết quả và thảo luận
3.1. Đánh giá kết quả và phân bố không gian của LST trên khu vực nghiên cứu
Sự phân bố không gian và phân phối tần suất của giá trị nhiệt độ bề mặt LST trên khu vực thành
phố Hà Nội vào ngày 14 tháng 09 năm 2020 được thể hiện trong Hình 3. Trong đó, các quận trung
tâm và các quận ngoại thành phía Bắc có nhiệt độ bề mặt trung bình cao hơn so với các quận còn lại.
148
Trọng, T. Đ., và cs. / Tạp chí Khoa học Công nghệ Xây dựng
Ngoài ra, mức giá trị nhiệt độ bề mặt thành phố Hà Nội tại thời điểm nghiên cứu có nhiệt độ thấp nhất
là 23,01 °C, nhiệt độ cao nhất là 33 °C (Bảng 3). Phần lớn giá trị nhiệt độ xuất hiện dao động trong
khoảng từ 26-29 °C (Hình 3(b)). Dựa vào Hình 3(a), những khu vực có nhiệt độ bề mặt cao tập trung
tại các quận nội thành có mật độ xây dựng cao và dân số đông như quận Thanh Xuân, Đống Đa, Hai
Bà Trưng, Cầu Giấy, Hoàn Kiếm trong khi các khu vực ngoại thành có nền nhiệt thấp hơn. Phần lớn
diện tích những quận nội thành này có nhiệt độ bề mặt tại thời điểm nghiên cứu là trên 30 °C, lớn hơn
nhiệt độ trung bình ước tính 27,96 °C của toàn thành phố từ 2-3 °C.
(a) Phân bố không gian (b) Phân phối tần suất
Hình 3. Bản đồ phân bố không gian và biểu đổ phân phối tuần suất của giá trị nhiệt độ bề mặt (LST)
tại thành phố Hà Nội
Bảng 3. Mô tả thống kê của LST, giá trị NDVI và giá trị NDBI trên khu vực thành phố Hà Nội ngày 14/09/2020
Nhỏ nhất Lớn nhất Trung bình Độ lệch chuẩn
LST (°C) 23,01 33,00 27,96 1,37
NDVI −0,13 0,61 0,30 0,13
NDBI −0,40 0,10 −0,16 0,09
Để kiểm chứng kết quả nhiệt độ bề mặt thu từ ảnh Landsat8-OLI và trạm đo mặt đất, giá trị nhiệt
độ tại điểm ảnh tương ứng với tọa độ của trạm đo được trích xuất. Kết quả cho thấy, nhiệt độ tại điểm
ảnh là 26,58 °C khá tương đồng với kết quả đo tại trạm mặt đất là 26,11 °C, với sự chênh lệch nhiệt
độ là 0,47 °C. Trường hợp so sánh với sản phẩm nhiệt độ bề mặt MOD11A2 thông qua các điểm ảnh
tương đương, nhiệt độ trung bình thu được của dữ liệu ảnh MODIS là 26,85±2,35 °C trong khi với
ảnh Landsat8-OLI nhiệt độ là 27,22±1,65 °C. Kết quả cho thấy độ lệch của giá trị trung bình giữa
dữ liệu ảnh Landsat8-OLI và MODIS ở mức 0,37 °C và kết quả từ ảnh Landsat8-OLI có độ phân tán
nhỏ hơn.
3.2. Phân bố không gian của giá trị NDVI, NDBI
Dựa vào Hình 4(a) và Hình 4(c), tại các quận trung tâm chỉ số NDVI có giá trị thấp (< 0,2) trong
khi chỉ số NDBI có giá trị cao (> 0,5). Các quận khu vực ngoại thành có xu hướng ngược lại. Các giá
149
Trọng, T. Đ., và cs. / Tạp chí Khoa học Công nghệ Xây dựng
trị này đặc trưng cho từng loại hình lớp phủ bề mặt. Nhìn chung, có thể thấy rằng phân bố không gian
của giá trị LST có quan hệ đồng biến với chỉ số NDBI và nghịch biến với NDVI. Ngưỡng giá trị của
NDVI trên toàn bộ khu vực thành phố Hà Nội dao động −0,13 đến 0,61, giá trị trung bình là 0,3 và
các giá trị chủ yếu tập trung trong ngưỡng từ 0,17 đến 0,42 thể hiện rằng tổng thể khu vực nghiên cứu
có mật độ thực vật thấp. Chỉ số NDBI dao động từ −0,4 đến 0,1, giá trị trung bình là −0,16 với các
giá trị chủ yếu phân bố trong ngưỡng −0,25 đến −0,5 (Bảng 3).
(a) Phân bố không gian của NDVI (b) Phân phối tần suất của NDVI
(c) Phân bố không gian của NDBI (d) Phân phối tần suất của NDBI
Hình 4. Phân bố không gian và phân phối tần suất của giá trị NDVI, NDBI trên khu vực nghiên cứu
3.3. Đánh giá tương quan giữa nhiệt độ bề mặt và giá trị NDVI, NDBI
Trong khi bản đồ phân bố không gian giá trị nhiệt độ bề mặt (LST) cho thấy nhiệt độ bề mặt tương
quan với chỉ số NDVI và NDBI thì biểu đồ phân tán trong Hình 5 thể hiện rằng giữa LST và NDVI
có độ tương quan thấp với R = −0,204, giữa LST và NDBI có tương quan cao với R = 0,697. Dựa
vào Hình 5(b), chỉ số NDBI có mối quan hệ đồng biến với LST trên toàn bộ mô hình. Ngược lại, mối
quan hệ giữa NDVI và LST có phân hóa về độ dốc tại vị trí NDVI khoảng từ 0,1 đến 0,2 (Hình 5(a)).
Các giá trị nhỏ hơn giá trị này có mối quan hệ đồng biến với LST trong khi giữa NDVI và LST có mối
150
Trọng, T. Đ., và cs. / Tạp chí Khoa học Công nghệ Xây dựng
quan hệ nghịch biến nếu xét chung cả mô hình. Vấn đề này được giải thích bởi ngưỡng giá trị NDVI
< 0 bao gồm cả diện tích lớp phủ mặt nước, trong quá trình hấp thu nhiệt thì nước trong ao hồ thường
có nhiệt độ bề mặt thấp hơn các vùng đất ngập nước, dẫn đến khu vực này tồn tại cả bề mặt có nhiệt
độ thấp lẫn nhiệt độ cao và khi độ dày lớp thực vật tại vùng đất ngập nước tăng lên dẫn đến nhiệt độ
tăng [24].
(a) LST-NDVI (b) LST-NDBI
Hình 5. Biểu đồ quan hệ giữa LST và chỉ số NDVI, NDBI trên khu vực thành phố Hà Nội ngày 14/09/2020
Từ các biểu đồ phân tán ở Hình 6, có thể nhận thấy rằng sau khi phân loại ngưỡng NDVI thì hệ
số tương quan của LST và NDVI được cải thiện với R = −0,204 cho mô hình tổng và R = 0,433,
R = −0,402 lần lượt với ngưỡng NDVI < 0,2 và 0,2 ≤ NDVI ≤ 0,5 (R < 0 là mối quan hệ nghịch biến,
R > 0 là mối quan hệ đồng biến). Cũng ở hai ngưỡng giá trị này, mối quan hệ giữa LST và NDBI có
sự ổn định với hệ số tương quan R = 0,697 với mô hình tổng và R = 0,727, R = 0,691 theo thứ tự. Tại
ngưỡng giá trị NDVI > 0,5, mối quan hệ giữa LST và NDVI, NDBI đều cho giá trị tương quan thấp.
Giá trị chỉ số NDBI nằm trong khoảng từ −0,36 đến 0,10 đối với khu vực không có lớp phủ thực vật
và mật độ thực vật thấp, nằm trong khoảng từ −0,40 đến −0,15 đối với khu vực có mật độ thực vật
cao (Hình 6).
Dựa vào các biểu đồ quan hệ trên, có thể nhận thấy rằng tại hầu hết các bề mặt lớp phủ diện tích
xây dựng tăng lên sẽ làm gia tăng nhiệt độ bề mặt trong khi các diện tích có mức phủ thực vật trung
bình việc tăng mật độ thực vật sẽ làm nhiệt độ bề mặt giảm. Mối quan hệ giữa LST và NDBI có tương
quan cao hơn so sánh với mối quan hệ giữa LST và NDVI. Qua đó cho thấy chỉ số NDBI có tiềm năng
sử dụng để ước tính giá trị LST mà ít bị ảnh hưởng bởi sự thay đổi lớp phủ.
(a) LST-NDVI, với NDVI < 0,2 (b) LST-NDBI, với NDVI < 0,2
151
Trọng, T. Đ., và cs. / Tạp chí Khoa học Công nghệ Xây dựng
(c) LST-NDVI, với 0,2 < NDVI < 0,5 (d) LST-NDBI, với 0,2 < NDVI < 0,5
(e) LST-NDVI, với NDVI > 0,5 (f) LST-NDBI, với NDVI > 0,5
Hình 6. Biểu đồ quan hệ giữa LST và NDVI, NDBI với các ngưỡng giá trị NDVI đặc trưng từng loại lớp phủ
3.4. Đánh giá nhiệt độ bề mặt trên một số tuyến đường của thành phố Hà Nội
Hình 7. Phân bố không gian của nhiệt độ bề mặt
tại một số tuyến đường trên khu vực thành phố Hà
Nội ngày 14/09/2020
Hình 7 thể hiện rằng, ngoại trừ các vị trí đi qua
khu vực các quận trung tâm hoặc các khu dân cư
thì hầu hết các tại các vị trí tuyến đều có nhiệt độ
cao hơn các khu vực xung quanh. Điển hình tại các
tuyến quốc lộ 6, quốc lộ 32, quốc lộ 21B, quốc lộ
1A. Thống kê nhiệt độ bề mặt tại Bảng 4 cho thấy
tất cả các tuyến đường đều có giá trị nhiệt độ cao
hơn nhiệt độ trung bình của toàn thành phố trong
ngày là 27,96 °C. Giá trị trung bình nằm trong
khoảng từ 28,84 °C (Giáp Bát – Đông Anh) đến
30,35 °C (Quốc lộ 2A).
Nhìn chung, nhiệt độ bề mặt trên các tuyến
đường giao thông đều cao hơn nhiệt độ trung bình
toàn thành phố, dao động khoảng từ 0,9 đến 1,1
°C đối với các tuyến đường sắt và khoảng từ 1,5
đến 2,5 °C đối với các tuyến đường bộ. Nghiên
cứu chỉ ra rằng giá trị trung bình các chỉ số tại
các tuyến đường trên địa bàn là 0,228 ± 0,112 và
−0,09 ± 0,105 lần lượt tương ứng với giá trị NDVI
152
Trọng, T. Đ., và cs. / Tạp chí Khoa học Công nghệ Xây dựng
và NDBI. Tại những khu vực có chỉ số NDVI thấp, chất liệu mặt đường của các tuyến đường chính
thường làm cho chỉ số NDBI cao hơn các tuyến đường sắt dẫn đến nhiệt độ bề mặt cao hơn.
Bảng 4. Bảng thống kê nhiệt độ (°C) bề mặt tại một số tuyến đường trên
khu vực thành phố Hà Nội ngày 14/09/2020
Tuyến đường Nhỏ nhất Lớn nhất Trung bình Độ lệch chuẩn Loại đường
Giáp Bát – Đông Anh 26,05 33,70 28,84 2,06 Đường sắt
Hà Nội – Lạng Sơn 26,26 30,43 28,97 1,61 Đường sắt
Hà Nội – Lào Cai 26,64 33,95 28,88 2,11 Đường sắt
Quốc lộ 1A 26,10 33,25 29,79 1,49 Đường chính
Quốc lộ 2A 27,28 32,75 30,35 1,76 Đường chính
Quốc lộ 3 27,34 32,43 29,98 1,33 Đường chính
Quốc lộ 32 26,18 32,84 29,92 1,61 Đường chính
Quốc lộ 6 27,34 32,29 29,88 1,28 Đường chính
Quốc lộ 21B 26,71 32,32 29,52 1,52 Đường chính
Hà Nội – Hải Phòng 26,41 31,55 28,87 0,47 Đường sắt
4. Kết luận
Nghiên cứu đã sử dụng ảnh vệ tinh Landsat8-OLI để xây dựng bản đồ phân bố không gian nhiệt
độ bề mặt và đánh giá mối quan hệ giữa nhiệt độ bề mặt với các chỉ số NDVI, NDBI trên khu vực
nghiên cứu. Sau đó, các giá trị NDVI được chia thành ba ngưỡng tương ứng với các loại lớp phủ đặc
trưng để thảo luận ảnh hưởng của từng loại lớp phủ đến nhiệt độ bề mặt thông qua các mô hình tương
quan. Nhiệt độ bề mặt tại các điểm trên một số tuyến đường của thành phố Hà Nội cũng đã được trích
xuất để đánh giá. Nghiên cứu đã chỉ ra rằng, nhiệt độ tại các khu vực trung tâm nơi có dân số đông
và mật độ xây dựng cao có xu hướng cao hơn từ 2-3 °C so với các khu vực xung quanh. Ngoài ra,
nghiên cứu này cũng cho thấy nhiệt độ bề mặt tại các tuyến đường cao hơn khi so sánh với khu vực
xung quanh ngoại trừ các vị trí đi qua khu vực các quận trung tâm hoặc các khu dân cư, điều này là
do tỷ lệ hấp thụ bức xạ mặt trời cao của các vật liệu tối màu như bề mặt đường. Nhìn chung, các tuyến
đường giao thông góp phần làm tăng nhiệt độ bề mặt toàn thành phố và các khu vực có đường giao
thông đi qua. Nhiệt độ bề mặt trên các tuyến giao thông đều cao hơn nhiệt độ trung bình toàn thành
phố (27,96 °C) với khoảng từ 0,9 đến 1,1 °C đối với các tuyến đường sắt và khoảng từ 1,5 đến 2,5 °C
đối với các tuyến đường bộ.
Kết quả cho thấy phân bố không gian của LST có xu hướng đồng biến với chỉ số NDBI và nghịch
biến với NDVI. Đối với các ngưỡng giá trị NDVI, mối quan hệ giữa LST và NDBI cho hệ số tương
quan cao và ổn định với R = 0,697, R = 0,727, R = 0,691 lần lượt cho mô hình tổng, NDVI < 0,2, và
0,2 ≤ NDVI ≤ 0,5. Trong khi đó, mối quan hệ giữa LST và NDVI đều ở mức tương quan trung bình
với R = −0,204, R = 0,433, R = −0,402 cho mô hình tổng, NDVI < 0,2, và 0,2 ≤ NDVI ≤ 0,5 theo
thứ tự. Nhìn chung, mối quan hệ giữa LST và NDBI có tương quan cao hơn khi so sánh với mối quan
hệ giữa LST và NDVI. Chỉ số NDBI có tiềm năng sử dụng để ước tính giá trị LST mà ít bị ảnh hưởng
bởi sự thay đổi lớp phủ.
Phương pháp sử dụng trong nghiên cứu cho thấy ưu điểm là có thể tính toán trên quy mô rộng, dữ
liệu miễn phí và thời gian tính toán nhanh. Tuy nhiên, ảnh viễn thám quang học bị ảnh hưởng bởi các
yếu tố môi trường và độ che phủ của mây. Độ phân giải thời gian của ảnh Landsat8 là 16 ngày nên sẽ
153
Trọng, T. Đ., và cs. / Tạp chí Khoa học Công nghệ Xây dựng
gặp khó khăn khi đưa ra các đánh giá theo ngày. Về mặt ý nghĩa khoa học, nghiên cứu đã ứng dụng
ảnh viễn thám để đánh giá tác động của sự thay đổi lớp phủ đến LST cũng như phân bố không gian
của giá trị LST trên các tuyến đường và ở các loại lớp phủ khác nhau của khu vực nghiên cứu. Về ý
nghĩa thực tiễn, nghiên cứu góp phần làm rõ một số tác nhân gây ra sự gia tăng nhiệt độ bề mặt tại
khu vực đô thị.
Tài liệu tham khảo
[1] Aizebeokhai, A. P. (2009). Global warming and climate change: Realities, uncertainties and measures.
International Journal of Physical Sciences, 4(13):868–879.
[2] Tuấn, P. Đ., Thái, T. H., Dũng, B. Q., Nga, Đ. T. (2017). Giáo trình Biến đổi Khí hậu. Nhà xuất bản Khoa
học Tự nhiên và Công nghệ, Hà Nội.
[3] Chen, Y.-C., Chiu, H.-W., Su, Y.-F., Wu, Y.-C., Cheng, K.-S. (2017). Does urbanization increase diurnal
land surface temperature variation? Evidence and implications. Landscape and Urban Planning, 157:
247–258.
[4] Vân, T. T., Lan, H. T., Trung, L. V. (2011). Nghiên cứu thay đổi nhiệt độ bề mặt đô thị dưới tác động của
quá trình đô thị hóa ở thành phố Hồ Chí Minh bằng phương pháp viễn thám. Vietnam Journal of Earth
Sciences, 33(3):347–359.
[5] Bu¨hlmann, E., van Blokland, G. (2014). Temperature effects on tyre/road-noise–A review of empirical
research. Proceedings of Forum Acusticum.
[6] Ainiwaer, M., Ding, J., Kasim, N., Wang, J., Wang, J. (2019). Regional scale soil moisture content
estimation based on multi-source remote sensing parameters. International Journal of Remote Sensing,
41(9):3346–3367.
[7] Thuận, N. Đ., Vân, P. V. (2016). Ứng dụng công nghệ viễn thám và hệ thống thông tin địa lý nghiên cứu
thay đổi nhiệt độ bề mặt 12 quận nội thành, thành phố Hà Nội giai đoạn 2005 - 2015. Tạp chí Khoa học
Nông nghiệp Việt Nam, 8(14):1319–1330.
[8] Văn, N. P., Lợi, N. V., Đức, T. M., Thành, V. K. (2017). Ứng dụng viễn thám để nghiên cứu sự thay đổi
nhiệt độ bề mặt đất phục vụ công tác quản lý cháy rừng ở tỉnh Quảng Bình. Tạp chí Khoa học đại học
Huế: Nông nghiệp và Phát triển Nông thôn, 126(3D):17–25.
[9] Thơm, T. T., Quế, P. T. (2014). Sử dụng tư liệu Viễn thám và GIS thành lập bản đồ lớp phủ rừng tỷ lệ
1/10.000. Tạp chí Khoa học và Công nghệ Lâm nghiệp.
[10] Hằng, H. T. (2016). Ảnh viễn thám và một số kỹ thuật phân tích phổ biến hiện nay ở Việt Nam. Tạp chí
Khoa học Công nghệ Xây dựng (KHCNXD)-ĐHXDHN, 10(4):63–67.
[11] Hashim, H., Latif, Z. A., Adnan, N. A. (2019). Urban vegetation classification with NDVI threshold value
method with very high resolution (VHR) pleiades imagery. International Archives of the Photogrammetry,
Remote Sensing and Spatial Information Sciences, XLII-4/W16:237–240.
[12] Jeevalakshmi, D., Reddy, S. N., Manikiam, B. (2016). Land cover classification based on NDVI using
LANDSAT8 time series: A case study Tirupati region. International Conference on Communication and
Signal Processing (ICCSP), IEEE.
[13] Jimenez-Munoz, J. C., Sobrino, J. A. (2010). A Single-Channel Algorithm for Land-Surface Temperature
Retrieval From ASTER Data. EEE Geoscience and Remote Sensing Letters, 7(1):176–179.
[14] Qin, Z., Dall'Olmo, G., Karnieli, A., Berliner, P. (2001). Derivation of split window algorithm and its
sensitivity analysis for retrieving land surface temperature from NOAA-advanced very high resolution
radiometer data. Journal of Geophysical Research Atmospheres, 106(D19):22655–22670.
[15] Sobrino, J. A., Jiménez-Mun˜oz, J. C., Paolini, L. (2004). Land surface temperature retrieval from LAND-
SAT TM 5. Remote Sensing of Environment, 90(4):434–440.
[16] Avdan, U., Jovanovska, G. (2016). Algorithm for Automated Mapping of Land Surface Temperature
Using LANDSAT 8 Satellite Data. Journal of Sensors, 2016:1–8.
[17] Tổng cục thống kê. Dân số và lao động. Truy cập ngày 15/04/2021.
[18] Wang, D., Ma, R., Xue, K., Loiselle, S. (2019). The Assessment of Landsat-8 OLI Atmospheric Correc-
tion Algorithms for Inland Waters. Remote Sensing, 11(2):169.
154
Trọng, T. Đ., và cs. / Tạp chí Khoa học Công nghệ Xây dựng
[19] LSDS-1574 (2019). Landsat 8 Data Users Handbook. U.S. Geological Survey.
[20] Pettorelli, N., Ryan, S., Mueller, T., Bunnefeld, N., Jedrzejewska, B., Lima, M., Kausrud, K. (2011).
The Normalized Difference Vegetation Index (NDVI): unforeseen successes in animal ecology. Climate
Research, 46(1):15–27.
[21] Eastman, J., Sangermano, F., Machado, E., Rogan, J., Anyamba, A. (2013). Global Trends in Seasonality
of Normalized Difference Vegetation Index (NDVI), 1982–2011. Remote Sensing, 5(10):4799–4818.
[22] Jacquemart, M., Tiampo, K. (2021). Leveraging time series analysis of radar coherence and normalized
difference vegetation index ratios to characterize pre-failure activity of the Mud Creek landslide, Califor-
nia. Natural Hazards and Earth System Sciences, 21(2):629–642.
[23] Zhou, Y., Yang, G., Wang, S., Wang, L., Wang, F., Liu, X. (2014). A new index for mapping built-up and
bare land areas from Landsat-8 OLI data. Remote Sensing Letters, 5(10):862–871.
[24] Khảm, D. V., Quyền, N. H., Tâm, T. T., Dũng, L. T. (2014). Nghiên cứu ứng dụng công nghệ viễn thám
đánh giá mức độ khắc nghiệt hạn hạn ở các tỉnh duyên hải miền trung. Tạp chí Khí tượng thủy văn, 638:
26–32.
155