P-GIS

Vệ tinh Tanager-1 giám sát phát thải khí mê tan

Vệ tinh Tanager-1 được phát triển và triển khai bởi Carbon Mapper Coalition phục vụ phát hiện và theo dõi phát thải khí mê-tan và CO2 ở mức độ chi tiết cần thiết nhằm hỗ trợ các hành động giảm thiểu trực tiếp. Tanager-1 kết hợp công nghệ vũ trụ tiên tiến của Planet và công nghệ vệ tinh nhỏ với thiết kế cảm biến quang phổ hình ảnh hiện đại được phát triển tại Phòng thí nghiệm Động cơ phản lực (JPL) của NASA.

Ngày 10 tháng 10 năm 2024, Carbon Mapper đã công bố những phát hiện đầu tiên về khí mê-tan và carbon dioxide (CO2) từ vệ tinh Tanager-1. Đây là thành quả của nhiều năm nỗ lực từ quan hệ đối tác công tư, được tài trợ bởi hoạt động từ thiện, nhằm cung cấp dữ liệu phát thải trên toàn cầu và có thể thực hiện được ở quy mô địa phương. Những quan sát này là bản xem trước về những gì sắp diễn ra khi Carbon Mapper sẽ tận dụng Tanager-1 để mở rộng quy mô quan sát phát thải ở độ nhạy chưa từng có trên các khu vực rộng lớn. Dữ liệu ở mức độ chi tiết này có thể tăng cường tính minh bạch và hướng dẫn các hành động giảm thiểu khí nhà kính cho trái đát.

Cột mốc này đã đạt được nhanh chóng, chỉ sau hơn một tháng kể từ khi Tanager-1 được phóng vào ngày 16 tháng 8. Đây là vệ tinh đầu tiên trong một loạt vệ tinh đang được phát triển thông qua liên minh do Carbon Mapper dẫn đầu hợp tác với Phòng thí nghiệm Động cơ Phản lực (JPL) của NASA và Planet Labs PBC. Các thành viên liên minh khác bao gồm RMI và Đại học bang Arizona cùng với các nhà tài trợ từ thiện như High Tide Foundation, Grantham Foundation for the Protection of the Environment, Bloomberg Philanthropies, Children’s Investment Fund Foundation và Zegar Family Foundation cùng nhiều tổ chức khác.

Bên trái - luồng khí mê-tan đầu tiên được phát hiện trong khối dữ liệu siêu quang phổ First Light của Tanager-1 (trước đây do Planet Labs phát hành). Bên phải - chi tiết phóng to của luồng khí mê-tan được phát hiện tại một bãi chôn lấp ở Karachi, Pakistan vào ngày 19 tháng 9 năm 2024. Ước tính sơ bộ của Carbon Mapper về tốc độ phát thải là 1.200 kg CH4 /h. Planet Basemap do Planet Labs cung cấp. Phát hiện khí mê-tan đầu tiên này diễn ra trong vòng vài giờ sau khi vệ tinh bay qua - vài ngày sau khi thiết bị của vệ tinh được kích hoạt và quá trình đưa vệ tinh vào vận hành và hiệu chỉnh mới bắt đầu.

Đám mây CO2 được phát hiện từ một nhà máy điện chạy bằng than ở Kendal, Nam Phi vào ngày 19 tháng 9 năm 2024. Ước tính sơ bộ của Carbon Mapper về tốc độ phát thải là 600.000 kg CO2 /h. Bản đồ nền do Planet Labs cung cấp.

Một luồng khí mê-tan được phát hiện tại một mỏ khai thác dầu khí riêng lẻ ở lưu vực Permian, Texas vào ngày 24 tháng 9 năm 2024. Ước tính sơ bộ của Carbon Mapper về tốc độ phát thải là 400 kg CH4/giờ. Bản đồ nền do Planet Labs cung cấp.

Dựa trên các cuộc khảo sát trên không được thực hiện từ năm 2016, các nhà nghiên cứu của Carbon Mapper đã tinh chỉnh các thuật toán và quy trình cần thiết để xác định và định lượng nhanh chóng các nguồn phát thải khí mê-tan và CO2 siêu lớn. Thông qua các cuộc khảo sát thí điểm khu vực này, Carbon Mapper phát hiện ra rằng gần một nửa số sự kiện phát thải siêu lớn (các nguồn phát thải > 100 kg CH4/giờ) được đánh dấu cho các cơ quan và nhà điều hành của tiểu bang trước đây chưa được biết đến và sau khi xác định được thì có thể giảm thiểu được. Những nỗ lực này đã đặt nền tảng cho công việc của Carbon Mapper với các đối tác để chuyển dữ liệu chi tiết này thành hành động giảm thiểu cụ thể.

"Việc phát hiện và định lượng phát hiện khí mê-tan và carbon dioxide nhanh chóng như vậy bằng Tanager-1 là minh chứng cho mối quan hệ đối tác độc đáo mà chúng tôi đã thiết lập. Tôi rất tự hào về kết quả này sau tất cả những nỗ lực của liên minh chúng tôi", Tổng giám đốc điều hành của Carbon Mapper Riley Duren cho biết. “Cột mốc này có thể thực hiện được nhờ sự hỗ trợ của các nhà tài trợ đã đầu tư vào công nghệ vệ tinh, khoa học, nền tảng dữ liệu, chương trình tham gia - và quan trọng nhất là nhóm. Những phát hiện đầu tiên này chỉ là khởi đầu; chúng tôi đang trên đường công bố thường xuyên dữ liệu phát thải chất lượng cao từ Tanager-1 trong tương lai gần”.

“Để đạt được các mục tiêu khí hậu đầy tham vọng, điều quan trọng là hoạt động từ thiện phải dẫn đầu một cách cẩn thận và thực hiện nhanh chóng. Đây chính xác là những gì chúng tôi đã làm với khoản đầu tư của mình vào liên minh Carbon Mapper. Chúng tôi đã có phương pháp trong cách xây dựng chương trình giám sát phát thải để thúc đẩy tính minh bạch và thông tin chi tiết về phát thải có thể hành động được, và chúng tôi đã thực hiện được”, Richard Lawrence, Nhà sáng lập kiêm Chủ tịch điều hành của High Tide Foundation cho biết. “Bây giờ là lúc nhanh chóng mở rộng quy mô đầu tư để đưa dữ liệu này đến đúng người để chúng ta có thể đẩy nhanh các hành động toàn cầu nhằm cắt giảm khí mê-tan và CO2”.

Để dữ liệu này có thể truy cập và hành động được, Carbon Mapper công khai tất cả các phát hiện về khí mê-tan và CO2 của mình để sử dụng phi thương mại trên cổng dữ liệu của mình, một nền tảng web được cập nhật liên tục với các quan sát và dữ liệu phát thải từ các nguồn cảm biến từ xa.

“Giảm ô nhiễm khí mê-tan bắt đầu bằng việc đo lường nó”, Michael R. Bloomberg, Đặc phái viên của Tổng thư ký Liên hợp quốc về Tham vọng và Giải pháp Khí hậu và Nhà sáng lập của Bloomberg L.P. và Bloomberg Philanthropies cho biết. “Dữ liệu từ vệ tinh Tanager-1 cung cấp cho chúng tôi dữ liệu thời gian thực cần thiết để xác định rò rỉ khí mê-tan tại nguồn và làm sạch chúng. Công nghệ mới này rất quan trọng để hạn chế khí thải từ một trong những tác nhân lớn nhất gây ra biến đổi khí hậu”.

Dữ liệu phát thải từ Carbon Mapper cùng với dữ liệu từ các chương trình giám sát khác sẽ rất quan trọng để giúp các chính phủ thực hiện Cam kết Khí mê-tan Toàn cầu, một thỏa thuận chưa từng có do Hoa Kỳ và Liên minh Châu Âu dẫn đầu nhằm giảm 30% lượng khí thải mê-tan toàn cầu vào năm 2030. Thỏa thuận này cũng có thể mang tính chuyển đổi trong các lĩnh vực phát thải chính như năng lượng, chất thải và nông nghiệp, trao quyền cho các công ty xác định và xác minh việc giảm phát thải trên toàn bộ chuỗi cung ứng của họ và thực hiện các cam kết đã nêu như Hiến chương Giảm phát thải Carbon Dầu khí.

Tanager-1 hiện đang được Planet và Carbon Mapper đưa vào vận hành, bao gồm thực hiện hiệu chuẩn và xác thực các hệ thống và nền tảng dữ liệu quan trọng, ngoài các hoạt động điều khiển tàu vũ trụ thường lệ khác. Sau khi hoàn tất quá trình đưa vào vận hành trong những tháng tới, Carbon Mapper sẽ tiếp tục mở rộng quy mô quan sát và cung cấp dữ liệu về khí mê-tan và CO2 thường xuyên để giúp những người ra quyết định lấp đầy khoảng trống trong hiểu biết của họ về các nguồn phát thải chính xác và trao quyền cho hành động giảm thiểu tại nguồn.

Nguồn: Planet

GIS đã được ứng dụng trong phòng chống sốt rét, sốt xuất huyết như thế nào?

Một số địa chỉ tải dữ liệu thời tiết miễn phí

5 xu hướng mới nổi trong năm 2023 từ công nghệ định vị giám sát

Trong thập kỷ qua, các công nghệ định vị không gian đã thay đổi cách thức hoạt động của các doanh nghiệp cũng như tiến hành phục vụ nhiều khách hàng trong nhiều lĩnh vực khác nhau. Với các giải pháp sáng tạo như ma trận khoảng cách và API tối ưu hóa tìm đường, các doanh nghiệp đã tăng cường tận dụng các công nghệ dựa trên vị trí để hợp lý hóa và cải thiện hoạt động hậu cần và chặng cuối của họ.

Theo một công ty nghiên cứu thị trường hàng đầu, ngành công nghiệp định vị thông minh và phân tích dữ liệu dựa trên vị trí dự kiến sẽ tăng từ 15,7 tỷ đô la vào năm 2021 lên khoảng 30 tỷ đô la vào năm 2026. Điều này tương đương với mức tăng ấn tượng 90% về giá trị của các dịch vụ dựa trên vị trí so với cùng kỳ năm ngoái, làm nổi bật rõ ràng tiềm năng của những công nghệ này.

Các công nghệ định vị sẽ tiếp tục được áp dụng rộng rãi và khi bước sang năm 2023, chúng ta sẽ xem xét các xu hướng mới nổi hàng đầu thúc đẩy các giải pháp không gian địa lý cho doanh nghiệp cũng như các cơ quan quản lý.

Các lĩnh vực có thể phát triển cho công nghệ và phân tích dựa trên vị trí là gì?

Hãy cùng tìm hiểu và khám phá năm xu hướng mới trong giám sát và định vị sẵn sàng thay đổi cách chúng ta làm việc và sinh sống:

1. Tăng cường tập trung vào thành phố thông minh và quy hoạch đô thị

Các thành phố thông minh yêu cầu nguồn cấp dữ liệu không gian địa lý liên tục để hoạt động hiệu quả. Với nhiều thành phố thông minh hơn đang được lên kế hoạch phát triển trên toàn cầu, phạm vi sử dụng các công nghệ dựa trên vị trí để cải thiện hiệu quả, bảo mật và khả năng đáp ứng là rất cao và tiềm năng này dự kiến sẽ tăng lên trong tương lai gần.

Các ứng dụng cho các công nghệ và dịch vụ dựa trên vị trí là rất lớn. Các cơ quan chủ quản có thể tận dụng chúng để:

- Cải thiện giao thông vận tải và hậu cần bằng cách tối ưu hóa các tuyến đường và giảm tắc nghẽn giao thông.

- Cải thiện an ninh xã hội thông qua việc sử dụng các cảm biến và hệ thống giám sát có thể cảnh báo chính quyền về bất kỳ mối đe dọa hoặc sự cố tiềm ẩn nào.

- Cải thiện các dịch vụ công bằng cách cung cấp thông tin theo thời gian thực và cho phép phân bổ nguồn lực hiệu quả cho các dịch vụ công như quản lý chất thải và ứng phó khẩn cấp.

- Cải thiện tính bền vững bằng cách đối chiếu và phân tích dữ liệu về tác động môi trường của các hoạt động của thành phố như phân phối và quản lý năng lượng, giao thông đường bộ, v.v.

2. Thêm nhiều ứng dụng của bản đồ lập thể (3D mapping)

Những tiến bộ trong công nghệ mô hình hóa và quét 3D đã giúp phát triển các bản đồ không gian 3 chiều có độ chính xác cao và chi tiết. Có nhiều ứng dụng tiềm năng cho lập bản đồ 3D, bao gồm điều hướng, chuyến tham quan ảo, phân tích không gian địa lý, quy hoạch đô thị, trò chơi nhập vai và trải nghiệm thực tế tăng cường/thực tế ảo, thậm chí hướng dẫn các nỗ lực cứu hộ và tái thiết khi đối mặt với thảm họa thiên nhiên.

Bản đồ 3D cũng được kỳ vọng sẽ thúc đẩy phân tích không gian địa lý của các thành phố đô thị bằng cách trực quan hóa và phân tích chính xác các dữ liệu như mật độ dân số, mô hình sử dụng đất và điều kiện môi trường. Đối với các mục đích quy hoạch đô thị và thành phố thông minh, bản đồ 3D có thể được sử dụng để mô hình hóa và mô phỏng tác động của các dự án phát triển được đề xuất đối với môi trường sống.

3. Sự nổi lên của dữ liệu cộng đồng

Hầu hết các nhà cung cấp bản đồ đã bắt đầu dựa vào dữ liệu có nguồn gốc từ cộng đồng như nội dung do người dùng khởi tạo và cập nhật theo thời gian thực để cải thiện độ chính xác và mức độ liên quan của bản đồ của họ.

Dữ liệu cộng đồng đề cập đến thông tin được thu thập và đóng góp bởi một số lượng lớn các cá nhân chứ không phải là một tổ chức hoặc công ty đơn lẻ. Trong ngữ cảnh của các nhà cung cấp dịch vụ bản đồ và không gian địa lý, dữ liệu được cung cấp bởi đám đông có thể bao gồm nội dung do người dùng tạo, chẳng hạn như ảnh, bài đánh giá và xếp hạng của các địa điểm và doanh nghiệp, cũng như các cập nhật theo thời gian thực về giao thông, xây dựng và các sự kiện khác có thể tác động đến điều hướng và du lịch.

Các nhà cung cấp bản đồ thường sử dụng dữ liệu được cung cấp bởi cộng đồng để bổ sung và làm phong phú bản đồ của họ, vì dữ liệu này có thể cung cấp thông tin và thông tin chuyên sâu có giá trị, cập nhật và phù hợp hơn so với những gì có sẵn thông qua các nguồn truyền thống. Ví dụ: nhà cung cấp bản đồ có thể sử dụng dữ liệu có nguồn gốc từ cộng đồng để thêm các điểm yêu thích mới, chẳng hạn như nhà hàng và điểm du lịch hoặc để cập nhật giờ hoạt động hoặc thông tin liên hệ cho danh sách hiện có.

Tuy nhiên, điều quan trọng cần lưu ý là dữ liệu được cung cấp bởi cộng đồng có thể khó xác minh hơn và có thể không phải lúc nào cũng chính xác. Các nhà cung cấp bản đồ thường có sẵn các quy trình để xem xét và xác thực dữ liệu được cung cấp bởi cộng đồng trước khi đưa dữ liệu đó vào bản đồ của họ, nhưng điều quan trọng cần lưu ý là loại dữ liệu này có thể không phải lúc nào cũng đáng tin cậy.

4. Tăng cường tích hợp với các công nghệ mới nổi như IoT và AR/VR

Sự phổ biến của các thiết bị cầm tay và Internet vạn vật (Internet of Things - IoT) đã tạo ra một lượng lớn dữ liệu có thể được sử dụng để nâng cao độ chính xác và mức độ phù hợp của bản đồ và dịch vụ không gian địa lý. IoT đề cập đến một mạng lưới các thiết bị được kết nối được nhúng các cảm biến và các công nghệ khác cho phép chúng thu thập, truyền và trao đổi dữ liệu. Các nhà cung cấp dịch vụ dựa trên vị trí có thể sử dụng dữ liệu IoT theo nhiều cách khác nhau, bao gồm cải thiện độ chính xác và mức độ phù hợp của các dịch vụ dựa trên vị trí cũng như nâng cao trải nghiệm của khách hàng. Nó cũng có thể được sử dụng để cải thiện hiệu quả của hậu cần bằng cách tối ưu hóa các tuyến đường và giảm mức tiêu thụ nhiên liệu, cải thiện hiệu quả của các dịch vụ công cộng như phân phối năng lượng và hiểu rõ hơn về hành vi của người tiêu dùng và xu hướng thị trường cho các doanh nghiệp.

Chúng ta cũng đang chứng kiến sự phát triển của công nghệ thực tế ảo tăng cường (AR) và thực tế ảo (VR), trong đó các công nghệ dựa trên vị trí (cụ thể hơn là bản đồ 3D) có thể giúp tạo ra trải nghiệm nhập vai ảo.

5. Tăng cường công tác theo dõi quản lý

Với việc ngày càng có nhiều doanh nghiệp dựa vào hậu cần và quản lý chuỗi cung ứng để thực hiện các cam kết với khách hàng, nhu cầu theo dõi và quản dự kiến sẽ tăng trong những năm tới. Các công nghệ không gian địa lý và API bản đồ tùy chỉnh được sử dụng để theo dõi và quản lý các tài sản vật chất, chẳng hạn như phương tiện và thiết bị, cũng như để giám sát và tối ưu hóa việc sử dụng các tài sản này. Điều này có thể đặc biệt hữu ích cho các doanh nghiệp có số lượng lớn tài sản cần quản lý hoặc cần theo dõi vị trí và chuyển động của thiết bị của họ trong thời gian thực.

Vào năm 2023, các nhà cung cấp dịch vụ dựa trên vị trí và không gian địa lý sẽ tập trung vào việc nâng cao khả năng hiển thị của tài sản trong quá trình di chuyển và sử dụng hàng hóa, tăng cường an ninh bằng cách cảnh báo cho các nhóm hậu cần và giao hàng về bất kỳ sự di chuyển hàng hóa trái phép nào, đồng thời nâng cao hiệu quả của hệ thống vận chuyển và hậu cần.

Các công nghệ định vị và giám sát không gian địa lý có thể là những công cụ rất quan trọng đối với các doanh nghiệp cũng như các cơ quan quản lý. Tiềm năng chuyển đổi là rất lớn và các lĩnh vực ứng dụng công nghệ dựa trên vị trí tiếp tục phát triển.

Cuối cùng, hãy quan sát những điều thú vị sắp xảy ra trong năm nay!

Credit: Gaurav Bubna

Một số chỉ số thông dụng tính toán trên ảnh Sentinel và Landsat

Hiện tại, rất nhiều chỉ số quang phổ có thể tính toán được từ dữ liệu vệ tinh như chỉ số khác biệt thực vật, chỉ số nước, tuyết, đất, lửa, đô thị... Hai vệ tinh phổ biến là Landsat và Sentinel cung cấp cơ hội tuyệt vời cho người dùng trong việc tính toán các chỉ số này.

Bài viết này tổng hợp và trình bày lại một số chỉ số quang phổ thông dụng tính toán trên dữ liệu vệ tinh Sentinel và Landsat. Người dùng có thể ứng dụng các phép phân tích raster (raster calculation) để thực hiện các phép phân tích trên những phần mềm thông dụng như ArcGIS hay QGIS.

Các chỉ số quang phổ chính tính toán từ dữ liệu Sentinel và Landsat

Dưới đây là bộ công thức áp dụng trên các tổ hợp kênh ảnh Landsat 4, 5, 7, 8 và Sentinel MSI.

1. Chỉ số thực vật khác biệt quân bình (NDVI)

Công thức chung: NDVI = (NIR – Red) / (NIR + Red)

NDVI (Landsat 8) = (B5 – B4) / (B5 + B4)
NDVI (Landsat 4 – 7) = (B4 – B3) / (B4 + B3)
NDVI (Sentinel 2) = (B8 – B4) / (B8 + B4)

2. Chỉ số thực vật khác biệt quân bình "xanh" (GNDVI)

Tương tự như NDVI, chỉ số GNDVI được biến đổi một chút để nêu bật hơn nữa tính chất biến thiên của diệp lục trong lá cây. Công thức như sau:

Công thức chung: GNDVI = (NIR-GREEN) /(NIR+GREEN)

GNDVI (Landsat 8) = (B5 – B3) / (B5 + B3)
GNDVI (Landsat 4 – 7) = (B4 – B2) / (B4 + B2)
GNDVI (Sentinel 2) = (B8 – B3) / (B8 + B3)

3. Chỉ số thực vật tăng cường (EVI)

Chỉ số thực vật tăng cường EVI tương tự như NDVI và cũng được sử dụng để đánh giá mức độ tươi tốt của thực vật. Tuy nhiên, EVI đã có sự hiệu chỉnh một số điều kiện của khí quyển và nhiễu trên phần bóng của thực vật để trở nên nhạy cảm hơn với những khu vực có thực vật dày đặc. EVI sử dụng hệ số "L" để hiệu chỉnh phần bóng thực vật, hệ số "C" hiệu chỉnh khí quyển và băng xanh lam (B). Sự hiệu chỉnh này cho phép tăng cường tỷ số giữa hai kênh R và NIR, đồng thời giảm tác động của vùng bóng thực vật và nhiễu khí quyển.

Công thức chung: EVI = G * ((NIR – R) / (NIR + C1 * R – C2 * B + L))

EVI (Landsat 8) = 2.5 * ((B5 – B4) / (B5 + 6 * B4 – 7.5 * B2 + 1))
EVI (Landsat 4 – 7) = 2.5 * ((B4 – B3) / (B4 + 6 * B3 – 7.5 * B1 + 1))
EVI (Sentinel 2) = 2.5 * ((B8 – B4) / (B8 + 6 * B4 – 7.5 * B2 + 1))

4. Chỉ số thực vật nâng cao (AVI)

Chỉ số toán học này, tương tự như NDVI, sử dụng hai kênh phổ là đỏ (R) và cận hồng ngoại (NIR). AVI được ứng dụng trong các nghiên cứu giám sát cây trồng và thảm phủ theo chuỗi thời gian. Nếu sử dụng kết hợp AVI và NDVI, người dùng có thể xác định tốt hơn sự khác biệt giữa các nhóm thực vật hơn việc chỉ sử dụng 1 chỉ số.

Công thức chung: AVI = [NIR * (1-Red) * (NIR-Red)] ^1/3

AVI (Landsat 8) = [B5 * (1 – B4)*(B5 – B4)]^1/3
AVI (Landsat 4 – 7) = [B4 * (1 – B3)*(B4 – B3)]^1/3
AVI (Sentinel 2) = [B8 * (1 – B4)*(B8 – B4)]^1/3

5. Chỉ số thực vật có hiệu chỉnh theo môi trường đất (SAVI)

SAVI giảm bớt ảnh hưởng của môi trường đất phía dưới lớp thực vật trong chỉ số NDVI. Khi tính SAVI từ ảnh vệ tinh Landsat Surface Reflectance, các chuyên gia thêm vào hệ số "L = 0.5" trong phương trình NDVI (sử dụng hai kênh R và NIR) như một hệ số chung cho hầu hết các dạng thảm thực vật. người dùng cũng có thể tùy biên gia giảm "L" đi theo từng hoàn cảnh.

Công thức chung: SAVI = ((NIR – R) / (NIR + R + L)) * (1 + L)

SAVI (Landsat 8) = ((B5 – B4) / (B5+ B4 + 0.5)) * (1.5)
SAVI (Landsat 4 – 7) = ((B4 – B3) / (B4+ B3 + 0.5)) * (1.5)
SAVI (Sentinel 2) = (B08 – B04) / (B08 + B04 + 0.428) * (1.428)

Ở công thức trên, đối với ảnh Landsat, L có giá trị 0.5; còn với Sentinel, L = 0.428.

6. Chỉ số ức chế ẩm độ (MSI)

MSI viết tắt của Moisture Stress Index - chỉ số ức chế ẩm độ, được sử dụng trong các nghiên cứu về ức chế sinh lý của thảm thực vật do thiếu nước. Giá trị của MSI tương quan nghịch với chỉ số thực vật. Điều này đồng nghĩa với việc nếu MSI càng cao thì cây trồng càng khô héo, hay nói cách khác, thiếu nước nghiêm trọng. Miền giá trị của MSI dao động từ 0 đến 3.

Công thức chung: MSI = Mid_IR / NIR

MSI (Landsat 8) = B6 / B5
MSI (Landsat 4 – 7) = B5 / B4
MSI (Sentinel 2) = B11 / B08

7. Chỉ số diệp lục xanh (GCI)

Trong lĩnh vực viễn thám, chỉ số diệp lục xanh được sử dụng nhằm ước tính hàm lượng diệp lục có trong lá thực vật. Hàm lượng diệp lục đại diện cho mức độ sinh trưởng của thực vật. Chỉ số giảm khi thực vật bị ức chế và chính vì vậy GCI được ứng dụng trong theo dõi sức khỏe cây trồng.

Công thức chung: GCI = (NIR) / (Green) – 1

GCI (Landsat 8) = (B5 / B3) -1
GCI (Landsat 4 – 7) = (B4 / B2) -1
GCI (Sentinel 2) = (B9 / B3) -1

8. Chỉ số cháy rừng (NBRI)

Nguyên nhân cháy rừng có thể do con người gây ra hoặc cũng do tự nhiên, nhưng điểm chung là hoạt động này phát thải vào khí quyển một lượng lớn khí nhà kính. Chỉ số NBRI sử dụng hai kênh phổ Near Infrared (cận hồng ngoại) và Short-wave Infrared (hồng ngoại sóng ngắn) là hai kênh có mức độ nhạy cảm cao với sự thay đổi của thảm thực vật để phát hiện những khu vực bị cháy hoặc quá trình phục hồi hệ sinh thái.

Công thức chung: NBR = (NIR – SWIR) / (NIR+ SWIR)

NBRI (Landsat 8) = (B5 – B7) / (B5 + B7)
NBRI (Landsat 4 – 7) = (B4 – B7) / (B4 + B7)
NBRI (Sentinel 2) = (B8 – B12) / (B8 + B12)

9. Chỉ số đất trống (BSI)

Bare Soil Index (BSI) hay chỉ số đất trống, là một chỉ số kết hợp các kênh Blue (xanh lam), Red (đỏ), Near Infrared (cận hồng ngoại) và Short-wave Infrared (hồng ngoại sóng ngắn) để giám sát biến thiên trạng thái đất mặt.

10. Chỉ số nước khác biệt quân bình (NDWI)

NDWI được ứng dụng nhiều trong giám sát nước mặt từ dữ liệu vệ tinh. Chỉ số sử dụng hai kênh phổ là Green (xanh lá cây) và Near Infrared (cận hồng ngoại) của dữ liệu viễn thám.

Công thức chung: NDWI = (NIR – SWIR) / (NIR + SWIR)

NDWI (Landsat 8) = (B3 – B5) / (B3 + B5)
NDWI (Landsat 4 – 7) = (B2 – B4) / (B2 + B4)
NDWI (Sentinel 2) = (B3 – B8) / (B3 + B8)

11. Chỉ số tuyết khác biệt quân bình (NDSI)

Tương tự như NDVI hay NDWI, chỉ số NDSI được ứng dụng trong giám sát tuyết phủ bề mặt. hai kênh Green (xanh) và Short-wave Infrared (hồng ngoại sóng ngắn) được sử dụng trong phép tính toán chỉ số.

Công thức chung: NDSI = (Green-SWIR) / (Green+SWIR)

NDSI (Landsat 8) = (B3 – B6) / (B3 + B6)
NDSI (Landsat 4 – 7) = (B2 – B5) / (B2 + B5)
NDSI (Sentinel 2) = (B3 – B11) / (B3 + B11)

12. Chỉ số băng khác biệt quân bình (NDGI)

Chỉ số NDGI được sử dụng trong giám sát các hồ băng hoặc diện tích băng bao phủ trên bề mặt. Chỉ số sử dụng hia kênh phổ là Red và Green.

Công thức chung: NDGI = (NIR-Green)/(NIR+Green)

NDGI (Landsat 8) = (B3 – B4) / (B3 + B4)
NDGI (Landsat 4 – 7) = (B2 – B3) / (B2 + B3)
NDGI (Sentinel 2) = (B3 – B4) / (B3 + B4)

13. Chỉ số thực vật kháng khí quyển (ARVI)

Chỉ số thực vật khác biệt quân bình NDVI trình bày ở trên có điểm yếu là phụ thuộc rất nhiều vào điều kiện khí quyển. ARVI được ra đời nhằm hạn chế bớt tác động của khí quyển lên giá trị NDVI. Bằng cách sử dụng thêm kênh xanh lam (blue), ARVI được tính toán như sau.

ARVI = (NIR – (2 * Red) + Blue) / (NIR + (2 * Red) + Blue)

14. Chỉ số cấu trúc điểm ảnh không nhạy cảm (SIPI)

Chỉ số cấu trúc điểm ảnh không nhạy cảm được sử dụng trong tính toán biến thiên của tán lá thực vật. Chỉ số tính toán tỷ lệ giữa các vùng lá vàng (úa, khô) và lá xanh (nhiều diệp lục) để ước tính mức độ ức chế của thực vật.

Công thức chung: SIPI = (NIR – Blue) / (NIR – Red)

Nếu phát hiện lỗi trong bài viết, xin vui lòng phản ánh qua phần Comment. Xin cám ơn.

Xử lý dữ liệu ảnh vệ tinh bằng các bộ công cụ và nền tảng mã mở (FREE)

Ứng dụng viễn thám xoay quanh các lĩnh vực khác nhau như quản lý thiên tai, nghiên cứu khí hậu, phân tích kinh tế, xã hội, địa chất, thiên văn và vật lý... Số lượng vệ tinh giám sát trái đất tính đến thời điểm hiện tại rất đa dạng và phong phú về chủng loại. Các vệ tinh này theo dõi nhiều khu vực khác nhau trên bề mặt trái đất, truyền về trung tâm dữ liệu mặt đất một lượng lớn thông tin hàng ngày. Các nhà khoa học, nghiên cứu và các cơ quan, tổ chức luôn nỗ lực sử dụng những dữ liệu này. Tuy nhiên, phân tích dữ liệu vệ tinh khá phức tạp do lượng dữ liệu rất lớn.

Hiện nay, rất nhiều dữ liệu viễn thám được thu nhận ở các bước sóng khác nhau (kênh phổ) và cung cấp miễn phí cho người dùng. Do đó, số lượng ứng dụng dữ liệu vệ tinh ngày càng tăng trưởng mạnh. Với dữ liệu vệ tinh, người dùng có thể tiến hành các cuộc điều tra trên diện rộng trong thời gian ngắn. Dữ liệu viễn thám được phân tích theo phương pháp truyền thống với nhiều phần mềm phát triển bởi các cơ quan không gian, viện nghiên cứu, công ty tư nhân và các cá nhân trên toàn cầu. Dưới đây là một số phần mềm và công cụ xử lý ảnh vệ tinh:

SNAP - Brockmann Consult, SkyWatch and C-S and ESA (Download)
QGIS - Gary Sherman, currently maintained by volunteer developers (Download)
SAGA GIS - J.Böhner, O.Conrad, R.Köthe and A.Ringeler (Website) (Download)
GRASS - GRASS Development Team (Download)
PolSARPro - The Institute of Electronics and Telecommunications of Rennes (France) and ESA (Download)
Whitebox GAT - John Lindsay and Anthony Francioni (Download)

Viễn thám chủ động và viễn thám thụ động cung cấp thông tin bổ sung cho nhau, lấp đầy các khoảng trống cần thiết, tạo khả năng ứng dụng rộng rãi của dữ liệu viễn thám. Sau đây, chúng ta sẽ thảo luận một số ứng dụng của viễn thám chủ động được áp dụng rộng rãi.

Giám sát dịch chuyển mặt đất

Radar khẩu độ tổng hợp (SAR) là một trong những kỹ thuật giám sát trái đất độ phân giải cao (vài mét) thu nhận từ các cảm biến siêu cao tần phát sóng chủ động. Kỹ thuật giao thoa tín hiệu (InSAR) sử dụng tổ hợp 2 ảnh SAR để giám sát biến dạng mặt đất. Với chuỗi dữ liệu thu nhận liên tục theo thời gian, biến dạng ở mức độ rất nhỏ vài cm/một năm có thể được xác định. Kỹ thuật này thường được gọi là DInSAR (Defferential InSAR).

Thông tin chiết tách từ ảnh vệ tinh sử dụng kỹ thuật DInSAR đóng vai trò quan trọng trong công tác giám sát thiên tai như động đất, hoạt động núi lửa, sạt lở đất và sụt lún. Phân tích giao thoa InSAR chỉ có thể tiến hành với các cặp ảnh "góc đơn phức hợp" (SLC), trong đó các thành phần cường độ và pha được biểu thị dưới dạng số phức cho mỗi pixel. Các giá trị cường độ và pha sau đó có thể được tính toán từ các số phức.

Đồ hình giao thoa được tạo ra từ tính toán sự khác biệt về pha của 2 cặp ảnh SAR tại cùng một vị trí, tương quan với bề mặt địa hình khu vực. Trong kỹ thuật DInSAR, ảnh hưởng của địa hình được loại bỏ bằng mô hình số độ cao (DEM) và các thay đổi về pha đại diện cho sự dịch chuyển mặt đất giữa hai thời điểm giám sát.

Trong một nghiên cứu thí điểm, hai ảnh SLC Sentinel-1 được thu nhận tại khu vực thành phố Mexico City để đánh giá sụt lún trong giai đoạn 6/6/2016- đến 10/9/2026. Hình 1 dưới đây mô tả vị trí thu nhận ảnh. Quy trình xử lý ảnh giao thoa cho ảnh Sentinel-1 bao gồm coregistration, interferogram formation (hiệu chỉnh pha và tạo ảnh tương quan), TOP deburst, lọc pha Goldstein, phase unwrapping (snaphu), phase to displacement, và terrain correction. Chi tiết về quy trình này có thể được tham khảo tại đây (tiếng Anh).