A development of the Enhanced Built-Up and Bareness Index (EBBI) based on combination of multi-resolution Landsat 8 and Sentinel 2 MSI images

 Journal of Mining and Earth Sciences Vol. 62, Issue 1 (2021) 1 - 9 1 
A development of the Enhanced Built-up and 
Bareness Index (EBBI) based on combination of 
multi-resolution Landsat 8 and Sentinel 2 MSI images 
Hung Le Trinh 1,*, Ha Thu Thi Le 2, Loc Duc Le 3, Long Thanh Nguyen 4 
1 Institute of Techniques for Special Engineering, Military Technical Academy, Hanoi, Vietnam 
2 Faculty of Geomatics and Land Administration, Hanoi University of Mining and Geology, Vietnam 
3 Military Technical Academy, Hanoi, Vietnam 
4 The Military Terrain Training Center, Department of Cartography of the General Staff, People's Army of 
Vietnam 
ARTICLE INFO 
ABSTRACT 
Article history: 
Received 15th Oct. 2020 
Accepted 23rd Jan. 2021 
Available online 28th Feb. 2021 
 Classification of built-up land and bare land on remote sensing images is 
a very difficult problem due to the complexity of the urban land cover. 
Several urban indices have been proposed to improve the accuracy in 
classifying urban land use/land cover from optical satellite imagery. This 
paper presents an development of the EBBI (Enhanced Built-up and 
Bareness Index) index based on the combination of Landsat 8 and Sentinel 
2 multi-resolution satellite imagery. Near infrared band (band 8a), short 
wave infrared band (band 11) of Sentinel 2 MSI image and thermal 
infrared band (band 10) Landsat 8 image were used to calculate EBBI 
index. The results obtained show that the combination of Landsat 8 and 
Sentinel 2 satellite images improves the spatial resolution of EBBI index 
image, thereby improving the accuracy of classification of bare land and 
built-up land by about 5% compared with the case using only Landsat 8 
images. 
Copyright © 2021 Hanoi University of Mining and Geology. All rights reserved. 
Keywords: 
Bare land, 
Built-up land, 
Multi-resolution images, 
Remote sensing, 
Urbanization. 
_____________________ 
*Corresponding author 
E - mail: trinhlehung@lqdtu.edu.vn 
DOI: 10.46326/JMES.2021.62(1).01 
2 Tạp chí Khoa học Kỹ thuật Mỏ - Địa chất Tập 62, Kỳ 1 (2021) 1 - 9 
Phát triển chỉ số đất đô thị EBBI (Enhanced Built-up and 
Bareness Index) trên cơ sở kết hợp ảnh vệ tinh đa độ phân giải 
Landsat 8 và Sentinel 2 MSI 
Trịnh Lê Hùng 1, *, Lê Thị Thu Hà 2, Lê Đức Lộc 3 , Nguyễn Thanh Long 4 
1 Viện Kỹ thuật Công trình Đặc biệt, Học viện Kỹ thuật Quân sự, Hà Nội, Việt Nam 
2 Khoa Trắc địa - Bản đồ và Quản lý đất đai, Trường Đại học Mỏ Địa chất, Việt Nam 
3 Học viện Kỹ thuật Quân sự, Hà Nội, Việt Nam 
4 Trung tâm Đào tạo Nghiệp vụ Địa hình Quân sự, Cục Bản đồ, Bộ Tổng tham mưu, Việt Nam 
THÔNG TIN BÀI BÁO 
TÓM TẮT 
Quá trình: 
Nhận bài 15/10/2020 
Chấp nhận 23/12/2020 
Đăng online 28/02/2021 
 Phân loại đất xây dựng và đất trống khu vực đô thị trên ảnh viễn thám là 
một vấn đề rất khó khăn do sự phức tạp của lớp phủ bề mặt. Nhiều chỉ số đất 
đô thị đã được đề xuất nhằm nâng cao độ chính xác khi phân loại sử dụng 
đất/lớp phủ trên ảnh vệ tinh quang học. Kênh cận hồng ngoại (8a), kênh 
hồng ngoại sóng ngắn (kênh 11), ảnh Sentinel 2 MSI cùng kênh hồng ngoại 
nhiệt (kênh 10), ảnh Landsat 8 được sử dụng để tính chỉ số EBBI. Bài báo này 
trình bày một phát triển của chỉ số EBBI (Enhanced Built-up and Bareness 
Index) trên cơ sở kết hợp ảnh vệ tinh đa độ phân giải Landsat 8 và Sentinel 
2. Kết quả nhận được cho thấy, việc kết hợp ảnh vệ tinh Landsat 8 và Sentinel 
2 giúp nâng cao độ phân giải không gian của ảnh chỉ số EBBI, từ đó nâng cao 
độ chính xác khi phân loại đất trống và đất xây dựng lên khoảng 5% so với 
phương án chỉ sử dụng ảnh Landsat 8. 
© 2021 Trường Đại học Mỏ - Địa chất. Tất cả các quyền được bảo đảm. 
Từ khóa: 
Ảnh vệ tinh đa độ phân 
giải 
Đất trống, 
Đất xây dựng, 
Đô thị hóa, 
Viễn thám. 
1. Mở đầu 
Phân loại lớp phủ/sử dụng đất khu vực đô thị 
từ ảnh viễn thám là một vấn đề được nhiều nhà 
khoa học quan tâm nghiên cứu. Ban đầu, các 
phương pháp phân loại có giám sát và không giám 
sát được sử dụng để thành lập bản đồ hiện trạng 
sử dụng đất/lớp phủ khu vực đô thị (Xu, 2002; 
Masek và nnk., 2000; Guindon và nnk., 2004). Tuy 
vậy, do lớp phủ bề mặt đô thị rất phức tạp, mỗi 
pixel trên ảnh viễn thám có thể bao gồm nhiều loại 
đối tượng lớp phủ khác nhau dẫn đến độ chính xác 
khi phân loại đất xây dựng, đất trống không cao. 
Từ thập niên cuối thế kỷ XX, nhiều nhà khoa 
học đã sử dụng các chỉ số (Index) xác định từ ảnh 
viễn thám quang học nhằm nâng cao khả năng giải 
đoán các loại hình sử dụng đất/lớp phủ khu vực 
đô thị. Có thể kể đến các chỉ số như Urban index 
(UI) (Kawamura và nnk., 1996); Index based 
Built-up Index (IBI) (Xu, 2008); Normalized 
Difference Built-up Index (NDBI) (Zha và nnk., 
_____________________ 
*Tác giả liên hệ 
E - mail: trinhlehung@lqdtu.edu.vn 
DOI: 10.46326/JMES.2021.62(1).01 
 Trịnh Lê Hùng và nnk./Tạp chí Khoa học Kỹ thuật Mỏ - Địa chất 62(1), 1 - 9 3 
2003; Li và nnk., 2017); Normalized Difference 
Bareness Index (NDBaI) (Zhao và Chen, 2005); 
Bare soil index (BI) (Rikimaru và Miyatake, 1997); 
New Built-up Index (NBI) (Jieli và nnk., 2010); 
Modified Normalized Difference Impervious 
Surface Index (MNDISI) (Sun và nnk., 2017). Ở 
Việt Nam, một số nghiên cứu cũng đã sử dụng các 
chỉ số đất đô thị trong phân loại đất xây dựng và 
đất trống như Nguyễn Hoàng Khánh Linh (2011), 
Nguyễn Thúy Hạnh (2019). Nghiên cứu của 
Nguyễn Thúy Hạnh cho thấy, với trường hợp tại 
thủ đô Hà Nội, độ chính xác khi phân loại đất xây 
dựng bằng các chỉ số NDBI, IBI, EBBI có sự chênh 
lệch không lớn. 
Chỉ só EBBI (Enhanced Build - up and 
Bareness Index) được As-syakur và cộng sự đề 
xuất trên cơ sở kết hợp các kênh hòng ngoại và 
hòng ngoại nhiê ̣ t ảnh vê ̣ tinh Landsat nhằm theo 
dõi biến đo ̣ ng đát đô thị ở Bali (Indonesia) (As-
syakur và nnk., 2012). Trong nghiên cứu này, các 
tác giả đã chứng minh rằng chỉ số EBBI cho p ...  vệ tinh đa độ phân 
giải Landsat 8 và Sentinel 2. Kênh hồng ngoại 
nhiệt (kênh 10), ảnh Landsat 8 và kênh đỏ (kênh 
8a), kênh hồng ngoại sóng ngắn (kênh 11) ảnh 
Sentinel 2 MSI được sử dụng để tính chỉ số EBBI. 
Điều này giúp nâng cao độ phân giải không gian 
của chỉ số EBBI lên 20 m so với 30 m nếu xác định 
từ riêng ảnh Landsat 8. 
2. Dữ liệu và phương pháp nghiên cứu 
2.1 Dữ liệu 
Trong nghiên cứu này, ảnh Sentinel 2A chụp 
ngày 01/10/2019 (Hình 1a) và Landsat 8 chụp 
ngày 30/9/2019 (Hình 1b) khu vực quận Long 
Biên và huyện Gia Lâm (Thành phố Hà Nội) được 
sử dụng để tính chỉ số EBBI. Đây là một trong 
những khu vực ở thủ đô Hà Nội có tốc độ đô thị 
hóa nhanh trong những năm gần đây. 02 ảnh được 
lựa chọn chụp gàn thời điểm với nhau để giảm 
thiểu những khác biê ̣ t do sự khác nhau trong thời 
gian chụp ảnh gây nên. 
So sánh đặc điểm các kênh ảnh vệ tinh 
Sentinel 2 MSI và Landsat 8 được trình bày trên 
Hình 2 (Kaab và nnk., 2016). Từ phân tích đặc 
Hình 1. Ảnh vệ tinh Sentinel 2A và Landsat 8 khu vực nghiên cứu. 
4 Trịnh Lê Hùng và nnk./Tạp chí Khoa học Kỹ thuật Mỏ - Địa chất 62(1), 1 - 9 
điểm các kênh phổ ảnh vệ tinh Landsat 8 và 
Sentinel 2 MSI cho thấy, kênh 5 (cận hồng ngoại) 
ảnh Landsat 8 (0,845÷0,885 µm) và kênh 8a ảnh 
Sentinel 2 MSI (0,848÷0,881 µm) có bước sóng 
tương đồng nhau. Điều này cũng tương tự như với 
kênh 6 ảnh Landsat 8 (1,560÷1,660 µm) và kênh 
11 ảnh Sentinel 2 MSI (1,539÷1,681 µm). Như vậy, 
có thể thay thế kênh 5 và kênh 6 ảnh Landsat 8 
bằng các kênh 8a và 11 ảnh Sentinel 2 MSI chụp 
sát thời điểm với nhau khi tính chỉ số EBBI. 
2.2. Phương pháp nghiên cứu 
Chỉ só EBBI do Assyakur và nnk. (2012) đề 
xuát được xác định từ ảnh vê ̣ tinh Landsat 8 như 
sau: 
𝐸𝐵𝐵𝐼 =
𝐵𝑎𝑛𝑑 6 − 𝐵𝑎𝑛𝑑 5
10√𝐵𝑎𝑛𝑑 6 + 𝐵𝑎𝑛𝑑 10
 (1) 
Trong đó: Band5, Band6, Band10 - các kênh 
ca ̣ n hòng ngoại, hòng ngoại giữa và hòng ngoại 
nhiê ̣ t ảnh vê ̣ tinh Landsat 8. 
Chỉ số EBBI xác định trên cơ sở kết hợp ảnh 
vệ tinh đa độ phân giải Landsat 8 và Sentinel 2 MSI 
(ký hiệu là chỉ số iEBBI) theo công thức sau: 
𝑖𝐸𝐵𝐵𝐼
=
𝑆𝑒𝑛𝑡𝑖𝑛𝑒𝑙 2𝐵𝑎𝑛𝑑 11 − 𝑆𝑒𝑛𝑡𝑖𝑛𝑒𝑙 2𝐵𝑎𝑛𝑑 8𝑎
10√𝑆𝑒𝑛𝑡𝑖𝑛𝑒𝑙 2𝐵𝑎𝑛𝑑 11 + 𝐿𝑎𝑛𝑑𝑠𝑎𝑡 8𝐵𝑎𝑛𝑑 10
 (2) 
Phương pháp phân ngưỡng được sử dụng để 
tách đất xây dựng và đất trống trên ảnh chỉ số 
iEBBI. Các giá trị ngưỡng này được lựa chọn bàng 
phương pháp chuyên gia trên cơ sở phân tích lược 
đò histogram của ảnh chỉ só iEBBI. Quy trình phân 
loại đất xây dựng và đát tróng khu vực đô thị bàng 
chỉ só iEBBI trên cơ sở kết hợp ảnh vê ̣ tinh đa đo ̣ 
phân giải Sentinel 2 và Landsat 8 được mô tả trên 
Hình 3. 
Hình 3. Quy trình phân loại đất xây dựng và đất trống khu vực đô thị từ chỉ số EBBI xác định trên 
cơ sở kết hợp ảnh vệ tinh Sentinel 2 MSI và Landsat 8. 
Hình 2. So sánh đặc điểm các kênh ảnh vệ tinh Sentinel 2 và Landsat 8 (Kaab và nnk., 2016). 
 Trịnh Lê Hùng và nnk./Tạp chí Khoa học Kỹ thuật Mỏ - Địa chất 62(1), 1 - 9 5 
3. Kết quả và thảo luận 
Để tính chỉ số EBBI từ ảnh vệ tinh Sentinel 2 
MSI và Landsat 8, nghiên cứu này xây dựng 
module phần mềm bằng ngôn ngữ lập trình 
Matlab. Ngôn ngữ Matlab này tỏ ra đặc biệt hiệu 
quả khi làm việc với các dữ liệu dạng ma trận, do 
vậy rất phù hợp khi xử lý ảnh viễn thám. Giao diện 
chương trình được thể hiện trên Hình 4. 
Module phần mềm cung cấp khả năng mở, xử 
lý và hiển thị ảnh vệ tinh ở định dạng TIFF, trong 
đó bao gồm các công cụ chính như Viêw (đọc và 
hiển thị ảnh), Urban indices (tính các chỉ số đất đô 
thị),... Ngoài chỉ số EBBI, trong module phần mềm 
cũng cung cấp công cụ tính các chỉ số đất đô thị 
thông dụng khác như NDBI, NDBaI, IBI. Hình 5 
minh họa giao diện công cụ tính chỉ số iEBBI trên 
cơ sở kết hợp ảnh vệ tinh Sentinel 2 MSI và 
Landsat 8, trong đó đầu vào bao gồm kênh cận 
hồng ngoại (kênh 8a), hồng ngoại sóng ngắn (kênh 
11) ảnh Sentinel 2 MSI và kênh hồng ngoại nhiệt 
(kênh 10) ảnh Landsat 8. 
Kết quả xác định chỉ số iEBBI trên cơ sở kết 
hợp ảnh vệ tinh đa độ phân giải Sentinel 2 MSI và 
Landsat 8 được thể hiện trên Hình 6 (a). Ngoài ra, 
để so sánh, đánh giá, trong nghiên cứu cũng tiến 
hành xác định chỉ số EBBI từ ảnh vệ tinh 
Hình 4. Giao diện module phần mềm xác định chỉ số EBBI. 
Hình 5. Công cụ tính chỉ sô iEBBI từ ảnh vệ tinh Sentinel 2 MSI và Landsat 8. 
6 Trịnh Lê Hùng và nnk./Tạp chí Khoa học Kỹ thuật Mỏ - Địa chất 62(1), 1 - 9 
Landsat 8 (Hình 6b). Trên ảnh chỉ số EBBI, đất 
xây dựng có màu trắng sáng, đất trống có màu xám 
và các đối tượng lớp phủ khác có màu tối. Độ phân 
giải không gian của chỉ số iEBBI khi kết hợp sử 
dụng ảnh Sêntinêl 2 MSI và Landsat 8 đạt 20 m so 
với 30 m khi chỉ sử dụng ảnh vệ tinh Landsat 8. 
Kết quả xác định chỉ số iEBBI trên cơ sở kết 
hợp ảnh vệ tinh đa độ phân giải Sentinel 2 MSI và 
Landsat 8 được thể hiện trên Hình 6 (a). Ngoài ra, 
để so sánh, đánh giá, trong nghiên cứu cũng tiến 
hành xác định chỉ số EBBI từ ảnh vệ tinh Landsat 
8 (Hình 6b). Trên ảnh chỉ số EBBI, đất xây dựng có 
màu trắng sáng, đất trống có màu xám và các đối 
tượng lớp phủ khác có màu tối. Độ phân giải 
không gian của chỉ số iEBBI khi kết hợp sử dụng 
ảnh Sêntinêl 2 MSI và Landsat 8 đạt 20 m so với 
30 m khi chỉ sử dụng ảnh vệ tinh Landsat 8. 
Phương pháp phân ngưỡng được sử dụng để 
chiết tách thông tin đất xây dựng, đất trống từ chỉ 
số EBBI. Đói với chỉ só iEBBI xác định từ viê ̣ c kết 
hợp ảnh Sêntinêl 2 MSI và Landsat 8, đất xây dựng 
có giá trị lớn hơn 0,105, trong khi đất trống có giá 
trị nằm trong khoảng -0,024÷0,105. Đối với 
phương án sử dụng chỉ số EBBI xác định từ ảnh 
Landsat 8, đất xây dựng có giá trị lớn hơn -0,449; 
đất trống có giá trị nằm trong khoảng từ -0,959 ÷ 
-0,449 (Bảng 1). Kết quả phân loại đất xây dựng, 
đất trống khu vực nghiên cứu từ chỉ số iEBBI và 
EBBI được thể hiện trên Hình 7. 
Để đánh giá đo ̣ chính xác kết quả pha n loại đất 
xây dựng và đất trống từ chỉ số EBBI, nghiên cứu 
này sử dụng 250 điểm kiểm tra ngãu nhiê n láy từ 
kết quả pha n loại, sau đó so sánh với ảnh vê ̣ tinh 
đo ̣ pha n giải cao thu tha ̣ p từ Googlê Earth (Hình 
8). Kết quả cho tháy, khi pha n loại đát xa y dựng và 
đất tróng từ chỉ só iEBBI bàng cách kết hợp ảnh vê ̣ 
tinh Landsat 8 và Sêntinêl 2 MSI, đo ̣ chính xác tỏng 
thể đạt 91,2% và 89,6%, chỉ só Kappa đạt 0,901 và 
0,866. Đói với phương án chỉ sử dụng ảnh vê ̣ tinh 
Landsat 8, giá trị đo ̣ chính xác tổng thể khi phân 
loại đất xây dựng, đất trống đạt tương ứng 86,4% 
và 84,0%; chỉ số Kappa đạt 0,849 và 0,812. Như 
va ̣ y, phương án sử dụng chỉ số iEBBI trên cơ sở kết 
hợp ảnh vệ tinh đa độ phân giải Sentinel 2 MSI và 
Landsat 8 giúp cải thiện độ chính xác khi phân loại 
đất xây dựng, đất trống lên khoảng 5% so với 
phương án chỉ sử dụng ảnh vệ tinh Landsat 8. Giá 
trị chỉ số Kappa cũng có sự gia tăng đáng kể. 
TT Chỉ số 
Dữ liệu sử 
dụng 
Giá trị ngưỡng Độ chính xác 
Đất xây 
dựng 
Đất trống 
Độ chính xác tổng thể (%) Chỉ số Kappa 
Đất xây dựng Đất trống Đất xây dựng Đất trống 
1 iEBBI 
Sentinel 2 + 
Landsat 8 
> 0,105 -0,024 ÷0,105 91,2% 89,6% 0,901 0,886 
2 EBBI Landsat 8 > -0,449 -0,959 ÷-0,449 86,4% 84,0% 0,849 0,812 
Hình 6. Kết quả tính chỉ số EBBI trên cơ sở kết hợp ảnh vệ tinh Sentinel 2A và Landsat 8 (a), chỉ sử dụng 
ảnh Landsat 8 (b). 
Bảng 1. Kết quả phân loại đất xây dựng, đất trống từ chỉ số EBBI. 
 Trịnh Lê Hùng và nnk./Tạp chí Khoa học Kỹ thuật Mỏ - Địa chất 62(1), 1 - 9 7 
Hình 7. Kết quả phân loại đất xây dựng và đất trống khu vực đô thị bằng chỉ số iEBBI (a) và EBBI (b). 
Hình 8. Phân bố các điểm lấy mẫu ngẫu nhiên trong đánh giá độ chính xác từ ảnh Google Earth. 
8 Trịnh Lê Hùng và nnk./Tạp chí Khoa học Kỹ thuật Mỏ - Địa chất 62(1), 1 - 9 
4. Kết luận 
Ảnh vệ tinh đa độ phân giải Sentinel 2 MSI và 
Landsat 8 với những đặc điểm tương đồng về dải 
phổ, thời gian cập nhật ngắn, được cung cấp hoàn 
toàn miễn phí có thể kết hợp sử dụng trong phân 
loại lớp phủ/sử dụng đất khu vực đô thị. Từ kết 
quả phân loại đất xây dựng, đất trống khu vực Hà 
Nội cho thấy rằng: việc sử dụng 02 cảnh ảnh 
Sentinel 2 MSI và Landsat chụp sát thời điểm với 
nhau để tính chỉ số EBBI cho phép nâng cao độ 
chính xác khi phân loại đất xây dựng, đất trống 
khu vực đô thị lên khoảng 5%. Hơn nữa, độ phân 
giải không gian của chỉ số EBBI khi sử dụng kết 
hợp 2 loại dữ liệu viễn thám này cũng được cải 
thiện lên 20m so với 30m khi chỉ sử dụng ảnh 
Landsat 8. Kết quả nhận được trong nghiên cứu 
cũng cung cấp cơ sở khoa học góp phần nâng cao 
hiệu quả sử dụng các dữ liệu viễn thám miễn phí 
trong đánh giá, giám sát các thành phần tài 
nguyên, môi trường. 
Đóng góp của các tác giả 
Trịnh Lê Hùng, Lê Đức Lo ̣ c: lên ý tưởng; Trịnh 
Lê Hùng: viết bản thảo bài báo; Lê Thị Thu Hà, Lê 
Đức Lo ̣ c: đánh giá và chỉnh sửa. 
Tài liệu tham khảo 
As-syakur Abd. R., Adnyana I. W., Arthana I. W., 
Nuarsa I.W., (2012). Enhanced built - up and 
bareness index (EBBI) for mapping built - up 
and bare land in an urban area. Remote Sensing 
4, 2957 --2970. 
Bramhe V., Ghosh S., Garg P., (2018). Extraction of 
built-up area by combining textural features 
and spectral indices from Landsat 8 
multispectral image. The International 
Archives of the Photogrammetry. Remote 
Sensing and Spatial Information Sciences 42(5), 
727 - 733. 
Guindon B., Zhang Y., Dillabaugh C., (2004). 
Landsat urban mapping based on a combined 
spectral-spatial methodology. Remote Sensing 
of Environment 92(2), 218 - 232. 
Jieli C., Liu Y., Manchun L., Chenglei S., (2010). 
Extract residential areas automatically by New 
Built-up Index. The 18th International 
Conference on Geoinformatics: GIScience in 
Change, Geoinformatics 2010, Peking 
University, Beijing, China, June, 18-20. 
Kaab A., Winsvold S. H., Altena B., Nuth C., Nagler 
T., Wuite J., (2016). Glacier remote sensing 
using Sentinel 2. Part I: Radiometric and 
geometric performance and application to ice 
velocity. Remote Sensing 8(7), 598, 
https://doi.org/10. 3390/rs8070598. 
Kawamura M., Jayamana S., Tsujiko Y., (1996). 
Relation between social and environmental 
conditions in Colombo Sri Lanka and the urban 
index estimated by satellite remote sensing 
data. International Archives of the 
Photogrammetry. Remote Sensing and Spatial 
Information Sciences 31 (Part B7), 321-326. 
Li H., Wang C., Zhong C., Su A., Xiong C., Wang J., Liu 
J., (2017). Mapping urban bare land 
automatically from Landsat imagery with a 
simple index. Remote Sensing, 9(3), 249, 1-15. 
Masek J. G., Lindsay F. E., Goward S. N., (2000). 
Dynamics of urban growth in the Washington 
DC metropolitan area, 1973 - 1996 from 
Landsat observations. International Journal of 
Remote Sensing 21(18), 3473 - 3486. 
Nguyễn Hoàng Khánh Linh, (2011). Thành la ̣ p tự 
đo ̣ ng bản đò pha n bó đát đo thị bàng chỉ só IBI 
từ ảnh Landsat TM: Trường hợp nghiê n cứu tại 
thành phó Huế - tỉnh Thừa Thiê n Huế. Tuyển 
tập hội thảo Ứng dụng GIS toàn quốc. 205 - 12. 
Nguyễn Thị Thúy Hạnh (2019). Nghiên cứu chỉ số 
đô thị trong chiết tách đất trống và đất xây 
dựng khu vực Hà Nội từ ảnh vệ tinh Landsat 8. 
Tạp chí Khoa học Kỹ thuật Mỏ-Địa chất 60(4), 
82-86. 
Rasul A., Balzter H., Faqe Ibrahim G., Hameed H., 
Wheeler J., Adamu B., Ibrahim S., Najmaddin P., 
(2018). Applying built-up and bare soil 
indicies from Landsat 8 to cities in dry 
climates. Land, 7, 81, 1-13. 
Rikimaru A., Miyatake S., (1997). Development of 
Forest Canopy Density Mapping and 
Monitoring Model using Indices of Vegetation, 
Bare soil and Shadow. In Proceeding of the 18th 
Asian Conference on Remote Sensing (ACRS), 
Kuala Lumpur, Malaysia, 20-25 October 1997, 
p. 3. 
 Trịnh Lê Hùng và nnk./Tạp chí Khoa học Kỹ thuật Mỏ - Địa chất 62(1), 1 - 9 9 
Sekertekin A., Abdikan S., Marangoz A., (2018). 
The acquisition of impervious surface area 
from Landsat 8 satellite sensor data using 
urban indices: a comparative analysis. 
Environmental Monitoring and Assessment, 
190(7), 381, 1-13. 
Sun Z., Wang C., Guo H., Shang R., (2017). A 
Modified Normalized Difference Impervious 
Surface Index (MNDISI) for automatic urban 
mapping from Landsat imagery. Remote 
Sensing, 9(9), 942, https://doi.org/10.3390/ 
rs9090942. 
Trịnh Lê Hùng (2018). Kết hợp ảnh vê ̣ tinh 
Landsat 8 và Sêntinêl 2 trong na ng cao đo ̣ pha n 
giải nhiê ̣ t đo ̣ bề ma ̣ t. Tạp chí Khoa học Đại học 
Quốc gia Hà Nội. Chuyên san Các khoa học và 
Mo i trường 34(2), 54-63. 
Trịnh Lê Hùng, (2020). Phân loại đất trống đô thị 
bằng chỉ số NDBaI trên cơ sở kết hợp ảnh vệ 
tinh đa độ phân giải Sentinel 2 MSI và Landsat 
8. Tạp chí Khoa học Đại học Quốc gia Hà Nội, 
chuyên san Các Khoa học Trái đất và Môi 
trường 36(2), 68-78. 
Xu H. Q., (2002). Spatial expansion of urban/town 
in Fuqing and its driving analysis. Remote 
Sensing Technology and Application 17, 86 - 
92. 
Xu H.Q., (2007). Extraction of urban built - up land 
features from Landsat imagery using a 
thematic oriented index combination 
technique. Photogrammetric Engineering & 
Remote Sensing, 73(12), 1381 -1391. 
Xu H.Q., (2008). A new index for delineating built-
up land features in satellite imagery. 
International Journal of Remote Sensing, 29, 
4269 - 4276. 
Zha Y., Gao J., Ni S., (2003). Use of normalized 
difference built-up index in automatically 
mapping urban areas from TM imagery. 
International Journal of Remote Sensing, 24(3), 
583 - 594. 
Zhao H., Chen X., (2005). Use of Normalized 
Difference Bareness Index in quickly mapping 
bare areas from TM/ETM+. International 
Geoscience and Remote Sensing Symposium 
(IGARSS) 3, 1666-1668, DOI: 10.1109/IGARSS. 
2005.1526319