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

VNU Journal of Science: Earth and Environmental Sciences, Vol. 36, No. 2 (2020) 68-78 
68 
Original Article 
Urban Bare Land Classification Using NDBaI Index Based 
on Combination of Sentinel 2 MSI and Landsat 8 
Multiresolution Images 
Trinh Le Hung 
Military Technical Academy, 236 Hoang Quoc Viet, Hanoi, Vietnam 
Received 03 January 2020 
Revised 08 February 2020; Accepted 11 February 2020 
Abstract: The classification of urban land cover/land use is a difficult task due to the complexity in 
the structure of the urban surface. This paper presents the method of combining of Sentinel 2 MSI 
and Landsat 8 multi-resolution satellite image data for urban bare land classification based on 
NDBaI index. Two images of Sentinel 2 and Landsat 8 acquired closely together, were used to 
calculate the NDBaI index, in which sortware infrared band (band 11) of Sentinel 2 MSI image and 
thermal infrared band (band 10) of Landsat 8 image were used to improve the spatial resolution of 
NDBaI index. The results obtained from two experimental areas showed that, the total accuracy of 
classifying bare land from the NDBaI index which calculated by the proposed method increased by 
about 6% compared to the method using the NDBaI index, which is calculated using only Landsat 
8 data. The results obtained in this study contribute to improving the efficiency of using free remote 
sensing data in urban land cover/land use classification. 
Keywords: bare land, classification, urban indices, NDBaI, Sentinel 2 MSI, Landsat 8. 
________ 
 Corresponding author. 
 E-mail address: trinhlehung125@gmail.com 
 https://doi.org/10.25073/2588-1094/vnuees.4537 
T.L. Hung / VNU Journal of Science: Earth and Environmental Sciences, Vol. 36, No. 2 (2020) 68-78 69 
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 
Trịnh Lê Hùng 
Học viện Kỹ thuật Quân sự, 236 Hoàng Quốc Việt, Hà Nội, Việt Nam 
Nhận ngày 03 tháng 01 năm 2020 
Chỉnh sửa ngày 08 tháng 02 năm 2020; Chấp nhận đăng ngày 11 tháng 02 năm 2020 
Tóm tắt: Phân loại lớp phủ/sử dụng đất khu vực đô thị là một công việc khó khăn do sự phức tạp 
trong cấu trúc của bề mặt đô thị. Bài báo này trình bày phương pháp kết hợp dữ liệu ảnh vệ tinh đa 
độ phân giải Sentinel 2 MSI và Landsat 8 trong phân loại đất trống trên cơ sở chỉ số NDBaI. 02 cảnh 
ảnh Sentinel 2 MSI và Landsat 8 chụp sát thời điểm với nhau được sử dụng để tính chỉ số NDBaI, 
trong đó sử dụng kênh hồng ngoại giữa (kênh 11) ảnh Sentinel 2 MSI và kênh hồng ngoại nhiệt 
(kênh 10) ảnh Landsat 8, giúp nâng cao độ phân giải không gian của chỉ số NDBaI. Kết quả nhận 
được cho thấy, tại 02 khu vực thử nghiệm, độ chính xác khi phân loại đất trống từ chỉ số NDBaI 
bằng phương pháp đề xuất tăng lên khoảng 6% so với phương pháp sử dụng chỉ số NDBaI tính từ 
ảnh vệ tinh Landsat 8. Kết quả nhận được trong nghiên cứu góp phần nâng cao hiệu quả sử dụng các 
dữ liệu viễn thám miễn phí trong phân loại lớp phủ/sử dụng đất khu vực đô thị. 
Từ khoá: đất trống đô thị, phân loại, chỉ số đất đô thị, NDBaI, Sentinel 2 MSI, Landsat 8. 
1. Mở đầu 
Phân loại lớp phủ/sử dụng đất khu vực đô thị 
là một vấn đề có tính thực tiễn hiện nay, phục vụ 
công tác quy hoạch và phát triển bền vững các 
đô thị. Từ những thập niên cuối thế kỷ XX, nhiều 
nghiên cứu đã sử dụng dữ liệu viễn thám trong 
phân loại lớp phủ/sử dụng đất khu vực đô thị. 
Thời gian đầu, phương pháp phân loại tự động 
(có giám sát và không giám sát) được sử dụng để 
chiết tách thông tin đất trống/đất xây dựng. Xu 
(2002) [1] đã sử dụng phương pháp phân loại có 
giám sát kết hợp với phân tích đặc trưng phản xạ 
phổ của các lớp sử dụng đất trong phân loại đất 
đô thị ở thành phố Fuqing, đông nam Trung 
Quốc. Nghiên cứu của Masek và CS (2000) [2] 
sử dụng phương pháp phân loại không giám sát 
cùng với chỉ số thực vật NDVI (Normalized 
________ 
 Tác giả liên hệ. 
 Địa chỉ email: trinhlehung125@gmail.com 
 https://doi.org/10.25073/2588-1094/vnuees.4537 
Difference Vegetation Index) để thành lập bản 
đồ sử dụng đất đô thị ở Washington (Mỹ). 
Guindon và CS (2004) [3] đề xuất phương pháp 
kết hợp kết quả phân loại không giám sát và phân 
mảnh (segmentation) để tăng độ chính xác cho 
các lớp sử dụng đất từ tư liệu ảnh vệ tinh 
Landsat. Xian và Crane (2005) [4] sử dụng thuật 
toán cây quyết định để thành lập bản đồ bề mặt 
không thấm ở khu vực đô thị. Nhìn chung, việc 
phân loại đất trống/đất xây dựng bằng phương 
pháp phân loại tự động gặp rất nhiều khó khăn 
do sự phức tạp của bề mặt đô thị, trong đó từng 
pixel có thể bao gồm nhiều đối tượng lớp phủ 
khác nhau. 
Để khắc phục những hạn chế trên, một số 
nghiên cứu đã đề xuất sử dụng các chỉ số đất đô 
thị (urban indices) nhằm nâng cao độ chính xác 
khi phân loại lớp phủ/sử dụng đất khu vực đô thị. 
T.L. Hung / VNU Journal of Science: Earth and Environmental Sciences, Vol. 36, No. 2 (2020) 68-78 70 
Ridd (1995) [5] đã mô hình hóa đô thị từ ba hợp 
phần (V-I-S): Cây xanh (V - vegetation), bề mặt 
không thấm (I - impervious surface) và đất (S - 
soil) nhằm đánh giá sự thay đổi của đô thị. Mô 
hình V-I-S đã được sử dụng rộng rãi trong các 
nghiên cứu về phân loại lớp phủ/sử dụng đất đô 
thị, tuy nhiên mô hình này cũng có nhược điểm 
khi không tính đến hợp phần nước [6]. Zha và 
CS (2003) [7] đã đề xuất chỉ số NDBI 
(Normalized Difference Built - up Index) trong 
phân loại đất xây dựng dựa trên cơ sở đất xây 
dựng có hệ số phản xạ ở dải sóng giữa hồng 
ngoại (MIR) cao hơn hẳn  ... uả phân loại đất trống khu vực thành 
phố Thanh Hóa, tỉnh Thanh Hóa bằng phương 
pháp phân ngưỡng từ chỉ số NDBaI xác định từ 
ảnh vệ tinh đa độ phân giải Sentinel 2 và Landsat 
8 được trình bày trên Hình 6. Trong thử nghiệm 
này, giá trị ngưỡng (-0,80822) được lấy bằng 
phương pháp chuyên gia trên cơ sở phân tích 
lược đồ histogram của ảnh chỉ số NDBaI. Quá 
trình thực hiện được tiến hành trên phần mềm xử 
lý ảnh ENVI 5.2. 
Để so sánh, trong nghiên cứu cũng tiến hành 
phân loại đất trống từ chỉ số NDBaI tính từ ảnh 
vệ tinh Landsat 8 ngày 02/07/2018. Kết quả phân 
loại đất trống khu vực thành phố Thanh Hóa từ 
chỉ số NDBaI sử dụng ảnh Landsat 8 được thể 
hiện trên Hình 7. Trong ví dụ này, giá trị ngưỡng 
đối với đất trống được lấy bằng (-0,17887) thông 
qua phân tích histogram. 
T.L. Hung / VNU Journal of Science: Earth and Environmental Sciences, Vol. 36, No. 2 (2020) 68-78 74 
Hình 6. Kết quả phân loại đất trống khu vực thành 
phố Thanh Hóa bằng chỉ số NDBaI xác định từ 
ảnh Sentinel 2 MSI và Landsat 8. 
Để đánh giá độ chính xác kết quả phân loại, 
250 điểm ngẫu nhiên từ ảnh phân loại đất trống 
đô thị khu vực thành phố Thanh Hóa được so 
sánh với ảnh vệ tinh độ phân giải cao thu thập từ 
Google Earth. Kết quả cho thấy, độ chính xác 
tổng thể khi phân loại đất trống từ chỉ số NDBaI 
khi kết hợp ảnh vệ tinh Landsat 8 và Sentinel 2 
MSI đạt 92,80%, chỉ số Kappa đạt 0,916. Đối với 
phương án chỉ sử dụng ảnh vệ tinh Landsat 8, giá 
trị độ chính xác chung và chỉ số Kappa đạt lần 
lượt là 86,40% và 0.852. Như vậy, việc kết hợp 
ảnh vệ tinh đa độ phân giải Sentinel 2 và Landsat 
8 trong phân loại đất trống bằng chỉ số NDBaI 
cho phép nâng cao độ chính xác kết quả phân loại 
lên khoảng 6%. 
Bên cạnh đó, trong nghiên cứu cũng tiến 
hành phân loại đất trống bằng phương pháp phân 
loại tự động có giám sát sử dụng thuật toán xác 
suất cực đại (maximum likelihood) từ ảnh 
Sentinel 2A chụp ngày 03/07/2018. Kết quả 
nhận được cho thấy, độ chính xác tổng thể và giá 
trị chỉ số Kappa khi phân loại đất trống bằng 
phương pháp này đạt 82,17% và 0,797. 
Hình 7. Kết quả phân loại đất trống khu vực 
thành phố Thanh Hóa bằng chỉ số NDBaI xác định 
từ ảnh Landsat 8. 
3.2. Khu vực thử nghiệm 2 
Khu vực thử nghiệm 2 được lựa chọn là 
thành phố Thái Nguyên, tỉnh Thái Nguyên. Đây 
là một đô thị có diện tích không lớn, việc phân 
loại lớp phủ/sử dụng đất bằng ảnh vệ tinh có độ 
phân giải 30m như ảnh Landsat 8 gặp rất nhiều 
khó khăn. 
Trong ví dụ này, ảnh vệ tinh Sentinel 2A 
chụp ngày 01/10/2019 (Hình 8) và ảnh Landsat 
8 chụp ngày 30/9/2019 (Hình 9) được sử dụng để 
tính chỉ số NDBaI, sau đó phân loại đất trống 
bằng phương pháp phân ngưỡng như đối với khu 
vực thử nghiệm 1. Giá trị ngưỡng cũng được lựa 
chọn trên cơ sở phân tích histogram ảnh chỉ số 
NDBaI. Đối với chỉ số NDBaI xác định từ việc 
kết hợp ảnh Sentinel 2 MSI và Landsat 8, giá trị 
ngưỡng được lấy là -0,81170, trong khi đó, với 
chỉ số NDBaI tính từ riêng ảnh Landsat 8, giá trị 
ngưỡng được lựa chọn là -0,21455. 
T.L. Hung / VNU Journal of Science: Earth and Environmental Sciences, Vol. 36, No. 2 (2020) 68-78 75 
Hình 8. Ảnh vệ tinh Sentinel 2A ngày 01/10/2019 
khu vực thành phố Thái Nguyên, tỉnh Thái Nguyên. 
Hình 9. Ảnh vệ tinh Landsat 8 ngày 30/09/2019 
khu vực thành phố Thái Nguyên, tỉnh Thái Nguyên. 
Hình 10. Chỉ số NDBaI khu vực thành phố 
Thái Nguyên xác định từ ảnh vệ tinh Sentinel 2 MSI 
và Landsat 8. 
Hình 11. Chỉ số NDBaI khu vực thành phố Thái 
Nguyên xác định từ ảnh vệ tinh Landsat 8. 
Kết quả xác định chỉ số NDBaI bằng hai 
phương án trên được trình bày trên các Hình 10 
và 11, trong đó các pixel màu sáng trắng thể hiện 
các khu vực đất trống đô thị. 
Trên Hình 12 và 13 thể hiện kết quả phân loại 
đất trống khu vực thành phố Thanh Hóa từ chỉ số 
NDBaI xác định bằng cách kết hợp ảnh vệ tinh 
đa độ phân giải Setinel 2 và Landsat 8 và phương 
án chỉ sử dụng riêng ảnh Landsat 8. Để đánh giá 
độ chính xác kết quả phân loại, trong ví dụ này 
cũng sử dụng 250 điểm kiểm tra ngẫu nhiên lấy 
từ kết quả phân loại, sau đó so sánh với ảnh vệ 
tinh độ phân giải cao thu thập từ Google Earth. 
Kết quả cho thấy, khi phân loại đất trống từ chỉ 
số NDBaI bằng cách kết hợp ảnh vệ tinh Landsat 
8 và Sentinel 2 MSI, độ chính xác tổng thể đạt 
91,60%, chỉ số Kappa đạt 0,904. Đối với phương 
án chỉ sử dụng ảnh vệ tinh Landsat 8, giá trị độ 
chính xác chung và chỉ số Kappa đạt lần lượt là 
86,00% và 0,848. Như vậy, cũng giống như với 
thử nghiệm 1, phương pháp kết hợp ảnh vệ tinh 
đa độ phân giải Sentinel 2 MSI và Landsat 8 khi 
phân loại đất trống đô thị bằng chỉ số NDBaI cho 
phép nâng cao độ chính xác lên khoảng gần 6% 
so với phương pháp chỉ sử dụng riêng ảnh 
Landsat 8. Đối với kết quả phân loại đất trống 
bằng phương pháp phân loại xác suất cực đại, độ 
chính xác tổng thể chỉ đạt 82,52%, giá trị chỉ số 
Kappa là 0,814. 
T.L. Hung / VNU Journal of Science: Earth and Environmental Sciences, Vol. 36, No. 2 (2020) 68-78 76 
Hình 12. Kết quả phân loại đất trống khu vực thành 
phố Thái Nguyên bằng chỉ số NDBaI xác định từ 
ảnh Sentinel 2 MSI và Landsat 8. 
Hình 13. Kết quả phân loại đất trống khu vực thành 
phố Thái Nguyên bằng chỉ số NDBaI xác định từ 
ảnh Landsat 8. 
3.3. Một số nhận xét 
Từ 02 thử nghiệm trên cho thấy, việc kết hợp 
ảnh vệ tinh đa độ phân giải Sentinel 2 MSI và 
Landsat 8 chụp sát thời điểm nhau để tính chỉ số 
NDBaI nhằm phân loại đất trống đô thị cho phép 
nâng cao đáng kể độ chính xác (khoảng 6%) so 
với phương pháp chỉ sử dụng ảnh vệ tinh Landsat 
8. Giá trị chỉ số Kappa khi phân loại đất trống đô 
thị trong trường hợp sử dụng kết hợp ảnh vệ tinh 
Sentinel 2 MSI và Landsat 8 cũng cao hơn so với 
trường hợp chỉ sử dụng ảnh Landsat 8. Hơn nữa, 
độ phân giải không gian của chỉ số NDBaI khi 
kết hợp ảnh vệ tinh Sentinel 2 MSI và Landsat 8 
cũng đạt 20m so với 30m khi chỉ sử dụng ảnh 
Landsat 8. Điều này làm giúp tăng tính hiệu quả 
khi áp dụng chỉ số NDBaI trong phân loại đất 
trống ở những đô thị có diện tích không lớn. 
Bên cạnh đó, từ các thử nghiệm tại thành phố 
Thanh Hóa (tỉnh Thanh Hóa) và thành phố Thái 
Nguyên (tỉnh Thái Nguyên) cũng cho thấy, việc 
sử dụng chỉ số NDBaI trong phân loại đất trống 
đô thị cũng có những hạn chế nhất định khi phân 
loại nhầm lẫn những khu công nghiệp được lợp 
mái tôn, nhất là mái tôn màu trắng vào lớp đất 
trống (Bảng 2). Điều này có thể giải thích do 
phản xạ phổ của các khu công nghiệp được lợp 
tôn trắng rất giống với các khu vực đất trống, 
trong khi độ phân giải phổ của ảnh Sentinel 2 
MSI và Landsat 8 không cho phép phân biệt rõ 
ràng hai đối tượng này. Để nâng cao độ chính 
xác, cần thiết phải tiến hành các công đoạn sau 
phân loại (post-classification) nhằm loại bỏ 
những khu vực bị phân loại nhầm lẫn. 
4. Kết luận 
Sử dụng các chỉ số đất đô thị xác định từ dữ 
liệu viễn thám trong phân loại đất trống là một 
tiếp cận phù hợp, giúp tiết kiệm thời gian cũng 
như nâng cao độ chính xác so với các phương 
pháp phân loại truyền thống. 
Kết quả phân loại đất trống từ chỉ số NBDaI 
ở 02 khu vực thử nghiệm, bao gồm thành phố 
Thanh Hóa (tỉnh Thanh Hóa) và thành phố Thái 
Nguyên (tỉnh Thái Nguyên) cho thấy, phương 
pháp kết hợp ảnh vệ tinh đa độ phân giải Sentinel 
2 MSI và Landsat 8 giúp nâng cao độ chính xác 
tổng thể lên khoảng 6% so với phương pháp chỉ 
sử dụng ảnh Landsat 8. Hơn nữa, độ phân giải 
không gian của chỉ số NDBaI khi tính từ ảnh 
Sentinel 2 và Landsat 8 cũng được nâng lên 
thành 20m, so với 30m khi sử dụng riêng ảnh 
Landsat 8. Điều này có ý nghĩa quan trọng trong 
trường hợp phân loại đất trống ở những khu vực 
đô thị có diện tích không lớn. 
Từ kết quả nhận được trong nghiên cứu cũng 
cho thấy sự cần thiết phải tiến hành các công 
đoạn sau phân loại nhằm loại bỏ các sai số khi 
T.L. Hung / VNU Journal of Science: Earth and Environmental Sciences, Vol. 36, No. 2 (2020) 68-78 77 
phân loại nhầm lẫn đất trống đô thị với các khu 
vực được lợp mái tôn, đặc biệt là mái tôn màu 
trắng. Điều này giúp nâng cao độ chính xác cũng 
như hiệu quả sử dụng các dữ liệu viễn thám miễn 
phí như ảnh Sentinel 2 MSI và Landsat 8 trong 
phân loại lớp phủ/sử dụng đất khu vực đô thị.
Bảng 2. Một số vị trí bị phân loại nhầm lẫn khi phân loại đất trống đô thị bằng chỉ số NBDaI 
STT 
Hình ảnh thực tế từ Google 
Earth 
Hình ảnh trên ảnh vệ tinh 
Sentinel 2 MSI 
Kết quả phân loại 
1 
2 
3 
Tài liệu tham khảo 
[1] H.Q. Xu, Spatial expansion of urban/town in 
Fuqing and its driving analysis, Remote Sensing 
Technology and Application 17 (2002) 86-92. 
[2] J.G. Masek, F.E. Lindsay, S.N. Goward, Dynamics 
of urban growth in the Washington DC 
metropolitan area, 1973-1996 from Landsat 
observations, International Journal of Remote 
Sensing 21(18) (2000) 3473 - 3486. 
[3] B. Guindon, Y. Zhang, C. Dillabaugh, Landsat 
urban mapping based on a combined spectral-
spatial methodology, Remote Sensing of 
Environment 92(2) (2004) 218 - 232. 
[4] G. Xian, M. Crane, Assessments of urban growth 
in the Tampa Bay wateshed using remote sensing 
T.L. Hung / VNU Journal of Science: Earth and Environmental Sciences, Vol. 36, No. 2 (2020) 68-78 78 
data, Remote Sensing of Environment 97(2005) 
203-215. 
[5] M.K. Ridd, Exploring a V-I-S (vegetation-imprevious 
surface-soil) model for urban ecosystem analysis 
through remote sensing: comparative anatomy for 
cities, International Journal of Remote Sensing 
16(12) (1994) 2165- 2185. 
[6] H.Q. Xu, Extraction of urban built -up land features 
from Landsat imagery using a thematic oriented 
index combination technique, Photogrammetric 
Engineering & Remote Sensing 73(12) (2007) 
1381-1391. 
[7] Y. Zha, J. Gao, S. Ni, Use of normalized difference 
built-up index in automatically mapping urban 
areas from TM imagery, International Journal of 
Remote Sensing 24(3) (2003) 583-594. 
[8] H.Q. Xu, A study on information extraction of 
water body with the modified mormalized 
difference water index (MNDWI), Journal of 
Remote Sensing 9(5) (2008) 511-517. 
[9] N.H.K. Linh, Automatic establishment of urban 
land distribution map using IBI index from Landsat 
TM image: Case study in Hue city - Thua Thien 
Hue province, National Conference on GIS 
Application (2011) 205-212 (in Vietnamese). 
[10] Abd. R. As-syakur, I.W. Adnyana, I.W. Arthana, 
I.W. Nuarsa, Enhanced built - up and bareness 
index (EBBI) for mapping built - up and bare land 
in an urban area, Remote Sensing 4 (2012) 2957-
2970. 
[11] A. Rasul, H. Balzter, G.I. Faqe, H. Hameed, J. 
Wheeler, B. Adamu, S. Ibrahim, P. Najmaddin, 
Applying built-up and bare soil indicies from 
Landsat 8 to cities in dry climates, Land 7(81) 
(2018) 1-13. 
[12] H. Li, C. Wang, C. Zhong, A. Su, C. Xiong, J. Wang, 
J. Liu, Mapping urban bare land automatically 
from Landsat imagery with a simple index, Remote 
Sensing 9(3) (2017) 1-15. 
[13] A. Sekertekin, S. Abdikan, A. Marangoz, The 
acquisition of impervious surface area from 
Landsat 8 satellite sensor data using urban indices: 
a comparative analysis, Environmental Monitoring 
and Assessment 190(7) (2018) 1-13. 
[14] V. Bramhe, S. Ghosh, P. Garg, 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) (2018) 727-733. 
[15] S. Gadal, W. Ouerghemmi, Multi-level morphometric 
characterization of built-up areas and change 
detection in Siberian sub-arctic urban area: 
Yakutsk, International Journal of Geo-Information 
8 (2019) 129-149. 
[16] H. Zhao, X. Chen, Use of Normalized Difference 
Bareness Index in quickly mapping bare areas from 
TM/ETM+, International Geoscience and Remote 
Sensing Symposium (IGARSS) 3 (2005) 1666-1668. 
https://doi.org/10.1109/IGARSS.2005. 1526319. 
[17] D. Ghosh, A. Mandal, R. Majumder, P. Patra, G. 
Bhunia, Analysis for mapping of built-up area 
using remotely sensed indices – A case study of 
Rajarhat block in Barasat Sanda sub-division in 
West Bengal (India), Journal of Landscape 
Ecology 11(2) (2018) 67-76. 
[18] M. Firozijaei, A. Sehighi, M. Kiavarz, S. Qureshi, 
D. Haase, S. Alavipanah, Automated built-up 
extraction index: a new technique for mapping 
surface built-up areas using Landsat 8 OLI 
imagery, Remote Sensing 11 (2019). https://doi. 
org/10.3390/rs11171966. 
[19] E. Mustafa, G. Liu, H. El-Hamid, M. Kaloop, 
Simulation of land use dynamics and impact on 
land surface temperature using satellite data, 
GeoJournal 78(4) (2013) 1-19. https://doi.org/10. 
1007/s10708-019-10115-0. 
[20] N. Pahlevan, S. Sarkar, B. Franz, S. Balasubramanian, 
J. He, Sentinel-2 MultiSpectral Instrument (MSI) 
data processing for aquatic science applications: 
Demonstrations and validations, Remote Sensing 
of Environment 201 (2017) 47–56.