Phân loại lớp phủ bề mặt khu công nghiệp Bắc Thăng Long bằng phương pháp phân loại hướng đối tượng sử dụng dữ liệu ảnh vệ tinh độ phân giải cao Worldview-2

10 Journal of Mining and Earth Sciences Vol. 62, Issue 1 (2021) 10 - 18 
Object-oriented classification for land cover of North 
Thang Long Industrial area using Worldview-2 data 
Ha Thu Thi Le*, Long Van Hoang, Trung Van Nguyen 
Faculty of Geomatics and Land Administration, Hanoi University of Mining and Geology, Vietnam 
ARTICLE INFO 
ABSTRACT 
Article history: 
Received 25th Oct. 2020 
Accepted 25th Jan. 2021 
Available online 28th Feb. 2021 
 Land cover/land use classification using high spatial resolution remote 
sensing data has the biggest challenge is how to distinguish object classes 
from different spectral values based on structures, shapes, and spatial 
elements. This paper focuses on the object-oriented classification method 
to extract artificial surface at industrial area by Worldview-2 data with a 
spatial resolution of 1.8 m. Extraction of 05 types of land cover/land use 
using object-oriented classification method based on reflectance spectral 
characteristics, shape index, location of objects, brightness, NDVI index, 
and density objects are archive efficiency to the quality of classification 
results. The overall accuracy of classification result for land cover/land 
use of Thang Long industrial area is about 0.85 and Kappa index is about 
0.81. 
Copyright © 2021 Hanoi University of Mining and Geology. All rights reserved. 
Keywords: 
Industrial area, 
Land cover, 
Object - oriented classification, 
Worldview-2. 
_____________________ 
*Corresponding author 
E - mail: lethithuha@humg.edu.vn 
DOI: 10.46326/JMES.2021.62(1).02 
 Tạp chí Khoa học Kỹ thuật Mỏ - Địa chất Tập 62, Kỳ 1 (2021) 10 - 18 11 
Phân loại lớp phủ bề mặt khu công nghiệp Bắc Thăng Long bằng 
phương pháp phân loại hướng đối tượng sử dụng dữ liệu ảnh 
vệ tinh độ phân giải cao Worldview-2 
Lê Thị Thu Hà*, Hoàng Văn Long, Nguyễn Văn Trung 
Khoa Trắc địa - Bản đồ và Quản lý đất đai, Trường Đại học Mỏ Địa chất, Việt Nam 
THÔNG TIN BÀI BÁO 
TÓM TẮT 
Quá trình: 
Nhận bài 25/10/2020 
Chấp nhận 25/01/2021 
Đăng online 28/02/2021 
 Phân loại lớp phủ/sử dụng đất bằng ảnh vệ tinh độ phân giải cao thường 
gặp phải khó khăn là do sự phức tạp của bề mặt đất, nhất là đối với các khu 
vực đô thị. Mỗi pixel trên ảnh có thể chứa nhiều đối tượng khác nhau, hoặc 
bị ảnh hưởng bởi bóng của cây và các công trình xây dựng. Bài báo này sử 
dụng phương pháp phân loại hướng đối tượng trong việc phân loại lớp phủ 
nhân tạo ở khu công nghiệp sử dụng tư liệu ảnh Worldview-2 có độ phân 
giải không gian 1,8 m. Việc chiết tách các loại hình lớp phủ/sử dụng đất dựa 
vào việc phân cấp các đối tượng theo đặc trưng phổ phản xạ, chỉ số hình 
dạng, vị trí các đối tượng, độ sáng, chỉ số thực vật NDVI và mật độ các đối 
tượng mang lại hiệu quả cao về chất lượng kết quả phân loại. Kết quả phân 
loại lớp phủ/sử dụng đất ở khu công nghiệp Bắc Thăng Long từ dữ liệu ảnh 
vệ tinh độ phân giải cao Worldview-2 đạt được độ chính xác cao được thể 
hiện qua sai số toàn bộ (0,85) và chỉ số Kappa (0,81). 
© 2021 Trường Đại học Mỏ - Địa chất. Tất cả các quyền được bảo đảm. 
Từ khóa: 
Khu công nghiệp, 
Lớp phủ bề mặt, 
Phương pháp phân loại 
hướng đối tượng, 
Ảnh vệ tinh Worldview-2. 
1. Mở đầu 
Trong những năm gần đây, với những tiến bộ 
trong công nghệ thu thập dữ liệu viễn thám và nhu 
cầu ngày càng tăng về các ứng dụng viễn thám, dữ 
liệu viễn thám có độ phân giải không gian cao đang 
dần trở nên phổ biến hơn (Belward và Skøien, 
2015). Các loại dữ liệu viễn thám vệ tinh có độ 
phân giải không gian cao, bao gồm: Worldview, 
Ikonos, SuperView, Gaofen và dữ liệu ảnh máy bay 
không người lái (UAV). Với khả năng tiếp cận của 
một lượng lớn dữ liệu viễn thám có độ phân giải 
cao đã tạo ra một thách thức cho việc phân loại 
ảnh viễn thám (Desheng Liu và Fanxia, 2010). 
Hiện nay, phương pháp phân loại ảnh có thể được 
gộp thành các nhóm: có kiểm định và không kiểm 
định; hoặc thống kê và phi thống kê; hoặc cứng và 
mềm (fuzzy); hoặc pixel, dưới pixel, hiện chỉnh 
bản đồ và phân loại định hướng đối tượng (Mario 
2009; Choodarathnakara và nnk 2012). Trong đó, 
phương pháp phân loại hướng đối tượng thường 
được áp dụng với ảnh vệ tinh có độ phân giải 
không gian cao (Benz và nnk., 2015) với các ưu 
điểm: (a) - việc thay đổi các đơn vị phân loại từ 
pixel thành các đối tượng hình ảnh sẽ làm giảm sự 
biến đổi quang phổ bên trong lớp và loại bỏ được
_____________________ 
*Tác giả liên hệ 
E - mail: lethithuha@humg.edu.vn 
DOI: 10.46326/JMES.2021.62(1).02 
12 Lê Thị Thu Hà và nnk./Tạp chí Khoa học Kỹ thuật Mỏ - Địa chất 62(1), 10 - 18 
hiệu ứng muối tiêu trong kết quả phân loại dựa 
trên pixel; (b) - một tập hợp lớn các tính năng đặc 
trưng cho các thuộc tính không gian, cấu trúc và 
ngữ cảnh của đối tượng có thể được lấy làm thông 
tin bổ sung cho các quan sát quang phổ trực tiếp 
để có khả năng cải thiện độ chính xác của kết quả 
phân loại (Guo và nnk., 2007). 
Cảnh quan đô thị thường là một tổ hợp phức 
tạp của các tòa nhà, đường xá, bãi đậu xe, vỉa hè, 
sân vườn, nghĩa trang, đất, nước, khu công 
nghiệp, Mỗi bề mặt thành phần đô thị sở hữu các 
đặc tính lý sinh độc đáo và liên quan đến môi 
trường xung quanh của chúng để tạo ra sự phức 
tạp về không gian của các hệ thống sinh thái đô thị 
và các mô hình cảnh quan (Qihao Weng, 2020). Để 
thực hiện việc chiết tách các lớp phủ nhân tạo và 
các lớp phủ bề mặt khác, các đặc trưng phổ của các 
đối tượng lớp phủ bề mặt trên các kênh phổ cần 
được khảo sát sự khác nhau nhằm chiết tách các 
lớp phủ đảm bảo độ chính xác theo yêu cầu. 
Nghiên cứu của Kamal và nnk. (2015) đã tiến hành 
đo phản xạ phổ của các đối tượng lớp phủ bề mặt 
khu vực đô thị trên tất cả các kênh của dữ liệu 
Worldview-2 phục vụ việc phân loại các đối tượng 
ở khu vực đô thị. Bên cạnh đó, các dữ liệu ảnh vệ 
tinh có nhiều kênh phổ cũng giúp tách biệt được 
các đối tượng lớp phủ mà mắt thường có thể nhầm 
lẫn khi giải đoán do khả nă ...  đối tượng từ kết 
quả thay đổi trọng số được sử dụng để xác định 
giá trị toàn bộ đối với trọng số ở mỗi mức tỷ lệ 
(Bảng 1). Đầu tiên, sự đồng nhất của các điểm ảnh 
được xem xét đối với các đối tượng của mỗi lớp 
phủ thực vật. Dựa vào mô hình số độ cao và mực 
nước, hai nhóm được chia ra là vùng cao và vùng 
thấp tương ứng với thực vật, thực vật ngập lụt và 
bề mặt nước với hai mức tỷ lệ được chọn cho quá 
trình phân loại. Lựa chọn tốt nhất đối với thông số 
tỷ lệ lần lượt là 5 và 10 cho mức 1 và 2 (Kavzoglu, 
2014). Thông số độ chặt được cố định ở 0,5, các 
thông số hình dạng khác nhau được kiểm tra có 
giả trị từ 0,1÷0,9. Độ chính xác cao nhất của phân 
loại nhận được trong nghiên cứu tương ứng với 
thông số hình dạng lần lượt là 0,2 và 0,4 đối với 
mức tỷ lệ 1 và 2. Tiếp tục giữ thông số tỷ lệ và hình 
dạng, giá trị tối ưu nhất đối với thông số độ chặt là 
0,7. 
Hình 2. Các kênh phổ của dữ liệu Worldview-2 
(Digitalglobal, 2009). 
14 Lê Thị Thu Hà và nnk./Tạp chí Khoa học Kỹ thuật Mỏ - Địa chất 62(1), 10 - 18 
Mức tỷ 
lệ 
Thông số 
tỷ lệ 
Thông số 
hình dạng 
Thông số 
độ chặt 
1 5 0,2 0,7 
2 10 0,4 0,7 
3.2.2. Phân loại ảnh 
Phân loại hướng đối tượng khác với phân loại 
có giám định về phương pháp lấy mẫu và xây dựng 
lý thuyết cơ sở. Quy trình của phân loại hướng đối 
tượng là theo các lớp thứ bậc. Dựa vào cấu trúc 
thứ bậc, các lớp được nhóm theo phương pháp 
này cho phép đi xuống theo sự mô tả của lớp thấp 
hơn. Phân nhóm theo cấu trúc thứ bậc mở ra một 
phạm vi lớn đối với việc xây dựng các định nghĩa 
về ảnh và đối với các chiến lược phân tích khác 
nhau. Tương tác của nguời dùng với quy trình dựa 
vào thống kê, cấu trúc, hình dạng và mối quan hệ 
giữa các đối tượng được định nghĩa như vùng 
mẫu. Sự phân loại của một đối tượng có theo 
phương pháp người láng giềng gần nhất “phân 
loại cứng” hoặc “phân loại mềm” sử dụng chức 
năng mờ (fuzzy) (Manakos, 2001). 
Theo phương pháp phân loại mềm, mỗi lớp 
của cơ chế phân loại bao gồm các mô tả về lớp đó. 
Mỗi sự mô tả lớp bao gồm một sự diễn tả mờ cho 
phép đánh giá các đặc trưng đặc biệt và các toán 
tử logic của chúng. Một quy tắc mờ có thể có một 
điều kiện hoặc bao gồm sự kết hợp của vài điều 
kiện để thõa mãn các yêu cầu đối với một đối 
tượng được gán vào một lớp. Tập hợp mờ được 
định nghĩa bởi chức năng các thành viên nhằm xác 
định các giá trị của các đặc trưng liên quan đến sự 
điển hình, ít điển hình, không điển hình của một 
lớp, ví dụ chúng có cao, thấp hoặc 0 thành viên 
trong tập hợp mờ (Mitri và Gitas, 2002). 
Tất cả năm lớp phủ bề mặt trong vùng nghiên 
cứu được xác định dựa vào cấu trúc hình thành 
của thực vật, đặc tính của nước và các vật liệu 
nhân tạo bao gồm: sông, ao hồ, đất canh tác, đất 
trống và khu công nghiệp. Các quy tắc phân lớp đối 
với các đối tượng được phát triển sử dụng dấu 
hiệu phổ, hình dạng, vị trí và các mối quan hệ cấu 
trúc của các đối tượng. Các quy tắc đó được sử 
dụng để phân loại cơ bản ảnh dựa vào giá trị phản 
xạ phổ của lớp phủ bề mặt trên các kênh phổ và 
chỉ số NDVI (Hình 3, 4). 
Bảng 1. Các giá trị đối với thông số trọng số ở 
mỗi mức tỷ lệ. 
Không phải nước bề mặt 
Đất canh tác 
Phân mảnh ảnh lần 1 (Segmentation 1) 
Nước bề mặt 
Ao, hồ Sông Đất ở 
Đất trống Đất khu công 
nghiệp 
Phân mảnh ảnh 2 (Segmentation 2) 
Hình 3. Thiết lập qui tắc cho phân loại. 
Hình 4. Các bước xây dựng bộ qui tắc cho phân loại ảnh. 
 Lê Thị Thu Hà và nnk./Tạp chí Khoa học Kỹ thuật Mỏ - Địa chất 62(1), 10 - 18 15 
Các mẫu đối với mỗi lớp được lựa chọn từ các 
đối tượng ảnh như các vùng mẫu trong quá trình 
phân loại. Các đối tượng được gán theo quy tắc 
phân loại sử dụng dấu hiệu phổ, hình dạng, vị trí 
và các mối quan hệ cấu trúc. Các quy tắc này được 
sử dụng như đối với phân loại mờ với sự gán lớp 
xác xuất nhất tới mỗi đối tượng. 
Bộ nguyên tắc sử dụng trong phân loại đối 
tượng bao gồm các thuật toán phân mảnh ảnh 
(segment), các thuật toán phân loại đối tượng ảnh, 
cũng như các thuật toán kiểm tra thông tin đối 
tượng ảnh, nhập dữ liệu, xuất dữ liệu được thiết 
lập trên cửa sổ quá trình cây quyết định. 
Việc lập một bộ qui tắc trong phân loại ảnh đối 
tượng đòi hỏi người phân tích ảnh phải có rất 
nhiều hiểu biết khác nhau như: đặc trưng của từng 
kênh ảnh, đặc trưng phản xạ của đối tượng trên 
ảnh, hiểu biết khu vực nghiên cứu, mối quan hệ 
giữa các đối tượng với nhau. 
3.2.3. Đánh giá độ chính xác kết quả phân loại 
Phân loại lớp phủ/sử dụng đất từ tư liệu viễn 
thám và GIS hàm chứa nhiều nguồn thông tin 
không chắc chắn bởi vì sự tích lũy và sự lan truyền 
từ việc lấy mẫu, thu thập, xử lý, phân tích hình ảnh 
và dữ liệu mặt đất, mô hình hóa, sự biến đổi trong 
không gian của các biến thể và sự tương tác giữa 
chúng. Độ chính xác là thông số chỉ mức độ tin cậy 
của kết quả phân loại đó. Theo Congalton (2008), 
dựa vào ma tra ̣ n lãn đã tính toán được ba đo ̣ chính 
xác là: đo ̣ chính xác toàn cảnh (overral accuracy), 
đo ̣ chính xác sản phẩm (producer’s accuracy) và 
đo ̣ chính xác sử dụng (user’s accuracy) (Congalton 
và Green, 2008). 
4. Kết quả và thảo luận 
4.1. Độ chính xác kết quả phân loại 
Để đánh giá độ chính xác phân loại kết quả đạt 
được, nghiên cứu này đã tiến hành so sánh các 
điểm dữ liệu mẫu với các lớp hình ảnh được phân 
loại, điểm được lấy mẫu được phân bố đều trên 
toàn cảnh, tập trung vào các loại lớp phủ điển hình 
trong khu vực. Mức độ trùng khớp của ảnh được 
phân loại và điểm dữ liệu mẫu cung cấp độ chính 
xác phân loại của quá trình phân loại ảnh. Độ chính 
xác của kết quả phân loại dựa trên 50 điểm, xấp xỉ 
1300 pixel được lấy từ ảnh Google Earth năm 
2018. Hệ số Kappa được tính theo công thức của 
Congalton (Kamal và nnk, 2015), độ chính xác 
phân loại đạt được thông qua chỉ số Kappa là 0,81 
như Bảng 2. 
Các mẫu Ao hồ Sông 
Đất 
trống 
Đất 
canh 
tác 
Khu 
công 
nghiệp 
Tổng 
hàng 
Độ 
chính 
xác sản 
xuất 
Ao hồ 173 8 0 4 6 191 0,91 
Sông 10 232 15 6 19 282 0,82 
Đất trống 7 30 207 12 30 286 0,72 
Đất canh 
tác 
3 8 43 253 25 332 0,78 
Đất khu 
công 
nghiệp 
4 5 9 20 190 228 0,83 
Tổng cột 197 283 274 295 270 1319 
Độ chính 
xác người 
dùng 
0,89 0,85 0,76 0,86 0,75 
Độ chính 
xác toàn bộ 
0,85 
Chỉ số 
Kappa 
0,81 
4.2. Kết quả thực nghiệm của quá trình phân 
loại ảnh vệ tinh Worldview-2 
Đầu tiên, để phân biệt nước mặt và không 
phải nước mặt (đất, thực vật, lớp phủ nhân tạo) 
cần sử dụng kênh 7 vì bề mặt nước phản xạ phổ 
rất thấp so với các lớp phủ khác (Hình 5). Phần lớp 
phủ không phải nước sẽ được phân loại thành lớp 
đất ở và đất canh tác nhờ sự phân biệt tốt nhất 
giữa thực phủ và đất thể hiện rõ ở kênh 7 của dữ 
liệu Worldview-2 (Hình 5). Chính vì vậy, trong 
thiết lập qui tắc phân loại để tách đất canh tác và 
đất ở có sử dụng các giá trị ngưỡng đối với kênh 7 
(Hình 5). Đất ở tiếp tục được tách thành đất trống 
và khu công nghiệp do sự phản xạ rất mạnh ở 
bước sóng ngắn đối với kênh 3 cho lớp bề mặt mái 
nhà ở khu công nghiệp so với phản xạ thấp đối với 
bề mặt đất trống. Do vậy, giá trị độ sáng 
(Brightness) được sử dụng để tách hai loại hình 
lớp phủ bề mặt này trên ảnh vệ tinh theo qui tắc 
như trong Hình 4. 
Kết quả phân loại lớp phủ/sử dụng đất ở Hình 
6 cho thấy, khu công nghiệp được bao quanh bởi 
đất canh tác. Tuy nhiên, trong khu công nghiệp có 
cả đất trống, đất canh tác và ao hồ nhỏ và có những 
Bảng 2. Đánh giá độ chính xác kết quả phân loại 
hướng đối tượng trên ảnh Worldview-2. 
16 Lê Thị Thu Hà và nnk./Tạp chí Khoa học Kỹ thuật Mỏ - Địa chất 62(1), 10 - 18 
khu vực trồng cỏ, cây cảnh, hệ thống thoát nước 
mặt và hệ thống đường giao thông cục bộ phục vụ 
cho khu công nghiệp. Lớp đất trống tập trung ở 
phía tây bắc và phía đông bắc của khu vực nghiên 
cứu. Các khu vực này trước đây là khu vực đất 
canh tác, nhưng đang chuyển đổi thành đất qui 
hoạch cho các dự án phát triển mở rộng khu vực 
đô thị mới có nền đất được san lấp. Các khu dân cư 
có sự trộn lẫn giữa đất canh tác và đất trống xen 
giữa khu vực đất trống, đất canh tác và đất khu 
công nghiệp có diện tích bao phủ rộng hơn. Phía 
nam của khu vực là sông Hồng với các hệ thống 
tưới nước phục vụ cho canh tác cây nông nghiệp 
của người dân sinh sống và trồng trọt.
Hình 5. Phản xạ phổ của các đối tượng bề mặt từ các kênh phổ của dữ liệu Worldview-2 
(Kamal và nnk., 2015). 
Hình 6. Kết quả phân loại lớp phủ/sử dụng đất khu công nghiệp Bắc Thăng Long. 
 Lê Thị Thu Hà và nnk./Tạp chí Khoa học Kỹ thuật Mỏ - Địa chất 62(1), 10 - 18 17 
4.3. Thảo luận về độ chính xác kết quả phân loại 
ảnh vệ tinh Worldview-2 
Kết quả phân loại ảnh vệ tinh và độ chính xác 
được trình bày trong Hình 6 và Bảng 2 cho thấy, 
lớp phủ nước mặt sông và ao hồ có độ chính xác 
cao lần lượt là 0,91 và 0,82 do diện tích nước mặt 
có độ đồng nhất về phản xạ phổ cao hơn so với các 
lớp phủ khác. Độ chính xác phân loại đối với lớp 
phủ đất canh tác và đất trống thấp hơn lần lượt là 
0,78 và 0,72 do hai loại hình lớp phủ này có sự 
trộn lẫn giữa thực vật và đất trống ở ngoài thực 
địa. Mặc dù đất khu công nghiệp có độ chính xác 
sản xuất cao (0,83), nhưng độ chính xác người 
dùng thấp (0,75) do có sự phân loại lẫn các lớp 
phủ khác sang đất khu công nghiệp thể hiện đối 
với các pixel lẫn ở cột trong Bảng 2. 
5. Kết luận 
Nghiên cứu này đã thử nghiệm phương pháp 
phân loại hướng đối tượng đối với ảnh vệ tinh 
Worldview-2 có độ phân giải không gian cao (kích 
thước pixel 1,8 m) để chiết tách các đối tượng lớp 
phủ nhân tạo (đất khu công nghiệp) dựa vào sự 
khác biệt về phản xạ phổ của các đối tượng lớp 
phủ tự nhiên, nhân tạo và chỉ số thực vật NDVI tính 
toán từ 8 kênh phổ. 
Sự phân biệt tốt nhất của các đối tượng lớp 
phủ bề mặt/sử dụng đất dựa vào kênh 3 có phản 
xạ phổ ở khu công nghiệp mạnh hơn ở các lớp phủ 
bề mặt khác. Bên cạnh đó khả năng phân biệt tốt 
lớp thực phủ ở vùng đất canh tác và đất trống, 
đường nhựa dựa vào kênh 7 rất rõ rệt. Hơn nữa, 
chỉ số thực vật NDVI cũng cung cấp mật độ thực 
phủ dày hoặc thưa phục vụ tốt hơn cho công tác 
phân loại hướng đối tượng. 
Kết quả phân loại ảnh thu được diện tích các 
loại hình lớp phủ/sử dụng đất với độ chính xác 
toàn bộ (0,85) và chỉ số Kappa (0,81) cho thấy khả 
năng của việc áp dụng phương pháp phân loại hợp 
lý đối với khu vực có cả đối tượng lớp phủ tự nhiên 
và nhân tạo. 
Đóng góp của các tác giả 
Lê Thị Thu Hà - lập dàn ý và lên các ý tưởng 
cơ bản cho bài báo. Viết tổng quan về vấn đề 
nghiên cứu, tổng hợp, phân tích kết quả thực 
nghiệm, viết thảo luận vấn đề nghiên cứu đạt 
được; Nguyễn Hoàng Long - thu thập các loại dữ 
liệu ảnh vệ tinh cho khu vực thực nghiệm; Nguyễn 
Văn Trung - nghiên cứu đặc điểm khu vực thực 
nghiệm, nghiên cứu đặc điểm các dữ liệu sử dụng, 
thống kê các thông số cần thiết phục vụ việc giải 
đoán ảnh vệ tinh, đi thực địa và đánh giá độ chính 
xác kết quả phân loại trên ảnh vệ tinh. 
Tài liệu tham khảo 
Aatz, M., Benz, U., Dehghani, S., Heynen, M., Höltje, 
A., Hofmann, P., Lingenfelder, I., Mimler, M., 
Sohlbach, M., Weber, M., & Willhauck, G., 
(2004), eCognition Professional: User guide 4.; 
Munich: Definiens-Imaging. 
Belward, A.S., Skøien, J.O., (2015). Who launched 
what, when and why; trends in global land-
cover observation capacity from civilian earth 
observation satellites, ISPRS J. Photogram. 
Remote Sens., 103, pp. 115-128, 
Choodarathnakara, A.L., Ashok, K.T., 
Shivaprakash, K Dr., and Patil Dr.C.G., (2012). 
Soft Classification Techniques for RS Data, 
IJCSET, 2 (11), pp.1468 - 1471. 
Congalton, R. G. and Green, K., (2008). Assessing 
the accuracy of remotely sensed data: 
Principies and practices. New York. Taylor& 
Francis Group. 
Desheng Liu and Fanxia, (2010). Assessing object-
based classification: advantages and 
limitations. Remote Sensing Letters, ISSN: 
2150-704X (Print) 2150-7058 (Online). 
Digitalglobal, (2009). WorldView-2 Satellite 
Sensor. 
Guo, Q., Kelly, M., Gong, P. and Liu, D., (2007). An 
object-based classification approach in 
mapping tree mortality using high spatial 
resolution imagery. GIScience & Remote 
Sensing, 44, pp. 24-47. 
Kamal, M.; Phinn, S.; Johansen, K., (2015). Object-
Based Approach for Multi-Scale Mangrove 
Composition Mapping Using Multi-Resolution 
Image Datasets. Remote Sens 7, 4753-4783. 
Kavzoglu, T.; Yildiz, M., (2014). Parameter-Based 
Performance Analysis of Object-Based Image 
Analysis Using Aerial and Quikbird-2 Images. 
ISPRS Annals of Photogrammetry, Remote 
Sensing and Spatial Information Sciences, 
Volume II-7, pp.31-37. 
18 Lê Thị Thu Hà và nnk./Tạp chí Khoa học Kỹ thuật Mỏ - Địa chất 62(1), 10 - 18 
Manakos, I., (2001). eCognition and Precision 
Farming.  
/. eCognition Application Notes, Vol. 2, No 2, 
April 2001. 
Mario, C., (2009). ESA Advanced Training Course 
on Land Remote Sensing: Image Classification, 
ESA 
Mitri, G.H., and Gitas, I.Z.,(2002). The development 
of an object-oriented classification model for 
operational burned area mapping on the 
Mediterranean island of Thasos using 
LANDSAT TM images. Forest Fire Research & 
Wildland Fire Safety, Viegas (ed.) Millpress, 
Rotterdam, ISBN 90-77017-72-0. 
Qihao Weng, (2020). Techniques and Methods in 
Urban Remote Sensing, IEEE Press Wiley, 
Printed in the United States of America. 
Whiteside, T., & Ahmad, W., (2004). Object-
oriented classification of ASTER imagery for 
landcover mapping in monsoonal northern 
Australia. Proceedings of 12th Australasian 
Remote Sensing and Photogrammetry 
Conference. 
Willhauck, G., Schneider, T., De Kok, R., & Ammer, 
U., (2000). Comparison of object-oriented 
classification techniques and standard image 
analysis for the use of change detection 
betweeen SPOT multispectral satellite images 
and aerial photos. Proceedings of XIX ISPRS 
Congress, 16-22 July, Amsterdam.