Tạo ảnh không mây phục vụ phân loại lớp phủ với tư liệu Landsat đa thời gian-Nghiên cứu thử nghiệm tại tỉnh Đắk Lắk

VNU Journal of Science: Earth and Environmental Sciences, Vol. 35, No. 4 (2019) 80-87 
80 
Original Article 
Development of Landsat Cloud Free Image Data for 
Classification of Land Cover-Case Study in Dak Lak Province 
Tran Anh Tuan1, 3*, Nguyen Dinh Duong2 
1Institute of Ecology and Biological Resources, Vietnam Academy of Science and Technology 
18 Hoang Quoc Viet, Hanoi, Vietnam 
2Institute of Geography, Vietnam Academy of Science and Technology, 
18 Hoang Quoc Viet, Hanoi, Vietnam 
3VNU University of Science, 334 Nguyen Trai, Hanoi, Vietnam 
Received 13 September 2019 
Revised 08 November 2019; Accepted 25 November 2019 
Abstract: Land cover mapping by optical remote sensing has many obstacles including clouds. 
Clouds block solar radiation coming to earth surface and reflective radiance from the earth surface 
to remote optical sensors resulting. Therefore, clouds result no-signal areas in images that cannot be 
used for study of ground objects. In many cases, thin clouds degrade quality of reflective radiance 
and some times alter, unexpectedly, spectral reflectance characteristics of ground objects leading to 
false classification. In this paper, the authors present an algorithm on application of multidate for 
development of cloud free image. The used image data were received in rainy and dry seasons and 
by stacking, cloud free images representing rainy and dry seasons were created. These cloud free 
images can be used further for classification of land cover in rainy and dry seasons. Experiments 
were conducted with Landsat 8 OLI images with path/row number 124/51 covering Dak Lak 
province of Vietnam. The results of case study were development of cloud free image data 
representing rainy and dry seasons allowing separation of evegreen and deciduous forests in the 
study site. 
Keywords: Landsat, cloud free, deciduous forests, land cover classification. 
*
________ 
* Corresponding author. 
 E-mail address: tuan.ig@gmail.com 
 https://doi.org/10.25073/2588-1094/vnuees.4447 
VNU Journal of Science: Earth and Environmental Sciences, Vol. 35, No. 4 (2019) 80-87 
81 
Tạo ảnh không mây phục vụ phân loại lớp phủ với tư liệu 
Landsat đa thời gian-nghiên cứu thử nghiệm tại tỉnh Đắk Lắk 
Trần Anh Tuấn1, 3*, Nguyễn Đình Dương2 
1Viện Sinh thái và Tài nguyên Sinh vật, Viện Hàn lâm Khoa học và Công nghệ Việt Nam, 
18 Hoàng Quốc Việt, Hà Nội, Việt Nam 
2Viện Địa lý, Viện Hàn lâm Khoa học và Công nghệ Việt Nam, 18 Hoàng Quốc Việt, Hà Nội, Việt Nam 
3Trường Đại học Khoa học Tự nhiên, Đại học Quốc gia Hà Nội, 334 Nguyễn Trãi, Hà Nội, Việt Nam 
Nhận ngày 13 tháng 9 năm 2019 
Chỉnh sửa ngày 08 tháng 11 năm 2019; Chấp nhận đăng ngày 25 tháng 11 năm 2019 
Tóm tắt: Nghiên cứu lớp phủ bằng tư liệu viễn thám quang học luôn gặp phải trở ngại: đó là mây. 
Mây ngăn cản bức xạ từ mặt trời đến được bề mặt trái đất hoặc phản xạ từ vật thể trên bề mặt trái 
đất đến được bộ cảm trên vệ tinh tạo nên những vùng không có tín hiệu và không thể được sử dụng 
để nghiên cứu các đối tượng. Trong nhiều trường hợp mây mỏng còn làm giảm đi chất lượng tín 
hiệu phản xạ và trong không ít trường hợp còn làm thay đổi hoàn toàn tính chất phản xạ phổ dẫn 
đến sự nhầm lẫn trong kết quả phân loại. Trong bài báo này, các tác trình bày thuật toán sử dụng các 
cảnh ảnh quan sát tại cùng khu vực ở các thời điểm khác nhau nhằm tạo ra cảnh ảnh không mây. 
Các cảnh ảnh sử dụng được thu nhận trong hai mùa mưa và mùa khô và khi tổ hợp lại sẽ tạo ra hai 
ảnh không mây trong mùa mưa và mùa khô cho phép phân loại được lớp phủ trong từng mùa. Nghiên 
cứu thử nghiệm được triển khai với tư liệu ảnh Landsat 8 OLI, số phiên hiệu cảnh ảnh 124/51 bao 
trùm phần lớn địa bàn tỉnh Đắk Lắk. Kết quả thử nghiệm đã tạo ra ảnh không mây cho mùa khô và 
mùa mưa năm 2015 phục vụ phân loại lớp phủ và phân tách được rừng thường xanh và rừng rụng lá 
trong khu vực nghiên cứu. 
Từ khoá: Landsat, tách mây, rừng rụng lá, phân loại lớp phủ. 
1. Mở đầu 
Tư liệu viễn thám Landsat là chuỗi tư liệu 
quang học có chiều dài quan sát lâu nhất. Cho 
đến nay, trải qua các thế hệ vệ tinh Landsat với 
các bộ cảm MSS, TM, ETM+ và OLI số lượng 
________ 
 Tác giả liên hệ. 
 Địa chỉ email: tuan.ig@gmail.com 
 https://doi.org/10.25073/2588-1094/vnuees.4447 
các ảnh Landsat thu thập được đủ lớn để chúng 
ta có thể nghiên cứu biến động lớp phủ lãnh thổ 
Việt Nam từ năm 1972 đến nay. Tuy nhiên các 
kênh phản xạ của Landsat đều nằm trong dải 
sóng quang học và luôn chịu sự tác động của khí 
quyển trong đó mây là yếu tố lớn nhất làm giảm 
T.A. Tuan, N.D. Duong / VNU Journal of Science: Earth and Environmental Sciences, Vol. 35, No. 4 (2019) 80-87 
82 
chất lượng tư liệu Landsat và trong nhiều trường 
hợp dẫn đến không thể sử dụng các tư liệu này 
được. Ảnh hưởng của mây đối với tư liệu 
Landsat trên lãnh thổ Việt Nam lại đặc biệt 
nghiêm trọng vì với khí hậu nhiệt đới ẩm, xác 
suất các ngày trong năm không có mây là rất 
thấp. Hầu như tất cả các cảnh ảnh Landsat thu 
nhận được đều bị ảnh hưởng bởi mây. Số lượng 
cảnh ảnh bị che phủ trên 90% bởi mây là rất cao, 
đặc biệt trong mùa mưa. 
Trên thế giới, vấn đề nghiên cứu phát hiện 
mây trên tư liệu quang học đã được nhiều nhà 
khoa học quan tâm. Việc phát hiện và đánh dấu 
mây trên một cảnh ảnh là cần thiết vì những điểm 
ảnh tại cùng vị trí đó có thể được thay thế bằng 
các điểm ảnh từ những cảnh ảnh không bị ảnh 
hưởng bởi mây. Các phương pháp phát hiện mây 
được chia thành ba nhóm chính: sử dụng ngưỡng 
phân tách, hàm truyền khí quyển và phương pháp 
thống kê [1]. Cục Địa chất Hoa Kỳ (USGS) đã 
phát triển phương pháp phát hiện mây cho tư liệu 
Landsat dựa trên thuật toán CFMask và triển 
khai kết quả dưới hình thức kênh đánh giá chất 
lượng tư liệu Landsat (BQA) với các thông tin 
cần thiết về mây lưu trong kênh BQA cho mỗi 
cảnh ảnh [2]. Các phương pháp phát hiện mây có 
những điểm mạnh yếu khác nhau. Tuy nhiên khi 
sử dụng để xử  ... 
Nghiên cứu được thử nghiệm với tư liệu ảnh 
Landat 8 OLI, cảnh ảnh 124/51 trên địa bàn tỉnh 
Đắk Lắk. Ảnh không mây tạo ra không được đưa 
về phản xạ bề mặt do vậy vẫn có sự khác biệt về 
giá trị bức xạ giữa các cảnh ảnh được thu nhận ở 
các thời điểm khác nhau. Tuy nhiên để giải đoán 
bằng mắt thì chất lượng tư liệu vẫn được bảo 
đảm. Ảnh được tạo ra có thể sử dụng phương 
pháp phân loại dựa trên dạng phổ để phân loại 
lớp phủ [4, 5]. 
2. Khu vực nghiên cứu 
Khu vực nghiên cứu thuộc phạm vi cảnh ảnh 
124/51 theo hệ thống danh định toàn cầu tư liệu 
T.A. Tuan, N.D. Duong / VNU Journal of Science: Earth and Environmental Sciences, Vol. 35, No. 4 (2019) 80-87 
83 
Landsat. Cảnh ảnh 124/51 phủ trùm gần như 
toàn bộ địa bàn tỉnh Đắk Lắk (Hình 1). 
Hình 1. Khu vực nghiên cứu thuộc địa bàn tỉnh Đắk 
Lắk nằm trong cảnh ảnh 124/51. 
Địa hình của tỉnh rất đa dạng. Đắk Lắk nằm 
ở phía Tây và cuối dãy Trường Sơn trên một cao 
nguyên rộng lớn với địa hình dốc thoải, lượn 
sóng, khá bằng phẳng xen kẽ với các đồng bằng 
thấp ven theo các sông chính. Địa hình của tỉnh 
có hướng thấp dần từ Đông Nam sang Tây Bắc. 
Tỉnh Đắk Lắk được chia thành hai tiểu vùng khí 
hậu. Vùng phía Tây Bắc có khí hậu nắng nóng, 
khô hanh về mùa khô; vùng phía Đông và phía 
Nam có khí hậu mát mẻ, ôn hoà. Khí hậu sinh 
thái nông nghiệp của tỉnh được chia ra thành 6 
tiểu vùng: 
- Tiểu vùng bình nguyên Ea Súp chiếm 
28.43% diện tích tự nhiên. 
- Tiểu vùng cao nguyên Buôn Mê Thuột – Ea 
H’Leo chiếm 16.17% diện tích tự nhiên. 
- Tiểu vùng đồi núi và cao nguyên M’Đrắk 
chiếm 15.82% diện tích tự nhiên. 
- Tiểu vùng đất ven sông Krông Ana – 
Sêrêpôk chiếm 14.51% diện tích tự nhiên. 
- Tiểu vùng núi cao Chư Yang Sin chiếm 
3.98% diện tích tự nhiên. 
- Tiểu vùng núi Rlang Dja chiếm 3.88% diện 
tích tự nhiên. 
Nhìn chung khí hậu khác nhau giữa các dạng 
địa hình và giảm dần theo độ cao: vùng dưới 
300m quanh năm nắng nóng, từ 400 – 800m khí 
hậu nóng ẩm và trên 800m khí hậu mát. Khí hậu 
có hai mùa rõ rệt: mùa mưa và mùa khô. Mùa 
mưa bắt đầu từ tháng 5 đến hết tháng 10, tập 
trung 90% lượng mưa hàng năm. Mùa khô từ 
tháng 11 đến tháng 4 năm sau, lượng mưa không 
đáng kể [6]. Thảm thực vật bao gồm thảm thực 
vật thường xanh phân bố ở những vùng đồi núi 
và cao nguyên trong khi thảm thực vật rụng lá 
phân bố chủ yếu tại vùng bình nguyên Ea Súp. 
3. Tư liệu và phương pháp 
3.1. Tư liệu 
Tư liệu phục vụ nghiên cứu bao gồm 11 cảnh 
ảnh Landsat 8 OLI thu nhận chủ yếu trong năm 
2015. Các cảnh ảnh được thu nhận trong mùa 
mưa là 8 và số cảnh ảnh trong mùa khô là 3. Từ 
các cảnh ảnh trong hai mùa, các tác giả đã xây 
dựng hai cảnh ảnh không mây cho mùa mưa và 
mùa khô. Các cảnh ảnh trong mùa mưa bị ảnh 
hưởng bởi thời tiết do vậy có độ che phủ mây rất 
cao. Để tạo được một cảnh ảnh không mây sẽ cần 
phải sử dụng nhiều cảnh ảnh có mây. Trong bảng 
1 là danh sách các cảnh ảnh đã được sử dụng 
trong nghiên cứu này. Đây là từ liệu thuộc mức 
xử lý Collection 1 level-1 được tải về từ trang 
web của Cục địa chất Hoa Kỳ (USGS) [7]. 
Trong các cảnh ảnh đã được sử dụng có một 
số cảnh ảnh không được thu nhận vào năm 2015 
mà được thu nhận ở những năm khác. Việc sử 
dụng các cảnh ảnh này không ảnh hưởng đến 
chất lượng của ảnh đầu ra bởi vì những cảnh ảnh 
này được dùng để bù mây cho các vùng núi cao 
thường xuyên bị mây che phủ, nơi hoàn toàn chỉ 
có thảm thực vật thường xanh ít bị tác động của 
các hoạt động con người. 
T.A. Tuan, N.D. Duong / VNU Journal of Science: Earth and Environmental Sciences, Vol. 35, No. 4 (2019) 80-87 
84 
Bảng 1. Danh sách các cảnh ảnh được sử dụng để 
tạo ảnh không mây cho mùa mưa và mùa khô 
Mùa Phiên hiệu cảnh ảnh 
Mùa 
mưa 
(a): LC08_L1TP_124051_20150813_20170406_01_T1 
(b): LC08_L1TP_124051_20151016_20180523_01_T1 
(c): LC08_L1TP_124051_20150610_20170408_01_T1 
(d): LC08_L1TP_124051_20151117_20170402_01_T1 
(e): LC08_L1TP_124051_20160831_20170321_01_T1 
(f): LC08_L1TP_124051_20170919_20170929_01_T1 
(g): LC08_L1TP_124051_20181008_20181029_01_T1 
(h): LC08_L1TP_124051_20190723_20190801_01_T1 
Mùa 
khô 
(a): LC08_L1TP_124051_20140130_20170426_01_T1 
(b): LC08_L1TP_124051_20150202_20170413_01_T1 
(c): LC08_L1TP_124051_20150407_20170410_01_T1 
3.2 Phương pháp 
Thuật toán tạo ảnh không mây bao gồm 4 
bước chính được triển khai tuần tự cho từng điểm 
ảnh. Việc xác định độ ảnh hưởng của mây được 
dựa trên kênh BQA (Quality Assessment Band) 
có sẵn cho mỗi cảnh ảnh Landsat được xử lý ở 
mức Collection 1 Level-1. Thông tin chi tiết mô 
tả kênh BQA có thể tham khảo trong tài liệu kỹ 
thuật của tư liệu ảnh Landsat 8 OLI [8, 9]. Sử 
dụng thông tin cung cấp trên kênh BQA, người 
sử dụng có thể xác định mức độ ảnh hưởng mây 
đối với mỗi điểm ảnh. Độ tin cậy của sự tồn tại 
của mây được xác định thông qua hệ số tin cậy 
cung cấp kèm theo trong tệp BQA. Khi tính toán, 
các tác giả đã sử dụng mức tin cậy cao nhất 75% 
để xác định ảnh hưởng của mây. Nghĩa là, chỉ 
khi nào mức tin cậy bằng hoặc lớn hơn 75% thì 
mới coi điểm ảnh đó bị ảnh hưởng bởi mây. 
Sơ đồ tổng thể thuật toán tạo ảnh không mây 
từ tư liệu Landsat đa thời gian được trình bày 
trên hình 3. Toàn bộ thuật toán được chia thành 
4 bước chính. Mỗi điểm ảnh, khi xử lý, sẽ đều 
trải qua 4 bước tính toán này. Toàn bộ thuật toán 
được lặp lại từ điểm ảnh đầu tiên cho đến điểm 
ảnh cuối cùng. 
 Hình 2. Mô tả cấu trúc các bits cho một điểm ảnh 
trong kênh BQA đối với tư liệu Landsat về thông tin 
ảnh hưởng của mây và các nhiễu khác có thể đối với 
từng điểm ảnh [9]. 
T.A. Tuan, N.D. Duong / VNU Journal of Science: Earth and Environmental Sciences, Vol. 35, No. 4 (2019) 80-87 
85 
Hình 3. Sơ đồ thuật toán. 
Bước 1. Trong bước này, chúng ta tạo dựng 
danh sách các ảnh sẽ được sử dụng cho việc bù 
mây. Những cảnh ảnh xắp xếp cao nhất sẽ có độ 
ưu tiên cao nhất. Điều đó có nghĩa khi xuất hiện 
nhiều điểm ảnh không mây ở cùng một vị trí thì 
kết quả bù mây sẽ được lấy từ giá trị điểm ảnh 
của ảnh trên cùng trong danh sách các ảnh. 
Bước 2. Xây dựng ảnh Master. Ảnh Master 
chính là ảnh kết quả có số hàng và số cột đủ lớn 
để bao phủ được tất cả các ảnh sử dụng. Vệ tinh 
Landsat khi quan sát, cảnh ảnh có cùng vị trí 
thường dao động trong các hướng đông tây cho 
mỗi thời điểm quan sát khác nhau. Chính vì lý 
do đó nên khi chồng xếp các cảnh ảnh có cùng 
số hiệu được thu nhận từ nhiều thời điểm khác 
nhau sẽ không trùng khít lên nhau. Do đó ảnh kết 
quả sẽ phải có kích thước đủ lớn để chứa được 
các phần ảnh không chồng khít lên nhau. Các 
tham số hiệu chỉnh bức xạ như hệ số chuyển đổi 
giá trị số (DN) sang giá trị bức xạ, độ cao và 
phương vị mặt trời v.v được lấy bằng với các giá 
trị tương tự của ảnh được xếp cao nhất trong 
danh sách ảnh sử dụng. Tiếp theo kênh BQA của 
ảnh kết quả cũng được tạo ra thông qua việc 
chồng xếp các kênh BQA của các ảnh đầu vào. 
Bước 3. Dựa trên thông tin về độ che phủ 
mây trong kênh BQA, chúng ta lựa chọn thời 
điểm phù hợp để lấy giá trị cho bù mây. Để đạt 
được kết quả tốt nhất, các tác giả đặt ngưỡng cho 
độ tin cậy xác định mây là 75%. Với ngưỡng tin 
cậy này, có thể bỏ qua một số nhiễu khí quyển 
có thể bị phân loại nhầm thành mây. Khi có 
nhiều hơn một thời điểm điểm ảnh không bị ảnh 
hưởng của mây thì giá trị điểm ảnh được chọn sẽ 
có thứ tự ưu tiên cho các cảnh ảnh nằm cao nhất 
trong danh sách các ảnh đầu vào. 
Bước 4. Sau khi kiểm tra điểm ảnh ở vị trí 
đang xét và chọn được thời điểm phù hợp, các 
giá trị DN của ảnh tại thời điểm đó sẽ được 
chuyển về phản xạ trên đỉnh khí quyển (TOA) và 
sau đó chuyển ngược về DN của ảnh Master và 
lưu vào ảnh Master. 
4. Kết quả 
Với tư liệu thu thập được như trong bảng 1 
và thuật toán đã trình bày, các tác giả đã thử 
nghiệm tạo ảnh không mây cho hai mùa mưa và 
khô cho cảnh ảnh 124/51. 
Chúng ta thấy, vào mùa mưa hầu như không 
thể có được ảnh không mây. Mây xuất hiện hầu 
hết ở các thời điểm vệ tinh quan sát. Sử dụng 
kênh BQA và các cảnh ảnh đã thu thập như trên 
bảng 1 đã tạo được ảnh không mây cho mùa mưa 
năm 2015. Kết qủa cửa sổ phóng to trên hình 4j 
cho thấy các phần bị che phủ bởi mây trên ảnh 
LC08_L1TP_124051_20150813_20170406_01
_T1 đã được thay thế bằng phần không mây của 
các ảnh khác. Đánh giá dựa trên giải đoán bằng 
mắt cho thấy ảnh kết quả cho phép phân biệt 
T.A. Tuan, N.D. Duong / VNU Journal of Science: Earth and Environmental Sciences, Vol. 35, No. 4 (2019) 80-87 
86 
được các đối tượng cơ bản trên bề mặt. Các vùng 
che phủ bởi thảm thực vật khác nhau được bảo 
toàn và cho phép giải đoán tốt. Các vùng đất 
trống có thể nhận biết được rõ. Hệ thống thủy 
văn như hồ nước, dòng chảy, kể cả các vùng 
ngập lụt cũng được phát hiện dễ dàng. 
 Hình 4. Tạo ảnh không mây mùa mưa. Ảnh đầu vào 
được hiển thì trên các hình (a), (b), (c), (d), (e), (f), 
(g), (h). Ảnh không mây được trình bày trên hình (i). 
(j) là một phần của ảnh (i) được phóng to giới thiệu 
chất lượng của kết quả ghép ảnh. Các ảnh được tổ 
hợp màu theo công thức RGB:543. 
Hình 5 là kết quả tạo ảnh không mây mùa 
khô. Trong mùa khô, khả năng có được ảnh 
không mây hoặc ít bị ảnh hưởng bởi mây cao hơn 
mùa mưa rất nhiều. Số lượng cảnh ảnh được sử 
dụng để tạo ảnh không mây do đó cũng ít hơn. 
Vào mùa khô chỉ cần sử dụng 3 cảnh ảnh trong 
khi mùa mưa phải dùng đến 8 cảnh ảnh. Kết quả 
ghép ảnh không mây trên hình 5(e) cho thấy chất 
lượng của thuật toán là chấp nhận được. 
Thuật toán được triển khai bằng ngôn ngữ 
lập trình C++ chạy trong môi trường DOS 
Command line cho phép làm việc ở chế độ Batch 
tạo điều kiện việc tự động hóa khi cần xử lý một 
khối lượng lớn dữ liệu. 
Hình 5. Tạo ảnh không mây mùa khô. Ảnh đầu vào 
là các ảnh (a), (b), (c). Ảnh không mây được trình 
bày trên hình (d). (e) là một phần của ảnh (d) được 
phóng to giới thiệu chất lượng của kết quả ghép ảnh. 
Các ảnh được tổ hợp màu theo công thức RGB:543. 
5. Kết luận 
Bài báo đã giới thiệu một phương pháp mới 
trong việc tạo ảnh không mây từ tư liệu Landsat 
8 OLI đa thời gian. Các tư liệu có thể được ghép 
với nhau bao gồm tư liệu Landsat 4, 5, 7 và 8. 
Thuật toán được trình bày ở đây ưu việt hơn các 
thuật toán đã công bố là không cần chuyển đổi 
giá trị ảnh về phản xạ bề mặt. Như vậy, khối 
lượng tính toán về cơ bản được giảm đi rất nhiều. 
Chất lượng ảnh với kết quả thử nghiệm trên địa 
T.A. Tuan, N.D. Duong / VNU Journal of Science: Earth and Environmental Sciences, Vol. 35, No. 4 (2019) 80-87 
87 
bàn tỉnh Đắk Lắk cho thấy thuật toán đề xuất có 
thể sử dụng để tạo ảnh không mây cho các vùng 
nghiên cứu khác. Tuy nhiên, để việc bù mây 
được hiệu qủa, việc lựa chọn ảnh đầu vào cũng 
cần được quan tâm sao cho các cảnh ảnh có các 
phần không mây có thể bù cho nhau. Những 
vùng núi cao hoặc nhũng vùng ít biến động giữa 
các năm hoặc giữa các mùa có thể sử dụng các 
tư liệu của năm trước hoặc năm sau để bù mây. 
Chương trình được xây dựng chạy trong môi 
trường DOS Command line cho phép ghép tự 
động khối lượng lớn tư liệu ảnh sau khi đã tải 
ảnh về. Trong trường hợp sử dụng môi trường 
điện toán đám mây như Amazon thì hiệu năng 
tính toán sẽ được tăng lên nhiều hơn. 
Lời cảm ơn 
Tư liệu ảnh Landsat 8 OLI được cung cấp bởi 
Cục Địa chất Hoa Kỳ (USGS) 
Các tác giả chân thành cám ơn đề tài 
TN18/T09 thuộc chương trình KHCN TN/16-20 
đã tài trợ nghiên cứu này. 
Tài liệu tham khảo 
[1] Lin Sun, Xueting Mi, JingWei, Jian Wang, 
Xinpeng Tian, Huiyong Yu, Ping Gan, A cloud 
detection algorithm-generating method for remote 
sensing data at visible to short-wave infrared 
wavelengths, ISPRS Journal of Photogrammetry 
and Remote Sensing 124 (2017) 70–88. 
https://doi.org/10.1016/j.isprsjprs.2016.12.005. 
[2] Steve Foga, Pat L. Scaramuzza, Song Guo, Zhe 
Zhu, Ronald D.Dilley Jr, Tim Beckmann, Gail L. 
Schmidt, John L. Dwyer, M.Joseph Hughes, Brady 
Laue, Cloud detection algorithm comparison and 
validation for operational Landsat data products, 
Remote Sensing of Environment 194 (2017) 379–
390. https://doi.org/10.1016/j.rse.2017.03.026. 
[3] Chengquan Huang, Samuel N. Goward, Jeffrey G. 
Masek, Feng Gao, Eric F. Vermote, Nancy 
Thomas, Karen Schleeweis, Robert E. Kennedy, 
Zhiliang Zhu, Jeffery C. Eidenshink & John R.G. 
Townshend, Development of time series stacks of 
Landsat images for reconstructing forest 
disturbance history, International Journal of Digital 
Earth 2 (2019) 195–218. https://doi.org/10.1080 
/17538940902801614. 
[4] Nguyen Dinh Duong, Le Minh Hang, Tran Anh 
Tuan, Zutao Ouyang, Development of a spectral-
pattern-analysis-based method for automated water 
body extraction using Landsat image data: A case 
study in central Vietnam and southern Laos, 
Limnology and Oceanography: Methods 15 (2017) 
945–959. https://doi.org/10.1002/lom3.10215. 
[5] N.D. Duong, Automated classification of Land 
cover using Landsat 8 OLI Surface Reflectance 
product and spectral pattern analysis concept - 
Case study in Hanoi, Vietnam, Int. Arch. 
Photogramm. Remote Sens. Spat. Inf. Sci. XLI-B8 
(2016) 987–991. https://doi.org/10.5194/isprs-
archives-XLI-B8-987-2016. 
[6] Portal DakLak Provincial, Natural conditions. 
https://daklak.gov.vn/-/i-ieu-kien-tu-nhien (in 
Vietnamese, accessed 10 August 2019). 
[7] EarthExplorer - Home, U.S. Geological Survey 
(USGS). https://earthexplorer.usgs.gov/ (accessed 
2 August 2019). 
[8] U.S. Geological Survey, Landsat Collection 1 
Level-1 Quality Assessment Band. https://www. 
usgs.gov/land-resources/nli/landsat/landsat-
collection-1-level-1-quality-assessment-band?qt-
science_support_page_related_con=0#qt-
science_support_page_related_con (accessed 10 
August 2019). 
[9] U.S. Geological Survey, Landsat 8 Data Users 
Handbook, Version 4.0, April 2019, pp. 55-56. 
https://www.usgs.gov/land-resources/nli/landsat/ 
landsat-8-data-users-handbook (accessed 10 
August 2019).