PHÂN TÍCH BIẾN ĐỘNG ĐẤT XÂY DỰNG KHU VỰC PHÍA ĐÔNG THÀNH PHỐ HỒ CHÍ MINH GIAI ĐOẠN 2019 - 2025 DỰA TRÊN ẢNH VỆ TINH SENTINEL-2 VÀ CÔNG NGHỆ HỌC MÁY

Abstract

This study analyzes land use change and built-up land expansion in eastern Ho Chi Minh City during the 2019 - 2025 period using Sentinel-2 imagery, the Google Earth Engine platform and machine learning algorithms. The image data were composited using the median method for the dry and rainy seasons, while spectral indices including NDVI, NDBI and MNDWI were integrated. Image classification was performed using five algorithms, namely Random Forest (RF), Support Vector Machine (SVM), Classification and Regression Tree (CART), Gradient Tree Boosting (GTB), and Maximum Likelihood Classification (MLC). Classification performance was evaluated using overall accuracy (OA) and the Kappa coefficient. The results show that the machine learning algorithms achieved high and stable accuracy, with GTB obtaining the highest performance, reaching an OA of 97% and a Kappa coefficient of 0.96. The magnitude and trend of built-up land change were quantified through changed area, expansion rate, shrinkage rate, growth rate (GR), and urban expansion intensity (UEI). The results indicate that built-up land increased substantially by 1,795.28 ha, corresponding to a GR of 23.22% and a UEI of 1.42%/year, mainly through conversion from vacant land. The findings provide a scientific basis for monitoring land use change, assessing urbanization trends, and supporting urban development planning.

Tóm tắt

Nghiên cứu phân tích biến động sử dụng đất và mở rộng đất xây dựng khu vực phía đông Thành phố Hồ Chí Minh giai đoạn 2019 - 2025 dựa trên ảnh Sentinel-2, nền tảng Google Earth Engine và các thuật toán học máy. Dữ liệu ảnh được tổ hợp trung vị theo hai mùa khô và mưa, đồng thời tích hợp các chỉ số phổ NDVI, NDBI, MNDWI. Phân loại ảnh được thực hiện bằng năm thuật toán gồm Random Forest (RF), Support Vector Machine (SVM), Classification and Regression Tree (CART), Gradient Tree Boosting (GTB) và Maximum Likelihood Classification (MLC). Hiệu quả phân loại được đánh giá thông qua độ chính xác toàn cục OA và hệ số Kappa. Kết quả cho thấy, các thuật toán học máy đạt độ chính xác cao và ổn định, trong đó GTB đạt cao nhất với OA 97% và Kappa 0,96. Mức độ và xu hướng biến động đất xây dựng được định lượng thông qua diện tích biến động, tỷ lệ mở rộng, tỷ lệ thu hẹp, tốc độ tăng trưởng GR và cường độ mở rộng đô thị UEI. Kết quả cho thấy, đất xây dựng tăng mạnh với 1.795,28 ha, tương ứng GR 23,22% và UEI 1,42%/năm, chủ yếu chuyển đổi từ đất trống. Kết quả nghiên cứu góp phần cung cấp cơ sở khoa học cho việc theo dõi biến động sử dụng đất, đánh giá xu hướng đô thị hóa, hỗ trợ quy hoạch phát triển đô thị.