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

82 Tạp chí Khoa học Kỹ thuật Mỏ - Địa chất Tập 60, Kỳ 4 (2019) 82 - 90 
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 
Nguyễn Thị Thúy Hạnh * 
Khoa Trắc địa, Bản đồ và Thông tin Địa lý, Trường Đại học Tài nguyên và Môi trường, Việt Nam 
THÔNG TIN BÀI BÁO 
TÓM TẮT 
Quá trình: 
Nhận bài 03/04/2019 
Chấp nhận 10/08/2019 
Đăng online 30/08/2019 
 Dữ liệu đất xây dựng và đất trống rất quan trọng đối với nghiên cứu đô 
thị hóa và các vấn đề môi trường. Gần đây, viễn thám đã trở thành công 
cụ hữu hiệu để lập bản đồ các đối tượng này. Hướng tiếp cận truyền thống 
là phân loại ảnh, tuy nhiên việc sử dụng ảnh chỉ số cho kết quả nhanh và 
chính xác hơn. Các nghiên cứu trước đây dùng ảnh chỉ số cho thấy kết quả 
thu được tùy thuộc vào từng khu vực, loại cảm biến và đặc điểm của mỗi 
đô thị; trong đó các chỉ số NDBI, IBI, EBBI, NBI, UI, MNDISI ban đầu được 
đề xuất cho ảnh Landsat TM, ETM+ và chủ yếu ở các vùng khí hậu khô hạn 
và bán khô hạn, các nghiên cứu ở vùng nhiệt đới như Việt Nam còn khiêm 
tốn. Vì vậy, nghiên cứu này xem xét tính khả thi của sáu chỉ số trên đối với 
ảnh vệ tinh thế hệ mới - Landsat 8 để lập bản đồ đất xây dựng, đất trống 
trong điều kiện đô thị nhiệt đới Hà Nội. Kết quả nghiên cứu cho thấy chỉ 
số NDBI là phù hợp và chính xác nhất, tiếp đến là các chỉ số IBI, EBBI, NBI, 
UI và cuối cùng là MNDISI với độ chính xác toàn cục tương ứng là 87.25 
%; 86.96 %; 85.25 %; 82.89 %; 77.24 %; 75.68 %; đồng thời nghiên cứu 
này cũng chỉ ra sự khác biệt trong kết quả nhận được so với các nghiên 
cứu trước. Nghiên cứu này còn cung cấp dữ liệu đất trống và đất xây dựng 
phục vụ giám sát đảo nhiệt đô thị ở Hà Nội. 
© 2019 Trường Đại học Mỏ - Địa chất. Tất cả các quyền được bảo đảm. 
Từ khóa: 
Chỉ số đô thị 
Đất trống 
Đất xây dựng 
Đập thủy điện 
Landsat 8 
Hà Nội 
1. Mở đầu 
Quá trình đô thị hóa không chỉ làm gia tăng 
diện tích đất xây dựng mà còn xuất hiện cả những 
mảnh đất trống trong các khu đô thị do bỏ hoang 
đất canh tác nông nghiệp hoặc do các dự án “treo”. 
Các đối tượng này là chỉ báo của mức độ phát triển 
đô thị cũng như chất lượng môi trường (Zhang et 
al., 2008); vì vậy, lập bản đồ đất xây dựng và 
đất trống là nhiệm vụ cần thiết. Một trong những 
khó khăn khi thành lập bản đồ khu vực đô thị là 
mật độ dân cư cao, nhiều nhà cao tầng, hạn chế 
khả năng đo vẽ trực tiếp; do đó, viễn thám trở 
thành công cụ đắc lực trợ giúp nhiệm vụ này (As - 
syakur et al., 2012). Hướng tiếp cận phổ biến để 
lập bản đồ lớp phủ/sử dụng đất đô thị từ tư liệu 
viễn thám là phân loại ảnh, tuy nhiên phương 
pháp dùng ảnh chỉ số cho kết quả nhanh chóng và 
hiệu quả hơn; trong đó, các chỉ số NDBI 
(Normalized Difference Build - up Index), IBI 
(Index - based Build - up Index), EBBI (Enhanced 
_____________________ 
*Tác giả liên hệ 
E - mail: hanhntt.hunre@gmail.com 
 Nguyễn Thị Thúy Hạnh/Tạp chí Khoa học Kỹ thuật Mỏ - Địa chất 60 (4), 82 - 90 83 
Build - up and Bareness Index), NBI (New Build - 
up Index), UI (Urban Index), MNDISI (Modified 
Normalized Difference Impervious Surface Index) 
được sử dụng phổ biến, ban đầu được đề xuất cho 
thế hệ vệ tinh Landsat cũ TM, ETM+. Để áp dụng 
cho vệ tinh thế hệ mới Landsat 8 cần phải điều 
chỉnh cho phù hợp trên cơ sở xem xét tính nhạy 
cảm của các chỉ số này đối với các bước sóng sử 
dụng. Mặt khác các chỉ số này không thành công 
hoàn toàn trong mọi trường hợp (Deng and Wu, 
2012; Ogashawara and Bastos, 2012), tùy thuộc 
vào điều kiện khí hậu, tính chất phức tạp cũng như 
cấu trúc của mỗi đô thị mà hiệu quả của mỗi chỉ số 
sẽ khác nhau; hơn thế nữa, hiệu năng của những 
chỉ số đó ở khu vực nhiệt đới như thế nào thì vẫn 
còn bỏ ngỏ. 
Hà Nội là đô thị cổ, trải qua quá trình hình 
thành và phát triển hàng nghìn năm với các kiểu 
kiến trúc đặc thù, không giống với các đô thị hiện 
đại khác trên thế giới. Trong quá trình đô thị hóa, 
sự chuyển đổi sử dụng đất ở Hà Nội diễn ra mạnh 
mẽ: chủ yếu là đất nông nghiệp thành đất xây 
dựng, làm cho cảnh quan đô thị bị phân mảnh sâu 
sắc và mang nét đặc trưng riêng. Hà Nội thuộc khu 
vực nhiệt đới nóng ẩm, mưa nhiều nên đặc tính 
phản xạ phổ của lớp phủ cũng không giống với các 
khu vực khác. 
Do đó nghiên cứu này được thực hiện với mục 
tiêu thử nghiệm các chỉ số IBI, EBBI, NDBI, UI, NBI 
và MNDISI trên ảnh Landsat 8 và xem xét hiệu 
năng của các chỉ số này trong chiết tách đất trống 
và đất xây dựng cho đô thị nhiệt đới Hà Nội. 
2. Tư liệu sử dụng và phương pháp nghiên cứu 
2.1. Tư liệu sử dụng 
Tư liệu chính được sử dụng trong nghiên cứu 
này là ảnh vệ tinh Landsat 8 chụp khu vực Hà Nội 
ngày 4/6/2017, cụ thể là kênh 3 (xanh lục), kênh 
4 (đỏ), kênh 5 (cận hồng ngoại), kênh 6 (hồng 
ngoại trung), kênh 7 (hồng ngoại trung) và kênh 
10 (hồng ngoại nhiệt). Ngoài ra, 513 điểm GPS 
thực địa thu thập vào tháng 6/2018 được sử dụng 
để đánh giá độ chính xác kết quả chiết tách đất 
trống, đất xây dựng bằng các chỉ số đô thị, Bảng 1. 
2.2. Phương pháp nghiên cứu 
2.2.1. Hiệu chỉnh khí quyển ảnh Landsat 8 
Ảnh được cắt theo tọa độ địa lý từ 20052’40”
 đến 21013’19” độ vĩ Bắc và từ 105037’34” đến 
106003’26” độ kinh Đông và hoàn toàn không bị 
mây che phủ. Quá trình hiệu chỉnh ảnh hưởng của 
khí quyển được tiến hành bằng phương pháp Trừ 
đối tượng tối DOS (Dark - Object Subtraction) theo 
tài liệu hướng dẫn của USGS (USGS, 2016). 
2.2.2. Chỉ số đô thị 
Các chỉ số đô thị được đề xuất đối với cảm 
biến của Landsat thế hệ trước, nghiên cứu này vận 
dụng và điều chỉnh cho phù hợp với vệ tinh 
Landsat 8 theo các công thức dưới đây; bước sóng 
của các kênh phổ được trình bày trong Bảng 1. 
a. Chỉ số UI 
Chỉ số UI (Urban Index) được Kawamura phát 
triển để chiết tách đất đô thị ở khu vực Colombo - 
Sri Lanka từ ảnh Landsat TM (Kawamura et al., 
1996). 
NIRSWIR
NIRSWIR
UI
2
2
b. Chỉ số NDBI 
Căn cứ vào đặc tính phản xạ phổ của đất xây 
dựng là phản xạ thấp với bước sóng NIR và phản 
xạ cao với bước sóng MIR, Zha đã phát triển chỉ số 
NDBI (Normalized Difference Build - up Index) 
bằng cách sử dụng kênh 4 (NIR) và kênh 5 (SWIR) 
của ảnh Landsat TM để phục vụ công tác lập bản 
đồ khu vực đô thị (Zha et al. ,2003). 
NIRSWIR
NIRSWIR
NDBI
1
1
c. Chỉ số IBI 
Chỉ số IBI (Index - based Build - up Index) 
được Xu xây dựng dựa trên ba chỉ số bao gồm chỉ 
số SAVI (Soil Adjusted Vegetation Index), chỉ số 
MNDWI (Modified Normalized Difference Water 
Index) và chỉ số NDBI (Normalized Difference 
Built‐up Index) (Xu, 2008). Những chỉ số này phản 
ánh các thành phần cơ bản của bề mặt đô thị là 
thực vật, nước và bề mặt không thấm. 
  
  
1
11
1
11
SWIRGREEN/GREEN
REDNIR/NIR
NIRSWIRSWIR2
SWIRGREEN/GREEN
REDNIR/NIR
NIRSWIRSWIR2
IBI
(1) 
(2) 
(3) 
84 Nguyễn Thị Thúy Hạnh/Tạp chí Khoa học Kỹ thuật Mỏ - Địa chất 60 (4), 82 - 90 
d. Chỉ số NBI 
Chỉ số NBI (New Build - up Index) được Jieli 
phát triển để chiết tách khu vực dân cư từ ảnh vệ 
tinh Landsat TM (Jieli et al., 2010). 
NIR
REDSWIR
NBI 1
e. Chỉ số EBBI 
Chỉ số EBBI (Enhanced Build - up and 
Bareness Index) (As - Syakur et al., 2012) phát 
triển trên cơ sở sử dụng bước sóng 0.83 μm, 1.65 
μm, và 11.45 μm của ảnh Landsat ETM+, các bước 
sóng này có tính chất phản xạ và hấp thụ trái 
ngược nhau đối với đất trống và đất xây dựng. 
11
1
10 TIRSWIR
NIRSWIR
EBBI
f. Chỉ số MNDISI 
Chỉ số NDISI (Normalized Difference 
Impervious Surface Index) được Xu xây dựng dựa 
trên tính chất phát xạ nhiệt cao của bề mặt không 
thấm đối với kênh TIR và phản xạ kém đối với 
kênh NIR (Xu, 2010). Sau đó, Sun đề xuất chỉ số 
MNDISI (Modified Normalized Difference 
Impervious Surface Index) hoàn toàn dựa trên 
công thức tính NDISI, chỉ khác là không sử dụng 
nhiệt độ chói mà thay bằng nhiệt độ bề mặt theo 
công thức sau (Sun at al., 2017): 
3/
SWIRNIR
MNDWILST
3/
SWIRNIR
MNDWILST
MNDISI
1
1
1
1
Trong đó: MNDWI: Chỉ số khác biệt nước 
được điều chỉnh (Modified Normalized Difference 
Water Index); LST: Nhiệt độ bề mặt (độ K). 
2.2.3. Đánh giá độ chính xác 
Để đánh giá độ chính xác kết quả chiết tách 
đất xây dựng và đất trống từ các ảnh chỉ số, nghiên 
cứu này sử dụng dữ liệu lớp phủ tại 513 điểm GPS 
thực địa được thu thập vào tháng 6/2018, sao cho 
các mẫu đảm bảo tính tương đối đồng nhất (chỉ 
chứa một loại lớp phủ), số lượng mẫu cho mỗi lớp 
đảm bảo từ 30*p (p: số kênh phổ sử dụng) pixel 
trở lên (Mather, 1999). Các mẫu được lấy ở những 
nơi có thể tiếp cận được, phân bố khắp nơi trong 
khu vực nghiên cứu và đại diện cho các loại lớp 
phủ ở nhiều trạng thái khác nhau. Sau đó, các mẫu 
này được gán nhãn đất trống, đất xây dựng và các 
loại lớp phủ khác. Bước tiếp theo là tiến hành so 
sánh các lớp phủ trên ảnh chỉ số với lớp phủ trên 
thực địa bằng cách lập ma trận sai số. Các chỉ tiêu 
có thể đọc ra từ ma trận sai số bao gồm: Độ tin cậy 
nhà sản xuất, độ tin cậy người sử dụng, độ chính 
xác toàn cục và hệ số Kappa (Congalton and Green, 
1999; Lillesand et al., 2012). Toàn bộ các bước xử 
lý ảnh được thực hiện bằng phần mềm Envi 4.6 và 
ArcGIS 10.2 và được tóm tắt trong sơ đồ Hình 1. 
3. Kết quả nghiên cứu và thảo luận 
Các ảnh chỉ số đô thị chiết tách từ ảnh vệ tinh 
Landsat 8 cho khu vực Hà Nội là ảnh đen trắng, 
trong đó đen ứng với giá trị thấp, trắng ứng với giá 
trị cao và được trình bày trên Hình 2.
(4) 
(5) 
(6) 
Hình 1. Các bước xử lý ảnh lập bản đồ đất trống và 
đất xây dựng từ ảnh Landsat 8 bằng ảnh chỉ số (Pv - 
Phần trăm thực vật trong 1 pixel, ε - Độ phát xạ bề 
mặt, NDVI - Chỉ số thực vật, LST - Nhiệt độ bề mặt). 
 Nguyễn Thị Thúy Hạnh/Tạp chí Khoa học Kỹ thuật Mỏ - Địa chất 60 (4), 82 - 90 85 
Hình 2. Ảnh chỉ số đô thị. 
UI 
MNDISI IBI 
EBBI NDBI 
NBI 
86 Nguyễn Thị Thúy Hạnh/Tạp chí Khoa học Kỹ thuật Mỏ - Địa chất 60 (4), 82 - 90 
Để tách đất trống và đất xây dựng ra khỏi các 
đối tượng khác, các ảnh chỉ số này được phân 
ngưỡng (Bảng 2) và cho kết quả như Hình 3 (đất 
xây dựng được trình bày màu đỏ, đất trống màu 
vàng và các đối tượng khác màu tím nhạt). Việc so 
sánh, phân tích để thấy được hiệu năng của các chỉ 
số đối với đô thị Hà Nội dựa trên quan sát định 
tính và đánh giá thống kê định lượng. 
3.1. Quan sát và phân tích 
Hiệu năng của các chỉ số trước hết được đánh 
giá thông qua việc quan sát bằng mắt và so sánh 
các ảnh chỉ số với ảnh tổ hợp màu giả (tổ hợp các 
kênh 7, 5, 2). 
STT Chỉ số 
Khoảng giá 
trị 
Đất xây 
dựng 
Đất trống 
1 UI 
 - 0.7589 
÷0.5683 
 - 0.2500 ÷ 
0.5683 
 - 0.2700 ÷ 
- 0.2500 
2 NDBI 
 - 0.5870 ÷ 
0.4392 
 - 0.0700 ÷ 
0.4392 
 - 0.0900 ÷ 
- 0.0700 
3 IBI 
 - 0.1268 ÷ 
0.6237 
0.4700 ÷ 
0.6237 
0.4360 ÷ 
0.4700 
4 EBBI 
 - 0.1020 ÷ 
0.1497 
 - 0.0076 ÷ 
0.1497 
 - 0.0090 ÷ 
- 0.0076 
5 NBI 
0.0229 ÷ 
0.8556 
0.1200 ÷ 
0.8556 
0.1050 ÷ 
0.1200 
6 MNDISI 
 - 0.9477 ÷ 
0.6343 
0.2800 ÷ 
0.6343 
0.2500 ÷ 
0.2800 
Khả năng phân tách đất xây dựng, đất trống 
với các đối tượng khác từ chỉ số EBBI rất tốt. Hầu 
hết đất xây dựng được xác định chính xác, trừ một 
vài vị trí bãi bồi trên sông Hồng bị nhầm thành đất 
xây dựng do đây là các bãi cát nên tính chất phản 
xạ gần giống đất xây dựng (cát là thành phần chủ 
yếu của vật liệu xây dựng). Một số vị trí nước hồ bị 
nhầm thành đất trống, điều này có thể giải thích là 
tại những khu vực đó nước có tính chất thấu 
quang lớn nên chất đáy ảnh hưởng mạnh đến khả 
năng phản xạ phổ của nước. Hầu hết các đối tượng 
hình tuyến (đường xá) bằng vật liệu bê tông, 
asphalt bị phân thành đối tượng khác là do ở Hà 
Nội có nhiều cây xanh hai bên đường nên đường 
bị che khuất trên ảnh vệ tinh, đây cũng là điểm 
khác biệt của đô thị nhiệt đới Hà Nội so với các 
thành phố ở vùng khí hậu khô, lạnh. Đất xây dựng 
tập trung chủ yếu ở các quận nội thành, rải rác ở 
các huyện ngoại thành; đất trống xen kẽ với đất 
xây dựng, thường là những ô đất nhỏ do các dự án 
bị dừng hoặc do bị đầu cơ và bỏ hoang, chưa xây 
dựng; kết quả này phản ánh đúng thực trạng đô 
thị hóa ở Hà Nội. Thực trạng đất nông nghiệp ở 
ven đô bị bỏ hoang cũng nhiều nhưng đã mọc cỏ 
và cây bụi nên không phải là đất trống trên ảnh vệ 
tinh. Đây cũng là nét đặc thù của đô thị nhiệt đới 
Hà Nội, không giống với các đô thị vùng Trung 
Đông hay các vùng khí hậu khô hạn, bán khô hạn 
khác. Nếu sử dụng chỉ số này để lập bản đồ lớp 
phủ/sử dụng đất ở Hà Nội cần có thêm dữ liệu 
tham khảo của các khu vực đất trống. 
Khả năng tách riêng đất trống từ chỉ số IBI tốt 
hơn EBBI, thậm chí còn phát hiện được cả những 
thửa ruộng bỏ hoang bị cỏ mọc lưa thưa. Khả năng 
chiết tách đất xây dựng khỏi đất trống và các đối 
tượng khác cũng rất tốt trừ việc toàn bộ các đối 
tượng mặt nước bị phân vào đất xây dựng và 
không thể tách riêng được. Do đó, trong nghiên 
cứu này chúng tôi phải dùng mặt nạ để tách nước 
ra khỏi đất xây dựng. Khi sử dụng chỉ số IBI, các 
tuyến phố được phân chính xác vào đất xây dựng, 
khả năng nhận dạng các đối tượng hình tuyến tốt 
hơn EBBI. Đất xây dựng tập trung chủ yếu ở trung 
tâm thành phố, thưa thớt ở ngoại ô; đất trống phân 
bố xen kẽ với đất xây dựng, các thửa ruộng hoang 
ở ngoại thành được phân đúng vào đất trống trong 
khi với EBBI thì lại bị phân nhầm vào đất xây dựng 
hoặc các đối tượng khác. Như vậy có thể nói lớp 
thực vật thưa không ảnh hưởng đến khả năng 
chiết tách đất trống từ IBI. Kết quả này giống với 
nghiên cứu của Xu (2008) thử nghiệm chỉ số IBI 
đối với ảnh Landsat ETM+ ở thành phố Phúc Châu, 
miền Đông Nam Trung Quốc. Tác giả này báo cáo 
chỉ số IBI làm nổi bật đất xây dựng và hạn chế 
nhiễu; IBI có tương quan dương với LST và tương 
quan âm với NDVI và MNDWI. Khả năng phân tách 
đất xây dựng và đất trống với các đối tượng khác 
của chỉ số NBI tốt; tuy nhiên một số vị trí trên sông 
Hồng bị phân ngưỡng nhầm vào đất xây dựng, đất 
trống do nước sông Hồng có hàm lượng phù sa rất 
lớn nên khả năng phản xạ có phần giống với đất 
xây dựng và đất trống. 
Chỉ số NDBI có khả năng tách riêng đất xây 
dựng, đất trống ra khỏi các đối tượng khác rất tốt, 
hầu như không bị lẫn. Trong các nghiên cứu trước, 
NDBI có thể phân biệt được chính xác đất xây 
dựng ở các đô thị thuộc vùng khí hậu ẩm như 
thành phố Colombo - Sri Lanka (Ranagalage et al., 
Bảng 2. Phân ngưỡng chỉ số. 
 Nguyễn Thị Thúy Hạnh/Tạp chí Khoa học Kỹ thuật Mỏ - Địa chất 60 (4), 82 - 90 87 
Hình 3. Kết quả chiết tách đất trống và đất xây dựng từ các chỉ số đô thị. 
88 Nguyễn Thị Thúy Hạnh/Tạp chí Khoa học Kỹ thuật Mỏ - Địa chất 60 (4), 82 - 90 
2017), Montreal - Canada (Faisal et al., 2016), São 
José dos Campos - Brazil (Ogashawara and Bastos, 
2012), Bắc Kinh và Quảng Châu - Trung Quốc (Liu 
et al., 2009; Xiong et al., 2012). Ngược lại, khả năng 
phân biệt đất xây dựng của NDBI không hiệu quả 
khi áp dụng cho các thành phố khu vực bán khô 
cằn ở Urumqi và Shihezi thuộc miền Tây Trung 
Quốc (Qian et al., 2007; Qian et al., 2010). Zhou cho 
biết áp dụng chỉ số NDBI đối với ảnh Landsat 8 ở 
Thành phố Trịnh Châu - Trung Quốc cho độ chính 
xác thấp(Zhou et al., 2014). Zha báo cáo rằng họ 
không thể để tách đô thị ra khỏi khu vực đất trống 
bằng chỉ số NDBI (Zha et al., 2003). Trong nghiên 
cứu này, chỉ số UI có khả năng tách biệt đất xây 
dựng, đất trống với các loại khác tốt; đôi khi bãi 
bồi hoặc nước sông Hồng bị nhầm thành đất xây 
dựng hoặc đất trống. Nhìn chung thì sử dụng UI để 
phân biệt đất trống và đất xây dựng ở đô thị Hà 
Nội tốt trong khi Fernando báo cáo rằng UI cho độ 
chính xác không cao khi áp dụng cho ảnh Landsat 
8 ở huyện Kandy - Sri Lanka - nơi có địa hình dốc 
(Fernando and Gunawardena, 2018). As - syakur 
cho biết chỉ số UI tính từ ảnh Landsat ETM+ không 
có khả năng chiết tách đất trống ở thành phố 
Denpasar, Bali, Indonesia (As - syakur at al., 2012). 
Tác giả này cũng báo cáo độ chính xác của EBBI 
cao nhất, sau đó là IBI rồi đến NDBI. Chỉ số MNDISI 
có khả năng phân biệt các ngưỡng đất xây dựng, 
đất trống và các đối tượng khác rất tốt; tuy nhiên 
độ phân giải ảnh bị giảm (các đối tượng kém chi 
tiết, thường bị gộp thành mảng lớn) do sử dụng 
kênh TIRS1 (band 10) có độ phân giải thấp (100 
m). Phía Đông Nam khu vực nghiên cứu, nhiều 
diện tích nông nghiệp bị phân nhầm vào đất xây 
dựng, điều này cũng phù hợp với kết quả nghiên 
cứu của Sun (Sun et al., 2017): đất trống bị lẫn với 
đất xây dựng khi áp dụng chỉ số MNDISI cho 
những khu đô thị có mật độ xây dựng thấp. 
3.2. Đánh giá độ chính xác 
Kết quả đánh giá định lượng cho thấy độ chính xác 
toàn cục khi sử dụng các chỉ số NDBI, IBI, EBBI, 
NBI, UI, MNDISI đạt được lần lượt là 87.25%; 
86.96%; 85.25%; 82.89%; 77.24%; 75.68%; hệ số 
kappa tương ứng là 0.7790; 0.7735; 0.7438; 
0.7055; 0.6835; 0.6754. Bên cạnh đó, độ tin cậy 
của nhà sản xuất và độ tin cậy của người sử dụng 
vào kết quả chiết tách đất xây dựng và đất trống 
được trình bày chi tiết trong Bảng 3. Kết quả đánh 
giá định lượng này hoàn toàn phù hợp với những 
thông tin quan sát bằng mắt và so sánh định tính 
ở trên. Như vậy có thể nói rằng, đối với Hà Nội - 
một đô thị cổ thuộc vùng khí hậu nhiệt đới thì việc 
lập bản đồ đất trống và đất xây dựng sử dụng chỉ 
số NDBI và IBI là tốt nhất, sau đó là đến nhóm 
EBBI, NBI, UI; và cuối cùng là MNDISI; việc sử 
dụng chỉ số MNDISI cho kết quả kém chi tiết trong 
trường hợp này. 
4. Kết luận 
1. Chỉ số IBI, EBBI, NDBI, UI, NBI và MNDISI 
ban đầu được phát triển cho ảnh Landsat thế hệ 
cũ (Landsat TM, ETM+). Nghiên cứu này thử 
nghiệm các chỉ số IBI, EBBI, NDBI, UI, NBI và 
MNDISI cho ảnh Landsat 8 và xem xét hiệu năng 
của các chỉ số này trong điều kiện đô thị Hà Nội - 
một đô thị cổ thuộc vùng khí hậu nhiệt đới với 
cảnh quan phân mảnh sâu sắc. Kết quả nghiên cứu 
đã giúp lựa chọn được chỉ số phù hợp để chiết tách 
đất xây dựng và đất trống cho đô thị Hà Nội, cung 
cấp dữ liệu về sự phân bố đất xây dựng và đất 
trống phục vụ cho nghiên cứu đảo nhiệt đô thị 
nhằm nâng cao chất lượng môi trường sống cho 
cư dân đô thị Hà Nội trong khuôn khổ đề tài Mã số 
TNMT.2018.08.10. 
STT Chỉ số 
Độ chính 
xác toàn 
cục (%) 
Kappa 
Đất xây dựng Đất trống 
Độ tin cậy nhà 
sản xuất (%) 
Độ tin cậy người 
sử dụng (%) 
Độ tin cậy nhà 
sản xuất (%) 
Độ tin cậy người sử 
dụng (%) 
1 NDBI 87.25 0.7790 94.41 85.22 75.90 83.24 
2 IBI 86.96 0.7735 76.48 81.29 92.75 84.69 
3 NBI 82.89 0.7055 89.02 76.60 75.75 67.87 
4 UI 77.24 0.6835 85.19 60.67 69.45 70.00 
5 MNDISI 75.68 0.6754 83.59 64.71 59.14 74.39 
6 EBBI 85.25 0.7438 86.42 86.47 69.29 72.02 
Bảng 3. Kết quả đánh giá độ chính xác. 
 Nguyễn Thị Thúy Hạnh/Tạp chí Khoa học Kỹ thuật Mỏ - Địa chất 60 (4), 82 - 90 89 
2. Các chỉ số đều phản ánh đất xây dựng ứng 
với ngưỡng giá trị cao, tiếp đến là đất trống và 
thấp nhất là các đối tượng khác. Kết quả này phù 
hợp với các nghiên cứu trước đó. Đồng thời kết 
quả nghiên cứu cũng chỉ ra được ngưỡng giá trị 
của các chỉ số đối với đất trống và đất xây dựng 
cho đô thị Hà Nội. 
3. Chiết tách đất xây dựng: Dùng chỉ số NDBI 
là tốt nhất, tiếp đến có thể dùng các chỉ số EBBI, 
IBI, NBI, UI; trong đó, chỉ số EBBI chịu ảnh hưởng 
của thực vật nhiệt đới và đặc thù nước sông Hồng 
(có nhiều phù sa), bãi bồi; các chỉ số IBI, NBI và UI 
phân nhầm nước sông Hồng và bãi bồi vào đất xây 
dựng. 
4. Chiết tách đất trống: Dùng chỉ số IBI và 
NDBI là tốt nhất, trong đó IBI hầu như không bị 
ảnh hưởng của lớp thực vật mỏng, phù hợp nhất 
với đô thị nhiệt đới; tiếp đến là EBBI, NBI, UI tuy 
nhiên ba chỉ số này vẫn bị nhầm lẫn đất trống với 
nước sông Hồng hoặc bãi bồi ở một số vị trí. 
5. Chỉ số MNDISI cho phép tách riêng đất 
trống, đất xây dựng với các đối tượng khác ở đô 
thị Hà Nội nhưng độ chính xác không cao và kém 
chi tiết, đặc biệt là khu vực mật độ xây dựng thấp. 
Lời cảm ơn 
Nghiên cứu này do Bộ Tài nguyên và Môi 
trường tài trợ trong khuôn khổ Đề tài mã số 
TNMT.2018.08.10. 
Tài liệu tham khảo 
As - Syakur A. R., Adnyana I. W. S., 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 Sens 4: 
2957 - 2970. 
Congalton R. G., Green K., 1999. Assessing the 
Accuracy of Remotely Sensed Data: Principles 
and Practices. Lewis Publishers. Boca Raton, FL. 
Deng C., Wu C. B. C. I., 2012. A biophysical 
composition index for remote sensing of urban 
environments. Remote Sens. Environ 127. 247 - 
259. 
Faisal K., Shaker A., Habbani S., 2016. Modeling 
the Relationship between the Gross Domestic 
Product and Built - Up Area Using Remote 
Sensing and GIS Data: A Case Study of Seven 
Major Cities in Canada. ISPRS Int.J. Geo - Inform 
5. 23. 
Fernando T., Gunawardena A., 2018. 
Determination of Convertion of Tea Lands in 
Kandy District Using Different Remote Sensing 
Indices. https://www.researchgate.net/ 
profile/Tamasha_Fernando/publication/312
377414 (accessed on 3 July 2018). 
Jieli C. L., Manchun L., Yongxue S., Cheng L., Wei H., 
2010. Extract residential areas automatically 
by new built - up index. In: Proceeding of 18th 
International Conference on Geoinformatics. 
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. Int. Arch. Photogramm. Remote Sens 31. 
321 - 326. 
Liu W., Lu L., Ye C., Liu Y., 2009. Relating urban 
surface temperature to surface characteristics 
in Beijing area of China. In Proceedings of the 
International Society for Optics and Photonics 
MIPPR 2009: Remote Sensing and GIS Data 
Processing and Other Applications. Yichang. 
China. 
LillesandT. M., Chipman J. W., Kiefer R. W., 2012. 
Remote sensing and Image interpretation. 
Wiley India. 
Mather P. M., 1999. Computer processing of 
remotely sensed images: an introduction. 
Wiley. Chichester. 
Ogashawara I., Bastos V. D. S. B., 2012. A 
quantitative approach for analyzing the 
relationship between urban heat islands and 
land cover. Remote Sens 4. 3596 - 3618. 
Qian J., Zhou Q., Hou Q., 2007. Comparison of pixel 
- based and object - oriented classification 
methods for extracting built - up areas in arid 
zone. In Proceedings of the ISPRS Workshop 
on Updating Geo - Spatial Databases with 
Imagery & the 5th ISPRS Workshop on 
DMGISs. National Geomatics Center of China 
Sponsored. Urumchi, XingJiang, China. 28 - 29. 
Qian J., Zhou Q., Chen X., 2010. Improvement of 
urban land use and land cover classification 
approach in arid areas. In Proceedings of the 
International Society for Optics and Photonics 
90 Nguyễn Thị Thúy Hạnh/Tạp chí Khoa học Kỹ thuật Mỏ - Địa chất 60 (4), 82 - 90 
Image and Signal Processing for Remote 
Sensing XVI. Toulouse, France. 20 - 22. 
Ranagalage M., EstoqueR. C., Murayama Y., 2017. 
An urban heat island study of the Colombo 
metropolitan area, Sri Lanka, based on Landsat 
data (1997 - 2017). ISPRS Int. J. Geo - Inform 6. 
189. 
SunZ., Wang C., Guo H., Shang R., 2017. A Modified 
Normalized Difference Impervious Surface 
Index (MNDISI) for Automatic Urban Mapping 
from Landsat Imagery. Remote Sens. 9: 942. 
doi:10.3390/rs9090942; www. mdpi.com 
/journal/remotesensing. 
USGS, 2016. Landsat 8 Data Users Handbook; 
USGS: Reston, VA, USA. Last accessed 
01/05/2018. 
Xiong Y., Huang S., Chen F., Ye H., Wang C., Zhu C., 
2012. The impacts of rapid urbanization on the 
thermal environment: A remote sensing study 
of Gangzhou, South China. Remote Sens 4. 2033 
- 2056. 
Xu H. Q., 2008. A new index for delineating built - 
up land features in satellite imagery. Int. J. 
Remote Sens 29. 4269 - 4276. https://doi.org 
/10.1080/01431160802039957 . 
Xu H., 2010. An analysis of impervious surface and 
its impact on urban heat environment using 
the normalized difference impervious surface 
index (NDISI). Photogramm. Eng. Remote sens 
76. 557 - 565. 
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. 
Zhang Z., Ji M., Shu J., Deng Z., Wu Y., 2008. Surface 
urban heat island in Shanghai, China: 
Examining the relationship between land 
surface temperature and impervious surface 
fractions derived from Landsat ETM+ imagery. 
Int. Arch. Photogramm. Remote Sens. Spat. Inf. 
Sci 37. 601 - 606. 
Zhou Y., YangG., Wang S., Wang L., WangF., Liu X., 
2014. A new index for mapping built - up and 
bare land areas from Landsat - 8 OLI data. 
Remote Sens. Lett 5. 862 - 871.  
doi.org/10.1080/2150704X.2014.973996.
ABSTRACT 
Applying urban indices to extract bare land and buid - up areas in 
Hanoi from Landsat 8 
Hanh Thuy Thi Nguyen 
Mapping and Geographic Information, Hanoi University of Natural Resources and Environment, Vietnam 
Build - up areas and bare land data are crucial for studying urbanization and environmental 
monitoring. Recently, remote sensing has become an effective tool for mapping these objects. The 
conventional approach is to classify images, however the use of index images produces faster and more 
accurate results. Previous studies using index images showed that the results obtained depend on the 
climate region, the parammetters of sensor and the features of each city; In which the original indicators of 
NDBI, IBI, EBBI, NBI, UI, MNDISI are proposed for Landsat TM, ETM + images and mainly in other climate 
zones, the number of studies for tropical region such as Vietnam is still limited. Therefore, this study 
examines the feasibility of these indices to new generation satellite - Landsat 8 for mapping build-up areas 
and bare land in tropical urban of Hanoi. The results showed that the NDBI is the most relevant and accurate, 
followed by IBI, EBBI, NBI, UI and finally MNDISI with overall accuracy of 87.25%; 86.96%; 85.25%; 
82.89%; 77.24%; 75.68%, respectively; This study also pointed out differences in the results compared to 
prior studies and provided data on bare land and build-up areas for urban heat island monitoring in Hanoi.