##plugins.themes.huaf_theme.article.main##
Tóm tắt
Độ đục đóng vai trò quan trọng trong điều tiết động lực hệ sinh thái đầm phá ven biển thông qua kiểm soát khả năng xuyên sáng, chu trình dinh dưỡng và năng suất thủy sinh. Nghiên cứu này đánh giá độ đục tại phá Tam Giang (TP. Huế, Việt Nam), tích hợp số liệu thực địa với ảnh vệ tinh Landsat - 8. Hai mô hình tuyến tính Ridge và Partial Least Squares Regression (PLSR) được so sánh để ước tính độ đục, sử dụng hai bộ số liệu tích hợp các nguồn biến đổi ảnh khác nhau. Kết quả cho thấy mô hình PLSR vượt trội với R² = 0,79, RMSE = 0,41, MAE = 0,31 khi chọn biến theo hệ số tương quan Pearson, trong khi Ridge chỉ đạt R² = 0,65. Phân tích mức độ đóng góp khẳng định vai trò chi phối của kênh đỏ-cận hồng ngoại (R865_655) và hồng ngoại sóng ngắn (R2201, R1609). Bản đồ độ đục từ mô hình PLSR xác định ba khu vực độ đục cao, gồm cửa sông, vùng nuôi trồng thủy sản ven bờ và khu sản xuất nông nghiệp, với giá trị > 6 Formazin Nephelometric Unit (FNU); trong khi khu vực trung tâm và phía Nam duy trì độ đục thấp hơn. Nghiên cứu nhấn mạnh tính khả thi và độ tin cậy của phương pháp viễn thám trong giám sát độ đục quy mô lớn, giúp phát triển bền vững hệ sinh thái đầm phá ven biển.
##plugins.themes.huaf_theme.article.details##
Cách trích dẫn
Hà Nam Thắng, Lê Văn Dân, & Hoàng Thị Thu Thảo. (2026). Ước tính độ đục từ ảnh LANDSAT - 8: So sánh mô hình Ridge và Partial Least Squares Regression tại phá Tam Giang, Thành phố Huế. Tạp Chí điện tử Khoa học Và công nghệ nông nghiệp, 10(1), 5352–5361. https://doi.org/10.46826/huaf-jasat.v10n1y2026.1357
Chuyên mục
CHĂN NUÔI - THÚ Y- THỦY SẢN - ĐỘNG VẬT
Bản quyền @ 2017-2026 bởi Tạp chí điện tử Khoa học và công nghệ nông nghiệp
Tài liệu tham khảo
Austin, Å. N., Hansen, J. P., Donadi, S., & Eklöf, J. S. (2017). Relationships between aquatic vegetation and water turbidity: A field survey across seasons and spatial scales. Plos One, 12(8), e0181419. https://doi.org/10.1371/journal.pone.0181419
Chowdhury, M., Vilas, C., Van Bergeijk, S., Navarro, G., Laiz, I., & Caballero, I. (2023). Monitoring turbidity in a highly variable estuary using Sentinel 2-A/B for ecosystem management applications. Frontiers in Marine Science, 10(1186441). https://doi.org/10.3389/fmars.2023.1186441
Hemati, M., Hasanlou, M., Mahdianpari, M., & Mohammadimanesh, F. (2021). A Systematic Review of Landsat - 8 Data for Change Detection Applications: 50 Years of Monitoring the Earth. Remote Sensing, 13(15), 2869. https://doi.org/10.3390/rs13152869
Jay, S., Guillaume, M., Minghelli, A., Deville, Y., Chami, M., Lafrance, B., & Serfaty, V. (2017). Hyperspectral remote sensing of shallow waters: Considering environmental noise and bottom intra-class variability for modeling and inversion of water reflectance. Remote Sensing of Environment, 200, 352–367. https://doi.org/10.1016/j.rse.2017.08.020
Lacaux, J. P., Tourre, Y. M., Vignolles, C., Ndione, J. A., & Lafaye, M. (2007). Classification of ponds from high-spatial resolution remote sensing: Application to Rift Valley Fever epidemics in Senegal. Remote Sensing of Environment, 106(1), 66–74. https://doi.org/10.1016/j.rse.2006.07.012
Liu, L.-W., & Wang, Y.-M. (2019). Modelling Reservoir Turbidity Using Landsat - 8 Satellite Imagery by Gene Expression Programming. Water, 11(7), 1479. https://doi.org/10.3390/w11071479
Magrì, S., Ottaviani, E., Prampolini, E., Besio, G., Fabiano, B., & Federici, B. (2023). Application of machine learning techniques to derive sea water turbidity from Sentinel-2 imagery. Remote Sensing Applications: Society and Environment, 30, 100951. https://doi.org/10.1016/j.rsase.2023.10095
Matos, T., Martins, M. S., Henriques, R., & Goncalves, L. M. (2024). A review of methods and instruments to monitor turbidity and suspended sediment concentration. Journal of Water Process Engineering, 64(105624). https://doi.org/10.1016/j.jwpe.2024.105624
Nguyen Trinh Duc Hieu, Nguyen-Quang, Tri, Nguyen Huu Huan, Tran Duc Dien, Nguyen Dang Huyen Tran, Nguyen Phuong Lien, & Tran Thi Van. (2023). Estimating the chlorophyll-a in the Nha Trang Bay using Landsat-8 OLI data. IOP Conference Series: Earth and Environmental Science, 1226(1), 012010. https://doi.org/10.1088/1755-1315/1226/1/012010
Ouma, Y. O., Noor, K., & Herbert, K. (2020). Modelling Reservoir Chlorophyll-a , TSS, and Turbidity Using Sentinel-2A MSI and Landsat - 8 OLI Satellite Sensors with Empirical Multivariate Regression. Journal of Sensors, 2020(1), 1–21. https://doi.org/10.1155/2020/8858408
Pedregosa, F., Varoquaux, G., Gramfort, A., Michel, V., Thirion, B., Grisel, O., Blondel, M., Prettenhofer, P., Weiss, R., Dubourg, V., Vanderplas, J., Passos, A., Cournapeau, D., Brucher, M., Perrot, M., & Duchesnay, E. (2011). Scikit-learn: Machine Learning in Python. Journal of Machine Learning Research, 12(85), 2825–2830.
Pereyra-Laguna, E., Ojeda-Castillo, V., Herrera-López, E. J., Del Real-Olvera, J., Hernández-Mena, L., Vallejo-Rodríguez, R., & Díaz, J. (2025). Satellite-Based Prediction of Water Turbidity Using Surface Reflectance and Field Spectral Data in a Dynamic Tropical Lake. Remote Sensing, 17(15), 2595. https://doi.org/10.3390/rs17152595
Quinten, V. (2024, November 16). ACOLITE. Retrieved November 16, 2024, from https://github.com/acolite/acolite.
Sebastiá-Frasquet, M.-T., Aguilar-Maldonado, J. A., Santamaría-Del-Ángel, E., & Estornell, J. (2019). Sentinel 2 Analysis of Turbidity Patterns in a Coastal Lagoon. Remote Sensing, 11(24), 2926. https://doi.org/10.3390/rs11242926
Shi, W., & Wang, M. (2010). Characterization of global ocean turbidity from Moderate Resolution Imaging Spectroradiometer ocean color observations. Journal of Geophysical Research: Oceans, 115(C11), 2010JC006160. https://doi.org/10.1029/2010JC006160
Zanghi, C., & Ioannou, C. C. (2025). The impact of increasing turbidity on the predator–prey interactions of freshwater fishes. Freshwater Biology, 70(1), e14354. https://doi.org/10.1111/fwb.14354
Chowdhury, M., Vilas, C., Van Bergeijk, S., Navarro, G., Laiz, I., & Caballero, I. (2023). Monitoring turbidity in a highly variable estuary using Sentinel 2-A/B for ecosystem management applications. Frontiers in Marine Science, 10(1186441). https://doi.org/10.3389/fmars.2023.1186441
Hemati, M., Hasanlou, M., Mahdianpari, M., & Mohammadimanesh, F. (2021). A Systematic Review of Landsat - 8 Data for Change Detection Applications: 50 Years of Monitoring the Earth. Remote Sensing, 13(15), 2869. https://doi.org/10.3390/rs13152869
Jay, S., Guillaume, M., Minghelli, A., Deville, Y., Chami, M., Lafrance, B., & Serfaty, V. (2017). Hyperspectral remote sensing of shallow waters: Considering environmental noise and bottom intra-class variability for modeling and inversion of water reflectance. Remote Sensing of Environment, 200, 352–367. https://doi.org/10.1016/j.rse.2017.08.020
Lacaux, J. P., Tourre, Y. M., Vignolles, C., Ndione, J. A., & Lafaye, M. (2007). Classification of ponds from high-spatial resolution remote sensing: Application to Rift Valley Fever epidemics in Senegal. Remote Sensing of Environment, 106(1), 66–74. https://doi.org/10.1016/j.rse.2006.07.012
Liu, L.-W., & Wang, Y.-M. (2019). Modelling Reservoir Turbidity Using Landsat - 8 Satellite Imagery by Gene Expression Programming. Water, 11(7), 1479. https://doi.org/10.3390/w11071479
Magrì, S., Ottaviani, E., Prampolini, E., Besio, G., Fabiano, B., & Federici, B. (2023). Application of machine learning techniques to derive sea water turbidity from Sentinel-2 imagery. Remote Sensing Applications: Society and Environment, 30, 100951. https://doi.org/10.1016/j.rsase.2023.10095
Matos, T., Martins, M. S., Henriques, R., & Goncalves, L. M. (2024). A review of methods and instruments to monitor turbidity and suspended sediment concentration. Journal of Water Process Engineering, 64(105624). https://doi.org/10.1016/j.jwpe.2024.105624
Nguyen Trinh Duc Hieu, Nguyen-Quang, Tri, Nguyen Huu Huan, Tran Duc Dien, Nguyen Dang Huyen Tran, Nguyen Phuong Lien, & Tran Thi Van. (2023). Estimating the chlorophyll-a in the Nha Trang Bay using Landsat-8 OLI data. IOP Conference Series: Earth and Environmental Science, 1226(1), 012010. https://doi.org/10.1088/1755-1315/1226/1/012010
Ouma, Y. O., Noor, K., & Herbert, K. (2020). Modelling Reservoir Chlorophyll-a , TSS, and Turbidity Using Sentinel-2A MSI and Landsat - 8 OLI Satellite Sensors with Empirical Multivariate Regression. Journal of Sensors, 2020(1), 1–21. https://doi.org/10.1155/2020/8858408
Pedregosa, F., Varoquaux, G., Gramfort, A., Michel, V., Thirion, B., Grisel, O., Blondel, M., Prettenhofer, P., Weiss, R., Dubourg, V., Vanderplas, J., Passos, A., Cournapeau, D., Brucher, M., Perrot, M., & Duchesnay, E. (2011). Scikit-learn: Machine Learning in Python. Journal of Machine Learning Research, 12(85), 2825–2830.
Pereyra-Laguna, E., Ojeda-Castillo, V., Herrera-López, E. J., Del Real-Olvera, J., Hernández-Mena, L., Vallejo-Rodríguez, R., & Díaz, J. (2025). Satellite-Based Prediction of Water Turbidity Using Surface Reflectance and Field Spectral Data in a Dynamic Tropical Lake. Remote Sensing, 17(15), 2595. https://doi.org/10.3390/rs17152595
Quinten, V. (2024, November 16). ACOLITE. Retrieved November 16, 2024, from https://github.com/acolite/acolite.
Sebastiá-Frasquet, M.-T., Aguilar-Maldonado, J. A., Santamaría-Del-Ángel, E., & Estornell, J. (2019). Sentinel 2 Analysis of Turbidity Patterns in a Coastal Lagoon. Remote Sensing, 11(24), 2926. https://doi.org/10.3390/rs11242926
Shi, W., & Wang, M. (2010). Characterization of global ocean turbidity from Moderate Resolution Imaging Spectroradiometer ocean color observations. Journal of Geophysical Research: Oceans, 115(C11), 2010JC006160. https://doi.org/10.1029/2010JC006160
Zanghi, C., & Ioannou, C. C. (2025). The impact of increasing turbidity on the predator–prey interactions of freshwater fishes. Freshwater Biology, 70(1), e14354. https://doi.org/10.1111/fwb.14354