Quan trắc sự mở rộng bề mặt không thấm bằng dữ liệu ảnh Spot-5 và Sentinel-2 ở khu vực Thành phố Hồ Chí Minh

 Tạp chí Khoa học Kỹ thuật Mỏ - Địa chất Tập 59, Kỳ 2 (2018) 69-76 69 
Quan trắc sự mở rộng bề mặt không thấm bằng dữ liệu ảnh 
Spot-5 và Sentinel-2 ở khu vực Thành phố Hồ Chí Minh 
Phạm Văn Tùng 1, Nguyễn Văn Trung 2, *, Nguyễn Hữu Long 3, Nguyễn Đức Hùng 4 
1 Trường Đại học Tài nguyên và Môi trường Thành phố Hồ Chí Minh, Việt Nam 
2 Khoa Trắc địa - Bản đồ và Quản lý đất đai, Trường Đại học Mỏ - Địa chất, Việt Nam 
3 Trường Đại học Đồng Tháp, Việt Nam 
4 Sở Tài Nguyên và Môi Trường Tỉnh Thái Bình, Việt Nam 
THÔNG TIN BÀI BÁO 
TÓM TẮT 
Quá trình: 
Nhận bài 25/02/2018 
Chấp nhận 03/4/2018 
Đăng online 27/4/2018 
 Thành phố Hồ Chí Minh là đô thị lớn có tốc độ đô thị hóa nhanh ở nước ta. 
Theo đó, bề mặt không thấm được coi là chìa khóa để xác định quá trình đô 
thị hóa, sự phát triển bền vững, và phục vụ quy hoạch và quản lý đô thị. Quan 
trắc sự mở rộng bề mặt không thấm sử dụng ảnh vệ tinh là phương pháp 
hiệu quả cho phạm vi rộng lớn và đảm bảo độ tin cậy. Trong nghiên cứu này, 
dữ liệu ảnh SPOT-5 và Sentinel-2 thu được trong các năm 2002, 2009 và 
2016 đã được sử dụng để phân loại thành bốn lớp phủ bề mặt bao gồm nước, 
thực vật, đất trống và bề mặt không thấm sử dụng thuật toán phân loại KNN 
(fuzzy K-Nearest Neighbors) trên phần mềm eCognition. Kết quả của nghiên 
cứu cho thấy rằng dựa vào thông tin về bề mặt không thấm có thể xác định 
được việc mở rộng khu vực đô thị. Đặc biệt diện tích bề mặt không thấm của 
Thành phố Hồ Chí Minh tăng nhanh từ năm 2002 đến năm 2016. Kết quả cho 
thấy 2615,86 ha chiếm 36,88% tổng diện tích thực vật được chuyển đổi 
thành diện tích bề mặt không thấm. Việc xác định sự mở rộng bề mặt không 
thấm cung cấp thông tin có giá trị giúp cho các nhà qui hoạch thành phố đưa 
ra các chính sách qui hoạch phát triển bền vững đô thị. 
© 2018 Trường Đại học Mỏ - Địa chất. Tất cả các quyền được bảo đảm. 
Từ khóa: 
Bề mặt không thấm 
Đô thị hóa 
SPOT-5 
Sentinel-2 
1. Mở đầu 
Bề mặt không thấm nước là các vật liệu ngăn 
cản sự thâm nhập của nước vào đất như hệ thống 
giao thông, mái nhà, bãi đậu xe, v.v.Bề mặt không 
thấm là một chỉ số quan trọng sử dụng đánh giá 
mức độ đô thị hóa và các tác động của các hệ sinh 
thái (Schueler, 1994; Arnold, 1996). Một số 
nghiên cứu trước đây cho thấy sự thay đổi diện 
tích bề mặt không thấm (BMKT) có liên quan đến 
sự ảnh hưởng đến thuỷ văn, cấu trúc sinh cảnh, 
chất lượng nước và đa dạng sinh học của hệ thống 
thủy sinh (Schueler, 1994). 
Trong những năm gần đây có nhiều kỹ thuật 
chiết tách bề mặt không thấm đã được phát triển, 
từ các phương pháp phân loại theo hướng đối 
tượng sử dụng các hình ảnh có độ phân giải không 
gian cao đến kỹ thuật dưới điểm ảnh (Sub-pixel), 
phân tích mô hình phân tích hỗn hợp phổ (SMA-
_____________________ 
*Tác giả liên hệ 
E-mail: nguyenvantrung@humg.edu.vn 
70 Phạm Văn Tùng và nnk./Tạp chí Khoa học Kỹ thuật Mỏ - Địa chất 59 (2), 69-76 
Spectral Mixture Analyze model family) và mô 
hình hồi quy sử dụng ảnh có độ phân giải không 
gian trung bình hoặc thấp. Việc lập bản đồ bề mặt 
không thấm nước đã được áp dụng ở các quy mô 
khác nhau từ địa phương, khu vực đến quốc gia 
hoặc toàn cầu (Lu, 2013). Hầu như các nghiên cứu 
trước đây đã áp dụng thành công cho khu vực 
thành thị (Lu, 2013). Nếu các phương pháp phân 
loại truyền thống trên mỗi điểm ảnh chẳng hạn 
như phân loại xác xuất cực đại có khả năng phân 
loại các lớp sử dụng đất / lớp phủ mặt đất (LULC-
Land Use/Land Cover), kết quả phân loại nhận 
được thường có độ chính xác rất thấp đối với các 
vùng đô thị. Bởi vậy, phương pháp phân loại mềm 
có chính xác cao hơn được lựa chọn để phục vụ 
chiết tách bề mặt không thấm cho khu vực nghiên 
cứu đô thị. 
Việc nâng cao độ chính xác phân loại đất đô 
thị là một vấn đề quan trọng trong các nghiên cứu 
trước đây về viễn thám (Liu và Wen, 2004). Các 
phương pháp tiếp cận khác nhau đã được áp dụng, 
bao gồm cả việc kết hợp dữ liệu địa lý, dữ liệu điều 
tra dân số và đặc trưng cấu trúc hoặc thông tin phổ 
của ảnh viễn thám. Ngoài ra để nâng cao độ chính 
xác của quá trình phân loại ảnh, các kiến thức 
chuyên gia, phương pháp phân loại mờ và sự kết 
hợp dữ liệu ảnh đa bộ cảm đã được sử dụng trong 
các nghiên cứu. Tuy nhiên, việc phân loại đất đô 
thị vẫn là một khó khăn trong trường hợp các dữ 
liệu viễn thám có độ phân giải trung bình và thấp 
do sự lẫn phổ trong một điểm ảnh và lẫn phổ giữa 
các loại lớp phủ trên mặt đất khác nhau. 
Phương pháp phân loại điểm ảnh (Per-pixel) 
chỉ xử lý thuần túy hình ảnh từng điểm ảnh cụ thể, 
trong khi đó phương pháp phân loại dưới điểm 
ảnh xử lý định lượng nhiều lớp đối tượng trong 
mỗi điểm ảnh đơn. Phương pháp phân loại dưới 
điểm ảnh tạo ra các ảnh thành phần với các giá trị 
pixel lấy từ phần nguyên hoặc phần dư của điểm 
ảnh có chứa thành phần mỗi lớp đối tượng 
(Quintano, 2012). Đối với các điểm ảnh không bị 
lẫn phổ, phân tích hỗn hợp phổ (SMA) cho đến nay 
là phương pháp phổ biến nhất trong số các 
phương pháp phân loại dưới điểm ảnh. Việc phân 
tích hỗn hợp phổ tuyến tính (LSMA-Linear 
Spectral Mixture Analysis) và phân tích hỗn hợp 
phổ đa mẫu (MESMA-Multiple End-member 
Spectral Mixture Analysis) đã được chứng minh là 
phương pháp hữu hiệu được sử dụng để chiết 
xuất thông tin bề mặt không thấm từ các ảnh vệ 
tinh Landsat. Tuy nhiên, việc lựa chọn các thành 
phần mẫu đồng nhất phù hợp vẫn là thách thức 
lớn nhất trong phương pháp LSMA (Weng, 2008, 
Lu, 2011, Wu, 2003). Zadeh (1965) đã giới thiệu 
khái niệm phân loại mờ để mô tả và định lượng sự 
không chính xác. Phương pháp phân loại mờ đã 
thu hút được sự quan tâm ngày càng tăng đối với 
việc phân loại dưới điểm ảnh, và trong chiết tách 
thông tin bề mặt không thấm (Tang, 2007; 
Lizarazo, 2010; Hu, 2011; Cao, 2012). Phương 
pháp phân loại mờ tạo ra kết quả chính xác hơn so 
với phương pháp LSMA đối với khu vực có mật độ 
dân cư cao và mật độ dân cư thấp (Tang, 2007). 
Phương pháp phân loại fuzzy-SMA đã được đề 
xuất trong các nghiên cứu trước đó, trong đó giá 
trị trung bình mờ và hiệp phương sai mờ được lấy 
từ các mẫu giám định thông qua phân tích hỗn 
hợp phổ (SMA), trong khi giá trị các hằng số được 
sử dụng trong phân loại mờ truyền thống (Tang, 
2007, Xinyu, 2014). 
Ngoài ra, chỉ số IBI (Index Based Built-up 
Index) lấy từ ảnh Landsat được tính toán từ chỉ số 
SAVI (Soil Adjusted Vegetation Index),MNDWI 
(Modified Normalized Difference Wate Index) và 
NDBI (Normalized Difference Built-up Index) 
(Linh, 2011). Chỉ số bề mặt không thấm ISI 
(Impervious Surface Index) được tính toán từ 4 
kênh phổ của ảnh SPOT-5 (Pairman, 2010). Đây là 
một vài nghiên cứu tính toán chỉ số đất xây dựng 
và bề mặt không thấm trực tiếp từ ảnh nhưng độ 
chính xác phụ thuộc hoàn toàn vào ngưỡng được 
chọn để chiết tách được bề mặt không thấm. Do 
vậy phân loại hướng đối tượng KNN với vùng mẫu 
trực tiếp sẽ khắc phục được sự lựa chọn ngưỡng 
chưa hợp lý của các phương pháp nêu trên. 
Trong nghiên cứu này, dữ liệu ảnh SPOT và 
Sentinel-2 được sử dụng để phân loại các lớp phủ 
đất bao gồm các bề mặt không thấm, thực vật, 
nước mặt và đất trống bằng thuật toán KNN (fuzzy 
K-Nearest Neighbors) và tính toán sự thay đổi bề 
mặt không thấm trong các giai đoạn ở thành phố 
Hồ Chí Minh, Việt Nam. 
2. Khu vực nghiên cứu và dữ liệu sử dụng 
2.1. Khu vực nghiên cứu 
Thành phố Hồ Chí Minh nằm ở miền Nam của 
Việt Nam (10046' vĩ độ Bắc và 106042' kinh độ 
Đông) là trung tâm kinh tế, dịch vụ, du lịch, văn 
hoá và cảnh quan thiên nhiên. Đây là khu vực
 Phạm Văn Tùng và nnk./Tạp chí Khoa học Kỹ thuật Mỏ - Địa chất 59 (2), 69-76 71 
nằm bên sông Sài Gòn (Hình 1) với tổng diện tích 
khoảng 2.096 km2 có dân số 8,426 triệu người 
vào năm 2016. Sự phát triển kinh tế mạnh mẽ đã 
thúc đẩy việc mở rộng các khu công nghiệp, các 
khu đô thị, hệ thống giao thông, và cơ sở hạ tầng. 
Đây là nguyên nhân chính gây ra sự gia tăng bề 
mặt không thấm ở khu vực này. 
2.2. Dữ liệu sử dụng 
Bản đồ và các ảnh vệ tinh là dữ liệu cần thiết 
cho nghiên cứu này. Để chuẩn bị các dữ liệu, chúng 
tôi sử dụng ba bản đồ hiện trạng sử dụng đất tỷ lệ 
1/10000 được thành lập năm 2000, 2010 và 2015 
của Tổng cục Quản lý đất đai, Bộ Tài nguyên và 
Môi trường cung cấp. Các ảnh vệ tinh được sử 
dụng để chiết xuất bề mặt không thấm bao gồm dữ 
liệu SPOT-5 và Sentinel-2. Bảng 1 cho thấy các 
thông số chi tiết của ảnh vệ tinh đã được sử dụng. 
3. Phương pháp nghiên cứu. 
Bốn loại lớp phủ bề mặt được phân loại từ các
ảnh vệ tinh SPOT-5 và Sentinel-2 sử dụng phương 
pháp phân loại K-Nearest Neighbors (KNN). Kết 
quả phân loại các ảnh vệ tinh sẽ được sử dụng để 
phân tích các thay đổi về bề mặt không thấm bằng 
Vệ tinh Bộ cảm Cột/Hàng Ngày chụp Độ phân giải không gian (m) 
SPOT-5 HRG 276/329 14/12/2002 10 
SPOT-5 HRG 276/329 19/04/2009 10 
Sentinel-2 MSI 29/11/2016 10 
Hình 1. Bản đồ 24 quận, huyện của TP. Hồ Chí Minh, Việt Nam (Oanh và nnk., 2015). 
Bảng 1. Danh sách dữ liệu SPOT-5 và Sentinel-2 của khu vực nghiên cứu. 
Hình 2. Sơ đồ quy trình thực nghiệm phân tích bề 
mặt không thấm. 
72 Phạm Văn Tùng và nnk./Tạp chí Khoa học Kỹ thuật Mỏ - Địa chất 59 (2), 69-76 
(1) 
các công cụ GIS. Toàn bộ quy trình thực nghiệm 
cho nghiên cứu này được thể hiện trong Hình 2. 
3.1. Tiền xử lý ảnh 
Hai ảnh SPOT-5 và một ảnh Sentinel-2 có độ 
phân giải không gian 10m đã được hiệu chỉnh khí 
quyển và chuẩn hóa ảnh do sự khác nhau về bộ 
cảm và thời gian chụp ảnh và nắn chỉnh về lưới 
chiếu UTM. Sau đó, chúng được cắt theo ranh giới 
của khu vực nghiên cứu (Hình 3). Các tấm ảnh đã 
được cắt này được nâng cao chất lượng bằng cách 
kéo giãn độ tương phản và sử dụng các phép lọc 
không gian để phục vụ cho việc phân loại thành 
bốn lớp đối tượng. 
3.2. Phương pháp phân loại mờ người láng 
giềng gần nhất 
Phương pháp phân loại mờ người láng giềng 
gần nhất (Fuzzy KNN) là phương pháp phân loại 
có giám định dùng để phân loại bề mặt không 
thấm, đây là một phương pháp tốt để phân lớp các 
lớp đối tượng bề mặt ở cấp độ pixel (Keller, 1985). 
Phân loại KNN có thể thực hiện cả phân loại cứng 
và mềm. KNN dùng tập hợp con của tất cả các dữ 
liệu mẫu để xác định một lớp của điểm ảnh hoặc 
các thành viên của một lớp. Trong phương pháp
 phân loại mờ KNN tỷ lệ phần trăm của mỗi nhóm 
trong số k-láng giềng gần nhất được gán cho điểm 
ảnh như là một mức độ của thành viên đối với 
nhóm đó. Theo quy tắc phân loại mờ KNN, mức độ 
thành viên của mẫu kiểm tra x đến lớp c được tính 
như công thức (1). 
𝜇𝑖(𝑥) =
∑ 𝜇𝑖𝑗𝑑
2(𝑥 − 𝑥𝑗)
𝑘
𝑗=1
∑ 𝑑2(𝑥 − 𝑥𝑗)
𝑘
𝑗=1
Trong đó i=1,2,3,C (số lớp cần phân loại), và 
j=1,2,3,k (số láng giềng gần nhất). ij là thành 
viên của mẫu xj từ tập hợp mẫu đến lớp i, trong số 
k láng giềng gần nhất của x. Giá trị của k được giới 
hạn trong lớp dữ liệu mẫu nhỏ nhất (Zhu, 2005). 
Để thu thập các vùng mẫu, chúng tôi sử dụng 
các chỉ số SI, SAVI, NDWI, và ISI để tham khảo. 
Trong quá trình chọn mẫu các ngưỡng đối với mỗi 
chỉ số được đưa ra đối với bề mặt không thấm và 
các lớp phủ khác. Các điểm ảnh với dải giá trị dữ 
liệu SI, SAVI, NDWI và ISI nằm trong ngưỡng được 
phân loại cho mỗi lớp, tương ứng bề mặt không 
thấm , thảm thực vật, đất trống, nước mặt và đất 
khác. Các khu vực bị mấy che được bổ sung thông 
tin từ các bản đồ hiện trạng hoặc bản đồ lớp phủ 
bề mặt gần thời điểm chụp ảnh nhất (năm 2000, 
2010 và 2015) vào kết quả phân loại ảnh. 
Lớp phủ 
2002 2009 2016 
Ha % Ha % Ha % 
Đất trống 903.68 0.78 8351.97 7.20 5007.94 4.32 
Bề mặt không thấm 28773.85 24.81 43890.6 37.85 48256.55 41.61 
Nước mặt 14411.21 12.43 14285.69 12.32 15209.8 13.12 
Thực vật 70935.38 61.17 49047.62 42.29 47401.21 40.87 
Đối tượng khác 945.8 0.82 394.04 0.34 94.42 0.08 
Hình 3. Ba ảnh cắt ở ba thời kỳ của khu vực nghiên cứu. 
Bảng 2. Diện tích lớp phủ bề mặt được chiết xuất từ dữ liệu SPOT-5 và Sentinel-2. 
 Phạm Văn Tùng và nnk./Tạp chí Khoa học Kỹ thuật Mỏ - Địa chất 59 (2), 69-76 73 
Hình 6. Bản đồ lớp phủ bề mặt và bề mặt không 
thấm năm 2016. 
Hình 7. Bản đồ lớp phủ mặt đất chuyển đổi sang 
bề mặt không thấm từ năm 2002 đến 2016. 
Hình 4. Bản đồ lớp phủ bề mặt và bề mặt không 
thấm năm 2002. 
Hình 5. Bản đồ lớp phủ bề mặt và bề mặt không 
thấm năm 2009. 
74 Phạm Văn Tùng và nnk./Tạp chí Khoa học Kỹ thuật Mỏ - Địa chất 59 (2), 69-76 73 
4. Kết quả nghiên cứu và thảo luận 
Từ dữ liệu SPOT-5 và Sentinel-2 khu vực thành 
phố Hồ Chí Minh, phương pháp phân loại mờ KNN 
được sử dụng để phân loại các lớp phủ phục vụ 
thành lập bản đồ các lớp phủ bề mặt vào năm 
2002, 2009 và 2016 (Hình 4, 5 và 6). 
Theo những bản đồ lớp phủ bề mặt này, diện 
tích nước mặt, thực vật, đất trống và bề mặt không 
thấm được tính toán và đưa ra trong Bảng 2. Các 
kết quả này cho thấy diện tích bề mặt không thấm 
tăng dần (28773,85 ha (24,81%), 43890,6 ha 
(37,85%) và 48256,55 ha (41,61%) trong năm 
2002, 2009 và 2016). Trong khi đó, diện tích thực 
vật giảm từ 70935,38 ha (61,17%) xuống 
47401,21 ha (40,87%) trong giai đoạn 2002 - 
2016 như thể hiện trong Hình 8. 
Độ chính xác của kết quả phân loại theo thuật 
toán KNN nhận được bao gồm độ chính xác toàn 
bộ và chỉ số Kappa lần lượt (0.84; 0.78), (0.82; 
0.81), và (0.87,0.83) cho ảnh đã phân loại các năm 
2002, 2009, và 2016. Các chỉ số Kappa này được 
tính toán trong quá trình đánh giá độ chính xác kết 
quả phân loại dựa vào các vùng mẫu kiểm tra lấy 
từ ba bản đồ hiện trạng hoặc bản đồ lớp phủ bề 
mặt gần thời điểm chụp ảnh nhất (năm 2000, 
2010 và 2015). Theo các kết quả đánh giá này, các 
bản đồ lớp phủ bề mặt xây dựng từ các kết quả 
phân loại có thể đảm bảo để phân tích các biến 
động của bề mặt không thấm trong các giai đoạn 
mà ảnh vệ tinh đã cung cấp. 
Dựa vào bản đồ lớp phủ bề mặt các năm 2002
 và 2016, phần mềm GIS được sử dụng để chồng 
xếp nhằm xây dựng được bản đồ thay đổi bề mặt 
không thấm nước. Bản đồ này cho thấy các lớp bổ 
sung như: “Nước mặt - Bề mặt không thấm”, “Đất 
trống - Bề mặt không thấm”, “Thực vật - Bề mặt 
không thấm” , và “Đối tượng khác - Bề mặt không 
thấm”. Mỗi lớp thay đổi được sử dụng một màu 
khác nhau để phân biệt giữa lớp này và lớp khác 
(Hình 7). 
Từ Hình 8, ta thấy đã có rất nhiều sự biến 
động trong số các loại lớp phủ mặt đất từ năm 
2002 đến năm 2016, nhưng chúng ta chỉ quan tâm 
tới diện tích bề mặt không thấm tăng lên do sự 
thay đổi từ thực vật, mặt nước, đất trống và các 
loại khác. Sự thay đổi thực vật, đất trống, mặt nước 
và các đối tượng khác tương ứng với diện tích bề 
mặt không thấm tăng khoảng 36,88% tổng diện 
tích thực vật, 65,93% tổng diện tích đất trống, 
17,23% tổng diện tích mặt nước và 8,81% tổng 
diện tích các loại khác (Hình 9). Điều này có nghĩa 
là sự thay đổi từ thực vật sang bề mặt không thấm 
là sự thay đổi lớn nhất trong quá trình đô thị hóa 
ở khu vực Thành phố Hồ Chí Minh. Có thể giải 
thích điều này rằng do chính sách quy hoạch sử 
dụng đất cho đô thị trong giai đoạn này là chuyển 
đổi đất nông nghiệp sang các loại hình sử dụng đất 
khác. 
5. Kết luận 
Trong nghiên cứu này, hai ảnh vệ tinh SPOT-
5 và một ảnh Sentinel-2 thu được trong các năm 
2002, 2009 và 2016 đã được sử dụng để chiết tách
Hình 8. Sự thay đổi diện tích của lớp phủ bề mặt và 
bề mặt không thấm. 
Hình 9. Tỷ lệ phần trăm các lớp phủ bề mặt chuyển 
thành bề mặt không thấm giai đoạn 2002 - 2016. 
 Phạm Văn Tùng và nnk./Tạp chí Khoa học Kỹ thuật Mỏ - Địa chất 59 (2), 69-76 75 
các lớp phủ mặt đất bao gồm thực vật, đất trống, 
nước mặt và bề mặt không thấm. Để thực hiện 
nhiệm vụ này, phương pháp phân loại KNN được 
sử dụng để xây dựng ba bản đồ lớp phủ bề mặt ở 
ba thời điểm. Kết quả cho thấy diện tích bề mặt 
không thấm tăng từ 28773,85 ha lên 48256,55 
(16,8% tổng diện tích toàn thành phố), nhưng 
diện tích thảm thực vật giảm do quá trình đô thị 
hóa (20,3% tổng diện tích toàn thành phố). Dựa 
vào bản đồ biến động lớp phủ bề mặt giữa năm 
2002 và năm 2016 cho thấy 2615,86 ha (36,88%) 
tổng diện tích thực vật đã được chuyển đổi thành 
bề mặt không thấm. Sự chuyển đổi từ lớp thực vật 
sang bề mặt không thấm xảy ra ở các khu vực ven 
đô thị (vùng gần ranh giới giữa các quận và huyện 
của Thành phố Hồ Chí Minh) Những thay đổi về 
lớp phủ mặt đất này cho thấy xu hướng chuyển 
đổi mục đích sử dụng đất do chính sách quy hoạch 
sử dụng đất trong quá trình đô thị hóa của Thành 
phố Hồ Chí Minh. 
Lời cảm ơn 
Các tác giả xin cảm ơn Cơ quan hàng không 
Vũ trụ châu Âu đã cung cấp dữ liệu ảnh Sentinel-2 
và Cục Viễn thám Quốc gia thuộc Bộ Tài nguyên và 
Môi trường đã cung cấp dữ liệu ảnh SPOT-5. Tác 
giả cũng xin cảm ơn Tổng cục đất đai của Bộ Tài 
nguyên và Môi trường đã cung cấp bản đồ hiện 
trạng sử dụng đất của khu vực nghiên cứu. 
Tài liệu tham khảo 
Arnold, C. L., and Gibbons, C. J., 1996. Impervious 
surface coverage: the emergence of a key 
environmental indicator. Journal of the 
American Planning Association 62(2), 243-258. 
Cao, L., Li, P., Zhang, L., and Xu, X., 2012. Estimating 
Impervious Surfaces Using the Fuzzy ARTMAP. 
Geomatics and Information Science of Wuhan 
University 37(10), 1236-1239. 
Hanqiu, X., 2006. Modification of normalized 
difference water index(NDWI) to enhance 
open water feature in remotely sensed 
imagery. International Journal of Remote 
Sensing 27(14), 3025-3033. 
Hu, X. F., and Weng, Q. H., 2011. Impervious 
surface area extraction from IKONOS imagery 
using an object-based fuzzy method. Geocarto 
International 26(1), 3-20. 
Huete, A., Justice, C., and Liu, H., 1994. 
Development of Vegetation and Soil Indexes 
for MODIS-EOS. Remote Sensing of 
Environment 49(3), 224-234. 
Keller, J. M., Gray, M. R., and Givens, J. A., 1985. A 
Fuzzy K-Nearest Neighbor Algorithm. IEEE 
Transactions On Systems Man and Cybernetics 
15(4), 580-585. 
Lizarazo, I., 2010. Fuzzy image regions for 
estimation of impervious surface areas. 
Remote Sensing Letters 1(1), 19-27. 
Lu, D., Li, G., Kuang, W., and Moran E., 2013. 
Methods to extract impervious surface areas 
from satellite images. International Journal of 
Digital Earth 7(2), 93-112. 
Lu, D., Moran, E., and Hetrick, S., 2011. Detection 
of impervious surface change with 
multitemporal Landsat images in an urban-
rural frontier. ISPRS Journal of 
Photogrammetry and Remote Sensing 66(3), 
298-306. 
Lu, D., and Weng, Q., 2004. Spectral mixture 
analysis of the urban landscape in Indianapolis 
city with Landsat ETM+ imagery. 
Photogrammetric Engineering & Remote 
Sensing 70(9), 1053- 1062. 
Oanh, L., Bloemhof-Ruwaard J. M., Van Buuren J.C., 
Van der Vorst J.G., and Rulkens, W.H., 2015. 
Modelling and evaluating municipal solid 
waste management strategies in a mega-city: 
The case of Ho Chi Minh City. Waste 
Management & Research 33(4), 370-380 
Pairman, D., McNeill, S., and Belliss, S., 2010. 
Impervious Surface Mapping for the Auckland 
Region. Prepared by Landcare Research for 
Auckland Regional Council. Auckland Regional 
Council Technical Report 2010/037. 
Quintano, C., Fernández-Manso, A., Shimabukuro, 
Y.E., and Pereira, G., 2012. Spectral unmixing. 
International Journal of Remote Sensing 
33(17), 5307-5340. 
Schueler, R, T., 1994. The importance of 
imperviousness. Watershed Protection 
Techniques 1, 100-111. 
Tang, J., Wang, L., and Myint, S. W., 2007. 
Improving urban classification through fuzzy 
76 Phạm Văn Tùng và nnk./Tạp chí Khoa học Kỹ thuật Mỏ - Địa chất 59 (2), 69-76 75 
supervised classification and spectral mixture 
analysis. International Journal of Remote 
Sensing 28(18), 4047-4063. 
Weng, Q. H., and Lu, D. S., 2008. A sub-pixel 
analysis of urbanization effect on land surface 
temperature and its interplay with impervious 
surface and vegetation coverage in 
Indianapolis, United States. International 
Journal of Applied Earth Observation and 
Geoinformation 10(1), 68-83. 
Weng, Q., and Hu, X., 2008. Medium spatial 
resolution satellite imagery for estimating and 
mapping urban impervious surfaces using 
LSMA and ANN. IEEE Transactions On 
Geoscience and Remote Sensing 46(8), 2397-
2406. 
Weng, Q.H., 2012. Remote sensing of impervious 
surfaces in the urban areas: Requirements, 
methods, and trends. Remote Sensing of 
Environment 117, 34-49. 
Wu, C., Murray, A. T., 2003. Estimating impervious 
surface distribution by spectral mixture 
analysis. Remote Sensing of Environment 84(4), 
493-505. 
Xinyu Z., Zhoulu, Y., Weijiu, A., Youfu, W., Amir, R. 
T., Shucheng, Y., Jinsong, D., Ke, W., 2014. Rural 
impervious surfaces extraction from Landsat 8 
imagery and rural impervioussurface index. 
Proc. SPIE. 9260, Land Surface Remote Sensing 
II 926030. 
Zadeh, L.A., 1965. Fuzzy Sets. Information and 
Control 8(3), 338. 
Zhu, H.W., and Basir, O., 2005. An adaptive fuzzy 
evidential nearest neighbor formulation for 
classifying remote sensing images. IEEE 
Transactions On Geoscience and Remote 
Sensing 43(8), 1874-1889. 
ABSTRACT 
Detection of the impervious surfaces expansion using SPOT-5 and 
Sentinel-2 data: a case study in Ho Chi Minh city 
Tung Van Pham 1, Trung Van Nguyen 2, Long Huu Nguyen 3, Hung Duc Nguyen 4 
1 University of Natural Resources and Environment of Ho Chi Minh City, Vietnam 
2 University of Mining and Geology, Vietnam 
3 Dong Thap University, Vietnam 
4 Department of Natural resources and Environment of Thai Binh Province, Vietnam 
Ho Chi Minh city is known as a quick urbanization area of Vietnam. Meanwhile, impervious surfaces 
to be known as the key to identify the urbanization and urban sustainable development as well as 
planning of natural resources. Using satellite data for detecting the impervious surfaces expansion is 
effective mothod and assurance of reliability for large areas. In this study, temporal SPOT-5 and Sentinel-
2 data acquired in 2002, 2009 and 2016 were classified for four classes including open water, vegetation, 
barren and impervious surface area using KNN classifier algorithm by eCognition software. Results of the 
study showed that information of the impervious surfaces can determine the urban area expansion. In 
particular, the impervious surfaces area of Ho chi Minh City, Vietnam increased rapidly between 2002 
and 2016. The results showed that 2615.86 ha (36.88%) of total vegetation area was converted to 
impervious surfaces area. The extraction of the impervious surfaces using remote sensing data is to 
provide valuable information to the local city planners for understanding the impacts of urban planning 
policy to urban sustainable development.