Nguyễn Gia Trọng
Trường Đại học Mỏ - Địa chất, Việt Nam
Nguyễn Viết Nghĩa
Trường Đại học Mỏ - Địa chất, Việt Nam
Phạm Ngọc Quang
Trường Đại học Mỏ - Địa chất, Việt Nam
Nguyễn Thị Mai Anh
Trường Đại học Công nghiệp Quảng Ninh, Việt Nam
Nguyễn Văn Cương
Cục Biển và Hải đảo Việt Nam, Việt Nam
Tô Thanh Vũ
Công ty Cổ phần thiết kế xây dựng đo đạc thương mại dịch vụ Đức Sang, Việt Nam
Tóm tắt (Abstract)
Nghiên cứu đề xuất một giải pháp xác định sạt lở bờ sông cho lưu vực sông Mã sử dụng Google Earth Engine (GEE) kết hợp dữ liệu ảnh vệ tinh Landsat 8/9 và Sentinel-2. Dựa trên cơ sở khoa học đề xuất, nghiên cứu đã xây dựng được quy trình tự động nhằm phát hiện các khu vực sạt lở từ dữ liệu viễn thám đa thời gian giai đoạn từ năm 2017 đến năm 2025. Để xác định được chính xác khu vực sạt lở, dữ liệu phụ trợ là dữ liệu mặt nước toàn cầu JRC Global Surface Water và mô hình số độ cao SRTM đã được sử dụng. Quy trình thực hiện gồm các bước xây dựng mặt nạ sông, trích xuất mặt nước, xác định biến động đường bờ và nhận diện khu vực sạt lở. Mặt nước được xác định thông qua chỉ số MNDWI và ngưỡng phân loại được xác định tự động bằng thuật toán Otsu. Với quy trình nêu trên, đã xây dựng chương trình phát hiện sạt lở tự động trên GEE. Kết quả cho thấy ảnh Sentinel-2 phát hiện được 1.211 vùng sạt lở với tổng diện tích 317,90 ha, trong khi ảnh Landsat xác định được 1.803 vùng sạt lở với tổng diện tích 485,86 ha. Cả hai nguồn dữ liệu đều cho thấy năm có diện tích sạt lở lớn nhất là năm 2025 và diện tích trung bình của mỗi vùng sạt lở xấp xỉ 0,26 ha. Để kiểm chứng kết quả, nghiên cứu đã đối chiếu với các vị trí sạt lở được công bố tại các xã Vĩnh Hòa, Lương Trung và Cẩm Vân. Kết quả cho thấy các điểm sạt lở tại các khu vực này đều được xác định bởi cả dữ liệu Sentinel-2 và Landsat 8/9, qua đó cho thấy khả năng ứng dụng của phương pháp trong giám sát sạt lở bờ sông.
This study proposes a solution for identifying riverbank erosion in the Ma River Basin using the Google Earth Engine (GEE) platform in combination with Landsat 8/9 and Sentinel-2 satellite imagery. Based on the proposed scientific framework, an automated workflow was developed to detect erosion-prone areas from multi-temporal remote sensing data acquired during the period from 2017 to 2025. To accurately identify riverbank erosion areas, auxiliary datasets including the JRC Global Surface Water dataset and the SRTM Digital Elevation Model were utilized. The workflow consists of river mask generation, water body extraction, shoreline change detection, and erosion area identification. Water bodies were extracted using the Modified Normalized Difference Water Index (MNDWI), while the classification threshold was automatically determined using the Otsu algorithm. Based on this workflow, an automated erosion detection program was developed on the GEE platform. The results show that Sentinel-2 imagery detected 1,211 riverbank erosion areas with a total area of 317.90 ha, whereas Landsat imagery identified 1,803 riverbank erosion areas with a total area of 485.86 ha. Both data sources indicated that the largest erosion area occurred in 2025, and the average area of each erosion feature was approximately 0.26 ha. To verify the results, the identified erosion areas were compared with reported erosion locations in Vinh Hoa, Luong Trung, and Cam Van communes. The comparison showed that erosion sites in these areas were detected by both Sentinel-2 and Landsat 8/9 data, demonstrating the applicability of the proposed method for riverbank erosion monitoring.
Tài liệu tham khảo
[1]. Symmank, L., et al., The impact of bioengineering techniques for riverbank protection on ecosystem services of riparian zones. Ecological Engineering, 2020. 158: p. 106040. https://doi.org/10.1016/j.ecoleng.2020.106040.
[2]. Riis, T., et al., Global overview of ecosystem services provided by riparian vegetation. BioScience, 2020. 70(6): p. 501-514. https://doi.org/10.1093/biosci/biaa041.
[3]. Tha, T., et al., Assessment of riverbank erosion hotspots along the mekong river in cambodia using remote sensing and hazard exposure mapping. Water, 2022. 14(13): p. 1981. https://doi.org/10.3390/w14131981.
[4]. Freihardt, J. and O. Frey, Assessing riverbank erosion in Bangladesh using time series of Sentinel-1 radar imagery in the Google Earth Engine. Natural Hazards Earth System Sciences, 2023. 23(2): p. 751-770. https://doi.org/10.5194/nhess-23-751-2023.
[5]. Binh, D.V., et al., A novel method for river bank detection from landsat satellite data: a case study in the Vietnamese Mekong Delta. Remote Sensing, 2020. 12(20): p. 3298. https://doi.org/10.3390/rs12203298.
[6]. Boothroyd, R.J., et al., Applications of Google Earth Engine in fluvial geomorphology for detecting river channel change. Wiley Interdisciplinary Reviews: Water, 2021. 8(1): p. e21496. https://doi.org/10.1002/wat2.1496.
[7]. Kummu, M., et al., Riverbank changes along the Mekong River: Remote sensing detection in the Vientiane–Nong Khai area. Quaternary International, 2008. 186(1): p. 100-112. https://doi.org/10.1016/j.quaint.2007.10.015.
[8]. Cao, J., et al., Extraction and analysis of riverbank lines in Khulna district of Bangladesh based on an improved TransUNet model. International Journal of Digital Earth, 2026. 19(1): p. 2610123. https://doi.org/10.1080/17538947.2025.2610123.
[9]. Kumkong, S., N. Srihanu, and J. Nontapon. Machine Learning-Based Estimation of Riverbank Erosion and Deposition along the Mekong River in Loei Province, Thailand Using GEE (1988– 2025). in 2025 IEEE Asia-Pacific Conference on Geoscience, Electronics and Remote Sensing Technology (AGERS). 2025. IEEE. doi: 10.1109/AGERS67633.2025.11446451.
[10].Duy, Đ.V., T.H. Minh, and Đ.P. Tấn, Phân tích diễn biến đường bờ sông Cần Thơ bằng công nghệ ảnh viễn thám. Tạp chí Vật liệu và Xây dựng-Bộ Xây dựng, 2025. 15(04): p. 158-Trang 163. https://doi.org/10.54772/jomc.04.2025.1068.
[11].Kha, V.T., T. Lê Hùng, and H.N. Huy, Nghiên cứu ảnh hưởng của công tác khai thác cát, sỏi đến biến động đường bờ sông Chu (đoạn chảy qua huyện Thọ Xuân, tỉnh Thanh Hóa) bằng dữ liệu viễn thám. Tạp chí Khoa học Đo đạc và Bản đồ, 2020(44): p. 5-10.
[12].Điệp, N.T.H., et al., Diễn tiến tình hình sạt lở ven bờ sông Tiền và sông Hậu, vùng Đồng bằng sông Cửu Long. Tạp chí Khoa học Trường Đại học Cần Thơ, 2019. 55: p. 125-133.
[13].Phương, P.V.T. and P.T.H. Hạnh, Ứng dụng viễn thám, GIS đánh giá phạm vi và mức độ xói lở bờ biển Đồng bằng sông Cửu Long, đoạn từ Tiền Giang đến Sóc Trăng. Tạp chí Khí tượng thủy văn, 2023. 754: p. 9 - 25. doi:10.36335/VNJHM.2023(754).9-25.
[14].Gorelick, N., et al., Google Earth Engine: Planetary-scale geospatial analysis for everyone. Remote sensing of Environment, 2017. 202: p. 18-27. https://doi.org/10.1016/j.rse.2017.06.031.
[15].Tamiminia, H., et al., Google Earth Engine for geo-big data applications: A meta-analysis and systematic review. ISPRS journal of photogrammetry remote sensing, 2020. 164: p. 152-170. https://doi.org/10.1016/j.isprsjprs.2020.04.001.
[16].Amani, M., et al., Google earth engine cloud computing platform for remote sensing big data applications: A comprehensive review. IEEE Journal of Selected Topics in Applied Earth Observations Remote Sensing, 2020. 13: p. 5326-5350. doi: 10.1109/JSTARS.2020.3021052.
[17].Hoa, P.V., et al., One-dimensional deep learning driven geospatial analysis for flash flood susceptibility mapping: A case study in North Central Vietnam. Earth Science Informatics, 2024. 17(5): p. 4419-4440. https://doi.org/10.1007/s12145-024-01285-8.
[18].Tran, Q.A., et al., Rainfall-Runoff and Inundation of Ma River Basin Under Global Warming. Journal of Mining Earth Sciences, 2019. 60(6): p. 13-22.
[19].Drusch, M., et al., Sentinel-2: ESA's optical high-resolution mission for GMES operational services. Remote sensing of Environment, 2012. 120: p. 25-36. https://doi.org/10.1016/j.rse. 2011.11.026.
[20].Roy, D.P., et al., Landsat-8: Science and product vision for terrestrial global change research. Remote sensing of Environment, 2014. 145: p. 154-172. https://doi.org/10.1016/j.rse.2014.02.001.
[21].Xu, H., Modification of normalised difference water index (NDWI) to enhance open water features in remotely sensed imagery. International journal of remote sensing, 2006. 27(14): p. 3025-3033. https://doi.org/10.1080/01431160600589179.
[22].Otsu, N., A threshold selection method from gray-level histograms. Automatica, 1979. 11(285- 296).
[23].Cục Quản lý đê điều và phòng, chống thiên tai. Thấp thỏm trước thực trạng sạt lở kinh hoàng ở bờ sông Mã (Thanh Hóa). 2023; Available from: https://phongchongthientai.mard.gov.vn/Pages/ thap-thom-truoc-thuc-trang-sat-lo-kinh-hoang-o-bo-song-ma-thanh-hoa.
[24].Báo Nông nghiệp Môi trường. Bờ sông Mã sạt lở, huyện chờ kinh phí khắc phục. 2025; Available from: https://nongnghiepmoitruong.vn/bo-song-ma-sat-lo-huyen-cho-kinh-phi-khac-phuc-d742345.
[25].VnEconomy. Thanh Hóa tìm giải pháp ngăn sạt lở nghiêm trọng tại sông Chu, sông Mã. 2023; Available from: https://vneconomy.vn/thanh-hoa-tim-giai-phap-ngan-sat-lo-nghiem-trong-tai-song-chu-song-ma.
