Tổng quan nghiên cứu

Quản lý và theo dõi sự biến động của các diện tích đất canh tác là vấn đề cấp thiết trong bối cảnh mất an ninh lương thực hiện nay, đặc biệt ở các quốc gia đang phát triển. Qua đó, việc áp dụng công nghệ thu thập dữ liệu từ vệ tinh quang học đa thời gian trở thành công cụ quan trọng nhằm giám sát các vùng đất nông nghiệp một cách chính xác và liên tục. Theo báo cáo, toàn bộ khu vực nghiên cứu là vùng canh tác rộng khoảng 2 km² thuộc lưu vực Kamech, miền Bắc Tunisia, với 13 lần thu thập dữ liệu vệ tinh Sentinel-2 từ năm 2016 đến 2017, mỗi bức ảnh có kích thước 247x240 pixels và đa phổ từ vùng quang học đến hồng ngoại gần.

Luận văn tập trung phát triển và ứng dụng phương pháp khai phá dữ liệu dựa trên mô hình đồ thị sự biến động không gian-thời gian (STIS – Série Temporelle d’Images Satellites) nhằm phân tích sự thay đổi của các lô đất nông nghiệp qua chuỗi ảnh vệ tinh. Mục tiêu nghiên cứu là xây dựng phương pháp tự động theo dõi và đánh giá sự ổn định cũng như biến đổi hình thái của các đơn vị đất canh tác, bất kể kích thước và độ phức tạp của chúng. Đồng thời, báo cáo cũng nhằm tạo ra các bản đồ nhiệt thể hiện độ ổn định không gian cho từng pixel, góp phần vào việc quản lý bền vững nguồn tài nguyên đất và hỗ trợ ra quyết định trong nông nghiệp chính xác.

Nghiên cứu được thực hiện trong 6 tháng tại đơn vị nghiên cứu UMR-TETIS (IRSTEA), sử dụng bộ dữ liệu đa thời gian Sentinel-2, gắn liền với dự án nghiên cứu ứng dụng công nghệ số vào theo dõi sản xuất nông nghiệp và an ninh lương thực quốc tế. Kết quả có ý nghĩa quan trọng trong việc phát triển các thuật toán phân tích dữ liệu lớn về ảnh vệ tinh đa thời gian, đồng thời cung cấp công cụ giám sát biến động đất đai cho các vùng nông nghiệp khó tiếp cận.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Luận văn dựa trên hai lý thuyết và mô hình chính:

  1. Mô hình đồ thị biến động không gian-thời gian (Spatio-temporal Graph Model) – khung lý thuyết được đề xuất bởi Fabio Guttler và cộng sự, mô hình hóa sự biến đổi hình thái một đối tượng (đối tượng tham khảo ObjRef) qua chuỗi ảnh đa thời gian bằng cách biểu diễn trạng thái của nó ở mỗi thời điểm dưới dạng các nút đồ thị và kết nối sự tương quan giữa các nút kế tiếp bằng các cạnh mô tả sự liên thông của các vùng hình ảnh. Mô hình này giúp theo dõi sự biến dạng, phân tách hoặc hợp nhất các vùng đất theo thời gian, từ đó đánh giá sự ổn định hoặc biến động không gian của đối tượng.

  2. Phân tích đối tượng (Object-Based Image Analysis – OBIA) – phương pháp phân tích vùng ảnh vệ tinh dựa trên phân đoạn và phân nhóm các pixel thành các đối tượng vùng, thay vì phân tích từng pixel rời rạc. Phân tích này dựa trên đặc trưng phổ, kết cấu, hình thái và không gian của các vùng nhằm tăng độ chính xác khi mô tả hiện tượng địa lý.

Các khái niệm trọng tâm bao gồm:

  • ObjRef (Objects de Référence): tập hợp các đối tượng tham khảo được chọn lọc từ các phân đoạn có kích thước lớn và tối ưu, phục vụ cho việc xây dựng đồ thị theo dõi.
  • Segmentation (Phân đoạn): kỹ thuật chia nhỏ ảnh thành các vùng tương đồng dựa trên cận ngưỡng không gian và giá trị phổ.
  • Normalized Difference Vegetation Index (NDVI): chỉ số phân biệt đất có/không có thảm thực vật, sử dụng phổ hồng ngoại gần và phổ đỏ, quan trọng trong việc đánh giá tình trạng sinh trưởng cây trồng.
  • Heatmap (Bản đồ nhiệt): biểu diễn trực quan mức độ ổn định hoặc biến động không gian của từng pixel qua khoảng thời gian khảo sát.

Phương pháp nghiên cứu

Nguồn dữ liệu:

  • 13 bức ảnh vệ tinh Sentinel-2 chuỗi thời gian, thu thập từ năm 2016 đến 2017, có độ phân giải 10 mét/pixel, năm băng phổ gồm: B2 (xanh lam), B3 (xanh lá), B4 (đỏ), B8 (hồng ngoại gần) cùng chỉ số NDVI phục vụ phân tích.
  • Khu vực nghiên cứu là lưu vực Kamech, Tunisia với diện tích khoảng 2 km², đa dạng về loại hình canh tác như cây ngũ cốc, đậu, thực vật tự nhiên.

Phương pháp phân tích:

  • Tiến hành phân đoạn ảnh với LargeScaleMeanShift, thiết lập tham số spatialr = 30 (bán kính không gian), ranger = 10 (ngưỡng phổ), minh bạch đủ để vừa tạo ra các vùng phân đoạn tinh vi vừa tiết kiệm thời gian tính toán.
  • Chọn lọc các đối tượng tham khảo ObjRefs dựa trên đại lượng đóng góp thông tin α, thử nghiệm với dải giá trị từ 0.1 đến 1 nhằm cân bằng giữa độ phủ và thông tin thu nhận; giá trị chuẩn được chọn là α = 0.6 dựa trên khả năng phủ đạt 95.2% vùng khảo sát.
  • Xây dựng đồ thị sự biến động theo các quy tắc kết nối giữa các nút đối tượng cùng vùng nhưng ở thời điểm khác nhau, với ngưỡng chia sẻ thông tin σ1, σ2 lần lượt là 0.6 và 0.3 giúp tối ưu kết nối các nút có ý nghĩa về mặt địa lý.
  • Tạo bản đồ nhiệt thể hiện tần suất tồn tại mỗi pixel trong đồ thị qua chuỗi thời gian (thang từ 1 đến 13), nhằm minh họa độ ổn định hoặc thay đổi của từng vùng đất trong khu vực nghiên cứu.
  • Các thử nghiệm thực hiện trong vòng 6 tháng với dữ liệu thực, sử dụng thư viện xử lý ảnh Orfeo ToolBox (OTB) và công cụ LargeScaleMeanShift.

Timeline nghiên cứu:

  • Thu thập và tiền xử lý dữ liệu (1 tháng)
  • Xây dựng và điều chỉnh thuật toán phân đoạn, lựa chọn mô hình (1 tháng)
  • Xây dựng đồ thị biến động và tạo bản đồ nhiệt (2 tháng)
  • Phân tích, thống kê và đánh giá kết quả (2 tháng)

Cỡ mẫu: tổng 13 ảnh đa thời gian, trải rộng đủ quan sát mùa vụ và các giai đoạn canh tác khác nhau trong năm.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

  1. Hiệu quả phân đoạn và lựa chọn đối tượng tham khảo:
  • Khi α giảm từ 0.75 xuống 0.2, số lượng đối tượng tham khảo tăng từ 75 lên 172 và phủ vùng (PAC) tăng từ 85.3% lên 98%.
  • Tuy nhiên, sự tăng cao của α làm giảm độ phủ và giảm độ trùng lặp thông tin giữa các đối tượng, từ đó tối ưu hóa yêu cầu xử lý dữ liệu.
  • Giá trị α = 0.6 được lựa chọn cân bằng giữa độ chính xác và hiệu quả tính toán với tỷ lệ phủ 95.2% và tỷ lệ trùng lặp 20%.
  1. Đồ thị biến động không gian-thời gian:
  • Xây dựng thành công các đồ thị sự kiện với 13 lớp thời gian, thể hiện rõ các giai đoạn ổn định và bất ổn của các đối tượng đất canh tác qua mùa vụ (ví dụ giai đoạn T0, T4, T5 có sự phân chia hay sáp nhập các đối tượng).
  • Sự biến động mạnh ở một số thời kỳ thể hiện rõ mối liên hệ với thay đổi loại cây trồng hoặc sự tác động của con người lên đất (cày xới, thu hoạch).
  • Bao phủ không gian đạt 100% cho các đồ thị khi thiết lập ngưỡng σ1, σ2 hợp lý, cho thấy mọi lô đất đều được theo dõi liên tục và đầy đủ qua thời gian.
  1. Bản đồ nhiệt về độ ổn định pixel:
  • Phân phối pixel theo tần suất xuất hiện trong đồ thị cho thấy khoảng 68% pixel trong nhóm đất canh tác hàng năm có tần suất xuất hiện cực đại (13 lần), tức là các vùng đất này rất ổn định về mặt không gian.
  • Khác biệt rõ ràng với nhóm đất có cây trồng phục vụ chăn nuôi (cultures fourragères) và lúa mì, trong đó có nhiều pixel có tần suất thấp hơn (thường là 10 lần hoặc ít hơn), phản ánh sự biến động cao hơn do tác động canh tác và chăm sóc.
  • Theo thống kê, tổng cộng hơn 72.6% pixel thuộc nhóm đất canh tác hàng năm là ổn định (tần suất ≥12).
  1. Đánh giá bằng chỉ số Jaccard:
  • Độ tương đồng (mức độ đối chiếu) giữa các đồ thị sự biến động và các lớp phân loại sử dụng chỉ số Jaccard dao động trong khoảng cao, cho thấy mô hình đồ thị xác thực được sự phù hợp với hiện trạng thực tế của các lớp đất canh tác trên bản đồ nguồn.
  • Mô hình này cho phép nhận diện chính xác các kiểu đất dựa trên đặc thù biến động không gian và thời gian của chúng.

Thảo luận kết quả

Kết quả chứng minh tính khả thi và hiệu quả vượt trội của phương pháp khai phá dữ liệu dựa trên đồ thị sự biến động không gian-thời gian (STIS) trong việc theo dõi và phân tích vùng đất nông nghiệp đa thời gian. Việc lựa chọn các tham số α, σ1 và σ2 đóng vai trò quyết định trong việc cân bằng độ phủ, giảm trùng lặp và giữ được độ chính xác của mô hình. Trong thực tế, hình thái biến đổi lô đất phản ánh các chu kỳ canh tác, thu hoạch và sự tác động của môi trường, điều này được thể hiện rõ qua các giai đoạn đồ thị.

So với các phương pháp phân tích chủ yếu dựa trên pixel hoặc phân loại cứng truyền thống, phương pháp này cho phép biểu diễn linh hoạt hơn và giảm thiểu các ảnh hưởng nhiễu đa đầu vào, đồng thời có thể xử lý lượng dữ liệu lớn với chuỗi thời gian mở rộng, điều mà các mô hình trước đây gặp khó khăn. Các biểu đồ phân phối sự ổn định pixel cũng thể hiện tính phân loại tốt, giúp các cơ quan quản lý có thể tập trung nguồn lực vào các khu vực có biến động cao hoặc cần giám sát đặc biệt.

Hơn nữa, việc ứng dụng dữ liệu Sentinel-2 đa phổ cùng với chỉ số NDVI làm tăng tính nhạy cảm của mô hình đối với các thay đổi sinh trưởng thực vật, cải thiện đáng kể khả năng phân biệt các loại cây trồng và tình trạng bề mặt đất. Các biểu đồ và bản đồ nhiệt được trình bày trong báo cáo có thể minh họa rõ ràng qua biểu đồ tần suất pixel, đồ thị cấu trúc và bản đồ nhiệt trực quan, hỗ trợ việc đánh giá nhanh các khu vực biến động.

Tổng hợp lại, nghiên cứu đã mở rộng phạm vi ứng dụng của khai phá dữ liệu vào lĩnh vực phân tích ảnh vệ tinh đa thời gian, đặc biệt cho quản lý tài nguyên đất nông nghiệp, đồng thời cung cấp mô hình nghiên cứu có thể nhân rộng ra các vùng khác hoặc các ngành liên quan như lâm nghiệp, quản lý nước, thay đổi môi trường liên tục.

Đề xuất và khuyến nghị

  1. Cải tiến và mở rộng mô hình khai phá dữ liệu:
  • Đề xuất áp dụng đa dạng hóa các ngưỡng α, σ1, σ2 theo đặc tính địa phương và loại cây trồng nhằm tối ưu độ chính xác trên từng vùng sinh thái khác nhau.
  • Thời gian triển khai: 6-12 tháng, đối tượng: đội ngũ nghiên cứu và cơ quan quản lý nông nghiệp.
  1. Triển khai hệ thống giám sát tự động dựa trên đồ thị biến động:
  • Xây dựng công cụ giám sát thời gian thực lấy dữ liệu từ Sentinel-2 và cập nhật đồ thị biến đổi theo chu kỳ, ưu tiên khu vực có biến động lớn để cảnh báo sớm các vấn đề canh tác hoặc phá hoại đất.
  • Thời gian: 12-18 tháng, chủ thể thực hiện: các tổ chức công nghệ nông nghiệp và đội ngũ phân tích dữ liệu.
  1. Đào tạo và chuyển giao kỹ thuật cho cán bộ nông nghiệp địa phương:
  • Tổ chức khóa đào tạo về kỹ thuật xử lý ảnh đa thời gian, khai phá dữ liệu và ứng dụng hệ thống giám sát giúp nâng cao năng lực kỹ thuật và quản lý.
  • Thời gian triển khai: 6 tháng, đối tượng: cán bộ kỹ thuật địa phương, cán bộ quản lý trồng trọt.
  1. Phát triển mô hình tổng hợp đa nguồn dữ liệu:
  • Kết hợp ảnh vệ tinh Sentinel-2 với các nguồn dữ liệu khác như ảnh radar, phiến bản địa phương để tăng độ chính xác trong các trường hợp che phủ mây hoặc khó quan sát.
  • Thời gian nghiên cứu mở rộng 12-24 tháng, target metric: tăng độ chính xác phân loại ít nhất 8-10%.
  1. Khuyến nghị xây dựng ngân hàng dữ liệu đa thời gian quốc gia:
  • Thu thập và lưu trữ hệ thống chuỗi ảnh vệ tinh phân vùng toàn quốc, kết hợp với các kết quả phân tích và đồ thị biến động để phục vụ quản lý đất đai và hoạch định chính sách phát triển nông nghiệp bền vững.

Các giải pháp này phối hợp nhằm tạo thành chu trình khép kín từ thu thập, phân tích đến áp dụng kết quả giám sát đắc lực phục vụ an ninh lương thực và phát triển nông nghiệp chính xác.

Đối tượng nên tham khảo luận văn

  1. Các nhà nghiên cứu trong lĩnh vực viễn thám, xử lý ảnh và khai phá dữ liệu:
  • Nghiên cứu phương pháp nâng cao, kiểm chứng thuật toán xử lý chuỗi ảnh vệ tinh đa thời gian.
  • Có thể tham khảo mô hình đồ thị biến động và cách lựa chọn tham số tối ưu phù hợp với dữ liệu đa phổ.
  1. Cơ quan quản lý đất đai và nông nghiệp:
  • Giám sát chặt chẽ biến động sử dụng đất, xác định vùng canh tác ổn định hoặc cần kiểm soát đặc biệt.
  • Sử dụng bản đồ nhiệt và báo cáo phân tích hỗ trợ ra quyết định quy hoạch nông nghiệp.
  1. Doanh nghiệp và startup trong lĩnh vực nông nghiệp công nghệ cao:
  • Ứng dụng mô hình để phát triển hệ thống theo dõi sản xuất cây trồng thông minh, thúc đẩy nông nghiệp chính xác và tự động hóa giám sát.
  • Phát triển dịch vụ phân tích dữ liệu ảnh vệ tinh, tư vấn canh tác dựa trên biến động thực địa.
  1. Cán bộ đào tạo và sinh viên chuyên ngành Công nghệ thông tin, Viễn thám, Khoa học môi trường:
  • Tìm hiểu mô hình phân tích dữ liệu lớn trên chuỗi ảnh không gian-thời gian.
  • Tham khảo quy trình nghiên cứu, thuật toán phân đoạn, xây dựng và phân tích đồ thị trong ảnh đa thời gian.

Tổng hợp, luận văn góp phần tạo cơ sở lý luận và thực tiễn hữu ích để các đối tượng trên khai thác trong các lĩnh vực nghiên cứu, quản lý và phát triển ứng dụng công nghệ viễn thám đa thời gian.

Câu hỏi thường gặp

  1. Phương pháp phân tích dựa trên đồ thị có ưu điểm gì so với phân tích pixel truyền thống?
    Phương pháp dựa trên đồ thị mô hình hóa sự biến đổi không gian-thời gian của từng đối tượng có ý nghĩa thực địa, giúp nhận diện sự phân tách, hợp nhất hay biến dạng vùng đất qua thời gian. Điều này khắc phục được nhược điểm phân tích pixel đơn lẻ thiếu khả năng biểu đạt hình thái phức tạp và dễ bị nhiễu. Ví dụ, các vùng đất bị chia nhỏ hoặc trộn lẫn trong ảnh vẫn có thể được theo dõi chính xác qua đồ thị.

  2. Tham số α trong chọn lọc đối tượng tham khảo ảnh hưởng thế nào đến kết quả?
    Giá trị α quyết định mức đóng góp thông tin tối thiểu để một đối tượng được lựa chọn làm tham khảo. Giảm α sẽ tăng số lượng đối tượng và độ phủ dữ liệu nhưng đồng thời tăng trùng lặp và chi phí tính toán. Ngược lại, α cao làm giảm số đối tượng và độ phủ. Luận văn chọn α=0.6 để cân bằng giữa độ phủ 95.2% và giảm trùng lặp thông tin 20%.

  3. Làm sao đánh giá độ ổn định của từng pixel qua chuỗi thời gian?
    Theo dõi tần suất xuất hiện của pixel đó trong các đồ thị biến động xuyên suốt chuỗi ảnh. Pixel có tần suất cao (gần bằng số lượng thời điểm) cho thấy phần đất ổn định, ngược lại tần suất thấp phản ánh vùng đất hay biến động. Bản đồ nhiệt trực quan hỗ trợ dễ dàng quan sát các vùng đất ổn định hoặc biến động.

  4. Phương pháp này có thể áp dụng cho các loại cây trồng khác hay vùng địa lý nào không?
    Có. Mô hình đồ thị và thuật toán phân đoạn dựa trên đặc trưng phổ và không gian có tính mở, có thể tùy chỉnh các tham số để phù hợp với các loại cây trồng, cấu trúc đất khác nhau hoặc vùng nghiên cứu khác nhau. Chỉ cần có chuỗi ảnh vệ tinh đa thời gian phù hợp là có thể áp dụng.

  5. Thách thức chính khi xử lý chuỗi ảnh đa thời gian lớn là gì?
    Khó khăn gồm: (1) lượng dữ liệu lớn đòi hỏi khả năng xử lý mạnh và hiệu quả bộ nhớ; (2) sự biến đổi của cảnh quan dẫn đến khó định danh chính xác các đối tượng qua thời gian; (3) độ che phủ mây hoặc nhiễu ảnh gây sai lệch dữ liệu. Luận văn đề xuất giải pháp chọn lọc đối tượng, xây dựng đồ thị phù hợp nhằm giảm tải tính toán và đưa ra bản đồ nhiệt ổn định xác thực.

Kết luận

  • Phương pháp khai phá dữ liệu dựa trên mô hình đồ thị biến đổi không gian-thời gian đã được áp dụng thành công cho phân tích và theo dõi sự biến động của lô đất nông nghiệp bằng chuỗi ảnh vệ tinh Sentinel-2.
  • Ứng dụng phân tích đối tượng (OBIA) kết hợp với NDVI giúp nhận diện chính xác các loại đất và đánh giá mức độ ổn định sinh trưởng của cây trồng qua thời gian.
  • Các tham số kỹ thuật như α, σ1, σ2 được điều chỉnh đạt hiệu quả cao trong việc tối ưu độ phủ dữ liệu, giảm trùng lặp và duy trì độ chính xác phân loại.
  • Bản đồ nhiệt và phân bố tần suất pixel minh họa rõ sự chênh lệch độ ổn định không gian giữa các vùng đất canh tác khác nhau, hỗ trợ quản lý và ra quyết định chính xác.
  • Các bước tiếp theo bao gồm mở rộng quy mô áp dụng phương pháp cho các khu vực lớn hơn, đa dạng hóa loại cây trồng và tích hợp nguồn dữ liệu vệ tinh khác nhằm nâng cao độ chính xác và khả năng ứng dụng thực tế.

Đề nghị các nhà nghiên cứu, cơ quan quản lý và doanh nghiệp ứng dụng sâu rộng phương pháp khai phá dữ liệu đa thời gian để nâng cao hiệu quả quản lý tài nguyên đất, thúc đẩy phát triển nông nghiệp bền vững tại nhiều vùng miền khác nhau.