Tổng quan luận án

Luận án tiến sĩ "Nghiên cứu phương pháp phân loại dữ liệu đám mây điểm LiDAR và ứng dụng" được thực hiện bởi nghiên cứu sinh Nguyễn Thị Hữu Phương, thuộc chuyên ngành Hệ thống thông tin (mã số 9 48 01 04), ngành Máy tính tại Học viện Khoa học và Công nghệ, Viện Hàn lâm Khoa học và Công nghệ Việt Nam (năm 2022), dưới sự hướng dẫn khoa học của PGS.TS. Nguyễn Trường Xuân và PGS.TS. Đặng Văn Đức.

Tính cấp thiết và khoảng trống nghiên cứu

Công nghệ LiDAR (Light Detection and Ranging) là kỹ thuật viễn thám chủ động sử dụng xung laser để đo khoảng cách và thu thập thông tin không gian ba chiều của các đối tượng trên bề mặt Trái đất mà không phụ thuộc vào điều kiện thời tiết. Bản chất của công nghệ là sự kết hợp giữa kỹ thuật đo chiều dài laser dựa trên thời gian truyền xung (Time of Flight - ToF), hệ thống định vị vệ tinh toàn cầu (GNSS/GPS) và hệ thống dẫn đường quán tính (INS/IMU). Dữ liệu đầu ra là tập hợp đám mây điểm (ĐMĐ) 3D $(x, y, z)$, có thể mở rộng thành 4D khi tích hợp thông tin màu sắc (RGB) và ảnh cường độ phản xạ xám.

Tuy nhiên, dữ liệu ĐMĐ thô thu nhận từ thiết bị quét có dung lượng rất lớn, mật độ dày đặc và chứa nhiều điểm nhiễu (nhiễu do độ nhạy của máy dò ở mức đơn photon tạo ra các điểm tán xạ trong không khí). Để chuyển đổi ĐMĐ thô thành các sản phẩm thông tin hữu ích phục vụ thành lập mô hình số địa hình (DTM), mô hình số độ cao (DEM), mô hình số bề mặt (DSM), tính toán sinh khối rừng hoặc phân loại lớp phủ bề mặt, dữ liệu bắt buộc phải trải qua các công đoạn tiền xử lý, lọc nhiễu và phân loại.

Tại Việt Nam, công nghệ LiDAR đã được ứng dụng từ năm 2006 trong lĩnh vực trắc địa - bản đồ. Dẫu vậy, việc khai thác dữ liệu LiDAR trong nước phần lớn vẫn dựa vào phương pháp phân loại bán tự động bằng các phần mềm thương mại đi kèm thiết bị (như Global Mapper, ENVI LiDAR) kết hợp hiệu chỉnh thủ công từ con người. Quy trình này đòi hỏi nhiều thời gian, dễ phát sinh sai số chủ quan, chi phí bản quyền phần mềm cao và thường chỉ dừng lại ở việc tách hai lớp điểm cơ bản là mặt đất (ground) và phi mặt đất (non-ground), làm mất đi phần lớn thông tin hữu ích từ các đối tượng trên mặt đất. Do đó, việc nghiên cứu cơ sở toán học và phát triển các thuật toán phân loại tự động đám mây điểm LiDAR phù hợp với điều kiện địa hình thực tế tại Việt Nam là yêu cầu cấp thiết.

Mục tiêu nghiên cứu

Mục tiêu nghiên cứu của luận án bao gồm:

  1. Nghiên cứu cơ sở lý thuyết và đề xuất phương pháp, thuật toán phân loại dữ liệu ĐMĐ LiDAR tự động có độ chính xác cao dựa trên việc cải tiến thuật toán Cực đại hóa kỳ vọng (Expectation Maximization - EM) và thuật toán Phân loại độ cong đa tỷ lệ (Multiscale Curvature Classification - MCC).
  2. Thử nghiệm sử dụng kết quả dữ liệu LiDAR sau phân loại cho bài toán đánh giá sự thay đổi lớp phủ bề mặt khu vực đô thị.
  3. Xây dựng quy trình tạo lập bộ dữ liệu đầu vào cho hệ hỗ trợ ra quyết định (Decision Support System - DSS) trong công tác quản lý và quy hoạch đất đai.

Câu hỏi nghiên cứu

Luận án xác định và giải quyết 3 câu hỏi nghiên cứu cụ thể:

  • Câu hỏi 1: Bài toán phân loại tự động ĐMĐ LiDAR tại Việt Nam có những hạn chế nào? Tại sao lại cần phát triển thuật toán phân loại tự động ĐMĐ LiDAR phù hợp với yêu cầu sử dụng tại Việt Nam?
  • Câu hỏi 2: Có thể phân loại tự động đám mây điểm LiDAR bằng thuật toán EM và MCC được không? Các hạn chế của thuật toán EM và MCC là gì và cách khắc phục chúng như thế nào?
  • Câu hỏi 3: Dữ liệu LiDAR sau phân loại có thể sử dụng trong bài toán phân loại lớp phủ bề mặt khu vực đô thị và tạo bộ dữ liệu đầu vào cho DSS quy hoạch đất đai không?

Đối tượng và phạm vi nghiên cứu

  • Đối tượng nghiên cứu: Công nghệ LiDAR, cơ sở toán học của dữ liệu ĐMĐ LiDAR, bài toán phân loại điểm và khả năng cải tiến của thuật toán EM và MCC nhằm nâng cao chất lượng phân loại ĐMĐ LiDAR phục vụ phân loại lớp phủ đô thị và xây dựng CSDL cho hệ DSS quản lý đất đai.
  • Phạm vi nghiên cứu: Tập trung vào các thuật toán phân loại tự động ĐMĐ LiDAR (phát triển thành thuật toán EM-D và MCC-D) và thử nghiệm trên các bộ dữ liệu bay quét LiDAR thực tế thu thập tại Việt Nam (khu vực Uông Bí - Quảng Ninh, bộ dữ liệu đô thị năm 2018). Tọa độ không gian được quy chiếu theo Hệ quy chiếu và Hệ tọa độ quốc gia VN-2000 (múi chiếu $3^\circ$, kinh tuyến trục theo quy định tại Thông tư 973/2001/TT-TCĐC) và hệ tọa độ quốc tế WGS-84.

Tổng quan tài liệu và vị trí của luận án

Các hướng nghiên cứu trong nước

Trong nước, ứng dụng công nghệ LiDAR bắt đầu từ dự án bay quét thử nghiệm năm 2006 tại Đồng Nai và TP. Cần Thơ do Công ty Đo đạc ảnh Địa hình và Trung tâm Viễn thám hợp tác với Công ty AAMHATCH (Úc). Các nghiên cứu sau đó đã ứng dụng dữ liệu LiDAR vào các lĩnh vực chuyên biệt:

  • Công ty TNHH MTV Tài nguyên và Môi trường Việt Nam sử dụng các phần mềm thương mại như Global Mapper và ENVI LiDAR để xử lý dữ liệu tạo DEM, DSM và nội suy đường bình độ.
  • Tác giả Vũ Quốc Lập (Công ty Đo đạc và Khoáng sản) công bố kết quả ứng dụng LiDAR phục vụ đo vẽ hiện trạng hệ thống hầm lò khai thác khoáng sản.
  • Nghiên cứu [26] đánh giá việc sử dụng LiDAR tại vùng bãi bồi ven biển, khẳng định khả năng thành lập cơ sở dữ liệu nền địa hình tỷ lệ 1:5000 và nhỏ hơn.
  • Nghiên cứu [27], [28] đề xuất phương pháp kết hợp dữ liệu LiDAR với thiết bị bay không người lái (UAV) nhằm phục vụ khảo sát, thiết kế và kiểm định công trình xây dựng.
  • Nghiên cứu [29] sử dụng dữ liệu LiDAR để cập nhật lớp cơ sở dữ liệu giao thông tại khu vực TP. Hồ Chí Minh.

Các công trình trong nước chủ yếu áp dụng công cụ sẵn có, phân loại bán tự động để tách hai lớp ground và non-ground phục vụ thành lập mô hình DEM/DTM, chưa đi sâu vào việc phát triển thuật toán phân loại tự động đa lớp và khai thác triệt để lớp non-ground.

Các hướng nghiên cứu quốc tế

Trên thế giới, các phương pháp phân loại ĐMĐ LiDAR được phân chia thành 4 nhóm chính:

Nhóm 1: Thuật toán phân cụm K-means
- Zhang và cộng sự [30], [31]: Dùng K-means phân loại điểm edge và non-edge dựa trên mật độ và giá trị riêng PCA (độ chính xác >92% với non-edge, 61-98% với edge).
- Nghiên cứu [32], [33]: Kết hợp K-means với mạng nơ-ron nhân tạo (ANN) hoặc phân đoạn đám mây điểm.

Nhóm 2: Phương pháp dựa trên đặc trưng hình học và cường độ
- Nghiên cứu [34]: Phân loại điểm ground dựa trên độ lệch mật độ tín hiệu phản hồi tại Stuttgart (Đức) để tạo DTM, DSM, CHM.
- Nghiên cứu [35]: Phát hiện đối tượng đô thị và cây cối từ dữ liệu MLS và TLS với độ chính xác khoảng 95%.
- Nghiên cứu [36], [37]: Phân loại hướng đối tượng (Object-Based Classification - OBC) dựa trên chiều cao, thứ tự tia phản xạ.

Nhóm 3: Phương pháp thống kê, mô hình hỗn hợp và nội suy
- Nghiên cứu [41], [44], [45]: Dùng thuật toán EM phân loại dữ liệu phản xạ (độ chính xác 94%, sai số lớp non-ground 4%; nghiên cứu [45] đạt sai số 16,78%, giảm lỗi hệ thống xuống 31%).
- Nghiên cứu [43]: Ứng dụng mô hình hỗn hợp Gauss (GMM) xác định các lớp trung gian.
- Nghiên cứu [46]: Kết hợp GMM-EM với trường ngẫu nhiên điều kiện (CRF) phân tích thông tin ngữ cảnh.
- Evans và Hudak [48], [49]: Thuật toán MCC sử dụng phép nội suy màng mỏng (Thin Plate Spline - TPS) để lọc ground; phiên bản MCC-RGB kết hợp SVM phân loại thực vật tại California.
- Nghiên cứu [50]: So sánh MCC và BCAL trên 7000 điểm kiểm tra, chỉ ra BCAL phù hợp vùng thực vật liên tục, MCC vượt trội tại nơi địa hình thay đổi độ dốc liên tục.

Nhóm 4: Phương pháp học máy và học sâu
- Nghiên cứu [53], [54], [55]: Ứng dụng Support Vector Machine (SVM), SVM nhân RBF kết hợp thuật toán phát triển bề mặt (Surface Growing) đạt độ chính xác 92% - 98%.
- Nghiên cứu [26]: Đề xuất Wavelet SVM (WSVM) khắc phục hiện tượng thiếu khớp/quá khớp.
- Nghiên cứu [51], [56], [57]: Sử dụng k-NN (độ chính xác 92%), kiến trúc PointNet, và mạng nơ-ron tích chập chú ý đồ thị (GACNN) trên tập ISPRS 3D (F1 trung bình 71,5%, độ chính xác tổng thể OA đạt 83,2%).

Khoảng trống nghiên cứu luận án lựa chọn giải quyết

Tổng quan các công trình cho thấy hai thuật toán EM và MCC có nhiều tiềm năng nhưng tồn tại các nhược điểm kỹ thuật rõ rệt:

  • Thuật toán EM phân loại tốt với các điểm phản xạ nhưng rất nhạy cảm với tham số khởi tạo, tốc độ hội tụ chậm khi dữ liệu lớn, dễ gặp lỗi ma trận hiệp phương sai.
  • Thuật toán MCC xử lý tốt dữ liệu tán xạ ở địa hình phức tạp nhưng phụ thuộc vào tham số do người dùng tự đặt, phép nội suy TPS chậm khi số điểm kiểm soát lớn, và MCC truyền thống chỉ giữ lại lớp ground để tạo DEM rồi loại bỏ hoàn toàn lớp non-ground.

Luận án lựa chọn giải quyết khoảng trống này bằng cách cải tiến đồng thời thuật toán EM và MCC, kết hợp xử lý cả dữ liệu phản xạ và dữ liệu tán xạ, đồng thời phân loại chi tiết nhóm non-ground thành các lớp đối tượng chuyên biệt.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết và mô hình toán học

Luận án xây dựng trên các nền tảng toán học và xử lý tín hiệu:

  • Nguyên lý đo khoảng cách ToF: Khoảng cách $D$ từ máy phát đến đối tượng phản xạ được xác định theo công thức: $$D = \frac{S \times T}{2}$$ Trong đó $S$ là vận tốc ánh sáng, $T$ là thời gian truyền và nhận xung laser.
  • Mô hình hỗn hợp Gauss (GMM) và thuật toán EM: Hàm mật độ xác suất của tập dữ liệu là tổng trọng số của $K$ thành phần phân bố chuẩn: $$P(x, y|\theta) = P(x|y, \theta)P(y|\theta)$$ Hàm log khả năng cực đại: $$\ell(\theta|T_X) = \sum_{i=1}^n \ln \left{ \sum_{k=1}^K \pi_k \mathcal{N}(x_i|\mu_k, \Sigma_k) \right}$$
  • Phân tích thành phần chính xác suất (pPCA): Mô hình biến tiềm ẩn giúp giảm chiều dữ liệu và ước lượng ma trận hiệp phương sai: $$\Sigma_k = V (L - r_i^2 I)^{1/2} R$$ Trong đó $V$ là ma trận vector riêng, $L$ là ma trận giá trị riêng thu được từ phương trình đặc trưng $\det(\Sigma - \lambda I) = 0$, $R$ là ma trận trực giao và $r_i$ là độ sai khác của điểm dữ liệu so với giá trị trung bình chuẩn hóa theo độ lệch chuẩn $\sigma$.
  • Thuật toán MCC và nội suy TPS: Sử dụng phép nội suy mặt cong màng mỏng (Thin Plate Spline) đa tỷ lệ kết hợp phân tích độ cong bề mặt cục bộ để phân tách điểm địa hình.

Phương pháp nghiên cứu thực tế

Luận án kết hợp các phương pháp nghiên cứu định lượng và xử lý không gian:

  1. Phương pháp phân tích, tổng hợp lý thuyết: Phân tích cấu trúc toán học của các thuật toán phân cụm, nội suy không gian và các mô hình học máy.
  2. Phương pháp thực nghiệm thuật toán: Cài đặt, lập trình thực thi thuật toán cải tiến trên môi trường máy tính; kiểm thử trên các tập dữ liệu bay quét thực tế; đánh giá định lượng thông qua các chỉ số thống kê: Độ chính xác (Precision), Độ thu hồi (Recall), Điểm F1-score, Ma trận nhầm lẫn (Confusion Matrix) và Độ chính xác tổng thể (Overall Accuracy - OA).
  3. Phương pháp viễn thám và GIS: Xử lý tệp định dạng LAS (chuẩn ASPRS), trích xuất thông tin độ cao $Z$, cường độ xám (Intensity), số thứ tự tia phản hồi (First Pulse, Last Pulse), phân tích đồ thị Voronoi tính mật độ điểm (Point Density - PD) và khoảng cách điểm (Point Spacing - PS), nội suy thành lập DEM/DSM độ phân giải 1m.

Nguồn tư liệu và dữ liệu nghiên cứu

  • Dữ liệu bay quét LiDAR: Tập dữ liệu thực nghiệm thu thập tại khu vực Uông Bí (tỉnh Quảng Ninh) và tập dữ liệu khu vực đô thị thu nhận năm 2018 tại Việt Nam.
  • Cấu trúc dữ liệu: Các tệp nhị phân tiêu chuẩn LAS chứa tọa độ không gian $(X, Y, Z)$, tem thời gian GPS, cường độ phản xạ, góc quét, thứ tự xung phản hồi và nhãn phân loại.

Nội dung chính theo từng chương

Chương 1: Tổng quan về phân loại dữ liệu đám mây điểm LiDAR

Chương 1 hệ thống hóa toàn diện cơ sở kỹ thuật của hệ thống LiDAR, đặc trưng dữ liệu và bài toán phân loại ĐMĐ.

Tiến trình xử lý dữ liệu điểm LiDAR:
[Dữ liệu LiDAR thô (LAS)]

Nội dung trọng tâm của chương bao gồm:

  • Kiến trúc hệ thống: Phân tích hoạt động đồng bộ giữa bộ phát xung laser, thiết bị định vị GNSS/GPS và khối đo quán tính IMU/INS. Tọa độ điểm phản xạ được xác định dựa trên độ dài $D$, góc phương vị $\psi$ và quy chiếu về hệ VN-2000/WGS-84.
  • Đặc trưng dữ liệu: Dữ liệu ĐMĐ có mật độ dày, thể hiện qua các thuộc tính: tọa độ $(X, Y, Z)$, thứ tự tia phản xạ (phản hồi đầu tiên ghi nhận ngọn cây/mái nhà; phản hồi trung gian ghi nhận tán lá; phản hồi cuối cùng ghi nhận mặt đất), giá trị cường độ phản xạ xám.
  • Bài toán phân loại: Luận án chia bài toán thành 3 giai đoạn:
    1. Tiền xử lý dữ liệu: Loại bỏ nhiễu Gaussian, nhiễu ngoại biên và điểm dị biệt trong không khí.
    2. Phân loại điểm ground và non-ground: Dựa trên sự biến thiên độ cao và độ dốc cục bộ.
    3. Phân loại chi tiết non-ground: Tách thành các lớp đối tượng thực vật, công trình xây dựng, mặt nước, đường giao thông.
  • Đề xuất phương pháp: Phân tích hạn chế của các phương pháp hiện hành và đề xuất khung giải pháp cải tiến thuật toán EM thành EM-D cho dữ liệu phản xạ và cải tiến thuật toán MCC thành MCC-D cho dữ liệu tán xạ.

Chương 2: Phát triển thuật toán nâng cao chất lượng phân loại ĐMĐ LiDAR

Chương 2 là nội dung kỹ thuật cốt lõi của luận án, trình bày chi tiết giải pháp cải tiến hai thuật toán EM và MCC, đồng thời tiến hành thực nghiệm đối sánh.

1. Cải tiến thuật toán EM thành thuật toán EM-D

Nhằm khắc phục nhược điểm hội tụ chậm trên tập dữ liệu lớn và nhạy cảm với khởi tạo của EM truyền thống, tác giả thực hiện quy trình cải tiến 4 bước:

  • Bước 1 - Khử nhiễu miền không gian bằng k-NN: Sử dụng thuật toán k-NN tính toán khoảng cách Euclide và ước lượng mật độ điểm $\mathcal{P}(x)$ thông qua hàm nhân Gaussian: $$\mathcal{P}(x) = N^{-1} D_k(x) \sum_{i=1}^N K\left[ D_k(x)(x - X_i) \right]$$ Ngưỡng lọc điểm nhiễu độ cao $Z_{th}$ được xác định bằng công thức: $$Z_{th} = 3 \times \mathcal{P}(x) \times Z_{std}$$ Trong đó: $$Z_{std} = \sqrt{\frac{1}{k}\sum_{j=1}^k (Z_j - Z_{mean})^2} \quad \text{với} \quad Z_{mean} = \frac{1}{k}\sum_{j=1}^k Z_j$$ Điểm có $Z_k > Z_{th}$ bị xác định là nhiễu và bị loại bỏ.
  • Bước 2 - Trích xuất đặc trưng và giảm chiều: Trích xuất độ cao $Z$ kết hợp cường độ phản xạ, giảm kích thước vector dữ liệu từ $D=3$ xuống $D=2$.
  • Bước 3 - Phân đoạn và khởi tạo tham số với pPCA:
    • Chia nhỏ ĐMĐ theo chiều dọc thành các khối dữ liệu nhỏ hơn để cân bằng mật độ không gian.
    • Bổ sung tham số lập lịch $\beta$ ($0 \le \beta \le 1$) vào hàm xác suất thành phần: $$f(x_k|y_k) = \frac{p(x_k, y_k, \theta_T)^\beta}{\sum_{i=1}^K p(x_k, y_k, \theta_T)^\beta dy_k}$$ Khi bắt đầu lặp, $\beta \approx 0$ giúp các thành phần chồng lấp đều; sau mỗi vòng lặp, $\beta$ tăng dần tiến tới 1 giúp điểm dữ liệu được cục bộ hóa chính xác và tránh rơi vào cực trị cục bộ.
    • Sử dụng pPCA giải bài toán ma trận hiệp phương sai $\Sigma_k = V(L - r_i^2 I)^{1/2} R$ và tính toán hệ số mixing $C_k = \frac{1}{N}\sum_{n=1}^N \gamma_k(Z_i)$ với điều kiện $\sum_{k=1}^K C_k = 1$.
  • Bước 4 - Thực thi vòng lặp E-M và phân loại: Thực hiện bước E (tính xác suất kỳ vọng) và bước M (cập nhật trọng số $\alpha_k^{new}$ và kỳ vọng $\mu_k^{new}$), kiểm tra điều kiện hội tụ log-likelihood để gán nhãn điểm.

2. Cải tiến thuật toán MCC thành thuật toán MCC-D

  • Thuật toán MCC truyền thống sử dụng phép nội suy mặt cong màng mỏng (Thin Plate Spline - TPS) để đánh giá độ cong bề mặt qua nhiều tỷ lệ lưới.
  • Tác giả cải tiến phép nội suy TPS bằng cách tích hợp thuật toán EM-D trong mô hình khớp điểm Robust Point Matching kết hợp Gaussian Mixture Model (RPM-GMM).
  • Phép cải tiến MCC-D loại bỏ sự phụ thuộc vào tham số khởi tạo do người dùng cấu hình, tối ưu hóa tốc độ xử lý khi số lượng điểm kiểm soát tăng cao trên đồ thị Voronoi, đồng thời cho phép giữ lại và phân loại tiếp tập điểm non-ground thành các lớp đối tượng thực vật và nhà cửa.

3. Kết quả thử nghiệm và đánh giá thực nghiệm

Kết quả phân loại của các thuật toán đề xuất được đánh giá thông qua các bảng số liệu thực nghiệm:

Thuật toán Lớp phân loại Precision (%) Recall (%) F1-score (%)
EM truyền thống Ground 88,40 86,20 87,28
Non-ground 85,10 87,50 86,28
EM-D (Đề xuất) Ground 94,60 93,80 94,20
Non-ground 93,20 94,10 93,65
MCC phiên bản 2 Ground 89,15 88,30 88,72
MCC-D (Đề xuất) Ground 95,40 94,70 95,05
Non-ground (Chi tiết) 92,80 93,50 93,15

Kết quả đối sánh cho thấy EM-D và MCC-D đạt độ chính xác tổng thể (Overall Accuracy - OA) vượt trội so với các thuật toán gốc, giảm thiểu sai số phân loại nhầm giữa mép công trình xây dựng và tán cây rậm rạp.

Chương 3: Đề xuất sử dụng hiệu quả đám mây điểm LiDAR sau phân loại

Chương 3 trình bày các giải pháp ứng dụng kết quả phân loại ĐMĐ LiDAR vào bài toán quản lý đô thị và quy hoạch đất đai tại Việt Nam.

Quy trình ứng dụng dữ liệu LiDAR sau phân loại:
[ĐMĐ đã phân loại (EM-D & MCC-D)]

Các nội dung triển khai chính:

  • Phân loại lớp phủ bề mặt khu vực đô thị: Kết hợp dữ liệu ĐMĐ đã phân loại qua EM-D và MCC-D với ảnh viễn thám để bóc tách hiện trạng các lớp phủ: bề mặt đất trống, đường giao thông, nhà ở/công trình xây dựng và thảm thực vật cây xanh.
  • Thành lập mô hình số độ cao chất lượng cao:
    • Thành lập mô hình DEM độ phân giải 1m từ lớp điểm ground đã được làm sạch triệt để.
    • Thành lập mô hình DSM độ phân giải 1m từ các điểm phản hồi đầu tiên và điểm non-ground cao nhất.
  • Tạo lập cơ sở dữ liệu đầu vào cho hệ DSS: Xây dựng cấu trúc dữ liệu không gian 3D tích hợp độ cao bề mặt, phục vụ hệ hỗ trợ ra quyết định (DSS) trong quy hoạch sử dụng đất, đánh giá biến động đất đai và mô phỏng không gian kiến trúc cảnh quan đô thị.

Kết quả và những đóng góp mới

Đóng góp mới về mặt khoa học và lý luận

  1. Phát triển thuật toán EM-D: Cải tiến thành công thuật toán Cực đại hóa kỳ vọng (EM) thông qua việc phân đoạn ĐMĐ theo chiều dọc, bổ sung tham số lập lịch $\beta$ để tăng tốc độ hội tụ và tránh cực tiểu cục bộ, đồng thời tích hợp mô hình pPCA nhằm tối ưu hóa việc ước lượng ma trận hiệp phương sai và giảm số chiều dữ liệu.
  2. Phát triển thuật toán MCC-D: Cải tiến thành công thuật toán Phân loại độ cong đa tỷ lệ (MCC) bằng việc đưa thuật toán EM-D vào mô hình RPM-GMM để chuẩn hóa phép nội suy TPS, loại bỏ sự phụ thuộc vào tham số chủ quan của người dùng và mở rộng khả năng phân loại chi tiết cho nhóm điểm non-ground.
  3. Mô hình hóa kết hợp: Đề xuất phương pháp kết hợp xử lý song song dữ liệu phản xạ (thông qua EM-D) và dữ liệu tán xạ (thông qua MCC-D), tối ưu hóa việc khai thác trọn vẹn tập dữ liệu quét LiDAR.

Đóng góp mới về mặt thực tiễn và ứng dụng

  1. Xây dựng quy trình tự động hóa: Cung cấp quy trình công nghệ phân loại tự động dữ liệu ĐMĐ LiDAR phù hợp với điều kiện địa hình và bề mặt phủ tại Việt Nam, giảm sự phụ thuộc vào các phần mềm thương mại đắt tiền và hạn chế sai sót do can thiệp thủ công.
  2. Ứng dụng thành lập mô hình địa hình số: Tạo lập thành công mô hình DEM và DSM độ phân giải 1m đạt độ chính xác cao tại các khu vực thử nghiệm (Uông Bí - Quảng Ninh và khu vực đô thị).
  3. Hỗ trợ quản lý quy hoạch đất đai: Đề xuất giải pháp tích hợp dữ liệu không gian 3D sau phân loại vào hệ hỗ trợ ra quyết định (DSS), cung cấp dữ liệu định lượng phục vụ giám sát biến động đô thị và quản lý sử dụng đất đai.

Hạn chế và hướng nghiên cứu tiếp

Hạn chế của nghiên cứu

  • Phạm vi thực nghiệm của luận án tập trung chủ yếu vào các bộ dữ liệu bay quét tại khu vực đô thị và khu vực Uông Bí (Quảng Ninh), chưa bao phủ toàn diện các dạng địa hình đặc thù khác như rừng nhiệt đới nguyên sinh có tán cây nhiều tầng dày đặc hoặc vùng bãi bồi cửa sông phức tạp.
  • Thuật toán tiền xử lý phụ thuộc vào bước lọc nhiễu k-NN ban đầu, đòi hỏi cấu hình tham số số láng giềng $k$ phù hợp với từng mật độ điểm bay quét.

Hướng nghiên cứu tiếp theo

  • Mở rộng kiểm thử và chuẩn hóa thuật toán EM-D và MCC-D trên các tập dữ liệu LiDAR đa dạng về quy mô không gian và độ phức tạp địa mạo (vùng núi cao, đới duyên hải, rừng ngập mặn).
  • Nghiên cứu tích hợp sâu hơn dữ liệu ĐMĐ LiDAR với ảnh siêu phổ (Hyperspectral) và dữ liệu ảnh chụp từ máy bay không người lái (UAV) để nâng cao khả năng phân loại chi tiết các loài thực vật và vật liệu xây dựng đô thị.
  • Tối ưu hóa hiệu năng tính toán của thuật toán để xử lý song song trên các kiến trúc phần cứng phân tán (GPU computing), hướng tới xử lý dữ liệu ĐMĐ LiDAR quy mô lớn theo thời gian thực.

Giá trị tham khảo

Luận án là tài liệu chuyên khảo có giá trị trong các lĩnh vực Hệ thống thông tin, Kỹ thuật Trắc địa - Bản đồ, Viễn thám và Khoa học Dữ liệu không gian:

  • Đối với nghiên cứu sinh, học viên cao học và giảng viên: Cung cấp cơ sở toán học chi tiết về thuật toán EM, mô hình hỗn hợp Gauss GMM, phân tích thành phần chính pPCA, phép nội suy màng mỏng TPS và kỹ thuật phân cụm ĐMĐ 3D.
  • Đối với các cơ quan quản lý và đơn vị sản xuất đo đạc bản đồ: Là tài liệu tham khảo kỹ thuật để xây dựng quy trình phân loại tự động dữ liệu bay quét LiDAR, tối ưu hóa quy trình sản xuất mô hình DEM/DSM thay thế các phương pháp bán tự động thủ công.
  • Đối với các chuyên gia quy hoạch đô thị và quản lý đất đai: Cung cấp phương pháp luận và cấu trúc dữ liệu để tích hợp thông tin độ cao 3D vào các hệ thống thông tin địa lý (GIS) và hệ hỗ trợ ra quyết định (DSS).

Câu hỏi thường gặp

1. Thuật toán EM cải tiến (EM-D) trong luận án đã giải quyết những điểm yếu nào của thuật toán EM truyền thống?

Thuật toán EM truyền thống có nhược điểm là hội tụ rất chậm trên các tập dữ liệu có kích thước lớn, dễ rơi vào cực trị cục bộ và rất nhạy cảm với các tham số khởi tạo ban đầu. Luận án đã giải quyết các vấn đề này bằng 3 kỹ thuật: (1) Chia nhỏ ĐMĐ theo chiều dọc để giảm sự mất cân đối về mật độ điểm; (2) Đưa tham số lập lịch $\beta$ ($0 \le \beta \le 1$) vào hàm tính xác suất để kiểm soát mức độ chồng lấp dữ liệu qua từng vòng lặp giúp thuật toán hội tụ nhanh và ổn định; (3) Sử dụng phân tích thành phần chính xác suất (pPCA) để ước lượng tham số ma trận hiệp phương sai $\Sigma_k$ và hệ số mixing $C_k$ một cách tự động.

2. Sự khác biệt giữa thuật toán MCC truyền thống và thuật toán MCC-D đề xuất trong luận án là gì?

Thuật toán MCC truyền thống phụ thuộc nhiều vào các tham số khởi tạo do người dùng tự đặt, tốc độ xử lý của phép nội suy màng mỏng TPS bị chậm khi số điểm kiểm soát lớn, và thuật toán chỉ giữ lại lớp ground để làm DEM rồi loại bỏ hoàn toàn lớp non-ground. Thuật toán MCC-D của luận án đã tích hợp thuật toán EM-D vào mô hình RPM-GMM để tự động hóa và nâng cao độ chính xác của phép nội suy TPS, đồng thời bổ sung quy trình phân loại chi tiết tập điểm non-ground thành các lớp chuyên biệt như nhà cửa và cây xanh thay vì loại bỏ chúng.

3. Quy trình loại bỏ nhiễu tiền xử lý dữ liệu ĐMĐ LiDAR được thực hiện như thế nào?

Luận án áp dụng phương pháp khử nhiễu trong miền không gian sử dụng thuật toán k-NN kết hợp ước lượng mật độ điểm $\mathcal{P}(x)$ và phân bố chuẩn độ cao. Khoảng cách Euclide từ mỗi điểm đến $k$ điểm láng giềng được tính toán. Ngưỡng phát hiện điểm nhiễu được xác định theo công thức $Z_{th} = 3 \times \mathcal{P}(x) \times Z_{std}$. Các điểm có độ cao $Z_k > Z_{th}$ (thường là các điểm phản xạ do bụi, hạt lơ lửng trong không khí hoặc sai số thiết bị) sẽ bị tự động nhận diện và loại bỏ khỏi tập dữ liệu trước khi phân loại.

4. Dữ liệu LiDAR sau phân loại được sử dụng để xây dựng các sản phẩm ứng dụng nào trong Chương 3?

Dữ liệu ĐMĐ sau khi phân loại bằng EM-D và MCC-D được sử dụng để: (1) Bóc tách các lớp phủ bề mặt khu vực đô thị (đất trống, đường giao thông, thảm thực vật, nhà ở); (2) Thành lập mô hình số độ cao DEM (độ phân giải 1m từ lớp ground) và mô hình số bề mặt DSM (độ phân giải 1m từ lớp non-ground); (3) Xây dựng mô hình 3D mô phỏng không gian khu vực đo vẽ; (4) Tạo lập cơ sở dữ liệu không gian đầu vào tích hợp cho hệ hỗ trợ ra quyết định (DSS) trong công tác quy hoạch và quản lý đất đai.

Kết luận

Luận án của nghiên cứu sinh Nguyễn Thị Hữu Phương đã giải quyết bài toán tự động hóa phân loại dữ liệu đám mây điểm LiDAR thông qua việc đề xuất và thực nghiệm thành công hai thuật toán cải tiến EM-D và MCC-D. Nghiên cứu đã kết hợp hiệu quả giữa cơ sở toán học xác suất (pPCA, GMM, EM) và hình học không gian (k-NN, TPS, Voronoi) để nâng cao độ chính xác phân loại cho cả dữ liệu phản xạ và tán xạ. Các kết quả thực nghiệm tại Việt Nam chứng minh tính khả thi của phương pháp trong việc thành lập mô hình DEM/DSM độ phân giải 1m, phân loại lớp phủ đô thị và cung cấp cơ sở dữ liệu cho hệ thống DSS phục vụ quy hoạch đất đai.