Nghiên Cứu Kỹ Thuật Phân Loại Dữ Liệu LiDAR Trong Luận Văn Thạc Sĩ

Luận văn thạc sĩ trình bày kỹ thuật phân loại dữ liệu LiDAR hiệu quả, ứng dụng trong xử lý và phân tích dữ liệu không gian chính xác.

• Tác giả: Nguyễn Thị Thanh Huyền
• Người hướng dẫn: PGS. TS Đặng Văn Đức
• Trường học: Đại học Quốc Gia Hà Nội
• Chuyên ngành: Công nghệ thông tin
• Đề tài: Kỹ Thuật Phân Loại Dữ Liệu LiDAR Hiệu Quả
• Loại tài liệu: luận văn thạc sĩ
• Năm xuất bản: 2019
• Địa điểm: Hà Nội

Mục lục chi tiết

• BẢN CAM ĐOAN
• LỜI CẢM ƠN
• MỞ ĐẦU
• 0.1. Những nội dung nghiên cứu chính
• 1. CHƯƠNG 1: GIỚI THIỆU VỀ CÔNG NGHỆ LIDAR VÀ CÁC ỨNG DỤNG
• 1.1. Tổng quan về công nghệ LiDAR
• 1.1.1. Cấu trúc hệ thống LiDAR
• 1.2. Đặc điểm cơ bản của công nghệ LiDAR
• 1.3. Khả năng ứng dụng của LiDAR
• 1.3.1. Khảo sát địa hình và lập bản đồ
• 1.3.2. Lâm nghiệp
• 1.3.3. Lập bản đồ ngập úng
• 1.3.4. Các ứng dụng cho đới duyên hải
• 1.3.5. Địa hình ven biển
• 1.3.6. Trượt lở
• 1.3.7. Các tuyến truyền tải
• 1.3.8. Lập bản đồ giao thông
• 1.3.9. Mạng điện thoại di động
• 1.3.10. Lập mô hình đô thị và mô phỏng đô thị
• 1.4. Bài toán phân loại dữ liệu LiDAR
• 1.4.1. Khái niệm
• 2. MỘT SỐ KỸ THUẬT PHÂN LOẠI DỮ LIỆU LIDAR
• 2.1. Nghiên cứu liên quan đến sử dụng thuật toán MCC (Multiscale Curvature Classification) và K-Means trong phân loại dữ liệu LiDAR
• 2.1.1. Thuật toán MCC (Multiscale Curvature Classification)
• 2.1.2. Thuật toán K-Means
• 2.2. Đánh giá kết quả phân loại LiDAR
• 2.2.1. Thuật toán MCC
• 2.2.2. Thuật toán K-Means
• 2.3. Kết chương
• 3. XÂY DỰNG ỨNG DỤNG THỰC NGHIỆM
• 3.1. Giới thiệu bài toán thử nghiệm
• 3.2. Lựa chọn thuật toán phân loại và dữ liệu thử nghiệm
• 3.3. Môi trường và các công cụ sử dụng để xây dựng chương trình
• 3.4. Phát triển chương trình
• 3.5. Đánh giá kết quả thu được
• 3.5.1. Phân loại với MCC
• 3.5.2. Phân loại đám mây điểm với K-means
• TÀI LIỆU THAM KHẢO

Tóm tắt

I. Giới thiệu về công nghệ LiDAR và các ứng dụng

Công nghệ LiDAR, viết tắt của Light Detection And Ranging, là một phương pháp viễn thám tiên tiến, sử dụng tia laser để khảo sát và thu thập dữ liệu không gian. Hệ thống LiDAR bao gồm ba thành phần chính: thiết bị laser, hệ thống định vị vệ tinh GNSS và hệ thống đạo hàng quán tính INS. Công nghệ này cho phép đo đạc độ cao và tạo ra các mô hình số địa hình (DEM) với độ chính xác cao. Đặc biệt, LiDAR có khả năng thu thập dữ liệu trong điều kiện ánh sáng yếu và có thể xuyên qua các vật cản như tán cây. Việc phân loại dữ liệu LiDAR là một bước quan trọng trong quá trình xử lý dữ liệu, nhằm tách biệt các lớp điểm khác nhau như điểm mặt đất và điểm không mặt đất. Điều này giúp xây dựng các mô hình địa hình chính xác và phục vụ cho nhiều ứng dụng khác nhau.

1.1 Tổng quan về công nghệ LiDAR

Công nghệ LiDAR đã phát triển mạnh mẽ từ những năm 60 của thế kỷ 20, với sự ra đời của laser. Hệ thống LiDAR hoạt động bằng cách phát xung laser xuống mặt đất và ghi nhận thời gian phản hồi của sóng laser. Dữ liệu thu được là một tập hợp các điểm 3D, cho phép xác định vị trí chính xác của các đối tượng địa lý. Đặc điểm nổi bật của LiDAR là khả năng thu thập dữ liệu nhanh chóng và chính xác, không phụ thuộc vào điều kiện ánh sáng. Điều này làm cho LiDAR trở thành công cụ lý tưởng cho các ứng dụng trong khảo sát địa hình, lâm nghiệp, và quy hoạch đô thị.

1.2 Khả năng ứng dụng của LiDAR

LiDAR có nhiều ứng dụng trong các lĩnh vực khác nhau như khảo sát địa hình, lâm nghiệp, lập bản đồ ngập úng, và quản lý tài nguyên thiên nhiên. Trong khảo sát địa hình, LiDAR cho phép tạo ra các mô hình số địa hình với độ chính xác cao, phục vụ cho việc lập bản đồ tỷ lệ lớn. Trong lâm nghiệp, công nghệ này giúp đánh giá điều kiện sống của cây cối và ước tính trữ lượng gỗ. Ngoài ra, LiDAR còn được sử dụng để theo dõi và dự báo các hiện tượng tự nhiên như lũ lụt và trượt lở, nhờ vào khả năng thu thập dữ liệu nhanh chóng và chính xác.

II. Kỹ thuật phân loại dữ liệu LiDAR

Phân loại dữ liệu LiDAR là quá trình tách biệt các điểm trong đám mây điểm thành các lớp khác nhau dựa trên các đặc tính riêng biệt. Việc phân loại này có thể được thực hiện bằng nhiều phương pháp khác nhau, trong đó có thuật toán MCC (Multiscale Curvature Classification) và K-Means. Thuật toán MCC sử dụng thông tin về độ cong của bề mặt để phân loại các điểm, trong khi K-Means phân loại dựa trên khoảng cách giữa các điểm. Cả hai phương pháp đều có ưu điểm và nhược điểm riêng, và việc lựa chọn phương pháp phù hợp phụ thuộc vào đặc điểm của dữ liệu và yêu cầu của bài toán.

2.1 Thuật toán MCC

Thuật toán MCC là một trong những phương pháp tiên tiến trong phân loại dữ liệu LiDAR. Phương pháp này dựa trên việc phân tích độ cong của bề mặt để xác định các lớp khác nhau trong đám mây điểm. MCC có khả năng phân loại chính xác các điểm mặt đất và không mặt đất, giúp tạo ra các mô hình địa hình chính xác. Tuy nhiên, thuật toán này yêu cầu một lượng lớn dữ liệu để đạt được độ chính xác cao, và có thể gặp khó khăn trong việc xử lý các khu vực có độ phức tạp cao.

2.2 Thuật toán K Means

K-Means là một thuật toán phân loại phổ biến, được sử dụng rộng rãi trong nhiều lĩnh vực, bao gồm cả phân loại dữ liệu LiDAR. Phương pháp này hoạt động bằng cách chia đám mây điểm thành k nhóm dựa trên khoảng cách giữa các điểm. K-Means có ưu điểm là đơn giản và dễ triển khai, tuy nhiên, nó cũng có nhược điểm là nhạy cảm với các điểm ngoại lệ và yêu cầu người dùng phải xác định số lượng nhóm k trước khi thực hiện phân loại. Việc lựa chọn số lượng nhóm phù hợp là một thách thức lớn trong quá trình phân loại.

III. Xây dựng ứng dụng thực nghiệm

Xây dựng ứng dụng thực nghiệm cho phân loại dữ liệu LiDAR là một bước quan trọng để kiểm tra và đánh giá hiệu quả của các thuật toán phân loại. Quá trình này bao gồm việc lựa chọn dữ liệu thử nghiệm, thiết lập môi trường làm việc, và phát triển chương trình phân loại. Các công cụ như LASTools và ArcGIS thường được sử dụng để xử lý và phân tích dữ liệu LiDAR. Đánh giá kết quả thu được từ các thuật toán phân loại sẽ giúp xác định độ chính xác và hiệu quả của từng phương pháp, từ đó đưa ra những cải tiến cần thiết.

3.1 Giới thiệu bài toán thử nghiệm

Bài toán thử nghiệm được thiết lập nhằm kiểm tra hiệu quả của các thuật toán phân loại dữ liệu LiDAR. Dữ liệu thử nghiệm được chọn từ các khu vực có đặc điểm địa hình đa dạng, bao gồm cả khu vực rừng và đô thị. Mục tiêu của bài toán là phân loại chính xác các điểm trong đám mây điểm thành các lớp khác nhau như điểm mặt đất, điểm thực phủ, và điểm không mặt đất. Việc thiết lập bài toán thử nghiệm sẽ giúp đánh giá khả năng của các thuật toán trong việc xử lý dữ liệu thực tế.

3.2 Đánh giá kết quả thu được

Đánh giá kết quả thu được từ các thuật toán phân loại là một phần quan trọng trong nghiên cứu. Các chỉ số như độ chính xác, độ nhạy, và độ đặc hiệu sẽ được sử dụng để đánh giá hiệu quả của từng phương pháp. Kết quả phân loại sẽ được so sánh với dữ liệu thực địa để xác định độ chính xác của các thuật toán. Việc đánh giá này không chỉ giúp cải thiện các thuật toán hiện tại mà còn cung cấp thông tin quý giá cho các nghiên cứu trong tương lai.

Nội dung chính

Tổng quan nghiên cứu

Công nghệ LiDAR (Light Detection And Ranging) đã trở thành một công cụ tiên tiến trong lĩnh vực khảo sát địa hình và thu thập dữ liệu không gian ba chiều với độ chính xác cao. Từ những năm 1960, LiDAR đã phát triển mạnh mẽ, đặc biệt trong việc tạo ra các mô hình số độ cao (DEM) và mô hình số bề mặt (DSM) phục vụ nhiều ngành như lâm nghiệp, quản lý đới duyên hải, quy hoạch đô thị và dự báo thiên tai. Tại Việt Nam, công nghệ này mới được áp dụng nhưng đã cho thấy tiềm năng lớn trong việc đo đạc nhanh chóng và chính xác các khu vực phức tạp.

Bài toán phân loại dữ liệu LiDAR là một bước quan trọng nhằm phân tách đám mây điểm thành các lớp như mặt đất, thực vật, công trình xây dựng, mặt nước và các điểm lỗi. Việc phân loại chính xác giúp nâng cao chất lượng mô hình DEM/DTM và ứng dụng trong các lĩnh vực chuyên sâu. Mục tiêu nghiên cứu của luận văn là đánh giá và thử nghiệm hai thuật toán phân loại phổ biến là MCC (Multiscale Curvature Classification) và K-Means trên bộ dữ liệu thực nghiệm tại khu vực Marlborough, New Zealand, với diện tích 404,72 km², mật độ điểm 2,69 điểm/m², thu thập trong giai đoạn 02-03/2014.

Nghiên cứu có ý nghĩa quan trọng trong việc mở rộng ứng dụng công nghệ LiDAR tại Việt Nam, góp phần nâng cao hiệu quả xử lý dữ liệu đám mây điểm, giảm thiểu thời gian và chi phí phân loại thủ công, đồng thời cung cấp cơ sở khoa học cho các ứng dụng thực tiễn trong quản lý tài nguyên và quy hoạch không gian.

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 trong phân loại dữ liệu LiDAR:

1. Thuật toán MCC (Multiscale Curvature Classification):
   MCC là thuật toán phân loại đám mây điểm LiDAR tự động, sử dụng phương pháp lặp đa tỉ lệ dựa trên phép nội suy Thin Plate Spline (TPS) để xác định bề mặt trung bình của mặt đất. Thuật toán phân loại điểm thành hai lớp: mặt đất (ground) và không mặt đất (non-ground) dựa trên ngưỡng độ cong của bề mặt. MCC có ưu điểm trong việc xử lý dữ liệu rừng phức tạp với độ chính xác cao, giảm thiểu sai số RMSE.

2. Thuật toán K-Means:
   K-Means là thuật toán phân cụm dựa trên khoảng cách, phân chia dữ liệu thành K cụm sao cho tổng bình phương khoảng cách giữa các điểm và tâm cụm là nhỏ nhất. Thuật toán này dễ hiểu, dễ cài đặt và phù hợp với việc phân loại đám mây điểm LiDAR thành nhiều lớp như đất trống, thực vật cao, thực vật thấp, mặt nước. Tuy nhiên, hiệu quả phụ thuộc vào việc lựa chọn số cụm K và có thể gặp khó khăn khi dữ liệu phức tạp.

Các khái niệm chính bao gồm: đám mây điểm LiDAR, mô hình số độ cao (DEM), mô hình số bề mặt (DSM), phân loại mặt đất và không mặt đất, sai số RMSE, và các thuộc tính dữ liệu LiDAR như cường độ phản xạ, tọa độ XYZ, số lượng xung phản hồi.

Phương pháp nghiên cứu

Nguồn dữ liệu sử dụng là bộ dữ liệu LiDAR thu thập tại quận Marlborough, New Zealand, diện tích 404,72 km², với mật độ điểm trung bình 2,69 điểm/m², thu thập trong tháng 2 và 3 năm 2014. Dữ liệu được lưu dưới định dạng chuẩn LAS 1.3, bao gồm các thuộc tính như cường độ, tọa độ, số lượng xung phản hồi, góc quét.

Phương pháp phân tích gồm:

• Xây dựng chương trình phân loại dữ liệu LiDAR trên nền tảng ngôn ngữ C# kết hợp công cụ LASTools, hỗ trợ xử lý và phân loại đám mây điểm.
• Áp dụng thuật toán MCC để phân loại điểm thành hai lớp mặt đất và không mặt đất, với tham số tỉ lệ s và ngưỡng độ cong t được lựa chọn dựa trên mật độ điểm.
• Tiếp tục phân loại lớp không mặt đất bằng thuật toán K-Means với số cụm K=2, sử dụng thuộc tính độ cao Z để phân cụm.
• Đánh giá kết quả phân loại dựa trên số lượng điểm được phân loại chính xác, tỷ lệ điểm lỗi và so sánh với các nghiên cứu trước.
• Timeline nghiên cứu kéo dài từ tháng 2 đến tháng 11 năm 2019, bao gồm thu thập dữ liệu, phát triển chương trình, thử nghiệm và đánh giá kết quả.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

1. Phân loại với thuật toán MCC:
   Qua 21 lần lặp trên 3 miền tỉ lệ, thuật toán MCC phân loại được 184.902 điểm mặt đất trong tổng số 369.750 điểm, đạt tỷ lệ phân loại mặt đất khoảng 50%. Tham số tỉ lệ s được tính là 0.4, 0.8 và 1.0, với ngưỡng độ cong t = 0.1. Kết quả cho thấy MCC có khả năng phân biệt rõ ràng giữa điểm mặt đất và không mặt đất với sai số RMSE thấp, phù hợp với khu vực có mật độ thực vật cao.

2. Phân loại với thuật toán K-Means:
   Thuật toán K-Means được áp dụng trên lớp không mặt đất (184.848 điểm) với số cụm K=2, sử dụng thuộc tính độ cao Z. Sau 8 lần lặp, trọng tâm cụm mới lần lượt là 17.69 và 20.6, phân loại được 184.811 điểm vào hai cụm. Tuy nhiên, tỷ lệ điểm lỗi chiếm khoảng 31% (153/485 điểm thử nghiệm), cho thấy K-Means có hạn chế trong việc xử lý dữ liệu phức tạp và phụ thuộc vào lựa chọn số cụm.

3. So sánh hiệu quả hai thuật toán:
   MCC tập trung phân loại thành hai lớp chính, phù hợp để tạo mô hình DTM/DEM với độ chính xác cao. K-Means linh hoạt hơn trong phân loại đa lớp nhưng có độ chính xác thấp hơn do phụ thuộc vào tham số K và phân bố dữ liệu. Kết hợp hai thuật toán có thể nâng cao độ chính xác tổng thể.

Thảo luận kết quả

Nguyên nhân MCC đạt hiệu quả cao là do sử dụng phương pháp lặp TPS và tiếp cận đa tỉ lệ giúp xác định bề mặt mặt đất chính xác trong môi trường rừng phức tạp. Kết quả này tương đồng với các nghiên cứu quốc tế, trong đó MCC được đánh giá cao về độ chính xác và khả năng tự động hóa.

Ngược lại, K-Means dễ bị ảnh hưởng bởi lựa chọn số cụm và phân bố dữ liệu, dẫn đến tỷ lệ điểm lỗi cao. Tuy nhiên, ưu điểm của K-Means là khả năng phân loại đa lớp, phù hợp với các ứng dụng cần phân tách chi tiết hơn các lớp thực vật, công trình và mặt nước.

Dữ liệu có thể được trình bày qua biểu đồ phân bố điểm sau phân loại, bảng thống kê số lượng điểm trong từng lớp và biểu đồ tiến trình lặp của thuật toán K-Means để minh họa sự hội tụ của trọng tâm cụm.

Kết quả nghiên cứu góp phần làm rõ ưu nhược điểm của từng thuật toán, từ đó đề xuất giải pháp kết hợp nhằm nâng cao hiệu quả phân loại dữ liệu LiDAR trong thực tế.

Đề xuất và khuyến nghị

1. Tối ưu tham số thuật toán MCC:
   Đề xuất điều chỉnh tham số tỉ lệ s và ngưỡng độ cong t dựa trên mật độ điểm và đặc điểm địa hình cụ thể để nâng cao độ chính xác phân loại mặt đất. Thời gian thực hiện trong 3-6 tháng, do các nhóm nghiên cứu chuyên sâu thực hiện.

2. Kết hợp thuật toán MCC và K-Means:
   Áp dụng MCC để phân loại điểm mặt đất và không mặt đất, sau đó sử dụng K-Means để phân loại chi tiết lớp không mặt đất thành các nhóm thực vật, công trình, mặt nước. Giải pháp này giúp tận dụng ưu điểm của cả hai thuật toán, cải thiện độ chính xác tổng thể. Thời gian triển khai 6-9 tháng, chủ thể là các viện nghiên cứu và doanh nghiệp công nghệ GIS.

3. Phát triển phần mềm tích hợp xử lý LiDAR:
   Xây dựng phần mềm chuyên dụng tích hợp các thuật toán phân loại, hỗ trợ giao diện trực quan, tự động hóa quy trình xử lý và đánh giá kết quả. Mục tiêu giảm thiểu thời gian xử lý và chi phí nhân công. Thời gian phát triển 12 tháng, do các công ty phần mềm GIS đảm nhiệm.

4. Đào tạo và nâng cao năng lực chuyên môn:
   Tổ chức các khóa đào tạo về công nghệ LiDAR và kỹ thuật phân loại dữ liệu cho cán bộ kỹ thuật, nhà nghiên cứu và sinh viên. Giúp nâng cao chất lượng nguồn nhân lực phục vụ ứng dụng công nghệ. Thời gian thực hiện liên tục, chủ thể là các trường đại học và trung tâm đào tạo chuyên ngành.

Đối tượng nên tham khảo luận văn

1. Nhà nghiên cứu và sinh viên ngành địa lý, viễn thám, GIS:
   Luận văn cung cấp kiến thức chuyên sâu về công nghệ LiDAR và kỹ thuật phân loại dữ liệu, hỗ trợ nghiên cứu và phát triển ứng dụng trong lĩnh vực địa không gian.

2. Chuyên gia và kỹ sư trong lĩnh vực khảo sát địa hình và quản lý tài nguyên:
   Các giải pháp phân loại dữ liệu LiDAR giúp nâng cao hiệu quả công tác đo đạc, lập bản đồ và quản lý tài nguyên thiên nhiên.

3. Doanh nghiệp công nghệ GIS và phát triển phần mềm:
   Thông tin về thuật toán MCC và K-Means cùng kinh nghiệm xây dựng chương trình thử nghiệm là cơ sở để phát triển các sản phẩm phần mềm xử lý dữ liệu LiDAR.

4. Cơ quan quản lý nhà nước về quy hoạch đô thị, môi trường và phòng chống thiên tai:
   Kết quả nghiên cứu hỗ trợ xây dựng các mô hình số độ cao chính xác, phục vụ quy hoạch, giám sát môi trường và dự báo thiên tai hiệu quả.

Câu hỏi thường gặp

1. Công nghệ LiDAR là gì và có ưu điểm gì so với phương pháp truyền thống?
   LiDAR là công nghệ đo đạc sử dụng tia laser để thu thập dữ liệu không gian ba chiều với độ chính xác cao (độ cao < 20cm). Ưu điểm gồm thu thập nhanh, tự động hóa cao, không phụ thuộc ánh sáng mặt trời, có thể xuyên qua tán cây và mặt nước, phù hợp với địa hình phức tạp.

2. Thuật toán MCC hoạt động như thế nào trong phân loại dữ liệu LiDAR?
   MCC sử dụng phương pháp lặp đa tỉ lệ dựa trên phép nội suy Thin Plate Spline để xác định bề mặt mặt đất, phân loại điểm dựa trên ngưỡng độ cong. Thuật toán tự động phân loại thành hai lớp mặt đất và không mặt đất với độ chính xác cao.

3. Khi nào nên sử dụng thuật toán K-Means cho phân loại dữ liệu LiDAR?
   K-Means phù hợp khi cần phân loại đa lớp như đất trống, thực vật, mặt nước. Thuật toán dễ cài đặt nhưng phụ thuộc vào việc chọn số cụm K và có thể gặp khó khăn với dữ liệu phức tạp hoặc phân bố không đồng đều.

4. Làm thế nào để đánh giá độ chính xác của phân loại dữ liệu LiDAR?
   Độ chính xác thường được đánh giá bằng sai số trung bình RMSE, tỷ lệ điểm được phân loại đúng trên tổng số điểm, và so sánh với dữ liệu kiểm định thực địa hoặc các thuật toán khác.

5. Ứng dụng thực tế của phân loại dữ liệu LiDAR trong quản lý tài nguyên và quy hoạch?
   Phân loại dữ liệu LiDAR giúp tạo mô hình số độ cao chính xác, phục vụ lập bản đồ địa hình, quản lý rừng, dự báo ngập lụt, quy hoạch đô thị, giám sát trượt lở và quản lý hạ tầng kỹ thuật như đường dây điện, mạng điện thoại di động.

Kết luận

• Luận văn đã nghiên cứu và thử nghiệm thành công hai thuật toán MCC và K-Means trong phân loại dữ liệu LiDAR trên bộ dữ liệu thực nghiệm diện tích 404,72 km² tại New Zealand.
• Thuật toán MCC cho kết quả phân loại mặt đất với độ chính xác cao, phù hợp với môi trường rừng phức tạp, trong khi K-Means hỗ trợ phân loại đa lớp nhưng có tỷ lệ điểm lỗi cao hơn.
• Kết hợp hai thuật toán có thể nâng cao hiệu quả phân loại, giảm thiểu sai số và tăng tính ứng dụng trong thực tế.
• Phát triển phần mềm tích hợp và đào tạo nguồn nhân lực là các bước tiếp theo cần thực hiện trong vòng 1-2 năm tới để ứng dụng rộng rãi công nghệ LiDAR tại Việt Nam.
• Khuyến khích các nhà nghiên cứu, doanh nghiệp và cơ quan quản lý tiếp cận và áp dụng kết quả nghiên cứu nhằm nâng cao chất lượng quản lý tài nguyên và quy hoạch không gian.

Hành động tiếp theo: triển khai thử nghiệm mở rộng tại các khu vực địa hình đa dạng, phát triển phần mềm xử lý dữ liệu LiDAR tích hợp thuật toán MCC và K-Means, đồng thời tổ chức các khóa đào tạo chuyên sâu về công nghệ LiDAR và phân loại dữ liệu.

Trích đoạn nội dung tài liệu

CHƯƠNG 1: GIỚI THIỆU VỀ CÔNG NGHỆ LIDAR VÀ CÁC ỨNG DỤNG 1.1 Tổng quan về công nghệ LiDAR 1.1 Cấu trúc hệ thống LiDAR LiDAR, Light Detection And Ranging, là thuật ngữ để chỉ một công nghệ viễn thám mới, chủ động, sử dụng các loại tia laser để khảo sát đối tượng từ xa. Dữ liệu thu được của hệ thống là tập hợp đám mây điểm phản xạ 3 chiều của tia laser từ đối tượng được khảo sát. Công nghệ này cũng mới được áp dụng tại Việt Nam, nó cho phép đo đạc độ cao chi tiết địa hình một cách chính xác và nhanh chóng. Hệ thống LiDAR bao gồm bộ đầu quyết (bộ cảm biến), hệ thống đo quán tính (IMU), hệ thống GPS, hệ thống quản lý bay, hệ thống camera số và hệ thống các thiết bị lưu trữ dữ liệu.

Bộ máy quét Laser (bộ cảm biến): Gồm hai bộ phận được gắn vào bên dưới máy bay; một bộ phận có vai trò phát xung laser hẹp đến bề mặt trái đất trong khi máy bay di chuyển với tốc độ nhất định. Một máy thu gắn trên máy bay sẽ thu nhận phản hồi của những xung này khi chúng đập vào bề mặt trái đất và quay trở lại thiết bị thu trên máy bay. Hầu hết các hệ thống LiDAR đều sử dụng gương quét để tạo ra một dải xung. Sóng Laser nằm trong dải sóng cận hồng ngoại để phục vụ công tác đo đạc địa hình, bề mặt trái đất, còn với laser dải sóng xanh lá cây phục vụ công tác đo sâu mặt nước.

Độ rộng của dải quét phụ thuộc vào góc dao động của gương, và mật độ điểm mặt đất phụ thuộc vào các yếu tố như tốc độ máy bay và tốc độ gương. Tốc độ dao động được xác định bằng cách tính toán tổng thời gian tia laser rời máy bay, đi đến mặt đất và trở lại bộ cảm biến. Hệ thống xác định quán tính IMU: Các giá trị góc xoay, góc nghiêng dọc, nghiêng ngang, hướng bay quét của hệ thống LiDAR được xác định chính xác bằng thiết bị đạo hàng, góc quay gương tức thời và các khoảng cách thu nhận và dữ liệu GPS được dùng để tính toán toạ độ ba chiều của các điểm LiDAR. 5 Hệ thống GPS: Dữ liệu LiDAR được kết hợp với các thông tin vị trí chính xác thu nhận từ thiết bị GPS và hệ thống thiết bị xác định các thông số định hướng góc xoay, góc nghiêng dọc, nghiêng ngang cùng đặt trên máy bay.

Các thông tin này được lưu trữ và xử lý, để xác định giá trị toạ độ (x,y,z) chính xác của mỗi điểm trên mặt đất. Hệ thống GPS gồm một máy thu đặt trên máy bay và một máy thu đặt tại mặt đất, quá trình xử lý dữ liệu này cho ra kết quả vị trí điểm có độ chính xác cao (+/- vài cm đến vài chục cm). Hệ thống quản lý bay: Cho phép lập kế hoạch, thiết kế tuyến bay và theo dõi quá trình bay quét LiDAR. 1: Tổng quan về hệ thống LiDAR 1.2 Đặc điểm cơ bản của công nghệ LiDAR Bản chất của công nghệ LiDAR là kỹ thuật đo dài laser, định vị không gian GPS/INS và sự nhận biết cường độ phản xạ ánh sáng [3].

Xung của laser được phát hướng xuống mặt đất trên một độ cao nào đó. Sóng laser được phản hồi từ mặt đất hay từ các bề mặt đối tượng như là cây, đường hoặc nhà ., với mỗi xung sẽ đo được thời gian đi và về của tín hiệu, tính được khoảng cách từ nguồn phát laser tới đối tượng. Ở mỗi thời điểm phát xung laser, hệ thống định vị vệ tinh GNSS sẽ xác định 6 vị trí không gian của điểm phát, và hệ thống đạo hàng quán tính sẽ xác định các góc định hướng trong không gian của tia quét. Với các trị đo tổng hợp đó tính được vị trí (tọa độ không gian) của các điểm trên bề mặt đất.

Công nghệ LiDAR có nhiều tính năng vượt trội so với các công nghệ đo đạc truyền thống, nó có những đặc điểm cơ bản như: - Độ chính xác xác định vị trí không gian của các đối tượng địa lý rất cao. Độ chính xác độ cao < 20cm, độ chính xác mặt phẳng < 25cm. - Thời gian thu thập và xử lý dữ liệu cực nhanh. Thời gian bay quét LiDAR với khoảng 1000km2 là khoảng 25-30 giờ, thời gian xử lý tạo DEM với 1000km2 là khoảng 10 ngày.

- Không giống như các phương pháp đo ảnh hay đo đạc ngoài trời khác, công nghệ LiDAR chủ yếu là tự động hóa, ít có sự can thiệp trực tiếp của con người. Thành quả dữ liệu rất khách quan, mức độ tin cậy cao. - Hệ thống LiDAR thu thập dữ liệu không phụ thuộc vào ánh sáng mặt trời, có thể thực hiện cả ngày và đêm, điều kiện thời tiết không đòi hỏi khắt khe. - Xung ánh sáng của hệ thống LiDAR có thể đi qua đối tượng vòm như tán cây, mặt nước, mái che kính, tấm ni lông mỏng … và phản xạ tới 4 lần.

Mỗi lần phản xạ là một mức truyền khác nhau và ghi nhận một giá trị tọa độ (XYZ) khác nhau. Đây là một tính năng đặc biệt mà công nghệ đo vẽ ảnh khác không thể thực hiện được. Với tính năng này việc thực hiện bay quét ở vùng rừng cây hoặc nơi có thực phủ không quá dày đặc vẫn có thể thi công và thể hiện được bề mặt đất. - Điểm phân giải điểm đo chi tiết cao, khi đầu phát đạt 150.000 xung trên 1 giây, độ cao bay 1000m thì mật độ khoảng 3 điểm trên 1m2.

Hiện nay có nhiều hệ thống LiDAR có đầu phát đạt 240.000 xung trên 1 giây. Công nghệ LiDAR với khả năng đo điểm trực tiếp ngoại nghiệp mật độ rất cao, độ chính xác lớn, tốc độ nhanh. - Điểm khống chế mặt đất rất ít, có thể chỉ 1 điểm cho mục đích cải chính DGPS. Công nghệ LiDAR đặc biệt lợi ích là công cụ lý tưởng khi nó được áp dụng 7 cho các vùng xa xăm, hẻo lánh khi mà con người rất khó tiếp cận trong triển khai đo đạc ngoại nghiệp.

- Công nghệ LiDAR ghi nhận được các giá trị mức phản xạ ánh sáng của các đối tượng trên mặt đất, dữ liệu này có thể được dùng để tạo ra ảnh cường độ xám, phân loại đối tượng, chiết xuất đối tượng trên mặt đất. Đây là một đặc tính có giá trị gia tăng của dữ liệu LiDAR. - Một số hệ thống LiDAR ngoài chức năng đo quét trên mặt đất, còn có thể thực hiện chức năng đo sâu (hiện nay có thể đo sâu đến 40m). - Tổ chức thi công đơn giản, gọn nhẹ hơn các phương pháp khác, số người cần tham gia rất ít (khoảng 10-15 người).

- Hiệu quả kinh tế rất cao khi ứng dụng công nghệ LiDAR cho mục đích thu thập dữ liệu không gian với yêu cầu thời gian ngắn, độ chính xác cao và mật độ dày đặc [3]. Khả năng ứng dụng của LiDAR Công nghệ LiDAR đã thể hiện nhiều ưu thế vượt trội hơn với các công nghệ khác trong việc đo đạc thành lập bản đồ, xây dựng cơ sở dữ liệu hay mô phỏng không gian ba chiều. Các nguồn dữ liệu thu nhận được có thể được ứng dụng trong nhiều lĩnh vực khác nhau như giáo dục, viễn thông, theo dõi đánh giá khai thác mỏ, quân sự, nghiên cứu lập bản đồ khu vực ngập lụt, dự báo thảm hoạ, bản đồ địa hình dải ven biển, quy hoạch đô thị, lập bản đồ đường dây tải điện,… a) Khảo sát địa hình và lập bản đồ: Kết quả đầu ra cơ bản là các mô hình số địa hình (DEM – Digital Elavation Model) và mô hình số bề mặt (DSM – Digital Surface Model) với độ phân giải và độ chính xác cao, LiDAR rất phù hợp để ứng dụng trong việc thành lập bản đồ tỷ lệ lớn, các ứng dụng liên quan đến phát triển hoặc quản lý duy trì hạ tầng cơ sở. 2: Ứng dụng LiDAR trong khảo sát địa hình và lập bản đồ b) Lâm nghiệp: Trong lĩnh vực lâm nghiệp, công nghệ LiDAR chủ yếu được sử dụng để đánh giá, thống kê, phân tích điều kiện sống hoang dã, tương quan của các yếu tố như tán, độ dày tán, dạng lá,… hay sản lượng gỗ rừng; ước tính sinh khối, trữ lượng gỗ và các tham số lâm nghiệp khác.

3: Ứng dụng LiDAR trong lâm nghiệp c) Lập bản đồ ngập úng: Dữ liệu LiDAR được sử dụng hiệu quả trong xây dựng các mô hình ngập úng, xác định ranh giới ngập úng, cung cấp thêm nhiều thông tin về các đối tượng/địa vật chịu ảnh hưởng; từ đó thành lập bản đồ nguy cơ ngập úng, vùng ưu tiên sơ tán. 4: Ứng dụng LiDAR trong lập bản đồ ngập úng d) Các ứng dụng cho đới duyên hải: Do dữ liệu LiDAR có độ chính xác cao cùng mật độ điểm dữ liệu dày đặc trong thời gian thu thập dữ liệu ngắn. Dữ liệu này rất phù hợp cho các ứng dụng để quản lý và dự báo xói mòn bờ biển; giúp đánh giá và dự báo bồi lắng, quan trắc cũng như lập dự báo ngập lụt ven biển… Hình 1. 5: Ứng dụng LiDAR cho đới duyên hải e) Địa hình ven biển: Công nghệ LiDAR có thể giúp lập bản đồ địa hình đáy biển độ sâu tới 70m, hữu ích trong các dự án xác định luồng lạch tàu vào, thiết kế quy hoạch cảng và các kênh giao thông thuỷ.

6:Ứng dụng LiDAR trong lập bản đồ địa hình ven biển f) Trượt lở: LiDAR có thể sử dụng để quan trắc và dự báo trượt lở, đặc biệt với ác sườn dốc, nhờ đặc điểm thu thập dữ liệu nhanh chóng với độ chính các cao và mật độ dữ liệu dày đặc. Công nghệ này cũng có thể được sử dụng để đánh giá nhanh thiệt hại và thiết lập bản đồ thể hiện tình trạng hậu trượt lở nhanh chóng chính xác. 7: Ứng dụng LiDAR trong quan trắc dự báo trượt lở g) Các tuyến truyền tải: LiDAR được áp dụng trong việc lập bản đồ các tuyến truyền tải trải dài, giúp thể hiện chính xác vị trí các tháp truyền tải hoặc cột điện, phân định địa hình của hành lang truyền tải và các loại đối tượng tồn tại trong hành lang (cây xanh…) giúp điều chỉnh, sửa chữa duy tu và thiết kế nâng cấp. 8: Ứng dụng LiDAR trong lập bản đồ tuyến truyền tải h) Lập bản đồ giao thông: Công nghệ LiDAR thường được sử dụng để: quan trắc, giám sát, duy tu bảo dưỡng và quản lý các đối tượng như đường sắt, đường bộ, hệ thống tín hiệu biển báo, các trạm dừng đỗ, nhà ga bến cảng, sự xuống cấp mặt đường, điểm tai nạn, mật độ giao thông, bùng binh,… mà không cần làm gián đoạn các dịch vụ liên quan.