Tổng quan nghiên cứu

Quá trình đô thị hóa diễn ra với tốc độ nhanh chóng tại thủ đô Hà Nội đang đặt ra nhiều thách thức lớn đối với công tác quy hoạch không gian và quản lý tài nguyên môi trường. Tính đến năm 2019, Hà Nội có tổng diện tích tự nhiên khoảng 3.358,9 km2 với quy mô dân số vượt mức 8,6 triệu người, trở thành đô thị có mật độ dân số tập trung cao thứ hai tại Việt Nam. Theo các báo cáo thống kê đất đai, cơ cấu bề mặt của thành phố phân bổ với 56,6% diện tích đất nông nghiệp và 40,6% diện tích đất phi nông nghiệp. Đến năm 2017, tỷ lệ che phủ đô thị của Hà Nội đạt khoảng 33,851%, tương ứng 11.369 ha trên tổng diện tích 335.859 ha. Sự gia tăng liên tục của các bề mặt không thấm nước từ 8 khu công nghiệp tập trung hiện hữu, 5 khu công nghiệp mở rộng và 16 cụm công nghiệp mới đòi hỏi các nhà quản lý phải có công cụ giám sát biến động không gian chính xác, kịp thời.

Mục tiêu trọng tâm của nghiên cứu là xây dựng và hoàn thiện quy trình công nghệ tự động phân loại lớp phủ đô thị tại Hà Nội cho năm 2018 bằng việc khai thác nguồn dữ liệu ảnh viễn thám thế hệ mới từ vệ tinh Venus. Nghiên cứu tập trung giải quyết bài toán mây che phủ dày đặc tại vùng khí hậu nhiệt đới gió mùa thông qua kỹ thuật kết hợp ảnh tối ưu Best-Available-Pixel, đồng thời đánh giá hiệu năng của các thuật toán học máy tiên tiến như XGBoost, Support Vector Machine và Artificial Neural Network. Kết quả nghiên cứu mang lại ý nghĩa khoa học và thực tiễn sâu sắc khi nâng cao độ chính xác phân loại lớp phủ đô thị lên trên 99%, thiết lập chuỗi bản đồ lớp phủ đa thời gian độ phân giải cao 10m và cung cấp giải pháp công nghệ đáng tin cậy phục vụ quy hoạch đô thị bền vững.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Nghiên cứu được xây dựng trên nền tảng lý thuyết viễn thám quang học đa phổ và nguyên lý phản xạ phổ của các đối tượng mặt đất. Dữ liệu viễn thám ghi nhận năng lượng bức xạ điện từ phản xạ từ bề mặt Trái Đất trong dải bước sóng từ 415 nm đến 910 nm qua 12 kênh phổ chuyên dụng của vệ tinh Venus. Ba khái niệm khoa học cốt lõi được áp dụng xuyên suốt gồm: lớp phủ mặt đất (Land Cover), bề mặt không thấm nước (Impervious Surface) đại diện cho công trình nhân tạo đô thị, và độ phân giải không gian đa thời gian (Spatiotemporal Resolution).

Về mặt học máy, khung lý thuyết tích hợp các mô hình phân loại có giám sát hiện đại. Mô hình Máy vectơ hỗ trợ (SVM) hoạt động dựa trên nguyên lý tìm siêu mặt phẳng phân tách tối ưu trong không gian nhiều chiều thông qua các hàm nhân phi tuyến RBF. Mạng nơ-ron nhân tạo đa lớp (MLP/ANN) mô phỏng cấu trúc liên kết tế bào thần kinh sinh học với các hàm kích hoạt phi tuyến như ReLU, Sigmoid để nhận diện các đặc trưng phổ phức tạp. Đặc biệt, mô hình eXtreme Gradient Boosting (XGBoost) ứng dụng kỹ thuật tối ưu hóa hàm mục tiêu kết hợp kiểm soát độ phức tạp của cây quyết định, mang lại khả năng xử lý vượt trội trên các tập dữ liệu viễn thám có độ thưa và nhiễu phổ.

Phương pháp nghiên cứu

Nguồn dữ liệu thực nghiệm gồm 37 cảnh ảnh vệ tinh Venus mức độ xử lý L2A thu nhận từ Trung tâm Dữ liệu Đất Theia (Pháp) trong giai đoạn từ tháng 12/2017 đến tháng 8/2019, bao gồm 1 ảnh năm 2017, 22 ảnh năm 2018 và 14 ảnh năm 2019. Vệ tinh Venus sở hữu độ phân giải không gian 10m và chu kỳ lặp lại quỹ đạo 2 ngày, cung cấp nguồn dữ liệu chi tiết vượt trội.

Quy trình xử lý ảnh áp dụng phương pháp ghép ảnh điểm ảnh tốt nhất (Best-Available-Pixel - BAP) nhằm loại bỏ hoàn toàn ảnh hưởng của mây và bóng mây. Thuật toán sử dụng hàm phân phối Gaussian để tính điểm ngày trong năm (DOY Score) với cửa sổ lọc 30 ngày xung quanh 5 thời điểm mục tiêu trong năm 2018 (ngày thứ 15, 75, 135, 195 và 315), kết hợp hàm Sigmoid xác định khoảng cách an toàn tới mây trong bán kính 50 điểm ảnh và chỉ số độ mờ khí quyển (Opacity Score).

Cỡ mẫu nghiên cứu được thiết lập với tổng cộng 2.924 điểm mẫu không gian, thu thập qua phương pháp lấy mẫu ngẫu nhiên phân tầng không trùng lặp dựa trên dữ liệu chuẩn thực địa của Trung tâm FIMO và ảnh độ phân giải cao Google Earth. Tập mẫu được chia tách độc lập thành tập huấn luyện gồm 1.879 điểm (623 điểm đô thị, 1.256 điểm phi đô thị) và tập kiểm tra gồm 1.045 điểm (327 điểm đô thị, 718 điểm phi đô thị). Toàn bộ quy trình tính toán, trích xuất đặc trưng và huấn luyện mô hình được triển khai trên nền tảng điện toán đám mây Google Earth Engine phối hợp cùng phần mềm ArcGIS.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

Quá trình thực nghiệm đã mang lại 4 phát hiện khoa học quan trọng:

  • Phân loại trên ảnh Venus đơn lẻ chịu suy giảm chất lượng nghiêm trọng do mây bao phủ. Mô hình Mạng nơ-ron nhân tạo (ANN) khi chạy trên ảnh đơn chỉ đạt độ chính xác tổng thể khoảng 47,8%, cho thấy việc sử dụng ảnh quang học đơn lẻ trong điều kiện nhiệt đới là không khả thi.
  • Kỹ thuật tổ hợp ảnh BAP đã tổng hợp thành công 5 cảnh ảnh tổ hợp không mây đại diện cho 5 chu kỳ mùa vụ trong năm 2018. Chuỗi ảnh tổng hợp làm nổi bật rõ nét các ranh giới bề mặt không thấm nước của đô thị qua tổ hợp màu giả kênh 5-4-7 và 4-5-7.
  • Mô hình XGBoost trên ảnh Venus kết hợp đạt Độ chính xác tổng thể (Overall Accuracy) lên tới 99,2%, cải thiện hơn 51,4% so với kết quả phân loại trên ảnh đơn lẻ.
  • Tỷ lệ nhận diện lớp đô thị đạt chỉ số F1 vượt mức 0,98 với ma trận nhầm lẫn ghi nhận số điểm phân loại sai dưới 1% trên toàn bộ 1.045 điểm kiểm tra độc lập.

Thảo luận kết quả

Hiệu năng vượt trội của thuật toán XGBoost bắt nguồn từ cơ chế xây dựng các cây quyết định song song và thuật toán tối ưu Gradient Descent tích hợp hàm phạt độ phức tạp cây. Thuật toán này hạn chế tối đa hiện tượng quá khớp (overfitting) và xử lý xuất sắc các giá trị phổ ngoại lai phát sinh từ hiện tượng phản xạ hỗn hợp tại vùng ven đô. Khi so sánh với các nghiên cứu tiền nhiệm, độ chính xác 99,2% của luận văn vượt xa mức 86-88% của Xiaoping Zhang trên ảnh Landsat tại đảo Chu Sơn và mức 83,91% của Mẫn Đức Chức trên ảnh Landsat 8 giai đoạn 2014-2016. Sự vượt trội này khẳng định ưu thế kết hợp giữa độ phân giải 10m của Venus và kỹ thuật tổ hợp BAP đa tiêu chí.

Dữ liệu kết quả được trực quan hóa thông qua bảng ma trận nhầm lẫn (Confusion Matrix) đa chiều và biểu đồ phân bố phổ phản xạ của 12 kênh ảnh. Biểu đồ đường phổ phản xạ chỉ ra rằng bề mặt đô thị thể hiện giá trị phản xạ cao và ổn định tại các kênh hồng ngoại gần (kênh 8, 9, 10, 11), trong khi các vùng thực vật và mặt nước có sự biến thiên mạnh mẽ theo mùa, tạo cơ sở phổ học vững chắc cho việc tách lớp đô thị chính xác tuyệt đối.

Đề xuất và khuyến nghị

Nhằm chuyển giao và ứng dụng hiệu quả các kết quả nghiên cứu vào thực tiễn quản lý đô thị, 4 nhóm giải pháp chiến lược được đề xuất:

  • Tích hợp mô hình tự động hóa phân loại BAP - XGBoost vào Hệ thống Thông tin Địa lý (GIS) giám sát quy hoạch đô thị. Đơn vị thực hiện là Sở Tài nguyên và Môi trường Hà Nội phối hợp cùng Sở Xây dựng. Mục tiêu giảm 65% thời gian và chi phí lập bản đồ hiện trạng sử dụng đất định kỳ, hoàn thành tích hợp trong lộ trình 18 tháng (giai đoạn 2024-2025).
  • Mở rộng và chuẩn hóa cơ sở dữ liệu mẫu phổ thực địa với quy mô trên 10.000 điểm mẫu chuẩn hóa phân bố đều tại 30 quận, huyện, thị xã. Chủ thể thực hiện là các viện nghiên cứu chuyên ngành và trường đại học. Mục tiêu nâng cao độ tin cậy của thuật toán phân loại đa lớp (phân tách chi tiết đất ở, đất công nghiệp, giao thông) đạt ngưỡng trên 99,5% trong thời gian 12 tháng.
  • Xây dựng hệ thống giám sát đa nguồn kết hợp ảnh vệ tinh Venus (10m), Sentinel-2 (10m) và Landsat 8/9 (30m) trên nền tảng Google Earth Engine. Chủ thể chủ trì là Trung tâm Giám sát Tài nguyên Môi trường Không gian. Mục tiêu thiết lập chu kỳ cập nhật dữ liệu lớp phủ bề mặt đạt tần suất dưới 5 ngày/lần trong giai đoạn 2025-2026.
  • Ban hành quy chuẩn kỹ thuật số về ứng dụng dữ liệu viễn thám quang học phân giải cao trong kiểm tra, giám sát mật độ xây dựng và bề mặt không thấm nước tại 16 cụm công nghiệp mới. Chủ thể ban hành là UBND thành phố Hà Nội. Mục tiêu đảm bảo 100% các vi phạm trật tự xây dựng ngoài quy hoạch được phát hiện sớm trong vòng 24 tháng tới.

Đối tượng nên tham khảo luận văn

Công trình nghiên cứu mang lại giá trị học thuật và ứng dụng thiết thực cho 4 nhóm đối tượng trọng tâm:

  • Học viên cao học, nghiên cứu sinh và nhà khoa học chuyên ngành Hệ thống Thông tin, Viễn thám và GIS: Tiếp cận phương pháp luận xây dựng thuật toán BAP xử lý mây, cơ chế tính toán điểm DOY phân phối Gaussian và kỹ thuật tối ưu hóa siêu tham số mô hình học máy XGBoost trên dữ liệu ảnh vệ tinh đa phổ 12 kênh.
  • Chuyên viên quy hoạch đô thị và quản lý đất đai tại các cơ quan nhà nước: Khai thác giải pháp kỹ thuật để định lượng tốc độ mở rộng đô thị, phân tích sự chuyển dịch đất nông nghiệp sang đất xây dựng trên phạm vi diện tích hơn 3.300 km2.
  • Kỹ sư dữ liệu không gian và doanh nghiệp phát triển giải pháp công nghệ GIS: Tận dụng kiến trúc xử lý dữ liệu lớn trên nền tảng Google Earth Engine và mã nguồn phân loại tự động để xây dựng các sản phẩm thương mại giám sát tài nguyên môi trường.
  • Ban quản lý dự án đô thị và tổ chức bảo vệ môi trường: Ứng dụng chuỗi dữ liệu lớp phủ đô thị để phân tích tác động môi trường, đánh giá hiện tượng đảo nhiệt đô thị và xây dựng phương án tiêu thoát nước phòng chống ngập úng.

Câu hỏi thường gặp

Ảnh vệ tinh Venus có những điểm nổi bật nào so với các ảnh vệ tinh quang học phổ biến như Landsat 8 hay Sentinel-2?

Vệ tinh Venus sở hữu độ phân giải không gian cao 10m cùng chu kỳ lặp lại quỹ đạo chỉ 2 ngày, vượt trội so với chu kỳ 16 ngày của Landsat 8 (độ phân giải 30m) và 5-10 ngày của Sentinel-2. Ngoài ra, Venus cung cấp 12 kênh phổ hẹp chuyên biệt cho phép lọc sạch nhiễu khí quyển và nhận diện chính xác các bề mặt không thấm nước trong đô thị.

Tại sao mô hình phân loại trên ảnh Venus đơn lẻ chỉ đạt độ chính xác dưới 50%?

Khu vực Hà Nội nằm trong vùng khí hậu nhiệt đới gió mùa có độ ẩm cao và mây bao phủ quanh năm. Trên các cảnh ảnh đơn lẻ, mây và bóng mây che khuất các thông tin phổ phản xạ thực tế của bề mặt, khiến mô hình phân loại dễ nhầm lẫn giữa bóng mây với mặt nước hoặc giữa mây mỏng với công trình bê tông.

Phương pháp kết hợp ảnh Best-Available-Pixel (BAP) giải quyết bài toán mây che phủ như thế nào?

Thuật toán BAP đánh giá từng điểm ảnh trong tập ảnh ứng viên thông qua hệ thống điểm số tổng hợp: điểm ngày trong năm (DOY Score) theo phân phối Gaussian, điểm khoảng cách tới mây (Sigmoid Distance) trong bán kính 50 pixel và điểm độ mờ khí quyển (Opacity Score). Điểm ảnh có chất lượng quang phổ tối ưu nhất sẽ được chọn để thay thế các điểm ảnh bị mây che.

Vì sao thuật toán XGBoost lại đạt hiệu quả vượt trội hơn so với mạng nơ-ron nhân tạo trong nghiên cứu này?

XGBoost có cơ chế tự động xử lý các giá trị dữ liệu thưa và khuyết thiếu do ảnh hưởng của vi lượng mây sót lại. Đồng thời, mô hình tích hợp kỹ thuật điều chuẩn (regularization) nghiêm ngặt giúp kiểm soát độ phức tạp của các nhánh cây quyết định, ngăn ngừa tối đa hiện tượng học vẹt và mang lại độ chính xác tổng thể đạt 99,2%.

Quy trình phân loại lớp phủ trong luận văn có thể triển khai cho các tỉnh thành khác tại Việt Nam không?

Toàn bộ quy trình từ tiền xử lý, chạy thuật toán ghép ảnh BAP đến phân loại bằng XGBoost đều được tự động hóa trên nền tảng Google Earth Engine. Do đó, phương pháp này hoàn toàn có thể nhân rộng để lập bản đồ lớp phủ cho toàn bộ 63 tỉnh thành trên cả nước một cách linh hoạt, chỉ cần cập nhật bộ điểm mẫu kiểm chứng thực địa phù hợp.

Kết luận

  • Luận văn đã hoàn thiện trọn vẹn quy trình phân loại lớp phủ đô thị độ chính xác cao bằng việc làm chủ công nghệ xử lý ảnh vệ tinh thế hệ mới Venus với độ phân giải 10m và 12 dải quang phổ.
  • Đề xuất và ứng dụng thành công thuật toán tổ hợp điểm ảnh tối ưu BAP đa chỉ số, giải quyết triệt để rào cản mây che phủ tại vùng khí hậu nhiệt đới gió mùa.
  • Xây dựng bộ cơ sở dữ liệu mẫu không gian chuẩn hóa gồm 2.924 điểm dữ liệu phân tầng tại khu vực Hà Nội cho năm 2018.
  • Chứng minh tính ưu việt vượt trội của thuật toán học máy XGBoost với độ chính xác tổng thể đạt mức 99,2%, vượt xa các phương pháp phân loại truyền thống.
  • Cung cấp giải pháp kỹ thuật số hoàn chỉnh trên nền tảng Google Earth Engine, mở ra hướng ứng dụng mạnh mẽ cho công tác giám sát quy hoạch đô thị thông minh.

Đóng góp lớn nhất của công trình là thiết lập khung phương pháp luận kết hợp ảnh viễn thám phân giải cao với học máy hiện đại, mở đường cho việc xây dựng cơ sở dữ liệu không gian định kỳ phục vụ phát triển bền vững. Trong lộ trình 6 đến 12 tháng tới, hướng nghiên cứu tiếp theo sẽ tập trung mở rộng tích hợp đa nguồn cảm biến viễn thám quang học và radar SAR nhằm hoàn thiện hệ thống giám sát thời gian thực. Hãy khai thác ngay kết quả của luận văn để áp dụng vào các bài toán quy hoạch đô thị và quản lý tài nguyên địa phương.