Tổng quan nghiên cứu

Sản xuất lúa gạo đóng vai trò then chốt trong nền kinh tế nông nghiệp và an ninh lương thực của nhiều quốc gia châu Á, trong đó có Việt Nam. Theo báo cáo của ngành, mỗi người dân tại một số quốc gia như Việt Nam tiêu thụ trung bình từ 100-200 kg gạo mỗi năm, chiếm hơn 50% lượng protein cung cấp cho cơ thể. Tuy nhiên, diện tích đất nông nghiệp ngày càng thu hẹp do biến đổi khí hậu và phát triển kinh tế đa ngành, đặt ra thách thức lớn cho việc duy trì năng suất lúa gạo. Việc giám sát sinh trưởng cây lúa, đặc biệt là chỉ số chiều cao cây, được xem là phương pháp đơn giản nhưng hiệu quả để đánh giá sức khỏe và năng suất cây trồng.

Truyền thống, việc đo chiều cao cây lúa được thực hiện thủ công tại đồng ruộng, gây tốn kém về thời gian, nhân lực và chỉ đại diện cho một phần nhỏ diện tích. Do đó, nghiên cứu này nhằm mục tiêu phát triển một phương pháp tự động, chính xác và hiệu quả để tạo lập mô hình bề mặt cây trồng dựa trên dữ liệu thu nhận từ thiết bị quét LiDAR gắn trên thiết bị bay không người lái (UAV). Phạm vi nghiên cứu tập trung vào cánh đồng lúa tại tỉnh Niigata, Nhật Bản, trong vụ mùa từ tháng 5 đến tháng 9 năm 2019, với đối tượng là giống lúa Koshihikari được cấy công nghiệp.

Nghiên cứu đề xuất quy trình xử lý dữ liệu mây điểm từ máy quét Velodyne VLP-16 tích hợp trên UAV DJI MATRICE M600, áp dụng hai phương pháp ước tính chiều cao cây là Percentile và phân phối chuẩn. Kết quả mô hình bề mặt cây trồng được xây dựng giúp giám sát nhịp độ sinh trưởng cây lúa, góp phần nâng cao hiệu quả quản lý sản xuất nông nghiệp chính xác, giảm chi phí và tăng năng suất.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Nghiên cứu dựa trên các lý thuyết và mô hình sau:

  • Công nghệ LiDAR (Light Detection and Ranging): Là công nghệ viễn thám chủ động sử dụng tia laser để đo khoảng cách và tái tạo mô hình bề mặt vật thể trong không gian ba chiều với độ chính xác cao. LiDAR thu thập dữ liệu mây điểm bằng cách phát tia laser và ghi nhận tín hiệu phản xạ, kết hợp với hệ thống định vị GNSS và cảm biến IMU để xác định tọa độ chính xác.

  • Mô hình mây điểm (Point Cloud Model): Dữ liệu thu thập được dưới dạng tập hợp các điểm trong không gian 3D, mỗi điểm có tọa độ và cường độ phản xạ. Mây điểm được xử lý để xây dựng mô hình bề mặt cây trồng (Crop Surface Model - CSM).

  • Phương pháp phân tích Percentile: Sử dụng các bách phân vị trong thống kê để xác định vị trí tương đối của các điểm dữ liệu chiều cao, từ đó ước tính chiều cao cây mà không cần xác định độ cao mặt đất.

  • Phương pháp phân phối chuẩn (Normal Distribution): Áp dụng quy luật phân phối chuẩn để phân tích dữ liệu chiều cao, xác định các giá trị trung bình và độ lệch chuẩn nhằm ước tính chiều cao cây trồng.

Các khái niệm chính bao gồm: chiều cao cây lúa, dữ liệu mây điểm, hệ tọa độ máy quét và địa phương, đồng bộ dữ liệu GNSS-IMU, và mô hình bề mặt cây trồng.

Phương pháp nghiên cứu

  • Nguồn dữ liệu: Dữ liệu mây điểm được thu thập từ hệ thống máy quét laser Velodyne VLP-16 gắn trên UAV DJI MATRICE M600 tại cánh đồng lúa gần Đại học kỹ thuật Nagaoka, Nhật Bản, trong vụ mùa 2019. Dữ liệu định vị GNSS và hiệu chỉnh IMU được đồng bộ với dữ liệu quét laser.

  • Cỡ mẫu và chọn mẫu: Dữ liệu thu thập trong 5 lần bay với tổng thời gian bay khoảng 1045 giây, tạo ra hàng triệu điểm mây điểm. Khu vực khảo sát rộng khoảng 112 m², chia thành các ô lưới 1m x 1m để phân tích chi tiết.

  • Phương pháp phân tích:

    1. Trích xuất tọa độ mây điểm từ dữ liệu thô PCAP bằng phần mềm Veloview.
    2. Đồng bộ thời gian và chuyển đổi tọa độ từ hệ tọa độ máy quét sang hệ tọa độ địa phương thông qua các ma trận xoay và hiệu chỉnh độ lệch giữa các hệ tọa độ (máy quét, gimbal, IMU, GNSS).
    3. Lọc dữ liệu nhiễu dựa trên giới hạn chiều cao cây lúa (< 2m).
    4. Áp dụng hai phương pháp ước tính chiều cao cây: Percentile và phân phối chuẩn.
    5. Xây dựng mô hình bề mặt cây trồng dựa trên chiều cao ước tính trung bình trong từng ô lưới.

  • Timeline nghiên cứu: Thu thập dữ liệu từ tháng 6 đến tháng 7 năm 2019, xử lý và phân tích dữ liệu trong các tháng tiếp theo, hoàn thiện mô hình và báo cáo kết quả vào tháng 8 năm 2021.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

  1. Độ chính xác của dữ liệu mây điểm:
    Dữ liệu mây điểm sau khi chuyển đổi tọa độ và hiệu chỉnh có sai số so với tọa độ thực tế khoảng vài centimet, đủ để xây dựng mô hình bề mặt cây trồng chi tiết. Sai số RMSE trong phạm vi trường quét 20° của hệ thống là dưới 8 cm.

  2. Ước tính chiều cao cây bằng phương pháp Percentile:
    Phương pháp này cho hệ số quyết định R² > 0.85 khi so sánh với chiều cao đo trực tiếp, thể hiện độ tương quan cao. Sai số trung bình toàn phương (RMSE) dưới 8 cm, cho thấy khả năng ước tính chính xác chiều cao cây lúa.

  3. Ước tính chiều cao cây bằng phương pháp phân phối chuẩn:
    Phương pháp này có độ chính xác thấp hơn, với hệ số quyết định R² thấp hơn so với phương pháp Percentile, do phụ thuộc vào giả định phân phối chuẩn của dữ liệu chiều cao, không phù hợp với dữ liệu thực tế có nhiều điểm nhiễu và phân bố không đồng đều.

  4. Mô hình bề mặt cây trồng (CSM):
    Mô hình được xây dựng dựa trên chiều cao ước tính trung bình trong từng ô lưới 1m², thể hiện rõ sự phát triển sinh trưởng của cây lúa qua các thời điểm thu thập dữ liệu. So sánh mô hình giữa các thời điểm cho thấy sự tăng trưởng chiều cao cây lúa phù hợp với dữ liệu đo trực tiếp.

Thảo luận kết quả

Kết quả cho thấy việc sử dụng công nghệ LiDAR gắn trên UAV là phương pháp hiệu quả để thu thập dữ liệu mây điểm phục vụ cho việc giám sát sinh trưởng cây lúa. Phương pháp Percentile vượt trội hơn phương pháp phân phối chuẩn nhờ khả năng xử lý dữ liệu không cần xác định độ cao mặt đất, giảm thiểu sai số do mặt đất không đồng nhất hoặc bị che phủ.

So với các nghiên cứu trước đây sử dụng máy quét laser mặt đất (TLS) hoặc hệ thống cố định, việc gắn máy quét trên UAV giúp mở rộng phạm vi khảo sát, giảm chi phí nhân lực và thời gian thu thập dữ liệu. Dữ liệu mây điểm có thể được trình bày qua biểu đồ tần suất tích lũy chiều cao hoặc bảng so sánh sai số giữa các phương pháp ước tính và đo trực tiếp, giúp minh họa rõ ràng hiệu quả của phương pháp.

Tuy nhiên, sai số vẫn tồn tại do ảnh hưởng của các yếu tố như độ rung của UAV, điều kiện thời tiết, và mật độ cây trồng. Việc nắn chuyển độ cao giữa các kênh laser cũng là bước quan trọng để đảm bảo tính nhất quán dữ liệu. Nghiên cứu mở ra hướng phát triển ứng dụng công nghệ LiDAR trong nông nghiệp chính xác, hỗ trợ quản lý sản xuất và dự báo năng suất cây trồng.

Đề xuất và khuyến nghị

  1. Triển khai hệ thống UAV-LiDAR trong giám sát nông nghiệp:
    Khuyến nghị các cơ quan quản lý và doanh nghiệp nông nghiệp áp dụng hệ thống UAV gắn máy quét LiDAR để thu thập dữ liệu sinh trưởng cây trồng định kỳ, nhằm nâng cao độ chính xác và hiệu quả quản lý sản xuất. Thời gian thực hiện: trong vòng 1-2 năm tới.

  2. Phát triển phần mềm xử lý dữ liệu tự động:
    Đề xuất xây dựng phần mềm tích hợp quy trình đồng bộ, chuyển đổi tọa độ và ước tính chiều cao cây dựa trên phương pháp Percentile, giúp giảm thiểu thời gian xử lý và nhân lực. Chủ thể thực hiện: các viện nghiên cứu và công ty công nghệ GIS.

  3. Mở rộng nghiên cứu áp dụng cho các loại cây trồng khác:
    Khuyến khích nghiên cứu tiếp tục áp dụng phương pháp này cho các loại cây trồng khác như ngô, cà phê, cây ăn quả để đánh giá tính khả thi và hiệu quả. Thời gian thực hiện: 3-5 năm.

  4. Đào tạo và nâng cao năng lực cho cán bộ kỹ thuật:
    Tổ chức các khóa đào tạo về công nghệ UAV-LiDAR và xử lý dữ liệu mây điểm cho cán bộ kỹ thuật nông nghiệp, giúp nâng cao năng lực ứng dụng công nghệ mới. Chủ thể thực hiện: 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 Bản đồ, Viễn thám và GIS:
    Luận văn cung cấp kiến thức chuyên sâu về ứng dụng công nghệ LiDAR và xử lý dữ liệu mây điểm, hỗ trợ nghiên cứu và phát triển các đề tài liên quan.

  2. Chuyên gia và kỹ sư nông nghiệp chính xác:
    Cung cấp phương pháp và công cụ giám sát sinh trưởng cây trồng hiệu quả, giúp cải thiện quản lý sản xuất và dự báo năng suất.

  3. Doanh nghiệp công nghệ GIS và UAV:
    Tham khảo để phát triển sản phẩm, dịch vụ tích hợp công nghệ LiDAR trên UAV phục vụ thị trường nông nghiệp.

  4. Cơ quan quản lý nông nghiệp và phát triển nông thôn:
    Hỗ trợ xây dựng chính sách và kế hoạch ứng dụng công nghệ hiện đại trong giám sát và quản lý sản xuất nông nghiệp.

Câu hỏi thường gặp

  1. Công nghệ LiDAR là gì và tại sao lại phù hợp cho giám sát cây trồng?
    LiDAR là công nghệ đo khoảng cách bằng tia laser, cho phép thu thập dữ liệu bề mặt vật thể với độ chính xác cao và nhanh chóng. Nó phù hợp cho giám sát cây trồng vì có thể tạo ra mô hình 3D chi tiết, giúp đánh giá chiều cao và mật độ cây trồng hiệu quả.

  2. Phương pháp Percentile hoạt động như thế nào trong ước tính chiều cao cây?
    Phương pháp này sử dụng các bách phân vị trong dữ liệu mây điểm để xác định vị trí ngọn và gốc cây mà không cần biết độ cao mặt đất, từ đó tính chiều cao cây chính xác hơn trong điều kiện mặt đất không đồng nhất.

  3. Ước tính chiều cao cây bằng phương pháp phân phối chuẩn có nhược điểm gì?
    Phương pháp này giả định dữ liệu chiều cao tuân theo phân phối chuẩn, điều này không luôn đúng trong thực tế do dữ liệu có thể bị nhiễu hoặc phân bố không đồng đều, dẫn đến sai số lớn hơn so với phương pháp Percentile.

  4. Làm thế nào để đồng bộ dữ liệu giữa máy quét LiDAR và hệ thống định vị GNSS?
    Dữ liệu được đồng bộ bằng cách nội suy thời gian thu tín hiệu giữa hai hệ thống độc lập, sử dụng các giá trị thời gian ghi nhận và các góc xoay từ cảm biến IMU để chuyển đổi tọa độ chính xác.

  5. Ứng dụng thực tế của mô hình bề mặt cây trồng trong quản lý nông nghiệp là gì?
    Mô hình giúp giám sát sự phát triển cây trồng theo thời gian, phát hiện kịp thời các vấn đề sinh trưởng, hỗ trợ dự báo năng suất và tối ưu hóa các biện pháp canh tác, từ đó nâng cao hiệu quả sản xuất.

Kết luận

  • Nghiên cứu đã phát triển thành công quy trình tạo lập mô hình bề mặt cây trồng dựa trên dữ liệu mây điểm thu thập từ máy quét LiDAR gắn trên UAV DJI MATRICE M600.
  • Phương pháp ước tính chiều cao cây bằng Percentile cho kết quả chính xác cao với hệ số quyết định R² > 0.85 và sai số RMSE < 8 cm, vượt trội hơn phương pháp phân phối chuẩn.
  • Mô hình bề mặt cây trồng được xây dựng giúp giám sát sinh trưởng cây lúa hiệu quả trong phạm vi khảo sát 112 m² tại Nhật Bản.
  • Kết quả nghiên cứu mở ra hướng ứng dụng công nghệ LiDAR trong nông nghiệp chính xác, giảm chi phí và tăng năng suất.
  • Các bước tiếp theo bao gồm phát triển phần mềm xử lý tự động, mở rộng ứng dụng cho các loại cây trồng khác và đào tạo nhân lực chuyên môn.

Hành động khuyến nghị: Các tổ chức nghiên cứu và doanh nghiệp nên đầu tư phát triển và ứng dụng công nghệ UAV-LiDAR trong giám sát nông nghiệp để nâng cao hiệu quả quản lý và sản xuất.