Nghiên Cứu Mô Hình Bề Mặt Cây Trồng Bằng Dữ Liệu Lidar Từ Drone

Luận văn thạc sĩ nghiên cứu bản đổ viễn thám và hệ thống thông tin địa lý tạo lập mô hình bề mặt cây trồng từ dữ liệu thu nhận, khảo sát thực trạng, phân tích nguyên nhân, đề xuất

• Tác giả: Huỳnh Chí Hiếu
• Người hướng dẫn: TS. Phan Thị Anh Thư
• Trường học: Đại học Bách Khoa - ĐHQG - HCM
• Chuyên ngành: Bản Đồ, Viễn Thám Và Hệ Thống Thông Tin Địa Lý
• Đề tài: Mô Hình Bề Mặt Cây Trồng Từ Dữ Liệu Lidar Gắn Trên Drone
• Loại tài liệu: luận văn thạc sĩ
• Năm xuất bản: 2021
• Địa điểm: Thành phố Hồ Chí Minh

Mục lục chi tiết

• LỜI CẢM ƠN
• TÓM TẮT LUẬN VĂN
• LỜI CAM ĐOAN
• 1. CHƯƠNG 1: GIỚI THIỆU CHUNG
• 1.1. Đặt vấn đề
• 1.2. Mục tiêu và nội dung nghiên cứu
• 1.3. Phạm vi nghiên cứu
• 1.4. Nội dung luận văn
• 2. CHƯƠNG 2: TỔNG QUAN VỀ NGHIÊN CỨU
• 2.1. Tổng quan về tình hình nghiên cứu
• 2.2. Công nghệ đo LiDAR
• 2.3. Hệ thống quét Laser
• 2.4. Tổng quan về hệ thống thu thập dữ liệu
• 2.4.1. Thiết bị bay không người lái DJI M600
• 2.4.2. Máy quét laser Velodyne VPL-16
• 2.4.3. Dữ liệu vị trí và các giá trị hiệu chỉnh cân bằng
• 3. CHƯƠNG 3: DỮ LIỆU THỰC NGHIỆM
• 3.1. Khu vực thí nghiệm
• 3.2. Quá trình thu dữ liệu
• 3.3. Dữ liệu thu thập từ hệ thống
• 3.3.1. Dữ liệu mây điểm từ máy quét VLP-16
• 3.3.2. Dữ liệu định vị GNSS và các giá trị hiệu chỉnh cân bằng
• 3.4. Kết quả thu thập dữ liệu
• 3.5. Dữ liệu độ cao cây lúa được đo trực tiếp
• 4. CHƯƠNG 4: PHƯƠNG PHÁP THỰC HIỆN
• 4.1. Quy trình tổng quát
• 4.2. Tính toán tọa độ mây điểm
• 4.2.1. Tạo dữ liệu mây điểm từ tập tin PCAP trên hệ tọa độ máy quét
• 4.2.2. Chuyển tọa độ từ hệ tọa độ máy quét sang hệ tọa độ địa phương
• 4.2.3. Nắn chuyển độ cao cho các kênh dữ liệu của máy quét VLP-16
• 4.3. Phương pháp ước tính chiều cao cây trồng
• 4.3.1. Lọc dữ liệu theo độ cao
• 4.3.2. Phương pháp phân tích Percentile
• 4.3.3. Phương pháp ước tính tuân theo quy luật phân phối chuẩn
• 4.4. Xây dựng mô hình bề mặt cây trồng
• 5. CHƯƠNG 5: KẾT QUẢ NGHIÊN CỨU
• 5.1. Kết quả tính toán dữ liệu mây điểm từ dữ liệu thu được ban đầu
• 5.2. Kết quả ước tính chiều cao cây lúa theo hai phương pháp
• 5.2.1. Chiều cao được ước tính theo phương pháp Percentile
• 5.2.2. Chiều cao được ước tính theo phương pháp tuân theo quy luật phân phối chuẩn
• 5.3. Mô hình bề mặt cây trồng
• 6. CHƯƠNG 6: KẾT LUẬN VÀ KIẾN NGHỊ
• TÀI LIỆU THAM KHẢO
• LÝ LỊCH TRÍCH NGANG

Tóm tắt

I. Giới thiệu về mô hình bề mặt cây trồng

Mô hình bề mặt cây trồng (mô hình cây trồng) là một công cụ quan trọng trong nông nghiệp hiện đại. Nó cho phép nông dân và nhà nghiên cứu theo dõi sự phát triển của cây trồng một cách chính xác. Việc sử dụng dữ liệu Lidar từ drone nông nghiệp giúp tạo ra các mô hình 3D chi tiết về bề mặt cây trồng. Công nghệ này không chỉ giúp giảm thiểu sự can thiệp của con người mà còn nâng cao độ chính xác trong việc giám sát cây trồng. Theo nghiên cứu, việc áp dụng công nghệ Lidar trong nông nghiệp đã cho thấy hiệu quả rõ rệt trong việc ước tính chiều cao cây trồng và đánh giá năng suất. Điều này đặc biệt quan trọng trong bối cảnh sản xuất nông nghiệp hiện đại, nơi mà việc quản lý chính xác và hiệu quả là cần thiết để đảm bảo an ninh lương thực.

1.1. Tầm quan trọng của dữ liệu Lidar

Dữ liệu Lidar cung cấp thông tin chi tiết về bề mặt cây trồng, cho phép xác định chiều cao và mật độ cây một cách chính xác. Việc sử dụng công nghệ quét Lidar từ drone giúp thu thập dữ liệu nhanh chóng và hiệu quả. Nghiên cứu cho thấy rằng, việc sử dụng hình ảnh từ drone kết hợp với dữ liệu Lidar có thể tạo ra các mô hình bề mặt cây trồng chính xác hơn. Điều này không chỉ giúp nông dân theo dõi sự phát triển của cây mà còn hỗ trợ trong việc đưa ra các quyết định canh tác kịp thời. Sự kết hợp này cũng giúp tối ưu hóa quy trình sản xuất nông nghiệp, từ đó nâng cao năng suất và chất lượng sản phẩm.

II. Quy trình thu thập và xử lý dữ liệu

Quy trình thu thập dữ liệu từ drone nông nghiệp sử dụng máy quét Lidar Velodyne VLP-16 là một bước quan trọng trong việc xây dựng mô hình bề mặt cây trồng. Dữ liệu được thu thập thông qua các bước đồng bộ và chuyển đổi tọa độ. Sau khi thu thập, dữ liệu mây điểm sẽ được xử lý để ước tính chiều cao cây trồng. Nghiên cứu đã chỉ ra rằng, phương pháp Percentile cho kết quả ước tính chính xác hơn so với phương pháp phân phối chuẩn. Cụ thể, hệ số quyết định R2 > 0.85 và sai số RMSE < 8cm cho thấy độ chính xác cao của phương pháp này. Việc áp dụng quy trình này không chỉ giúp giảm thiểu thời gian thu thập dữ liệu mà còn nâng cao độ chính xác trong việc ước tính chiều cao cây trồng.

2.1. Phương pháp ước tính chiều cao cây trồng

Phương pháp ước tính chiều cao cây trồng dựa trên dữ liệu mây điểm được thu thập từ công nghệ Lidar. Hai phương pháp chính được áp dụng là Percentile và phân phối chuẩn. Phương pháp Percentile cho thấy sự tương quan cao với kết quả đo trực tiếp, cho phép ước tính chiều cao cây trồng mà không cần xác định độ cao mặt đất. Điều này giúp giảm thiểu sự can thiệp của con người trong quá trình thu thập dữ liệu. Kết quả cho thấy rằng, việc áp dụng các phương pháp này không chỉ nâng cao độ chính xác mà còn giúp nông dân có thể theo dõi sự phát triển của cây trồng một cách hiệu quả hơn.

III. Ứng dụng thực tiễn trong nông nghiệp

Việc áp dụng công nghệ Lidar trong nông nghiệp đã mở ra nhiều cơ hội mới cho việc giám sát và quản lý cây trồng. Các mô hình bề mặt cây trồng được xây dựng từ dữ liệu Lidar không chỉ giúp nông dân theo dõi sự phát triển của cây mà còn hỗ trợ trong việc đưa ra các quyết định canh tác kịp thời. Nghiên cứu cho thấy rằng, việc sử dụng drone trong nông nghiệp giúp tối ưu hóa quy trình sản xuất, từ đó nâng cao năng suất và chất lượng sản phẩm. Hệ thống thông tin địa lý (GIS) cũng có thể được tích hợp để phân tích dữ liệu một cách hiệu quả hơn, giúp nông dân có cái nhìn tổng quan về tình hình sản xuất của mình.

3.1. Tối ưu hóa sản xuất nông nghiệp

Việc sử dụng công nghệ bay không người lái kết hợp với công nghệ Lidar giúp nông dân tối ưu hóa quy trình sản xuất. Các mô hình bề mặt cây trồng cho phép nông dân theo dõi sự phát triển của cây một cách chính xác, từ đó đưa ra các biện pháp can thiệp kịp thời. Điều này không chỉ giúp nâng cao năng suất mà còn giảm thiểu chi phí sản xuất. Nghiên cứu đã chỉ ra rằng, việc áp dụng công nghệ này có thể giúp nông dân đạt được mục tiêu sản xuất bền vững và hiệu quả hơn trong bối cảnh biến đổi khí hậu và áp lực từ thị trường.

Nội dung chính

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.

Trích đoạn nội dung tài liệu

Đặt vấn đề. Nội dung của chương này sẽ trình bày về lý do lựa chọn đề tài, kết thúc chương sẽ trình bày về mục tiêu, nội dung và phạm vi nghiên cứu của đề tài • Chương 2: Tổng quan về nghiên cứu. Nội dung chương 2 sẽ trình bày tổng quan về các nghiên cứu trong và ngoài nước có liên quan, đồng thời đưa ra các cơ sở lý thuyết về công nghệ và hệ thống thu thập dữ liệu được sử dụng trong nghiên cứu. • Chương 3: Giới thiệu về dữ liệu thực nghiệm.

Chương 3 sẽ trình bày tổng quan về dữ liệu nghiên cứu như giới thiệu về khu vực thu dữ liệu, cách thức thu thập dữ liệu và kết quả dữ liệu thu được. 3 • Chương 4: Phương pháp thực hiện. Nội dung chính của chương 4 sẽ trình bày về cách thức đồng bộ hóa dữ liệu để tạo ra được dữ liệu mây điểm, bên cạnh đó 2 phương pháp ước tính chiều cao cây lúa và cách thức xây dựng mô hình bề mặt cây trồng cũng được giới thiệu trong chương này. • Chương 5: Kết quả nghiên cứu.

Chương 5 sẽ trình bày về các kết quả đạt được trong nghiên cứu cùng với các phân tích và bàn luận các kết quả này. • Chương 6: Kết luận và kiến nghị 4 CHƯƠNG 2 TỔNG QUAN VỀ NGHIÊN CỨU 2.1 Tổng quan về tình hình nghiên cứu Theo báo cáo của Viện nghiên cứu Lúa gạo Quốc tế (IRRI) công bố, cùng với lúa mì và ngô thì lúa gạo được xem là một trong những nguồn cung cấp lương thực chính cho dân số thế giới [1]. Gạo có thành phần giá trị dinh dưỡng cao khi so sánh với các loại ngũ cốc khác, ngoài ra gạo còn cung cấp thêm các vitamin và khoáng chất cần thiết khác cho cơ thể. Ở một số các quốc gia châu Á như Bangladesh, Việt Nam, Myanmar trung bình mỗi người dân tiêu thụ từ 100-200 kg gạo hằng năm, con số này chiếm đến hai phần ba lượng calories và đóng góp hơn 50% lượng protein cung cấp cho cơ thể hằng ngày.

Về mặt kinh tế, sản xuất lúa gạo được xem là một trong những nhân tố chủ đạo trong nền kinh tế nông nghiệp của nhiều quốc gia châu Á như Việt Nam, Thái Lan, Lào, … Bên cạnh việc đóng góp vào nền kinh tế, sản xuất lúa gạo còn giữ vai trò vô cùng quan trọng trong nhiệm vụ đảm bảo an ninh lương thực trong bối cảnh dân số ngày càng tăng cao. Trong tương lai, sản lượng lúa gạo bắt buộc phải giữ được mức độ tăng trưởng bằng hoặc cao hơn tốc độ gia tăng dân số. Tuy nhiên, do ảnh hưởng của biến đổi khí hậu cùng với việc mở rộng môi trường sống cũng như đặt sự quan tâm phát triển nhiều hơn cho các ngành kinh tế khác đã làm cho diện tích đất sản xuất lúa gạo ngày có xu hướng ngày càng giảm. Vì thế, để đảm bảo được tính ổn định trong hoạt động sản xuất lúa gạo thì việc áp dụng các công nghệ hiện đại vào sản xuất cần phải được quan tâm đầu tư nghiên cứu.

Theo các nghiên cứu [2–4] đã chỉ ra rằng các chỉ số về chiều cao cây, chỉ số sinh khối lúa, độ ẩm của đất, chỉ số về diện tích và màu sắc lá sẽ có mối liên hệ trực tiếp đến tình trạng phát triển của cây lúa. Giám sát được các chỉ số này sẽ tạo điều kiện cho người nông dân đưa ra các biện pháp phù hợp nhằm tác động vào quá trình sinh trưởng để đảm bảo được năng suất và chất lượng của lúa vào cuối mùa vụ. Trong các chỉ số nêu trên thì chỉ số về chiều cao cây được xem là một trong những nhân tố quan trọng, phản ánh được tình trạng phát triển của cây trồng [5], vì trong điều kiện bình 5 thường ở một giai đoạn nhất định, chiều cao cây sẽ đạt đến một giá trị nhất định, trong trường hợp nếu cây mắc bệnh hoặc đồng ruộng bị thiếu nước sẽ dẫn đến nhịp độ sinh trưởng của cây bị giảm làm cho chiều cao của cây cũng bị giảm theo [10]. Tại Việt Nam, công tác giám sát chiều cao cây lúa cũng đã được hướng dẫn trong tiêu chuẩn ngành 10 TCN 394-99 “Quy phạm khảo nghiệm trên đồng ruộng hiệu lực của các thuốc điều hòa sinh trưởng đối với cây lúa”.

Trong quy phạm này thì chiều cao cây lúa được giám sát bằng cách lấy mẫu trực tiếp trên đồng ruộng theo nguyên tắc 5 cây/điểm, 5 điểm cố định/ô; chiều cao được tính từ mặt đất đến chóp lá cao nhất (trước khi trỗ) và đến chóp bông cao nhất (sau khi trỗ). Bên cạnh đó, trong các nghiên cứu khác về việc đánh giá sinh trưởng và năng suất của các giống lúa [14 - 15] thì chiều cao cây cũng là một trong những yếu tố quan trọng để giám sát. Tuy nhiên, trong các nghiên cứu này, công tác đo đạc chiều cao cây lúa đều được thực hiện theo phương pháp thủ công, lấy mẫu trực tiếp trên đồng ruộng. Nhược điểm của phương pháp này là chiều cao cây lúa chỉ mang tính chất cục bộ tại vị trí lấy mẫu và chưa thể đại diện được cho toàn bộ ruộng lúa.

Bên cạnh đó, việc lấy mẫu đòi hỏi người thực hiện phải đến trực tiếp ruộng lúa để lấy mẫu, điều này gây tốn nhiều thời gian và nhân lực để thực hiện. Để giải quyết được các khuyết điểm này thì việc áp dụng các giải pháp công nghệ vào công tác lấy mẫu là điều cần thiết. Ngày nay, công nghệ viễn thám đã được ứng dụng rộng rãi trong sản xuất nông nghiệp vì khả năng tiết kiệm cả về thời gian lẫn nhân lực [13]. Đặc biệt đối trong công tác giám sát sự phát triển của cây lúa, tác giả Thuy Le Toan và các cộng sự để đề xuất phương pháp áp dụng công nghệ viễn thám RADAR từ các vệ tinh ERS-1 [14] để theo dõi sự thay đổi về chiều cao và sinh khối của cây lúa.

Với phương pháp này, quá trình sinh trưởng của cây lúa có thể được giám sát gián tiếp thông qua dữ liệu vệ tinh mà không cần phải ra trực tiếp cánh đồng để lấy mẫu, ngoài ra phương pháp này còn có thể áp dụng được cho một khu vực rộng lớn. Tuy nhiên, phương pháp này vẫn có nhược điểm là bị phụ thuộc vào thời gian thu tín hiệu của vệ tinh cũng như độ chính xác của phương pháp chỉ mang tính chất toàn cục cho khu vực rộng lớn và chưa thể sử dụng được cho các ứng dụng của kỹ thuật nông nghiệp chính xác. 6 Trong những thập kỹ gần đây, cùng với sự phát triển của viễn thám quang, viễn thám RADAR thì công nghệ viễn thám LiDAR cũng đang phát triễn rất mạnh mẽ và được ứng dụng trong nhiều lĩnh vực. Đặc biệt đối với lĩnh vực nông nghiệp, công nghệ quét laser đã được chứng minh khả năng có thể sử dụng cho các ứng dụng nông nghiệp chính xác nhằm thu thập một lượng lớn thông tin về mùa vụ trong khoảng thời gian tương đối ngắn [7–10].

Trong một nghiên cứu trước đây, Ehlert và các đồng nghiệp [15] đã đề xuất phương pháp giám sát chiều cao cây trồng trên một nền đất phẳng, máy quét laser sẽ được treo trên một bộ khung giá đỡ cách mặt đất một khoảng (hS), giá trị độ cao này sẽ được giữ cố định trong suốt quá trình thu dữ liệu. Độ cao của điểm phản xạ (hR) sẽ được tính bằng cách lấy giá trị độ cao của máy quét trừ đi tích giữa cự ly đo được với cosin của góc nghiêng tạo bởi tia quét và phương thẳng đứng của máy quét so với mặt đất (𝜑): ℎ! = ℎ" – 𝑙! cos(𝜑). Hình 2-1 Tính độ cao của điểm phản xạ từ phương pháp đề xuất của Ehlert [15] Ở một nghiên cứu khác, Kaizu và các cộng sự [16] đã đề xuất một phương pháp đơn giản để ước tính chiều cao của cây sử dụng máy quét laser mặt đất (TLS) được đặt trên chân ba bên ngoài cánh đồng ruộng, chiều cao của cây được tính bằng cách lấy giá trị độ cao của phần ngọn cây trừ đi độ cao của mặt đất, giá trị độ cao mặt đất được trích từ dữ liệu tại các vị trí có phần mặt đất không bị che phủ bởi cây. 7 Cũng thông qua việc thu thập dữ liệu bằng TLS, tác giả Hoffmeister và các cộng sự [17] đã đề xuất xây dựng mô hình bề mặt đại diện cho tầng trên của cây trồng (CSM).

Mô hình này được nội suy từ dữ liệu mây điểm. Trong phương pháp này, dữ liệu của bề mặt đất sẽ được ghi nhận trước khi mùa vụ bắt đầu, giá trị độ cao của cây sẽ được tính bằng độ lệch giữa CSM và độ cao tuyệt đối của mặt đất đã thu trước đó. Các phương pháp đề cập ở trên đã cho thấy khả năng có thể sử dụng TLS để ước tính độ cao cây trồng. Tuy nhiên vẫn còn một số hạn chế tồn tại trong các phương pháp này.

Thứ nhất, các phương pháp được đề cập đa số đều đặt vị trí máy quét ở bên ngoài đồng ruộng, điều này có nghĩa chiều cao thiết lập ban đầu của máy quét sẽ ảnh hưởng trực tiếp đến kết quả xử lý sau cùng. Nếu máy quét được đặt quá thấp thì khả năng cao các tia quét sẽ không đến được phần diện tích bên trong của ruộng lúa, gây thiếu hụt dữ liệu. Thứ hai, có một yêu cầu bắt buộc để xác định được độ cao của cây trồng là cần phải xác định được cao độ của mặt đất hoặc một bề mặt gần với mặt đất, tuy nhiên các bề mặt này không phải lúc nào cũng có thể xác định được, nhất là đối với các bề mặt ẩm ướt hoặc bị che phủ bởi mật độ cây trồng dày đặc. Thứ ba, chi phí hoạt động cho các hệ thống giám sát bằng TLS thường rất cao, điều này sẽ góp phần làm tăng giá thành sản phẩm khi đến với người tiêu dùng.

Vì thế, nghiên cứu và phát triển một hệ thống có thể khắc phục các hạn chế trên, đồng thời đảm bảo được chi phí đầu tư và vận hành ở mức có thể chấp nhận được là một nhu cầu cần thiết. Để giải quyết các yêu cầu trên, trong một báo cáo trước đây [18], nhóm nghiên cứu đã đề xuất một phương pháp ước tính chiều cao cây lúa mà không cần xác định giá trị độ cao của bề mặt đất, thông qua dữ liệu mây điểm được thu thập bằng máy quét laser HOKUYO UTM30LX. Đây là loại máy quét có kích thước nhỏ và nhẹ (xấp xỉ 0.37 kg) với footprint hình chữ nhật. Thiết bị này có phép thu thập dữ liệu chính xác với tốc độ cao trong khoảng cự ly 30m.