Tổng quan luận án

Luận án tiến sĩ với đề tài "Nghiên cứu phát triển hệ suy diễn mờ phức không - thời gian và ứng dụng trong dự báo ngắn hạn chuỗi ảnh vệ tinh" được thực hiện bởi nghiên cứu sinh Lê Trường Giang, chuyên ngành Hệ thống thông tin (mã số đào tạo theo văn bản: 9.04), dưới sự hướng dẫn khoa học của PGS.TS Lê Hoàng Sơn và PGS.TS Nguyễn Long Giang tại Học viện Khoa học và Công nghệ thuộc Viện Hàn lâm Khoa học và Công nghệ Việt Nam vào năm 2023.

Về bối cảnh và tính cấp thiết, việc quan trắc và phát hiện những biến đổi trên bề mặt Trái đất xuất phát từ các hiện tượng tự nhiên (sạt lở, xói mòn, biến động thời tiết, khí hậu) cũng như các hoạt động nhân sinh (phá rừng, đô thị hóa) là bài toán thực tiễn quan trọng trong công tác quản lý tài nguyên và định hướng hoạt động sản xuất. Cùng với sự phát triển của công nghệ viễn thám, dữ liệu chuỗi ảnh vệ tinh (tiêu biểu như Landsat 7 ETM+, SPOT 5) cho phép theo dõi hiện trạng bề mặt theo nhiều kênh phổ và độ phân giải khác nhau. Luận án định vị bài toán dự báo ngắn hạn chuỗi ảnh vệ tinh là việc sử dụng một số lượng hữu hạn hình ảnh thu nhận ở thời điểm trước đó (từ 6 đến 10 ảnh liên tiếp) làm cơ sở tính toán để dự báo cho một số hữu hạn hình ảnh ở thời điểm kế tiếp $T(k+1)$, với dữ liệu phản ánh đồng thời hai chiều không gian và thời gian (hình ảnh của cùng một vị trí địa lý tại các thời điểm liên tục).

Khoảng trống nghiên cứu được tác giả xác định dựa trên việc phân tích các hướng tiếp cận hiện hữu đối với nhóm ảnh đồng nhất (ảnh trong cùng một không gian đặc trưng):

  • Các phương pháp học máy truyền thống thường cho kết quả khả quan với tập dữ liệu quy mô nhỏ nhưng hiệu quả suy giảm khi xử lý dữ liệu kích thước lớn hoặc dữ liệu bị thiếu thông tin.
  • Các phương pháp học sâu có khả năng đạt độ chính xác cao nhưng đòi hỏi khối lượng dữ liệu huấn luyện rất lớn và thời gian xử lý kéo dài, do đó không đáp ứng tốt yêu cầu về tốc độ tính toán của bài toán dự báo ngắn hạn.
  • Tiếp cận logic mờ kinh điển (như Mamdani, Sugeno) chỉ thao tác trên miền thực, không biểu diễn được tính chất chu kỳ và pha biến đổi theo thời gian.
  • Các hệ suy diễn mờ phức (Complex Fuzzy Inference System - CFIS) đã công bố có ưu thế trong việc biểu diễn biên độ và pha của sự kiện, tuy nhiên đa số các nghiên cứu trước đây chỉ tập trung vào phần thực mà bỏ qua pha, hoặc tiến hành tách riêng rẽ phần thực và phần pha trong quá trình tính toán. Việc phân tách độc lập này làm giảm đi bản chất liên kết không gian - thời gian trong miền phức của dữ liệu ảnh viễn thám.

Mục tiêu chung của luận án là nghiên cứu phát triển hệ suy diễn mờ phức không - thời gian và ứng dụng vào bài toán dự báo ngắn hạn chuỗi ảnh vệ tinh. Các mục tiêu cụ thể được đánh số theo văn bản bao gồm:

  • Mục tiêu 1: Đề xuất hệ suy diễn mờ phức không – thời gian ứng dụng trong dự báo ngắn hạn chuỗi ảnh vệ tinh.
  • Mục tiêu 2: Đề xuất phương pháp xác định đồng thời các tham số trong hệ suy diễn mờ phức không - thời gian.
  • Mục tiêu 3: Đề xuất phương pháp tối ưu luật trong hệ suy diễn mờ phức không - thời gian.

Đối tượng nghiên cứu của luận án là các hệ suy diễn theo hướng tiếp cận tập mờ phức, các phương pháp xác định đồng thời bộ tham số của hệ luật mờ phức và cách thức cải tiến, tối ưu hệ luật suy diễn.

Phạm vi nghiên cứu được xác định trên các phương diện:

  • Về mặt lý thuyết: Tập trung vào lý thuyết tập mờ phức, các phép toán và độ đo mờ phức, cấu trúc hệ suy diễn mờ phức, các phương pháp tối ưu tham số và giải thuật rút gọn luật.
  • Về mặt thực nghiệm: Nghiên cứu, thử nghiệm và đối sánh với các phương pháp dự báo ngắn hạn chuỗi ảnh viễn thám đã công bố gồm SeriesNet, DSFA, PFC-PFR và các biến thể của hệ suy diễn mờ phức.
  • Về mặt dữ liệu: Sử dụng nguồn ảnh viễn thám siêu phổ liên tục từ kho dữ liệu thời tiết của Hải quân Hoa Kỳ (tại ba vùng địa lý Hawaii, U.S. Pacific Coast, Gulf of Mexico, tần suất thu nhận 30 phút/ảnh, với hai kích thước 100x100 pixels và 500x500 pixels) và bộ dữ liệu vệ tinh PRISMA của Cơ quan Vũ trụ Italia (độ phân giải 20-30m đối với ảnh siêu phổ và 2,5-5m đối với ảnh toàn sắc, độ phủ 10 dải phổ).

Tổng quan tài liệu và vị trí của luận án

Tổng quan tài liệu trong luận án phân loại các nghiên cứu liên quan đến bài toán dự đoán biến đổi chuỗi ảnh viễn thám thành ba hướng tiếp cận kỹ thuật chính, cùng với các nghiên cứu về sinh luật và huấn luyện tham số:

  1. Hướng dự đoán dựa trên hệ suy diễn mờ và mờ phức:
  • Hệ suy diễn mờ Mamdani truyền thống được áp dụng rộng rãi trong các bài toán đánh giá rủi ro môi trường, y tế, phân tích ảnh và dự báo lỗi phần mềm. Tuy nhiên, hệ Mamdani thiếu cơ chế tự học và thích nghi bộ tham số.
  • Hệ suy diễn mờ noron thích nghi (ANFIS) kết hợp mạng noron nhân tạo (ANN) và hệ suy diễn mờ qua luật IF-THEN, được áp dụng trong giám sát thiết bị nhiệt, phân tích lưu lượng giao thông, lập bản đồ và xử lý nhiễu ảnh.
  • Nghiên cứu của Sơn và Thông đã đề xuất mô hình phân cụm mờ viễn cảnh kết hợp mô hình hồi quy không - thời gian (PFC-STAR) và phân cụm mờ viễn cảnh với luật mờ tam giác (PFC-PFR) để nâng cao độ chính xác dự đoán ảnh mây vệ tinh trong thời gian ngắn, song còn hạn chế về thời gian tính toán và chưa tích hợp các thông số khí tượng bổ trợ.
  • Nghiên cứu của Li Yan và cộng sự xây dựng phương pháp dự đoán biến đổi không giám sát dựa trên sai khác phổ, khắc phục nhược điểm bỏ qua điểm ảnh có biến động thấp của các phương pháp phân tích vector biến đổi và phát hiện thay đổi đa biến (MAD).
  • Về lý thuyết tập mờ phức, sau các công trình nền tảng của Ramot và cộng sự, Buckley, Zhang, nhóm tác giả Lan và cộng sự đã đề xuất hệ suy diễn mờ phức Mamdani (M-CFIS), hệ suy diễn mờ phức rút gọn luật dựa trên độ đo tương tự mờ phức (M-CFIS-R), và hệ suy diễn kết hợp đồ thị tri thức mờ (M-CFIS-FKG).
  1. Hướng dự đoán dựa trên các phương pháp học máy:
  • Xinyu Chen và cộng sự phát triển mô hình tenxơ bậc thấp tự động hồi quy hoàn chỉnh, chuyển đổi dữ liệu chuỗi thời gian đa chiều thành dữ liệu tenxơ bậc ba thông qua việc bổ sung một chiều dữ liệu tạm thời.
  • Seng kết hợp đường trung bình động có trọng số (WMA) và đường trung bình động hàm mũ (EMA) để tạo hệ số trọng số mới trong bài toán dự báo chuỗi.
  • Paulo và cộng sự ứng dụng mô hình toán học ARIMA theo phương pháp Box-Jenkins, đánh giá sai số qua chỉ số sai số tuyệt đối trung bình (MAPE).
  • Các phương pháp hồi quy dựa trên máy vector hỗ trợ (SVM), thuật toán k láng giềng gần nhất (KNN), cây mở rộng (Extra-Trees - ExT) kết hợp ma trận mức xám đồng thời (GLCM) và thuật toán rừng ngẫu nhiên để xác định vector đặc trưng tối ưu.
  1. Hướng dự đoán dựa trên các phương pháp học sâu:
  • Mạng noron tích chập (CNN) được sử dụng để tự động trích xuất các đặc trưng không gian của ảnh viễn thám.
  • Zhuo và cộng sự kết hợp mạng tích chập và bộ nhớ dài - ngắn hạn thông qua mô hình ConvLSTM để dự đoán biến đổi trên ảnh có độ phân giải cao.
  • Mạng noron hồi quy (RNN) và kiến trúc LSTM được áp dụng nhằm duy trì bộ nhớ về chuỗi thời gian, hạn chế hiện tượng triệt tiêu gradient.
  • Mạng noron sâu (DNN), mạng niềm tin sâu (DBN) và mạng tổng hợp hình ảnh giám sát sâu (DSIFN) khai thác lượng dữ liệu lớn nhưng tiêu tốn tài nguyên phần cứng và thời gian xử lý.
  1. Hướng nghiên cứu về sinh luật, tối ưu luật và huấn luyện tham số:
  • Các giải pháp sinh luật trực tiếp từ dữ liệu ảnh giúp tiết kiệm thời gian khởi tạo nhưng dẫn đến kích thước cơ sở luật quá lớn, phát sinh luật dư thừa hoặc mâu thuẫn. Các công trình trước đó đã sử dụng độ đo khoảng cách Euclid, khoảng cách Hamming và tích phân Choquet để đo lường độ tương tự và hỗ trợ giảm luật.
  • Về kỹ thuật huấn luyện: Chương và cộng sự đề xuất thuật toán học liên kết CoLAD (Co-learning Label Assignment Distillation) để huấn luyện đồng thời thông tin từ ảnh đầu vào và ảnh gán nhãn; Rodrigo và cộng sự phát triển mô hình Early Fusion (EF) và kiến trúc mạng Siamese trên ảnh viễn thám Copernicus Sentinel-2.

Vị trí của luận án: Luận án giải quyết khoảng trống trong việc kết hợp xử lý đồng bộ cả phần thực (biên độ) và phần pha (sự sai khác theo thời gian) của chuỗi ảnh viễn thám trên nền tảng hệ suy diễn mờ phức, xây dựng cơ chế học trực tuyến để xác định đồng thời nhiều bộ tham số và đề xuất giải thuật tối ưu hóa luật thích ứng nhằm giảm chi phí tính toán cho bài toán dự báo ngắn hạn.

Cơ sở lý thuyết và phương pháp nghiên cứu

Luận án xây dựng trên nền tảng toán học của tập mờ phức và các hệ suy diễn mờ, kết hợp với các kỹ thuật tối ưu hóa tham số và phương pháp phân tích thống kê thực nghiệm.

Cơ sở lý thuyết

  1. Tập mờ và tập mờ phức:
  • Tập mờ kinh điển (Zadeh, 1965) được định nghĩa trên không gian nền $X$, trong đó hàm thuộc $\mu_A(x)$ ánh xạ mỗi phần tử $x \in X$ vào đoạn thực $[0, 1]$.
  • Tập mờ phức (Complex Fuzzy Set - CFS) được Ramot và cộng sự đề xuất năm 2002. Hàm thuộc của tập mờ phức nhận giá trị là một số phức nằm trong hình tròn đơn vị trên mặt phẳng phức: $$\mu_S(x) = r_S(x) e^{j \omega_S(x)}$$ Trong đó, thành phần biên độ thực $r_S(x) \in [0, 1]$ biểu diễn mức độ thuộc của phần tử; thành phần pha $\omega_S(x) \in (0, 2\pi]$ biểu diễn thông tin mở rộng liên quan đến tính chu kỳ, thông tin thời gian hoặc ngữ cảnh biến đổi. Khi $\omega_S(x) = 0$, tập mờ phức trở về tập mờ truyền thống.
  1. Các phép toán đại số trên tập mờ phức: Cho hai tập mờ phức $A$ và $B$ với các hàm thuộc lần lượt là $\mu_A(x) = r_A(x)e^{j\omega_A(x)}$ và $\mu_B(x) = r_B(x)e^{j\omega_B(x)}$:
  • Phép bù: $\overline{A} = {(x, r_{\overline{A}}(x)e^{j\omega_{\overline{A}}(x)}) \mid x \in U}$ với $r_{\overline{A}}(x) = 1 - r_A(x)$ và $\omega_{\overline{A}}(x) = 2\pi - \omega_A(x)$.
  • Phép hợp: $A \cup B = {(x, r_{A \cup B}(x)e^{j\omega_{A \cup B}(x)}) \mid x \in U}$, trong đó $r_{A \cup B}(x) = \max(r_A(x), r_B(x))$.
  • Phép giao: $A \cap B = {(x, r_{A \cap B}(x)e^{j\omega_{A \cap B}(x)}) \mid x \in U}$, trong đó $r_{A \cap B}(x) = \min(r_A(x), r_B(x))$ hoặc sử dụng phép nhân đại số (toán tử T-chuẩn).
  • Các toán tử tính toán thành phần pha bao gồm:
    • Phép cộng (Sum): $\omega_{A \cup B} = \omega_A + \omega_B$
    • Người chiến thắng nhận tất cả (Winner Take All): $\omega_{A \cup B} = \omega_A$ nếu $r_A > r_B$ và ngược lại.
    • Trung bình trọng số (Weighted Average): $\omega_{A \cup B} = \frac{r_A \omega_A + r_B \omega_B}{r_A + r_B}$
    • Trung bình cộng (Average): $\omega_{A \cup B} = \frac{\omega_A + \omega_B}{2}$
  1. Các độ đo tương tự mờ phức (Lan và cộng sự):
  • Độ đo Cosine (CFCS): $$C_{CFS} = \frac{1}{n} \sum_{k=1}^n \frac{a_1 a_2 + b_1 b_2}{\sqrt{a_1^2 + b_1^2} \sqrt{a_2^2 + b_2^2}}$$
  • Độ đo Dice (CFDSM): $$D_{CFS} = \frac{1}{n} \sum_{k=1}^n \frac{2 \sqrt{a_1 b_1 a_2 b_2}}{a_1 b_1 + a_2 b_2}$$
  • Độ đo Jaccard (CFJSM): $$J_{CFS} = \frac{1}{n} \sum_{k=1}^n \frac{\sqrt{a_1 b_1 a_2 b_2}}{a_1 b_1 + a_2 b_2 - \sqrt{a_1 b_1 a_2 b_2}}$$ Trong đó $a_1, a_2$ lần lượt là phần thực và $b_1, b_2$ là phần ảo của các giá trị thuộc mờ phức tương ứng.
  1. Cấu trúc hệ suy diễn mờ phức Mamdani (M-CFIS): Bao gồm 6 bước thực hiện: xác định tập luật mờ phức dạng IF-THEN; mờ hóa phức dữ liệu đầu vào; tính toán độ mạnh luật dựa trên toán tử T-chuẩn cho phần biên độ và hàm kết hợp pha; suy diễn kéo theo Mamdani; tổng hợp phân phối đầu ra của các luật; giải mờ phức để đưa ra giá trị đầu ra rõ.

Phương pháp nghiên cứu thực nghiệm

Luận án triển khai quy trình định lượng thông qua thực nghiệm mô phỏng thuật toán trên máy tính:

  • Tiền xử lý dữ liệu: Chuỗi ảnh viễn thám đầu vào được chuyển đổi từ ảnh màu sang ảnh xám, chuẩn hóa miền giá trị pixel về khoảng $[0, 1]$.
  • Xây dựng phần thực và phần pha: Phần thực là ma trận cường độ điểm ảnh tại thời điểm $t$; phần pha được tính toán dựa trên mức độ sai khác điểm ảnh giữa hai thời điểm liên tiếp (phần pha HoD).
  • Kỹ thuật phân cụm: Áp dụng thuật toán phân cụm mờ Fuzzy C-Means (FCM) đồng thời cho cả ma trận biên độ thực và ma trận góc pha.
  • Huấn luyện và tối ưu tham số: Sử dụng thuật toán tối ưu hóa thích nghi ADAM (Adaptive Moment Estimation) và thuật toán phát triển mở rộng FWADAM+ (kết hợp giải thuật Frank-Wolfe và Adam học trực tuyến).
  • Môi trường phần mềm và phần cứng: Toàn bộ thuật toán được lập trình bằng ngôn ngữ Python, chạy trên hệ thống máy chủ ảo hóa VXRAIL S470 gồm 3 node vật lý (mỗi node trang bị bộ xử lý Intel Xeon E5-2660 v4 14 lõi 2.0 GHz, 384 GB RAM và 1 TB bộ nhớ lưu trữ).
  • Độ đo đánh giá sai số và kiểm định thống kê:
    • Độ đo sai số căn bậc hai trung bình phương sai (RMSE): $$RMSE(X_{db}, X^{(t+1)}) = \sqrt{\frac{1}{n} \sum_{i=1}^n (X_{db}^i - X_i^{(t+1)})^2}$$
    • Hệ số xác định $R^2$: $$R^2 = 1 - \frac{RSS}{TSS}$$ (với $RSS$ là tổng bình phương phần dư và $TSS$ là tổng độ lệch bình phương của toàn bộ mẫu).
    • Phân tích thống kê: Sử dụng kiểm định phân tích phương sai hai nhân tố (Two-way ANOVA) và kiểm định t-Test để kiểm chứng ý nghĩa thống kê ($p$-value, giá trị kiểm định $F$) của sự khác biệt giữa các phương pháp.

Nội dung chính theo từng chương

Mở đầu

Phần mở đầu thiết lập khung nghiên cứu tổng thể của đề tài: giới thiệu bối cảnh biến đổi bề mặt Trái đất qua ảnh viễn thám; phân tích các hạn chế của hệ suy diễn mờ truyền thống và các mô hình học sâu trong bài toán dự báo ngắn hạn; công bố mục tiêu tổng quát và 3 mục tiêu cụ thể; xác định đối tượng nghiên cứu (hệ suy diễn mờ phức, phương pháp xác định tham số đồng thời, phương pháp tối ưu luật); giới hạn phạm vi nghiên cứu lý thuyết và nguồn dữ liệu thực nghiệm; tóm tắt 3 đóng góp chính và trình bày cấu trúc bố cục luận án gồm phần mở đầu, 4 chương nội dung và phần kết luận.

Chương 1. Tổng quan nghiên cứu và cơ sở lý thuyết

Chương 1 hệ thống hóa toàn diện các tài liệu học thuật và cơ sở toán học cần thiết cho toàn bộ luận án:

  • Tổng quan các hướng nghiên cứu hiện tại về dự đoán biến đổi ảnh viễn thám theo ba nhóm: suy diễn mờ (Mamdani, ANFIS, M-CFIS, PFC-STAR, PFC-PFR), học máy (mô hình tự hồi quy tenxơ của Xinyu Chen, đường trung bình động WMA-EMA của Seng, ARIMA của Paulo, SVM/KNN/ExT kết hợp GLCM), và học sâu (CNN, ConvLSTM của Zhuo, RNN, LSTM, DNN).
  • Tổng quan về kỹ thuật sinh luật trực tiếp từ ảnh, các cơ chế rút gọn luật dựa trên độ đo mờ (Euclid, Hamming, Choquet), và các phương pháp huấn luyện tham số (học liên kết CoLAD của Chương, mô hình Early Fusion và Siamese của Rodrigo).
  • Trình bày định nghĩa hình học và giải tích của tập mờ kinh điển Zadeh, tập mờ phức Ramot, hệ suy diễn mờ FIS (Mamdani, Sugeno, Tsukamoto) và hệ suy diễn mờ phức CFIS/M-CFIS.
  • Trình bày tường minh các công thức giải tích cho phép bù, phép hợp, phép giao trên tập mờ phức cùng các toán tử kết hợp pha (Sum, Winner Take All, Weighted Average, Average), và ba độ đo tương tự mờ phức (CFCS, CFDSM, CFJSM).
  • Giới thiệu quy trình 7 bước của công nghệ viễn thám (từ nguồn chiếu xạ năng lượng đến giai đoạn ứng dụng thông tin), đặc tính kỹ thuật của các dòng vệ tinh Landsat 7 ETM+, SPOT 5, Quickbird.
  • Công bố thông số hai tập dữ liệu thực nghiệm (ảnh Landsat từ Hải quân Hoa Kỳ và ảnh PRISMA), cấu hình hệ thống máy chủ tính toán VXRAIL S470, cùng công thức toán học của độ đo sai số RMSE, hệ số tương quan $R^2$ và phương pháp phân tích phương sai ANOVA hai chiều.

Chương 2. Hệ suy diễn mờ phức không - thời gian

Chương 2 giải quyết Mục tiêu 1 của luận án bằng việc thiết kế và đánh giá mô hình suy diễn mờ phức không - thời gian đề xuất mang tên Spatial CFIS:

  • Cấu trúc mô hình Spatial CFIS: Khắc phục nhược điểm xử lý tách rời phần thực và phần pha trong các nghiên cứu mờ phức trước đây bằng quy trình xử lý tích hợp:
    • Dữ liệu chuỗi ảnh đầu vào được tiền xử lý chuyển sang ảnh xám và chuẩn hóa.
    • Trích xuất đồng thời ma trận phần thực (cường độ sáng pixel) và ma trận phần pha (thể hiện mức độ sai khác không - thời gian giữa hai ảnh liên tiếp).
    • Sử dụng thuật toán phân cụm mờ FCM để phân cụm đồng thời cả hai thành phần phần thực và phần pha.
    • Thiết lập các không gian luật mờ phức không - thời gian dạng tam giác từ kết quả phân cụm (được minh họa chi tiết qua mô hình không gian luật tam giác của Luật 1 và Luật 2).
    • Huấn luyện bộ tham số cho hàm giải mờ bằng thuật toán tối ưu hóa ADAM để tìm ra các tham số cực tiểu hóa sai số.
    • Giải mờ các luật mờ phức không gian dạng tam giác bằng các tham số đã huấn luyện; sau đó các kết quả dự đoán của phần thực và phần pha tiếp tục được đưa vào thuật toán ADAM để xác định hệ số phụ thuộc tối ưu, phục vụ việc tổng hợp ra ảnh dự báo cuối cùng.
  • Phân tích độ phức tạp tính toán và ví dụ minh họa bằng số liệu cụ thể của từng bước mờ hóa và nội suy điểm ảnh.
  • Kết quả thực nghiệm và đối sánh:
    • Thử nghiệm trên tập dữ liệu ảnh kích thước 100x100 pixels và 500x500 pixels từ bộ dữ liệu Hải quân Hoa Kỳ và bộ dữ liệu PRISMA.
    • Thống kê kết quả qua các Bảng 2.1 đến Bảng 2.6 cho thấy mô hình Spatial CFIS đạt chỉ số RMSE thấp hơn và hệ số $R^2$ cao hơn so với các thuật toán mờ phức đối sánh.
    • Phân tích thống kê ANOVA (Bảng 2.7, 2.8, 2.9, 2.10) và kiểm định t-Test (Bảng 2.11, 2.12) xác nhận sự cải thiện về sai số RMSE và độ tương quan $R^2$ có ý nghĩa thống kê ở mức tin cậy cao trên cả ảnh 100x100 pixels và ảnh vệ tinh PRISMA.

Chương 3. Phương pháp xác định đồng thời các tham số trong hệ suy diễn mờ phức không - thời gian

Chương 3 giải quyết Mục tiêu 2 của luận án bằng việc mở rộng mô hình Spatial CFIS nhằm nâng cao độ chính xác và giảm thiểu thời gian học tham số:

  • Mô hình đề xuất Co-Spatial CFIS+: Mở rộng cấu trúc của Spatial CFIS bằng việc bổ sung thêm bốn bộ tham số trong quy trình suy diễn nhằm kiểm soát linh hoạt mức độ đóng góp của biên độ và pha tại từng lát cắt không gian.
  • Đề xuất thuật toán FWADAM+: Phát triển thuật toán học trực tuyến kết hợp giữa giải thuật Frank-Wolfe và thuật toán tối ưu Adam để xác định đồng thời các bộ tham số của mô hình thay vì huấn luyện cục bộ hoặc tuần tự từng tham số độc lập.
  • Trình bày lưu đồ thuật toán, sơ đồ khối kiến trúc chi tiết, chứng minh độ phức tạp tính toán và ví dụ minh họa các bước nội suy một điểm ảnh trong không gian luật thứ nhất và thứ hai (Hình 3.1 đến 3.7).
  • Thực nghiệm kiểm chứng:
    • Sử dụng dữ liệu chuỗi ảnh đầu vào $X_1, X_2$, các pixel đại diện và tính toán các chỉ số thống kê $\kappa_1, \kappa_2$ (Bảng 3.2 đến 3.7).
    • Đối sánh kết quả với ba phương pháp đại diện: SeriesNet, DSFA và PFC-PFR trên 03 bộ dữ liệu.
    • Kết quả Bảng 3.8, 3.9, 3.10 thể hiện mô hình Co-Spatial CFIS+ đạt giá trị sai số RMSE trung bình thấp nhất, hệ số $R^2$ cao nhất và thời gian xử lý tính toán nhanh hơn rõ rệt so với các mô hình đối sánh qua các ảnh dự báo thứ nhất, thứ hai và thứ ba (Hình 3.8 đến 3.13).
    • Phân tích ANOVA hai chiều (Bảng 3.11, 3.12) và tính toán sai số tiêu chuẩn xác nhận tính ổn định và tính vượt trội của phương pháp đề xuất trên cả hai chỉ số RMSE và $R^2$.

Chương 4. Phương pháp tối ưu hệ luật suy diễn mờ phức không - thời gian

Chương 4 hoàn thành Mục tiêu 3 của luận án bằng giải pháp tối ưu hóa cơ sở luật thích ứng mang tên Spatial CFIS++:

  • Mô hình Spatial CFIS++: Thiết kế cơ chế tối ưu hóa và cập nhật hệ luật mờ phức không - thời gian dựa trên việc kết hợp trực tiếp thông tin từ ảnh mới thu nhận trong tập kiểm tra với hệ luật đã được huấn luyện trước đó từ Spatial CFIS.
  • Thuật toán thích ứng và rút gọn luật:
    • Sinh cơ sở luật trực tiếp từ ảnh mới thu nhận $I_1$ dựa trên phân tích biểu đồ Histogram để xác định các vùng tập trung giá trị điểm ảnh (Hình 4.7, 4.8) và thiết lập các miền không gian luật tương ứng.
    • Tính toán độ lệch pha HoD giữa ảnh mới thu nhận $I_1$ và ảnh liền trước $I_0$.
    • Áp dụng các độ đo tương tự mờ phức để so sánh định lượng giữa hệ luật cũ (sinh từ tập huấn luyện) và hệ luật mới (lập trực tiếp từ ảnh mới).
    • Xây dựng cơ chế quyết định thêm luật mới, loại bỏ luật dư thừa/xung đột hoặc tiến hành gộp hai luật lân cận $p$ và $q$ tạo thành một không gian luật mới tinh gọn trong không gian nghiệm (Hình 4.1 đến 4.6).
  • Kết quả thực nghiệm và đánh giá:
    • Đo đạc số lượng luật sinh ra và số lượng luật sau khi rút gọn trên ba bộ dữ liệu (Bảng 4.10 và Bảng 4.11). Kết quả ghi nhận số lượng luật của phương pháp Spatial CFIS++ giảm đáng kể so với việc duy trì cơ sở luật ban đầu.
    • So sánh hiệu năng với SeriesNet, DSFA, PFC-PFR và Co-Spatial CFIS+ về RMSE, $R^2$ và thời gian tính toán (Bảng 4.9, Hình 4.11 đến 4.16).
    • Kết quả phân tích ANOVA (Bảng 4.12, 4.13, 4.14) khẳng định việc rút gọn luật không làm suy giảm độ chính xác dự báo (RMSE và $R^2$ duy trì ổn định ở mức tối ưu) trong khi thời gian thực thi được rút ngắn có ý nghĩa thống kê rõ rệt.

Kết luận và hướng phát triển

Chương tổng kết hệ thống hóa toàn bộ các kết quả lý thuyết và thực nghiệm đã đạt được; nêu rõ các giới hạn còn tồn tại về phạm vi dữ liệu và đề xuất các hướng mở rộng nghiên cứu trong tương lai.

Kết quả và những đóng góp mới

Luận án đã đạt được các đóng góp khoa học mới về mặt lý luận và thực tiễn giải thuật theo đúng tuyên bố của tác giả:

Nhóm đóng góp Tên mô hình / Thuật toán Nội dung đóng góp khoa học chính
Đóng góp 1 (Chương 2) Spatial CFIS - Thiết lập mô hình suy diễn mờ phức không - thời gian xử lý đồng bộ dữ liệu phần thực (biên độ) và phần pha (sai khác điểm ảnh theo thời gian).
- Tích hợp thuật toán FCM phân cụm đồng thời phần thực và phần pha để sinh hệ luật mờ phức không gian dạng tam giác.
- Huấn luyện tham số giải mờ và hệ số phụ thuộc thông qua thuật toán ADAM.
Đóng góp 2 (Chương 3) Co-Spatial CFIS+ & FWADAM+ - Mở rộng cấu trúc mô hình bằng việc bổ sung bốn bộ tham số không - thời gian.
- Đề xuất thuật toán FWADAM+ (kết hợp Frank-Wolfe và Adam học trực tuyến), cho phép xác định đồng thời toàn bộ các tham số trong mô hình, cải thiện tốc độ hội tụ và giảm sai số dự báo.
Đóng góp 3 (Chương 4) Spatial CFIS++ - Xây dựng mô hình hệ suy diễn mờ phức thích ứng dựa trên việc sinh luật trực tiếp từ ảnh mới thu nhận qua biểu đồ Histogram.
- Ứng dụng các độ đo mờ phức để so sánh hệ luật cũ và mới, thiết lập cơ chế thêm, bớt và gộp luật trong không gian nghiệm.
- Giảm thiểu số lượng luật dư thừa, rút ngắn thời gian xử lý của hệ thống.

So sánh tính mới so với các nghiên cứu tiền nhiệm:

  • So với các nghiên cứu của Lan và cộng sự về hệ suy diễn mờ phức Mamdani (M-CFIS): Luận án đóng góp cấu trúc hệ suy diễn mờ phức không - thời gian hoàn chỉnh (Spatial CFIS) và cơ chế học đồng thời tham số, loại bỏ hạn chế phân tách độc lập giữa phần thực và pha.
  • So với các hệ suy diễn mờ kinh điển (Mamdani, Takagi-Sugeno, Tsukamoto): Luận án cung cấp năng lực biểu diễn và xử lý đồng thời các thuộc tính không gian và tính chu kỳ thời gian vốn không tồn tại trong logic mờ truyền thống.
  • So với các mô hình học máy và học sâu: Các giải pháp đề xuất đạt độ chính xác tương đương hoặc cao hơn trên chuỗi dữ liệu ngắn hạn, chỉ yêu cầu số lượng mẫu huấn luyện nhỏ (từ 6 đến 10 ảnh) và giảm đáng kể thời gian tính toán.

Về mặt ứng dụng và kiến nghị giải pháp: Luận án kiến nghị triển khai quy trình dự báo chuỗi ảnh viễn thám ngắn hạn vào các bài toán giám sát thực địa phục vụ cảnh báo thiên tai, theo dõi sạt lở bề mặt, biến động mây khí tượng và hỗ trợ công tác quy hoạch tài nguyên thiên nhiên.

Hạn chế và hướng nghiên cứu tiếp

Dựa trên các phân tích và phạm vi nghiên cứu được văn bản luận án trình bày, các hạn chế kỹ thuật và định hướng mở rộng bao gồm:

Hạn chế của luận án:

  • Phạm vi thực nghiệm của luận án chủ yếu tập trung trên nhóm bài toán dự đoán biến đổi của ảnh đồng nhất (cùng không gian đặc trưng); chưa đánh giá toàn diện trên các tập dữ liệu ảnh không đồng nhất có sự khác biệt lớn về cảm biến hoặc góc chụp.
  • Mô hình mới chỉ tập trung khai thác thông tin không gian và chuỗi thời gian nội tại từ các kênh phổ của ảnh viễn thám; chưa tích hợp thêm các yếu tố ngoại sinh ảnh hưởng trực tiếp đến kết quả quan trắc bề mặt như nhiệt độ môi trường, độ ẩm không khí và vận tốc gió (như tác giả đã phân tích khi nhận xét về hạn chế của các phương pháp tiền nhiệm PFC-STAR và PFC-PFR).
  • Kỹ thuật tính toán ma trận mờ phức trên các không gian ảnh kích thước lớn vẫn đòi hỏi tài nguyên tính toán chuyên dụng (như máy chủ ảo hóa nhiều node vật lý).

Hướng nghiên cứu tiếp theo:

  • Mở rộng mô hình suy diễn mờ phức không - thời gian để xử lý bài toán phát hiện biến đổi trên chuỗi ảnh viễn thám không đồng nhất và ảnh đa phương thức (kết hợp quang học và radar khẩu độ tổng hợp - SAR).
  • Nghiên cứu kết hợp các tham số khí tượng ngoại sinh vào hệ thống luật suy diễn mờ phức nhằm nâng cao độ chính xác dự báo trong các điều kiện thời tiết cực đoan.
  • Tiếp tục tối ưu hóa thuật toán học tham số trực tuyến để có thể cài đặt thử nghiệm trên các hệ thống tính toán nhúng hoặc thiết bị viễn thám tại biên.

Giá trị tham khảo

Luận án mang lại giá trị tham khảo học thuật và ứng dụng thực tiễn cho nhiều nhóm đối tượng:

  1. Đối với nghiên cứu sinh và học viên cao học chuyên ngành Hệ thống thông tin, Khoa học máy tính, Kỹ thuật dữ liệu:
  • Luận án là tài liệu tham khảo chi tiết về cách mở rộng lý thuyết tập mờ từ miền thực sang miền phức (CFS, CFL).
  • Phần trình bày các phép toán đại số phức (bù, hợp, giao, các toán tử kết hợp pha) và ba độ đo tương tự mờ phức (Cosine, Dice, Jaccard) tại Chương 1 cung cấp cơ sở toán học tường minh cho các nghiên cứu mô hình hóa bất định.
  1. Đối với giảng viên và nhà nghiên cứu trong lĩnh vực trí tuệ nhân tạo và xử lý ảnh viễn thám:
  • Cung cấp giải pháp thay thế cho các mạng học sâu trong các bài toán dự báo ngắn hạn đòi hỏi tính toán nhanh với lượng dữ liệu đầu vào hạn chế.
  • Quy trình phân cụm đồng thời phần thực và pha bằng FCM kết hợp sinh luật tam giác trong Chương 2 là một thiết kế thuật toán hữu ích cho các bài toán xử lý chuỗi dữ liệu không - thời gian.
  • Thuật toán tối ưu đồng thời FWADAM+ trong Chương 3 là tài liệu giá trị về mặt kỹ thuật tối ưu hóa phi lồi có ràng buộc trong học máy trực tuyến.
  1. Đối với kỹ sư và chuyên viên phân tích tại các cơ quan quản lý viễn thám, khí tượng thủy văn và quy hoạch đất đai:
  • Phương pháp rút gọn luật trực tiếp qua biểu đồ Histogram và độ đo mờ phức trong Chương 4 cung cấp quy trình kỹ thuật để giảm tải kích thước cơ sở dữ liệu luật, thích ứng với dòng ảnh vệ tinh liên tục được cập nhật từ các trạm thu phát viễn thám.

Câu hỏi thường gặp

1. Luận án định nghĩa bài toán dự báo ngắn hạn chuỗi ảnh vệ tinh như thế nào về mặt dữ liệu đầu vào và đầu ra?

Theo luận án, bài toán dự báo ngắn hạn chuỗi ảnh vệ tinh (ảnh Landsat) là quá trình sử dụng một số lượng hữu hạn hình ảnh thu nhận ở các thời điểm trước đó (từ 6 đến 10 ảnh liên tiếp) làm cơ sở tính toán để dự báo cho một số hữu hạn hình ảnh ở thời điểm kế tiếp ($k+1$). Dữ liệu đầu vào chứa đựng cả yếu tố không gian và thời gian của cùng một địa điểm tại các lát cắt thời điểm khác nhau $T(1), T(2), \dots, T(k)$ nhằm xác định các quy luật biến đổi và kết xuất ảnh dự báo.

2. Điểm khác biệt căn bản trong việc xử lý phần thực và phần pha giữa mô hình Spatial CFIS và các hệ suy diễn mờ phức trước đây là gì?

Các hệ suy diễn mờ phức trước đây thường chỉ tập trung vào phần thực mà bỏ qua thành phần pha, hoặc tiến hành phân tách riêng rẽ phần thực và phần pha trong quá trình mờ hóa và suy diễn, làm mất đi sự liên kết nội tại của dữ liệu trong miền phức. Ngược lại, mô hình Spatial CFIS đề xuất cơ chế trích xuất đồng thời phần thực (cường độ sáng) và phần pha (mức độ sai khác điểm ảnh giữa hai ảnh liên tiếp), sau đó đưa cả hai thành phần vào thuật toán FCM để phân cụm đồng thời, sinh hệ luật mờ phức không gian dạng tam giác và huấn luyện thống nhất qua thuật toán ADAM.

3. Thuật toán FWADAM+ được đề xuất ở chương nào và giữ vai trò kỹ thuật gì trong mô hình Co-Spatial CFIS+?

Thuật toán FWADAM+ được đề xuất trong Chương 3 của luận án. Thuật toán này được phát triển trên cơ sở kết hợp giữa giải thuật Frank-Wolfe và thuật toán học trực tuyến Adam, giữ vai trò xác định đồng thời bốn bộ tham số không - thời gian bổ sung trong mô hình Co-Spatial CFIS+, giúp mô hình đạt tốc độ hội tụ nhanh hơn và giảm sai số dự báo so với việc huấn luyện tuần tự từng bộ tham số độc lập.

4. Cơ chế rút gọn và tối ưu hóa hệ luật trong mô hình Spatial CFIS++ ở Chương 4 được thực hiện dựa trên các nguyên lý nào?

Mô hình Spatial CFIS++ tối ưu hóa hệ luật thông qua ba bước kỹ thuật:

  • Sinh cơ sở luật mới trực tiếp từ ảnh mới thu nhận dựa trên phân tích biểu đồ Histogram để xác định các vùng tập trung giá trị điểm ảnh;
  • Áp dụng các độ đo tương tự mờ phức (Cosine, Dice, Jaccard) để so sánh định lượng mức độ trùng khớp giữa hệ luật cũ (sinh từ Spatial CFIS) và hệ luật mới;
  • Thiết lập quy tắc quyết định để thêm luật mới, loại bỏ luật dư thừa hoặc gộp hai không gian luật lân cận thành một không gian luật mới tinh gọn hơn trong không gian nghiệm.

5. Những nguồn dữ liệu và độ đo thống kê nào được sử dụng xuyên suốt để đánh giá thực nghiệm các mô hình trong luận án?

Luận án sử dụng hai nguồn dữ liệu chính: chuỗi ảnh viễn thám siêu phổ liên tục của Hải quân Hoa Kỳ (tại ba vùng Hawaii, U.S. Pacific Coast, Gulf of Mexico, tần suất 30 phút/ảnh, với hai kích thước 100x100 pixels và 500x500 pixels) và dữ liệu vệ tinh PRISMA của Italia. Các độ đo và công cụ phân tích bao gồm sai số căn bậc hai trung bình phương sai (RMSE), hệ số xác định $R^2$, phương pháp phân tích phương sai hai nhân tố (Two-way ANOVA) và kiểm định thống kê t-Test.

Kết luận

Luận án tiến sĩ của Lê Trường Giang đã phát triển một hệ thống giải pháp hoàn chỉnh cho bài toán dự báo ngắn hạn chuỗi ảnh vệ tinh dựa trên tiếp cận logic mờ phức không - thời gian. Ba mô hình đề xuất tương ứng với ba chương nội dung chuyên sâu gồm Spatial CFIS (xử lý đồng bộ biên độ và pha), Co-Spatial CFIS+ kết hợp thuật toán tối ưu đồng thời FWADAM+, và Spatial CFIS++ (tối ưu và thích ứng cơ sở luật dựa trên độ đo mờ phức). Các kết quả thực nghiệm trên ảnh vệ tinh của Hải quân Hoa Kỳ và vệ tinh PRISMA, cùng các phân tích thống kê ANOVA và t-Test đã xác nhận tính chính xác và hiệu quả tính toán của các mô hình đề xuất so với các phương pháp đối sánh hiện có.