Tổng quan luận án

Tính cấp thiết và khoảng trống nghiên cứu

Công nghệ LiDAR (Light Detection and Ranging) là công nghệ viễn thám chủ động quang học, thu thập thông tin không gian ba chiều (3D) về bề mặt Trái đất và các đối tượng địa lý thông qua việc phát chuỗi xung tia laser và thu nhận tín hiệu phản xạ. Dữ liệu đầu ra là đám mây điểm (ĐMĐ) chứa tọa độ không gian $(x, y, z)$, cường độ phản xạ và thứ tự phản hồi. Tuy nhiên, dữ liệu ĐMĐ LiDAR thô có khối lượng rất lớn, mật độ dày đặc và thường xuyên xuất hiện các điểm nhiễu do độ nhạy cao của thiết bị đo (nhiễu đơn photon, hạt trong không khí). Để khai thác dữ liệu cho các bài toán như thành lập mô hình số độ cao (DEM), mô hình số bề mặt (DSM), mô hình số địa hình (DTM), tính toán sinh khối rừng hoặc phân loại lớp phủ đô thị, việc tiền xử lý, lọc và phân loại ĐMĐ là giai đoạn bắt buộc.

Tại Việt Nam, công nghệ LiDAR đã được ứng dụng từ năm 2006. Dẫu vậy, quá trình xử lý và phân loại ĐMĐ tại các đơn vị sản xuất chủ yếu vẫn áp dụng phương pháp bán tự động dựa trên các phần mềm thương mại đóng gói đi kèm thiết bị đo. Phương pháp này đòi hỏi sự can thiệp thủ công của con người để đối chiếu, chỉnh sửa với bản đồ hiện trạng và ảnh cường độ xám, dẫn đến thời gian xử lý kéo dài và dễ phát sinh sai số. Hơn nữa, kết quả phân loại thường mới chỉ dừng lại ở việc tách hai lớp điểm mặt đất (ground) và ngoài mặt đất (non-ground) nhằm tạo DEM/DTM, chưa tận dụng được toàn bộ các lớp thông tin chi tiết phục vụ quản lý đô thị và hỗ trợ ra quyết định. Do đó, việc nghiên cứu các thuật toán phân loại tự động, có độ chính xác cao và phù hợp với đặc thù địa hình Việt Nam là yêu cầu khoa học và thực tiễn cấp thiết.

Mục tiêu nghiên cứu

Mục tiêu chính của luận án là nghiên cứu, đề xuất phương pháp và thuật toán phân loại tự động dữ liệu ĐMĐ LiDAR đạt độ chính xác cao. Kết quả phân loại được ứng dụng thử nghiệm cho bài toán đánh giá sự thay đổi lớp phủ bề mặt khu vực đô thị và xây dựng bộ dữ liệu đầu vào cho Hệ hỗ trợ ra quyết định (Decision Support System - DSS) trong quản lý, quy hoạch đất đai.

Câu hỏi nghiên cứu

Luận án giải quyết 3 câu hỏi nghiên cứu cụ thể:

  1. Câu hỏi 1: Bài toán phân loại tự động ĐMĐ LiDAR tại Việt Nam có những hạn chế nào? Tại sao lại cần phát triển thuật toán phân loại tự động ĐMĐ LiDAR phù hợp với yêu cầu sử dụng tại Việt Nam?
  2. Câu hỏi 2: Có thể phân loại tự động đám mây điểm LiDAR bằng thuật toán EM và MCC được không? Các hạn chế của thuật toán EM và MCC là gì và cách khắc phục chúng như thế nào?
  3. Câu hỏi 3: Dữ liệu LiDAR sau phân loại có thể sử dụng trong bài toán phân loại lớp phủ bề mặt khu vực đô thị và tạo bộ dữ liệu đầu vào cho DSS quy hoạch đất đai không?

Đối tượng và phạm vi nghiên cứu

  • Đối tượng nghiên cứu: Công nghệ LiDAR, cấu trúc dữ liệu đám mây điểm LiDAR, bài toán phân loại điểm, thuật toán Cực đại hóa kỳ vọng (Expectation Maximization - EM) và thuật toán Phân loại độ cong đa tỷ lệ (Multiscale Curvature Classification - MCC).
  • Phạm vi nghiên cứu: Luận án tập trung vào bài toán phát triển thuật toán phân loại tự động ĐMĐ LiDAR và thực nghiệm trên các tập dữ liệu bay quét LiDAR thu nhận tại Việt Nam (tiêu biểu như khu vực Uông Bí, tỉnh Quảng Ninh và tập dữ liệu đô thị năm 2018).

Tổng quan tài liệu và vị trí của luận án

Các hướng nghiên cứu trong nước

Các nghiên cứu ứng dụng LiDAR tại Việt Nam bắt đầu từ dự án bay thử nghiệm năm 2006 tại Đồng Nai và TP. Cần Thơ do Trung tâm Viễn thám và Công ty Đo đạc ảnh Địa hình phối hợp cùng Công ty AAMHATCH (Úc) thực hiện. Tiếp sau đó, nhiều đơn vị và nhà khoa học đã triển khai ứng dụng:

  • Tại Công ty TNHH MTV Tài nguyên và Môi trường Việt Nam, dữ liệu LiDAR được xử lý bằng các phần mềm thương mại như Global Mapper, ENVI LiDAR để tạo DEM, DSM và nội suy đường bình độ.
  • Tác giả Vũ Quốc Lập (Công ty Đo đạc và Khoáng sản) công bố các nghiên cứu ứng dụng dữ liệu LiDAR trong công tác đo vẽ hiện trạng hệ thống hầm lò mỏ.
  • Nghiên cứu [26] chứng minh tính khả thi của việc ứng dụng LiDAR tại vùng bãi bồi ven biển để xây dựng cơ sở dữ liệu nền địa hình tỷ lệ 1:5.000 và nhỏ hơn.
  • Nghiên cứu [27], [28] đề xuất giải pháp kết hợp dữ liệu LiDAR với phương tiện bay không người lái (UAV) phục vụ khảo sát, thiết kế và kiểm định công trình.
  • Nghiên cứu [29] ứng dụng dữ liệu LiDAR để cập nhật lớp cơ sở dữ liệu giao thông tại TP. Hồ Chí Minh.

Đặc điểm chung của các công trình trong nước là sử dụng thuật toán tích hợp sẵn trong phần mềm thương mại, phân loại bán tự động và chủ yếu phân chia thành hai lớp điểm ground và non-ground để thành lập mô hình DEM/DTM cơ bản.

Các hướng nghiên cứu quốc tế

Trên thế giới, các phương pháp phân loại ĐMĐ LiDAR được phân chia thành 4 nhóm hướng tiếp cận chính:

  1. Áp dụng thuật toán phân cụm K-means: Zhang và cộng sự [30], [31] đề xuất phân loại ĐMĐ theo mật độ điểm, sử dụng phân tích thành phần chính (PCA) trích xuất giá trị riêng và dùng K-means để tách điểm biên (edge) và không biên (non-edge), đạt độ chính xác trên 92% cho lớp non-edge. Các nghiên cứu [32], [33] tiếp tục phát triển bằng cách kết hợp K-means với mạng nơ-ron nhân tạo (ANN) hoặc phân đoạn đám mây điểm.
  2. Phân loại dựa trên đặc trưng hình học và thuộc tính điểm: Nghiên cứu [34] phân tích sự thay đổi mật độ phản hồi tại Stuttgart (Đức) để tạo DTM, DSM và mô hình chiều cao tán cây (CHM). Nghiên cứu [35] dùng kỹ thuật phát hiện điểm dị thường trên dữ liệu MLS và TLS để nhận dạng đối tượng đô thị và cây cối (độ chính xác ~95%). Nghiên cứu [36] sử dụng phương pháp hướng đối tượng (OBC) dựa trên phân đoạn 3D; nghiên cứu [37] phân loại dựa trên chiều cao và thứ tự tia phản hồi.
  3. Phương pháp lọc truyền thống và nội suy không gian: Các công trình [41], [44], [45] sử dụng thuật toán EM để phân loại ĐMĐ, trong đó [45] chứng minh sai số 16,78%, giảm lỗi hệ thống so với phương pháp PTD truyền thống. Nghiên cứu [43] áp dụng mô hình hỗn hợp Gaussian (GMM); [42] đề xuất phân loại theo ngữ nghĩa nhiều mức (độ chính xác 93,x%); [46] kết hợp trường ngẫu nhiên có điều kiện (CRF) với GMM-EM; [47] kết hợp Random Forest (RF) và Support Vector Machine (SVM) đạt độ chính xác trên 80% ở khu vực đô thị và trên 93% ở khu vực rừng. Đặc biệt, nghiên cứu [48], [49] sử dụng thuật toán MCC với phép nội suy tấm mỏng uốn cong (Thin Plate Spline - TPS) để lọc mặt đất; nghiên cứu [50] so sánh hiệu năng giữa MCC và thuật toán BCAL qua hơn 7.000 điểm đo chuẩn.
  4. Phân loại dựa trên mô hình học máy và học sâu: Nghiên cứu [53], [54], [55] phát triển các biến thể SVM (SVM tuyến tính, hàm nhân RBF, Surface Growing) đạt độ chính xác từ 92% đến 98%; nghiên cứu [26] xây dựng Wavelet SVM (WSVM) để cải thiện tính khái quát hóa; nghiên cứu [51] dùng k-NN đạt độ chính xác 92%; các mô hình học sâu như PointNet [56] và mạng đồ thị tích chập chú ý GACNN [57] trên tập dữ liệu ISPRS 3D đạt F1 trung bình 71,5% và độ chính xác tổng thể 83,2%.

Khoảng trống nghiên cứu luận án lựa chọn

Qua tổng quan tài liệu, tác giả xác định các khoảng trống kỹ thuật cụ thể:

  • Thuật toán EM có khả năng phân loại tốt đối với các điểm LiDAR phản xạ nhưng lại rất nhạy cảm với tham số khởi tạo ban đầu, tốc độ hội tụ chậm trên tập dữ liệu lớn và ma trận hiệp phương sai dễ gặp lỗi suy biến điều kiện.
  • Thuật toán MCC xử lý hiệu quả đối với các điểm LiDAR tán xạ và khu vực có thảm thực vật phức tạp, nhưng phụ thuộc lớn vào tham số khởi tạo do người dùng chỉ định; phép nội suy TPS bị chậm khi số lượng điểm kiểm soát tăng cao; đồng thời MCC chỉ tách lớp ground để giữ lại và loại bỏ hoàn toàn lớp non-ground.
  • Chưa có giải pháp tích hợp tối ưu để xử lý đồng thời dữ liệu phản xạ và dữ liệu tán xạ, cũng như quy trình tự động hóa phân loại chi tiết phục vụ trực tiếp cho các hệ thống DSS quy hoạch đất đai tại Việt Nam.

Cơ sở lý thuyết và phương pháp nghiên cứu

Cơ sở lý thuyết và khung phân tích

  • Nguyên lý đo cự ly ToF (Time of Flight): Khoảng cách $D$ từ bộ phát đến đối tượng được tính qua công thức: $$D = \frac{S \times T}{2}$$ Trong đó $S$ là tốc độ ánh sáng, $T$ là thời gian đi và về của xung laser.
  • Hệ tọa độ và chuẩn dữ liệu: Dữ liệu không gian được tham chiếu theo Hệ quy chiếu và Hệ tọa độ quốc gia VN-2000 (kinh tuyến trục, múi chiếu $3^\circ$ theo Thông tư số 973/2001/TT-TCĐC) và hệ tọa độ quốc tế WGS 84. Định dạng dữ liệu tuân thủ chuẩn công nghiệp LAS do Hiệp hội Chụp ảnh và Viễn thám Hoa Kỳ (ASPRS) ban hành.
  • Mô hình hỗn hợp Gaussian (GMM) và Thuật toán EM: Dữ liệu độ cao và thuộc tính được mô hình hóa dưới dạng tổ hợp các phân bố chuẩn Gaussian. Thuật toán EM thực hiện tối ưu hóa hàm hợp lý thông qua hai bước lặp:
    • Bước E (Expectation): Ước tính giá trị kỳ vọng của biến tiềm ẩn (trọng số thành phần $P_{ik}$).
    • Bước M (Maximization): Cập nhật các tham số mô hình gồm giá trị trung bình $\mu$, ma trận hiệp phương sai $\Sigma$ và hệ số pha trộn $\alpha$.
  • Phép nội suy Thin Plate Spline (TPS): Kỹ thuật nội suy bề mặt dựa trên hàm uốn cong nhỏ nhất, làm khớp bề mặt đi qua các điểm kiểm soát.
  • Phân tích thành phần chính xác suất (pPCA): Kỹ thuật giảm chiều dữ liệu dựa trên mô hình biến tiềm ẩn, giải quyết bài toán tìm giá trị riêng của ma trận hiệp phương sai khi dữ liệu có biến thiên phức tạp.

Phương pháp nghiên cứu

  • Phương pháp phân tích, tổng hợp lý thuyết: Nghiên cứu cơ sở toán học của công nghệ LiDAR, nguyên lý phân loại ĐMĐ và các mô hình học máy, thống kê để thiết kế giải pháp cải tiến thuật toán.
  • Phương pháp thực nghiệm: Cài đặt thuật toán cải tiến, chạy kiểm thử trên các bộ dữ liệu LiDAR thực tế và đánh giá định lượng bằng các chỉ số đo lường học máy: Độ chính xác (Precision), Độ bao phủ (Recall), Điểm F1, Ma trận nhầm lẫn (Confusion Matrix) và Độ chính xác tổng thể (Overall Accuracy - OA).
  • Phương pháp viễn thám: Ứng dụng các kỹ thuật xử lý ảnh viễn thám và không gian để nội suy, thành lập các mô hình số DEM, DSM với độ phân giải 1m và mô hình 3D lớp phủ đô thị.

Nguồn tư liệu và dữ liệu

  • Dữ liệu quét LiDAR thực nghiệm thu nhận tại khu vực Uông Bí, tỉnh Quảng Ninh.
  • Dữ liệu đám mây điểm 3D thu thập tại khu vực đô thị năm 2018.
  • Bản đồ hiện trạng địa hình và ảnh cường độ xám khu vực nghiên cứu.

Nội dung chính theo từng chương

Chương 1: Tổng quan về phân loại dữ liệu đám mây điểm LiDAR

Chương 1 hệ thống hóa toàn diện cơ sở khoa học của công nghệ LiDAR và các bước kỹ thuật trong quy trình xử lý dữ liệu đám mây điểm:

  • Kiến trúc hệ thống LiDAR: Phân tích sự phối hợp giữa 3 thành phần cốt lõi: Bộ phát/thu Laser, Hệ thống định vị vệ tinh toàn cầu (GNSS/GPS) và Hệ thống dẫn đường quán tính (INS/IMU). Dữ liệu phản hồi đầu tiên (First Pulse) và phản hồi cuối cùng (Last Echo) được dùng làm cơ sở phân tách giữa mô hình bề mặt (DSM) và mô hình địa hình thực (DTM/DEM).
  • Đặc trưng và cấu trúc tệp LAS: Phân tích các trường dữ liệu điểm bao gồm tọa độ $(X, Y, Z)$, cường độ phản xạ (Intensity), thứ tự tia phản hồi (Return number), góc quét, thời gian GPS và mã phân loại đối tượng.
  • Quy trình xử lý điểm LiDAR tổng quát: Luận án phân tích quy trình xử lý theo đề xuất của Pinlang Dong và cộng sự, bao gồm 4 giai đoạn: (1) Chuẩn bị dữ liệu và trích xuất đặc trưng; (2) Phân loại điểm; (3) Kiểm tra và đánh giá mô hình; (4) Ứng dụng dữ liệu sau phân loại.
  • Phương pháp đề xuất của luận án: Tác giả định hình khung giải pháp tích hợp gồm 2 hướng:
    1. Phát triển thuật toán EM-D (cải tiến thuật toán EM) để phân loại nhóm dữ liệu ĐMĐ phản xạ.
    2. Phát triển thuật toán MCC-D (cải tiến thuật toán MCC thông qua tích hợp EM-D vào mô hình RPM-GMM để tối ưu hóa phép nội suy TPS) để phân loại nhóm dữ liệu ĐMĐ tán xạ.
+-------------------------------------------------------------------------+
|                  DỮ LIỆU ĐÁM MÂY ĐIỂM LIDAR THÔ                         |
+------------------------------------+------------------------------------+
                                     |
                +--------------------+--------------------+
                |                                         |
                v                                         v
   [Dữ liệu ĐMĐ phản xạ]                     [Dữ liệu ĐMĐ tán xạ]
                |                                         |
                v                                         v
       Thuật toán EM-D                           Thuật toán MCC-D
  (k-NN + pPCA + Lập lịch β)               (Tối ưu hóa nội suy TPS)
                |                                         |
                +--------------------+--------------------+
                                     |
                                     v
                 +---------------------------------------+
                 |    KẾT QUẢ ĐÁM MÂY ĐIỂM ĐÃ PHÂN LOẠI  |
                 | (Ground, Nhà cửa, Cây xanh, Nước,...) |
                 +-------------------+-------------------+
                                     |
               +---------------------+---------------------+
               |                                           |
               v                                           v
      Mô hình DEM / DSM                      Bộ dữ liệu đầu vào cho
    (Độ phân giải 1m)                           Hệ hỗ trợ ra quyết định (DSS)

Chương 2: Phát triển thuật toán nâng cao chất lượng phân loại ĐMĐ LiDAR

Chương 2 trình bày chi tiết các giải pháp toán học cải tiến thuật toán EM và MCC, đồng thời công bố kết quả thử nghiệm đánh giá độ chính xác.

1. Cải tiến thuật toán EM (Thuật toán EM-D)

Để khắc phục tình trạng hội tụ chậm, tính nhạy cảm với giá trị khởi tạo và phân bố mật độ không đồng đều, thuật toán EM-D được xây dựng qua 6 bước:

  • Bước 1 - Tiền xử lý loại bỏ nhiễu trong miền không gian: Sử dụng thuật toán k-NN để tính khoảng cách Euclide và ước lượng mật độ điểm $P(x)$ theo hàm Gaussian: $$P(x) = K\left[ D_k(x) \left( x - N^{-1} D_k(x) \sum_{i=1}^N X_i \right) \right]$$ Thiết lập ngưỡng phát hiện nhiễu $Z_{th} = 3 \times P(x) \times Z_{std}$. Các điểm có độ cao $Z_k > Z_{th}$ bị loại bỏ.
  • Bước 2 - Trích xuất đặc trưng: Trích xuất giá trị độ cao $Z$ kết hợp giá trị cường độ xám, giảm số chiều dữ liệu từ $D=3$ xuống $D=2$.
  • Bước 3 - Chia nhỏ ĐMĐ: Chia ĐMĐ thành các khối nhỏ theo chiều dọc để cân bằng mật độ không gian.
  • Bước 4 - Khởi tạo tham số bằng pPCA và bổ sung tham số lập lịch $\beta$: Mô hình xác suất GMM tích hợp tham số $\beta$: $$P(Z_i) = \sum_{k=1}^K \Pi_k \text{Gaussian}(Z_i | \mu_k, \Sigma_k, C_k)^\beta$$ Tham số lập lịch $\beta$ được khởi tạo xấp xỉ 0 và tăng dần chậm về 1 qua các vòng lặp để kiểm soát độ chồng lấp (overlapping) giữa các cụm và hỗ trợ thuật toán hội tụ về tối ưu toàn cục. Sử dụng pPCA để tính ma trận hiệp phương sai $\Sigma$ và xác định các thành phần chính.
  • Bước 5 - Thực hiện lặp E-step và M-step: Tính toán ma trận trọng số và cập nhật các tham số mô hình $\mu^{new}$, $\alpha^{new}$ cho đến khi hàm log hợp lý hội tụ.
  • Bước 6 - Phân loại và đánh giá: Thực hiện gán nhãn điểm trên từng phân đoạn và đánh giá kết quả.

2. Cải tiến thuật toán MCC (Thuật toán MCC-D)

  • Thuật toán MCC truyền thống sử dụng phép nội suy TPS lặp để phân tách điểm mặt đất nhưng chạy chậm khi mật độ điểm kiểm soát lớn và loại bỏ mất lớp non-ground.
  • Tác giả cải tiến phép nội suy TPS bằng cách nhúng mô hình RPM-GMM (Robust Point Matching - Gaussian Mixture Model) kết hợp với thuật toán EM-D.
  • Giải pháp này giúp tự động hóa quá trình tính toán độ cong bề mặt, giảm sự phụ thuộc vào tham số khởi tạo chủ quan của người dùng, nâng cao tốc độ tính toán và giữ lại nhóm điểm non-ground để tiếp tục phân loại chi tiết.

3. Kết quả thử nghiệm và đánh giá thực nghiệm

Các thử nghiệm được triển khai trên tập dữ liệu tại khu vực Uông Bí (Quảng Ninh) và các tập dữ liệu chuẩn:

  • Kết quả phân loại bằng thuật toán EM-D đạt độ chính xác cao hơn rõ rệt so với thuật toán EM truyền thống, giảm thiểu tối đa sai số nhầm lẫn giữa các lớp đối tượng.
  • Thuật toán MCC-D cho kết quả phân loại vượt trội so với MCC phiên bản 2, thể hiện qua các chỉ số Precision, Recall, F1 và độ chính xác tổng thể (OA).
Thuật toán thử nghiệm Đối tượng dữ liệu xử lý chính Cải tiến kỹ thuật cốt lõi Ưu điểm thực nghiệm đạt được
EM-D Dữ liệu ĐMĐ phản xạ Chia nhỏ ĐMĐ dọc; tham số lập lịch $\beta$; khởi tạo tham số qua pPCA; khử nhiễu k-NN Khắc phục phân bố mật độ không đều, tăng tốc độ hội tụ, giảm lỗi ma trận hiệp phương sai
MCC-D Dữ liệu ĐMĐ tán xạ Tích hợp EM-D vào mô hình RPM-GMM cải tiến phép nội suy TPS Giảm phụ thuộc tham số khởi tạo thủ công, tăng tốc xử lý, phân loại được cả lớp non-ground

Chương 3: Đề xuất sử dụng hiệu quả đám mây điểm LiDAR sau phân loại

Chương 3 tập trung vào giải pháp khai thác dữ liệu sau phân loại cho hai bài toán ứng dụng thực tế:

  • Phân loại lớp phủ bề mặt khu vực đô thị: Sử dụng dữ liệu đã phân loại bằng EM-D và MCC-D để bóc tách chi tiết các lớp đối tượng: mặt đất (ground), công trình xây dựng/nhà cao tầng, thảm thực vật/cây xanh và mặt nước.
  • Thành lập mô hình không gian: Xây dựng mô hình số độ cao (DEM) và mô hình số bề mặt (DSM) có độ phân giải không gian 1m từ các tập điểm đã gán nhãn chuẩn xác.
  • Xây dựng cơ sở dữ liệu đầu vào cho Hệ hỗ trợ ra quyết định (DSS) trong quy hoạch đất đai:
    • Thiết lập quy trình tiền xử lý, lọc nhiễu và phân loại tự động ĐMĐ để trích xuất các lớp thông tin chuyên đề (hiện trạng xây dựng, độ cao công trình, mật độ cây xanh, độ dốc địa hình).
    • Tích hợp các lớp dữ liệu không gian 3D chuẩn hóa vào cơ sở dữ liệu của hệ thống DSS, cung cấp căn cứ định lượng phục vụ công tác quy hoạch sử dụng đất, giám sát trật tự xây dựng và quản lý đô thị.

Kết quả và những đóng góp mới

Đóng góp về mặt lý luận và khoa học

  1. Luận án đã nghiên cứu và làm rõ cơ sở toán học của dữ liệu đám mây điểm LiDAR, phân tích bản chất cơ chế phản xạ và tán xạ của tín hiệu laser trong môi trường không gian địa lý phức tạp.
  2. Đề xuất thành công phương pháp cải tiến thuật toán EM (EM-D) thông qua việc kết hợp kỹ thuật chia nhỏ dữ liệu không gian, tham số lập lịch $\beta$ để kiểm soát hội tụ và mô hình biến tiềm ẩn pPCA để khởi tạo ma trận hiệp phương sai.
  3. Đề xuất thành công thuật toán MCC-D bằng cách tích hợp thuật toán EM-D vào mô hình RPM-GMM nhằm nâng cao hiệu năng và độ chính xác của phép nội suy tấm mỏng TPS trong thuật toán MCC.

Đóng góp về mặt thực tiễn

  1. Cung cấp quy trình phân loại tự động dữ liệu LiDAR có độ chính xác cao, giúp giảm thiểu sự phụ thuộc vào các phần mềm thương mại đóng gói đắt tiền và hạn chế sai số chủ quan từ quá trình chỉnh sửa thủ công tại Việt Nam.
  2. Xây dựng hoàn chỉnh quy trình công nghệ sử dụng dữ liệu LiDAR sau phân loại để tự động thành lập mô hình DEM, DSM độ phân giải 1m và phân loại lớp phủ bề mặt đô thị.
  3. Đề xuất quy trình tạo lập bộ dữ liệu đầu vào không gian 3D chuẩn hóa cho Hệ hỗ trợ ra quyết định (DSS), góp phần nâng cao hiệu quả công tác quản lý và quy hoạch đất đai.

Kiến nghị và giải pháp đề xuất

  • Ứng dụng thuật toán EM-D và MCC-D vào các quy trình sản xuất bản đồ và xử lý dữ liệu viễn thám tại các cơ quan, doanh nghiệp chuyên ngành Trắc địa - Bản đồ và Quản lý đất đai.
  • Mở rộng việc khai thác thông tin từ lớp điểm ngoài mặt đất (non-ground) để xây dựng mô hình 3D thành phố và quản lý cây xanh đô thị, thay vì chỉ lọc lấy lớp mặt đất (ground) như trước đây.

Hạn chế và hướng nghiên cứu tiếp

Hạn chế

  • Các thử nghiệm thực nghiệm chủ yếu tập trung vào các bộ dữ liệu bay quét tại một số khu vực cụ thể ở Việt Nam (khu vực Uông Bí - Quảng Ninh và tập dữ liệu đô thị năm 2018), chưa bao phủ toàn bộ các dạng địa hình rừng núi hiểm trở hoặc hải đảo.
  • Nghiên cứu tập trung giải quyết bài toán phân loại hình học và cường độ xám, việc kết hợp đồng thời dữ liệu ảnh viễn thám đa phổ siêu cao và thông tin màu sắc RGB đầy đủ vẫn cần thêm hạ tầng tính toán lớn.

Hướng nghiên cứu tiếp

  • Mở rộng thử nghiệm và tối ưu hóa thuật toán EM-D, MCC-D trên các tập dữ liệu LiDAR đa dạng với quy mô vùng quét lớn hơn.
  • Nghiên cứu tích hợp sâu hơn dữ liệu đám mây điểm LiDAR với ảnh chụp chất lượng cao từ thiết bị bay không người lái (UAV) và ảnh vệ tinh quang học đa phổ.
  • Tối ưu hóa thuật toán xử lý song song để nâng cao tốc độ tính toán khi xử lý các tập dữ liệu ĐMĐ cực lớn (Big Data LiDAR).

Giá trị tham khảo

  • Nghiên cứu sinh và học viên cao học ngành Máy tính, Hệ thống thông tin, Công nghệ thông tin: Tham khảo Chương 2 về phương pháp phát triển, cải tiến các thuật toán học máy (EM, MCC, GMM, pPCA, TPS) và kỹ thuật xử lý dữ liệu không gian 3D đa chiều.
  • Giảng viên và nhà nghiên cứu ngành Trắc địa - Bản đồ, Địa lý viễn thám: Tham khảo cơ sở lý thuyết tại Chương 1 và quy trình thành lập mô hình DEM, DSM độ phân giải 1m tại Chương 3.
  • Cán bộ quản lý đô thị, chuyên viên quy hoạch đất đai và phát triển hệ thống DSS: Tham khảo quy trình xây dựng cơ sở dữ liệu không gian 3D và phương pháp bóc tách lớp phủ bề mặt đô thị phục vụ công tác quy hoạch, giám sát tài nguyên đất đai.

Câu hỏi thường gặp

1. Tại sao thuật toán EM truyền thống lại gặp khó khăn khi phân loại đám mây điểm LiDAR lớn và luận án khắc phục bằng cách nào?

Thuật toán EM truyền thống rất nhạy cảm với các giá trị khởi tạo ban đầu, có tốc độ hội tụ chậm khi xử lý tập dữ liệu lớn, và ma trận hiệp phương sai dễ rơi vào tình trạng suy biến điều kiện làm giảm độ chính xác. Luận án khắc phục bằng thuật toán EM-D: chia nhỏ ĐMĐ theo chiều dọc để đồng đều mật độ, bổ sung tham số lập lịch $\beta$ nhằm kiểm soát độ chồng lấp giúp thuật toán đạt tối ưu toàn cục, và sử dụng pPCA để khởi tạo ma trận hiệp phương sai.

2. Thuật toán MCC truyền thống có hạn chế gì và tác giả đã cải tiến thành MCC-D như thế nào?

MCC truyền thống phụ thuộc nhiều vào tham số khởi tạo do người dùng tự định nghĩa, phép nội suy TPS chạy chậm khi số điểm kiểm soát lớn, và thuật toán chỉ tách lớp ground rồi loại bỏ hoàn toàn lớp non-ground. Luận án cải tiến thành MCC-D bằng cách tích hợp thuật toán EM-D vào mô hình RPM-GMM để tối ưu hóa phép nội suy TPS, tự động hóa quá trình tính toán, tăng tốc độ thực thi và giữ lại lớp non-ground để phân loại chi tiết.

3. Phương pháp tiền xử lý loại bỏ nhiễu trong luận án được thực hiện như thế nào?

Luận án sử dụng phương pháp khử nhiễu trong miền không gian bằng thuật toán k-NN. Thuật toán tính khoảng cách Euclide và ước lượng mật độ điểm $P(x)$ theo hàm Gaussian. Ngưỡng độ cao phát hiện nhiễu được xác định theo công thức $Z_{th} = 3 \times P(x) \times Z_{std}$. Điểm có độ cao $Z_k > Z_{th}$ bị xác định là điểm nhiễu trong không khí và bị loại bỏ.

4. Kết quả phân loại ĐMĐ LiDAR được ứng dụng cụ thể vào bài toán nào trong luận án?

Kết quả phân loại được ứng dụng vào hai bài toán: (1) Phân loại chi tiết lớp phủ bề mặt khu vực đô thị (mặt đất, nhà cửa, cây xanh, mặt nước) và thành lập mô hình DEM, DSM độ phân giải 1m; (2) Chuẩn hóa và tạo lập bộ dữ liệu không gian 3D đầu vào cho Hệ hỗ trợ ra quyết định (DSS) trong công tác quản lý và quy hoạch đất đai.

Kết luận

Luận án tiến sĩ của tác giả Nguyễn Thị Hữu Phương đã giải quyết bài toán phân loại tự động dữ liệu đám mây điểm LiDAR thông qua việc phát triển hai thuật toán cải tiến EM-D và MCC-D. Công trình đã xử lý hiệu quả cả dữ liệu phản xạ và dữ liệu tán xạ, khắc phục các nhược điểm về tốc độ hội tụ, tính nhạy cảm tham số và hiện tượng mất mát thông tin lớp ngoài mặt đất của các phương pháp truyền thống. Kết quả nghiên cứu không chỉ đóng góp về mặt lý thuyết xử lý dữ liệu không gian 3D mà còn cung cấp quy trình công nghệ hoàn chỉnh ứng dụng trong phân loại lớp phủ đô thị, thành lập DEM/DSM và xây dựng cơ sở dữ liệu cho hệ hỗ trợ ra quyết định quản lý đất đai tại Việt Nam.