Luận án tiến sĩ: Nghiên cứu phương pháp phân loại dữ liệu đám mây điểm LiDAR và ứng dụng

Luận án tiến sĩ nghiên cứu nghiên cứu phương pháp phân loại dữ liệu đám mây điểm lidar và ứng dụng, phân tích chuyên sâu, xây dựng mô hình lý thuyết, đề xuất giải pháp khoa học

• Tác giả: Nguyễn Thị Hữu Phương
• Người hướng dẫn: PGS.TS Đặng Văn Đức
• Trường học: Học viện Khoa học và Công nghệ
• Chuyên ngành: Hệ thống thông tin
• Đề tài: Nghiên cứu phương pháp phân loại dữ liệu đám mây điểm LiDAR và ứng dụng
• Loại tài liệu: Luận án tiến sĩ
• Năm xuất bản: 2022
• Địa điểm: Hà Nội

Mục lục chi tiết

• LỜI CẢM ƠN
• DANH MỤC CÁC TỪ VIẾT TẮT
• DANH MỤC HÌNH VẼ
• DANH MỤC BẢNG BIỂU
• 1. CHƯƠNG 1: TỔNG QUAN VỀ PHÂN LOẠI DỮ LIỆU ĐÁM MÂY ĐIỂM LIDAR
• 1.1. Kiến trúc hệ thống LiDAR
• 1.2. Khái niệm công nghệ LiDAR
• 1.3. Hoạt động của hệ thống LiDAR
• 1.4. Dữ liệu LiDAR
• 1.5. Thu nhận dữ liệu ĐMĐ theo công nghệ LiDAR
• 1.6. Đặc trưng của dữ liệu ĐMĐ LiDAR
• 1.7. Định dạng dữ liệu LiDAR
• 1.8. Bài toán phân loại dữ liệu ĐMĐ LiDAR
• 1.9. Các bài toán phân loại ĐMĐ LiDAR
• 1.10. Các công trình nghiên cứu liên quan
• 1.11. Phương pháp đề xuất
• 1.12. Kết luận chương
• 2. CHƯƠNG 2: PHÁT TRIỂN THUẬT TOÁN NÂNG CAO CHẤT LƯỢNG PHÂN LOẠI ĐMĐ LIDAR
• 2.1. Cải tiến thuật toán EM
• 2.1.1. Mô tả thuật toán EM
• 2.1.2. Ý tưởng cải tiến thuật toán EM
• 2.1.3. Thực hiện cải tiến
• 2.1.4. Thử nghiệm và đánh giá thuật toán EM - D
• 2.2. Cải tiến thuật toán MCC
• 2.2.1. Mô tả thuật toán MCC
• 2.2.2. Ý tưởng cải tiến thuật toán MCC
• 2.2.3. Thực hiện cải tiến
• 2.2.4. Thử nghiệm và đánh giá thuật toán MCC - D
• 2.3. Kết luận chương
• 3. CHƯƠNG 3: ĐỀ XUẤT SỬ DỤNG HIỆU QUẢ ĐÁM MÂY ĐIỂM LIDAR SAU PHÂN LOẠI
• 3.1. Lớp phủ khu vực đô thị và khả năng sử dụng của dữ liệu LiDAR trong phân loại lớp phủ bề mặt khu vực đô thị
• 3.2. Đề xuất phương pháp xử lý dữ liệu LiDAR trong phân loại lớp phủ bề mặt khu vực đô thị
• 3.3. Phân loại lớp phủ bề mặt khu vực đô thị
• 3.4. Phương pháp đề xuất
• 3.5. Tạo bộ dữ liệu đầu vào cho DSS trong quy hoạch đất đai
• 3.6. Kết luận chương
• KẾT LUẬN
• DANH MỤC CÁC CÔNG TRÌNH KHOA HỌC CỦA TÁC GIẢ
• TÀI LIỆU THAM KHẢO

Tóm tắt

I. Tổng quan về phương pháp phân loại dữ liệu LiDAR và công nghệ thông tin

Phân loại dữ liệu LiDAR là một lĩnh vực nghiên cứu quan trọng trong công nghệ thông tin, đặc biệt trong việc xử lý và phân tích dữ liệu không gian. Công nghệ LiDAR (Light Detection and Ranging) cho phép thu thập dữ liệu địa lý với độ chính xác cao thông qua việc phát tia laser và ghi nhận phản xạ. Việc phân loại dữ liệu LiDAR giúp tối ưu hóa việc sử dụng thông tin không gian trong nhiều ứng dụng khác nhau như quy hoạch đô thị, quản lý tài nguyên và nghiên cứu môi trường.

1.1. Khái niệm và ứng dụng của công nghệ LiDAR

Công nghệ LiDAR là một phương pháp viễn thám tiên tiến, cho phép thu thập dữ liệu không gian với độ chính xác cao. Ứng dụng của LiDAR rất đa dạng, từ khảo sát địa hình đến quản lý tài nguyên thiên nhiên.

1.2. Đặc điểm của dữ liệu LiDAR và tầm quan trọng trong phân loại

Dữ liệu LiDAR có đặc điểm là độ chính xác cao và khả năng thu thập thông tin chi tiết về bề mặt trái đất. Việc phân loại dữ liệu này là cần thiết để trích xuất thông tin hữu ích cho các ứng dụng thực tiễn.

II. Vấn đề và thách thức trong phân loại dữ liệu LiDAR hiện nay

Mặc dù công nghệ LiDAR mang lại nhiều lợi ích, nhưng vẫn tồn tại nhiều thách thức trong việc phân loại dữ liệu. Các vấn đề như độ nhiễu trong dữ liệu, sự phức tạp của địa hình và sự biến đổi của lớp phủ bề mặt đều ảnh hưởng đến kết quả phân loại. Việc phát triển các phương pháp phân loại hiệu quả là cần thiết để giải quyết những thách thức này.

2.1. Độ nhiễu và ảnh hưởng đến chất lượng dữ liệu

Độ nhiễu trong dữ liệu LiDAR có thể gây ra sai lệch trong kết quả phân loại. Việc xử lý và lọc dữ liệu là rất quan trọng để cải thiện độ chính xác.

2.2. Sự phức tạp của địa hình và lớp phủ bề mặt

Địa hình phức tạp và sự biến đổi của lớp phủ bề mặt tạo ra khó khăn trong việc phân loại chính xác. Cần có các thuật toán mạnh mẽ để xử lý những vấn đề này.

III. Phương pháp phân loại dữ liệu LiDAR hiệu quả nhất hiện nay

Để nâng cao độ chính xác trong phân loại dữ liệu LiDAR, nhiều phương pháp đã được phát triển. Các thuật toán như EM (Expectation Maximization) và MCC (Multiscale Curvature Classification) đã cho thấy hiệu quả trong việc phân loại dữ liệu đám mây điểm. Việc áp dụng các phương pháp này giúp cải thiện đáng kể kết quả phân loại.

3.1. Thuật toán EM và ứng dụng trong phân loại

Thuật toán EM là một trong những phương pháp phổ biến trong phân loại dữ liệu LiDAR. Nó giúp tối ưu hóa quá trình phân loại thông qua việc ước lượng các tham số cần thiết.

3.2. Cải tiến thuật toán MCC cho dữ liệu LiDAR

MCC là một thuật toán mạnh mẽ giúp phân loại dữ liệu LiDAR dựa trên độ cong của bề mặt. Việc cải tiến thuật toán này có thể nâng cao độ chính xác trong phân loại.

IV. Ứng dụng thực tiễn của dữ liệu LiDAR sau phân loại

Dữ liệu LiDAR sau khi được phân loại có thể được sử dụng trong nhiều ứng dụng thực tiễn. Các ứng dụng này bao gồm quy hoạch đô thị, quản lý tài nguyên thiên nhiên, và nghiên cứu môi trường. Việc sử dụng dữ liệu LiDAR giúp cải thiện hiệu quả trong các quyết định quản lý và phát triển bền vững.

4.1. Quy hoạch đô thị và quản lý đất đai

Dữ liệu LiDAR phân loại có thể hỗ trợ trong việc quy hoạch đô thị, giúp xác định các khu vực cần phát triển và quản lý tài nguyên đất đai hiệu quả hơn.

4.2. Nghiên cứu môi trường và giám sát tài nguyên

Việc sử dụng dữ liệu LiDAR trong nghiên cứu môi trường giúp theo dõi sự thay đổi của lớp phủ bề mặt và đánh giá tác động của các hoạt động con người đến môi trường.

V. Kết luận và tương lai của nghiên cứu phân loại dữ liệu LiDAR

Nghiên cứu về phương pháp phân loại dữ liệu LiDAR đang ngày càng trở nên quan trọng trong bối cảnh phát triển công nghệ thông tin. Tương lai của nghiên cứu này hứa hẹn sẽ mang lại nhiều cải tiến trong việc xử lý và phân tích dữ liệu không gian, từ đó phục vụ tốt hơn cho các ứng dụng thực tiễn.

5.1. Xu hướng phát triển công nghệ LiDAR

Công nghệ LiDAR đang phát triển nhanh chóng với nhiều ứng dụng mới. Việc cải tiến các thuật toán phân loại sẽ giúp nâng cao hiệu quả sử dụng dữ liệu.

5.2. Tầm quan trọng của nghiên cứu trong tương lai

Nghiên cứu về phân loại dữ liệu LiDAR không chỉ giúp cải thiện độ chính xác mà còn mở ra nhiều cơ hội mới trong các lĩnh vực khác nhau như quản lý tài nguyên và bảo vệ môi trường.

Nội dung chính

Tổng quan luận án

Luận án tiến sĩ chuyên ngành Hệ thống thông tin (mã số: 9 48 01 04) với đề tài "Nghiên cứu phương pháp phân loại dữ liệu đám mây điểm LiDAR và ứng dụng" do nghiên cứu sinh Nguyễn Thị Hữu Phương thực hiện tại Học viện Khoa học và Công nghệ, Viện Hàn lâm Khoa học và Công nghệ Việt Nam, dưới sự hướng dẫn khoa học của PGS.TS Nguyễn Trường Xuân và PGS.TS Đặng Văn Đức (bảo vệ năm 2022). Luận án thuộc lĩnh vực khoa học máy tính ứng dụng trong xử lý dữ liệu không gian và trắc địa viễn thám, đi theo hướng tiếp cận định lượng và phát triển thực nghiệm thuật toán.

Về tính cấp thiết, công nghệ LiDAR (Light Detection and Ranging) là kỹ thuật viễn thám chủ động cho phép thu nhận dữ liệu độ cao và tọa độ ba chiều (3D) của bề mặt Trái đất với mật độ dày đặc và độ chính xác cao. Tại Việt Nam, công nghệ LiDAR được triển khai thử nghiệm từ năm 2006 nhưng các ứng dụng thực tế chủ yếu mới dừng lại ở việc tạo mô hình số độ cao (DEM), mô hình số địa hình (DTM) và mô hình số bề mặt (DSM). Đa số các đơn vị sản xuất trong nước vẫn đang áp dụng quy trình phân loại bán tự động dựa trên phần mềm thương mại đi kèm thiết bị. Quy trình này đòi hỏi con người phải trực tiếp đối chiếu kết quả với bản đồ hiện trạng và ảnh cường độ xám để hiệu chỉnh thủ công, dẫn tới thời gian xử lý kéo dài và dễ phát sinh sai số chủ quan.

Khoảng trống nghiên cứu được tác giả xác định là sự thiếu vắng các thuật toán phân loại tự động thích ứng tốt với đặc điểm địa hình và đối tượng phức tạp tại Việt Nam. Các thuật toán kinh điển khi áp dụng vào đám mây điểm (ĐMĐ) LiDAR bộc lộ các hạn chế kỹ thuật rõ rệt: thuật toán Cực đại hóa kỳ vọng (Expectation Maximization - EM) có tốc độ hội tụ chậm và nhạy cảm với tham số khởi tạo trên tập dữ liệu quy mô lớn; thuật toán Phân loại độ cong đa tỷ lệ (Multiscale Curvature Classification - MCC) phụ thuộc vào tham số do người dùng tự định nghĩa, phép nội suy tấm mỏng uốn cong (Thin Plate Spline - TPS) bị suy giảm tốc độ khi số lượng điểm kiểm soát tăng, đồng thời thuật toán MCC truyền thống loại bỏ hoàn toàn nhóm điểm non-ground – nhóm dữ liệu chứa nhiều thông tin giá trị về lớp phủ bề mặt nhân tạo và thực vật.

Mục tiêu nghiên cứu tổng quát của luận án là nghiên cứu đề xuất phương pháp và thuật toán phân loại dữ liệu ĐMĐ LiDAR có độ chính xác cao; đồng thời ứng dụng kết quả sau phân loại để phục vụ bài toán đánh giá sự thay đổi lớp phủ bề mặt khu vực đô thị và tạo lập bộ dữ liệu đầu vào cho hệ hỗ trợ ra quyết định (Decision Support System - DSS) trong quản lý đất đai.

Văn bản luận án xác định cụ thể 3 câu hỏi nghiên cứu:

• 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?
• 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?
• 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 nghiên cứu của luận án là công nghệ LiDAR, bài toán phân loại điểm và khả năng sử dụng, cải tiến của hai thuật toán EM và MCC để nâng cao chất lượng phân loại ĐMĐ LiDAR. Phạm vi nghiên cứu tập trung vào bài toán phát triển thuật toán phân loại dữ liệu ĐMĐ LiDAR tự động, kiểm nghiệm thực nghiệm trên các bộ dữ liệu LiDAR thu nhận tại Việt Nam (tiêu biểu là khu vực thành phố Uông Bí, tỉnh Quảng Ninh và bộ dữ liệu đo vẽ đô thị năm 2018).

Tổng quan tài liệu và vị trí của luận án

Trong luận án, tác giả đã tiến hành tổng thuật chi tiết các công trình nghiên cứu liên quan đến công nghệ LiDAR và bài toán phân loại dữ liệu ĐMĐ theo hai nhóm không gian nghiên cứu trong nước và quốc tế.

Về tình hình nghiên cứu trong nước:

• Mốc thời gian đánh dấu công nghệ LiDAR bắt đầu được áp dụng tại Việt Nam là năm 2006, khi Công ty Đo đạc ảnh Địa hình và Trung tâm Viễn thám thuê Công ty AAMHATCH (Úc) thực hiện bay quét thử nghiệm tại Đồng Nai và thành phố Cần Thơ.
• Tại Công ty TNHH MTV Tài nguyên và Môi trường Việt Nam, dữ liệu LiDAR chủ yếu được xử lý thông qua các phần mềm thương mại như Global Mapper hoặc ENVI LiDAR để thành lập DEM, DSM và nội suy đường bình độ.
• Nghiên cứu của Vũ Quốc Lập (Công ty Đo đạc và Khoáng sản) ứng dụng công nghệ LiDAR trong công tác đo vẽ hiện trạng hệ thống hầm lò mỏ.
• Công trình của nhóm tác giả trong tài liệu [26] phân tích khả năng ứng dụng LiDAR tại khu vực bãi bồi ven biển, chứng minh dữ liệu thu được đủ độ chính xác để thành lập cơ sở dữ liệu nền địa hình tỷ lệ 1:5000 và nhỏ hơn.
• Các công trình nghiên cứu [27], [28] đề xuất phương pháp kết hợp dữ liệu quét LiDAR với thiết bị bay không người lái (UAV) nhằm thu thập dữ liệu phục vụ khảo sát, thiết kế và kiểm định công trình.
• Nghiên cứu [29] sử dụng dữ liệu LiDAR để cập nhật cơ sở dữ liệu hạ tầng giao thông tại Thành phố Hồ Chí Minh.
• Hạn chế chung của các nghiên cứu trong nước được tác giả chỉ ra là đều phụ thuộc vào thuật toán thương mại bán tự động, mới chỉ dừng lại ở việc chia điểm thành hai lớp ground và non-ground để tạo mô hình địa hình, chưa phân loại chi tiết các đối tượng trên mặt đất.

Về tình hình nghiên cứu quốc tế, tác giả phân loại các phương pháp tiếp cận thành 4 nhóm chính:

• Nhóm thuật toán phân cụm K-means: Zhang và cộng sự [30], [31] áp dụng K-means phân loại ĐMĐ theo mật độ điểm và ma trận giá trị riêng thu được từ phân tích thành phần chính (PCA) để tách lớp biên (edge) và phi biên (non-edge), đạt độ chính xác từ 61% đến 98%. Một số nghiên cứu khác kết hợp K-means với mạng nơ-ron nhân tạo (ANN) [32] hoặc phân đoạn ĐMĐ [33].
• Nhóm phân loại dựa trên đặc trưng hình thái điểm: Nghiên cứu [34] tại Stuttgart (Đức) sử dụng biến động mật độ từ tín hiệu phản hồi để tạo DTM, DSM và mô hình chiều cao tán cây (CHM); nghiên cứu [35] dùng thuật toán phát hiện điểm dị thường từ dữ liệu quét laser di động (MLS) và mặt đất (TLS) để nhận dạng cây cối và công trình nhân tạo với độ chính xác khoảng 95%; nghiên cứu [36] phân loại hướng đối tượng (OBC) dựa trên phân đoạn ĐMĐ 3D; nghiên cứu [37] phân tích chiều cao và thứ tự tia phản hồi của từng điểm.
• Nhóm phân loại truyền thống và phép nội suy: Các nghiên cứu [41], [44], [45] ứng dụng thuật toán EM phân loại dựa trên độ cao và cường độ phản xạ, trong đó nghiên cứu [45] chứng minh thuật toán đề xuất đạt sai số 16,78% (thấp hơn thuật toán PTD truyền thống) và giảm lỗi hệ thống xuống 31%; nghiên cứu [43] áp dụng mô hình hỗn hợp Gauss (GMM); nghiên cứu [42] khai thác mối quan hệ ngữ nghĩa nhiều mức với độ chính xác 93%; nghiên cứu [46] kết hợp trường ngẫu nhiên điều kiện (CRF) với GMM-EM; nghiên cứu [47] kết hợp Rừng ngẫu nhiên (RF) và Máy vector hỗ trợ (SVM) trên dữ liệu đô thị và rừng; nghiên cứu [48] dùng thuật toán MCC với phép nội suy tấm mỏng uốn cong (TPS); nghiên cứu [49] đề xuất phương pháp MCC-RGB kết hợp SVM; nghiên cứu [50] so sánh hiệu quả giữa MCC và công cụ BCAL của Boise Center Aerospace Laboratory trên hơn 7.000 điểm kiểm tra.
• Nhóm phân loại dựa trên học máy và học sâu: Nghiên cứu [53] dùng SVM tuyến tính kết hợp cây quyết định; nghiên cứu [54] cải tiến SVM phân loại nhà cao tầng và cây cối theo mật độ lân cận; nghiên cứu [55] kết hợp thuật toán phát triển bề mặt (Surface Growing) với hàm nhân RBF trong SVM, đạt độ chính xác các lớp từ 92% đến 98%; nghiên cứu [26] dùng SVM wavelet (WSVM); nghiên cứu [51] dùng k-NN đạt độ chính xác 92%; các nghiên cứu [56], [57] ứng dụng kiến trúc mạng nơ-ron tích chập trên ĐMĐ như PointNet và GACNN trên tập dữ liệu ISPRS 3D (đạt F1-score trung bình 71,5% và độ chính xác tổng thể 83,2%).

Khoảng trống luận án lựa chọn giải quyết là tối ưu hóa sự kết hợp giữa thuật toán EM và MCC. Trong khi EM có thế mạnh phân loại tốt các điểm phản xạ nhưng hội tụ chậm, thì MCC phân loại hiệu quả các điểm tán xạ trong khu vực thực phủ phức tạp nhưng lại phụ thuộc tham số khởi tạo và làm chậm phép nội suy TPS. Luận án chọn hướng cải tiến thuật toán EM thành thuật toán EM-D, sau đó dùng chính EM-D kết hợp mô hình RPM-GMM để cải tiến phép nội suy TPS trong thuật toán MCC thành MCC-D, cho phép khai thác đồng thời cả dữ liệu phản xạ và tán xạ của LiDAR.

Cơ sở lý thuyết và phương pháp nghiên cứu

Về cơ sở lý thuyết, luận án xây dựng trên nền tảng nguyên lý đo khoảng cách bằng thời gian truyền xung laser (Time of Flight - ToF) của hệ thống LiDAR tích hợp ba phân hệ chính: hệ thống phát xung Laser, hệ thống vệ tinh định vị toàn cầu (GNSS/GPS) và hệ thống dẫn đường quán tính (INS/IMU). Khoảng cách từ máy phát đến bề mặt phản xạ được xác định theo công thức:

$$D = \frac{S \times T}{2}$$

Trong đó, $D$ là khoảng cách đo, $S$ là vận tốc ánh sáng và $T$ là tổng thời gian tia laser truyền đi và phản hồi về cảm biến. Tọa độ không gian 3 chiều $(X, Y, Z)$ của từng điểm được tính toán kết hợp giữa góc quét phương vị, cự ly $D$ và dữ liệu vị trí, tư thế góc (Roll, Pitch, Yaw) từ GNSS/INS theo Hệ quy chiếu và Hệ tọa độ quốc gia VN-2000 (múi chiếu $3^\circ$) tuân thủ Thông tư số 973/2001/TT-TCĐC. Định dạng dữ liệu chuẩn được sử dụng là LAS do Hiệp hội Chụp ảnh và Viễn thám Hoa Kỳ (ASPRS) ban hành, lưu giữ đầy đủ các trường thông tin: tọa độ $X, Y, Z$, cường độ phản xạ (intensity), tem thời gian GPS, thứ tự xung phản hồi (first/last return), góc quét và thông tin màu RGB.

Về cơ sở thuật toán:

• Thuật toán EM và GMM: Mô hình xác suất phân bố chuẩn GMM biểu diễn mật độ điểm qua tổng trọng số của $K$ thành phần Gauss. Thuật toán EM lặp qua hai bước: bước Kỳ vọng (E-step) tính toán ma trận xác suất hậu nghiệm kích thước $N \times K$, bước Cực đại hóa (M-step) tính toán lại các tham số trọng số $\alpha_k$, vector kỳ vọng $\mu_k$ và ma trận hiệp phương sai $\Sigma_k$ nhằm cực đại hóa hàm log-khả năng:

$$\ln P(X|\mu, \Sigma, \pi) = \sum_{n=1}^{N} \ln \left{ \sum_{k=1}^{K} \pi_k \mathcal{N}(x_n|\mu_k, \Sigma_k) \right}$$

• Thuật toán MCC và phép nội suy TPS: Thuật toán phân loại độ cong đa tỷ lệ sử dụng phép nội suy hàm trơn tấm mỏng uốn cong TPS qua các điểm kiểm soát để tạo mặt xấp xỉ địa hình, sau đó so sánh độ cong cục bộ để lọc bỏ điểm non-ground.
• Kỹ thuật pPCA (Probabilistic Principal Component Analysis): Kỹ thuật phân tích thành phần chính xác suất trong không gian tiềm ẩn số chiều thấp, dùng để giải bài toán giá trị riêng của ma trận hiệp phương sai, giảm số chiều thuộc tính từ $(X, Y, Z, \text{cường độ})$ xuống các thành phần chính mang phương sai lớn nhất.

Phương pháp nghiên cứu thực tế bao gồm ba phương pháp cụ thể:

1. Phương pháp phân tích, tổng hợp tài liệu: Thu thập, hệ thống hóa các công bố khoa học, luận án và tài liệu tiêu chuẩn liên quan đến xử lý ĐMĐ LiDAR để xác định điểm nghẽn kỹ thuật.
2. Phương pháp thực nghiệm thuật toán: Cài đặt mã nguồn các thuật toán đề xuất (EM-D và MCC-D), thực thi trên các tập dữ liệu thực tế thu nhận tại Việt Nam. Sử dụng ma trận nhầm lẫn (confusion matrix), độ chính xác tổng thể (Overall Accuracy - OA), các độ đo Precision, Recall và F1-score để định lượng và so sánh đối sánh với thuật toán EM gốc và MCC phiên bản 2.1.
3. Phương pháp viễn thám và hệ thông tin địa lý: Ứng dụng kỹ thuật nội suy không gian và xử lý dữ liệu để xây dựng các mô hình số độ cao DEM, DSM ở độ phân giải 1m và tạo lập dữ liệu phục vụ mô phỏng 3D.

Quy trình tiền xử lý và kỹ thuật cải tiến cốt lõi gồm các bước:

• Khử nhiễu không gian bằng thuật toán k-NN: Tìm $k$ láng giềng gần nhất để tính toán mật độ cục bộ $\mathcal{P}(x)$ theo hàm nhân Gauss. Điểm dữ liệu bị coi là nhiễu và loại bỏ khi độ cao $Z_k$ vượt quá ngưỡng:

$$Z_{th} = 3 \times \mathcal{P}(x) \times Z_{std}$$

với $Z_{std}$ là độ lệch chuẩn độ cao của các điểm lân cận.

• Chia nhỏ ĐMĐ theo chiều dọc nhằm giải quyết tình trạng phân bố mật độ không đồng đều.
• Bổ sung tham số lập lịch $\beta$ vào hàm tính xác suất thành phần Gauss nhằm giảm sự chồng lấn giữa các cụm và gia tăng tốc độ hội tụ:

$$P(Z_i) = \sum_{k=1}^{K} \Pi_k \mathcal{N}(Z_i|\mu, \Sigma_k, C_k)^\beta$$

• Ứng dụng pPCA xác định các vector riêng $V$, ma trận tỷ lệ giá trị riêng $L$ và ma trận xoay trực giao $R$ để cập nhật ma trận hiệp phương sai: $\Sigma_k = V(L - r_i^2 I)^{1/2} R$.

Nguồn tư liệu thực nghiệm là các tập dữ liệu bay quét LiDAR thực tế tại Việt Nam, bao gồm khu vực thành phố Uông Bí (Quảng Ninh) và tập dữ liệu phục vụ quy hoạch đô thị năm 2018.

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 công nghệ và tổng quan tình hình nghiên cứu bài toán phân loại ĐMĐ LiDAR. Chương gồm 6 nội dung chính:

• Kiến trúc và nguyên lý hệ thống LiDAR: Phân tích sự phối hợp đồng bộ giữa khối phát laser quang học, thiết bị định vị GNSS và cảm biến đạo hàng quán tính IMU/INS. Tác giả mô tả cơ chế phản xạ đa xung (xung đầu tiên FP phản xạ từ đỉnh tán cây hoặc mái nhà; các xung trung gian phản xạ qua cành lá; xung cuối cùng LP phản xạ từ mặt đất) làm tiền đề tách bóc các lớp đối tượng.
• Đặc trưng và định dạng tệp dữ liệu: Trình bày cấu trúc tệp LAS nhị phân theo tiêu chuẩn ASPRS, phân tích các thuộc tính then chốt của từng điểm quét gồm tọa độ $(X, Y, Z)$, độ cao tương đối, cường độ phản xạ tia laser và thứ tự xung.
• Khái niệm và tiến trình phân loại: Định nghĩa điểm ground (thuộc bề mặt địa hình tự nhiên) và điểm non-ground (nhà cửa, công trình xây dựng, thực vật, phương tiện, dây điện). Phân tích chu trình xử lý tổng quát gồm 4 bước: chuẩn bị dữ liệu huấn luyện và rút trích đặc trưng; thực hiện phân loại; kiểm tra và đánh giá mô hình; ứng dụng dữ liệu sau phân loại vào bài toán chuyên ngành.
• Tiền xử lý và nội suy không gian: Phân loại các dạng nhiễu trong ĐMĐ LiDAR thành nhiễu Gauss, nhiễu ngoại biên và nhiễu ngoại lệ; so sánh hai hướng khử nhiễu miền tần số và miền không gian. Trình bày các phương pháp nội suy không gian dựa trên định luật Tobler (IDW, Nearest Neighbor, Spline) ứng dụng trong tạo DTM/DEM.
• Tổng thuật các công trình nghiên cứu: Đánh giá các công trình trong nước (AAMHATCH, Công ty TNHH MTV Tài nguyên và Môi trường Việt Nam, Vũ Quốc Lập, v.v.) và quốc tế (K-means, SVM, GMM, CRF, PointNet, MCC, BCAL).
• Đề xuất phương pháp nghiên cứu: Luận án chỉ ra sự tương thích bổ trợ giữa EM (hiệu quả với điểm phản xạ) và MCC (hiệu quả với điểm tán xạ); từ đó đề xuất quy trình kết hợp hai hướng: phát triển thuật toán EM-D và phát triển thuật toán MCC-D thông qua việc dùng EM-D cải tiến phép nội suy TPS theo mô hình RPM-GMM.

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 hai thuật toán cốt lõi và kết quả thử nghiệm định lượng:

• Phát triển thuật toán EM-D: Tác giả giải quyết hiện tượng hội tụ chậm và nhạy cảm tham số của thuật toán EM bằng quy trình 4 bước: (1) Khử nhiễu không gian bằng $k$-NN dựa trên ngưỡng $Z_{th}$; (2) Chia nhỏ ĐMĐ theo chiều dọc để cân bằng mật độ; (3) Giảm chiều thuộc tính và khởi tạo ma trận hiệp phương sai dựa trên pPCA; (4) Đưa tham số lập lịch $\beta$ vào quá trình lặp. Tham số $\beta$ được khởi tạo xấp xỉ 0 (các thành phần phân bố chồng lấn đồng nhất) và tăng dần có kiểm soát tiến tới 1 sau mỗi chu kỳ lặp để cực tiểu hóa sự phụ thuộc vào trạng thái khởi tạo, giúp thuật toán đạt trạng thái hội tụ nhanh hơn.
• Phát triển thuật toán MCC-D: Trong thuật toán MCC truyền thống, phép lặp tấm mỏng uốn cong TPS tốn nhiều thời gian khi số điểm kiểm soát lớn và dễ bị lệch nếu tham số bước lưới không chuẩn xác. Luận án tích hợp mô hình so khớp điểm RPM-GMM (Robust Point Matching - Gaussian Mixture Model) được tối ưu hóa bởi thuật toán EM-D vào quy trình tính toán TPS. Thuật toán MCC-D giúp tự động hóa quá trình xác định bề mặt xấp xỉ, giảm phụ thuộc vào tham số chủ quan của người dùng và tăng tốc độ xử lý trên các khu vực có thảm thực vật che phủ phức tạp.
• Thực nghiệm và kết quả định lượng: Các thuật toán được cài đặt và kiểm nghiệm trên các bộ dữ liệu thực tế, tiêu biểu là khu vực Uông Bí (Quảng Ninh) và dữ liệu đo đạc năm 2018. Kết quả đánh giá được lượng hóa chi tiết qua các bảng số liệu trong luận án:

Bảng danh mục	Nội dung thống kê thực nghiệm
Bảng 2.1 & 2.2	Số lượng điểm trong tập dữ liệu huấn luyện và kiểm tra của các bộ dữ liệu thử nghiệm.
Bảng 2.3	Mức độ tương quan và tần suất phân bố của hai thành phần chính sau khi trích xuất bằng pPCA.
Bảng 2.4	So sánh kết quả phân loại giữa thuật toán EM-D đề xuất và thuật toán EM truyền thống [45].
Bảng 2.5	Bộ dữ liệu huấn luyện và kiểm tra tại khu vực thành phố Uông Bí, Quảng Ninh.
Bảng 2.6	So sánh kết quả phân loại giữa MCC-D và thuật toán MCC phiên bản gốc 2.1.
Bảng 2.7	Thống kê số lượng điểm của từng lớp đối tượng cụ thể trong tập huấn luyện và kiểm tra.
Bảng 2.8	Ma trận nhầm lẫn (Confusion Matrix) và giá trị độ chính xác tổng thể (Overall Accuracy - OA).

Kết quả thử nghiệm khẳng định thuật toán EM-D và MCC-D vượt trội hơn so với các phiên bản gốc tương ứng về tốc độ hội tụ và độ chính xác phân loại trên các lớp đối tượng.

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

Chương 3 tập trung hiện thực hóa giá trị ứng dụng của dữ liệu ĐMĐ LiDAR sau khi đã được phân loại tự động:

• Phân loại lớp phủ bề mặt khu vực đô thị: Tác giả phân tích đặc trưng quang phổ và hình thái của lớp phủ đô thị. Sử dụng thuật toán EM-D để phân tách chi tiết ĐMĐ thành các lớp riêng biệt gồm: lớp mặt đất (ground), lớp công trình xây dựng (nhà cao tầng, nhà dân), lớp thảm thực vật (cây cao, thảm cỏ) và lớp mặt nước.
• Thành lập mô hình số độ cao DEM và DSM: Từ các lớp điểm đã phân loại thành công, tác giả áp dụng phương pháp nội suy không gian để thành lập mô hình DEM (sử dụng tập điểm ground) và mô hình DSM (sử dụng tập điểm bề mặt ngoài cùng gồm mặt đất, mái nhà và tán cây) với độ phân giải không gian đạt 1m từ dữ liệu quét năm 2018.
• Tích hợp cơ sở dữ liệu đầu vào cho hệ hỗ trợ ra quyết định (DSS): Luận án đề xuất khung kiến trúc tạo lập bộ dữ liệu đầu vào cho hệ DSS trong quản lý và quy hoạch đất đai đô thị. Khung dữ liệu tích hợp mô hình 3D thực tế, các lớp chuyên đề về mật độ xây dựng, chiều cao công trình và diện tích cây xanh.
• Mô phỏng hiện trạng và đánh giá biến động: Xây dựng mô hình 3D mô phỏng không gian đo vẽ, chứng minh khả năng sử dụng dữ liệu LiDAR sau phân loại trong việc cập nhật hiện trạng sử dụng đất, giám sát trật tự xây dựng và hỗ trợ công tác quy hoạch đô thị.
• Các bảng biểu tổng kết đánh giá thực nghiệm trong chương gồm:
  • Bảng 3.1 & 3.2: Giá trị thuộc tính và số lượng điểm tập huấn luyện/kiểm tra của bộ dữ liệu LiDAR đô thị.
  • Bảng 3.3 & 3.5: Thống kê số lượng điểm thuộc các lớp đối tượng sau phân loại.
  • Bảng 3.4: So sánh đối sánh kết quả phân loại giữa thuật toán EM-D với MCC và EM.
  • Bảng 3.6: Bảng tổng hợp so sánh độ chính xác phân loại tổng thể của các phương pháp.

Kết quả và những đóng góp mới

Luận án đã đạt được các kết quả khoa học và đóng góp mới cụ thể như sau:

Về mặt lý luận khoa học:

• Đã nghiên cứu hoàn thiện cơ sở toán học xử lý ĐMĐ LiDAR và đề xuất thành công thuật toán EM-D (cải tiến từ EM). Thuật toán kết hợp kỹ thuật phân tích thành phần chính xác suất pPCA để ước lượng ma trận hiệp phương sai, chia nhỏ ĐMĐ theo phương đứng và đưa vào tham số lập lịch $\beta$, khắc phục nhược điểm nhạy cảm với tham số khởi tạo và gia tăng tốc độ hội tụ.
• Đã đề xuất thành công thuật toán MCC-D (cải tiến từ MCC). Bằng việc sử dụng thuật toán EM-D kết hợp mô hình RPM-GMM để cải tiến phép nội suy tấm mỏng uốn cong TPS, thuật toán MCC-D đã giải quyết được sự phụ thuộc vào tham số khởi tạo do người dùng tự đặt và tối ưu hóa thời gian tính toán nội suy.
• Đề xuất phương pháp kết hợp đồng thời EM-D (chuyên trách dữ liệu phản xạ) và MCC-D (chuyên trách dữ liệu tán xạ), giúp tận dụng toàn diện các thông tin hình học và cường độ của xung LiDAR.

Về mặt thực tiễn và giải pháp đề xuất:

• Xây dựng hoàn chỉnh quy trình phân loại tự động dữ liệu LiDAR thích ứng với điều kiện địa hình phức tạp tại Việt Nam, giảm thiểu sự phụ thuộc vào các phần mềm thương mại đắt tiền và hạn chế sai số can thiệp thủ công từ con người.
• Đề xuất quy trình công nghệ tạo lập mô hình số độ cao DEM và mô hình số bề mặt DSM độ phân giải 1m phục vụ đo vẽ địa hình.
• Đề xuất giải pháp và quy trình tạo lập cơ sở dữ liệu không gian 3D làm dữ liệu đầu vào cho hệ hỗ trợ ra quyết định (DSS) trong công tác quy hoạch và quản lý đất đai khu vực đô thị.

Hạn chế và hướng nghiên cứu tiếp

Về mặt hạn chế, văn bản luận án cho thấy:

• Quá trình thử nghiệm và kiểm chứng thuật toán chủ yếu được tiến hành trên một số bộ dữ liệu cụ thể tại Việt Nam (tập trung tại khu vực Uông Bí, Quảng Ninh và bộ dữ liệu đô thị năm 2018); chưa có điều kiện thử nghiệm diện rộng trên các dạng địa hình rừng nhiệt đới rậm rạp, địa hình karst hoặc vùng đất ngập nước ven biển có tính chất phản xạ quang học phức tạp hơn.
• Thuật toán khử nhiễu bằng $k$-NN trong bước tiền xử lý vẫn đòi hỏi lựa chọn số láng giềng $k$ phù hợp với từng mật độ điểm của từng thiết bị bay quét cụ thể.

Về hướng nghiên cứu tiếp:

• Tiếp tục mở rộng thử nghiệm, tinh chỉnh thuật toán EM-D và MCC-D trên nhiều tập dữ liệu LiDAR đa dạng về mật độ và địa hình tại các vùng miền khác nhau của Việt Nam.
• Nghiên cứu kết hợp dữ liệu đám mây điểm LiDAR với ảnh viễn thám đa phổ, ảnh chụp siêu cao từ thiết bị bay không người lái (UAV) để tích hợp thông tin màu sắc (chuyển đổi dữ liệu sang dạng 4D), phục vụ tự động hóa gán nhãn thuộc tính đối tượng với độ chi tiết cao hơn.

Giá trị tham khảo

Luận án mang lại giá trị tham khảo cụ thể cho các nhóm đối tượng:

• Nghiên cứu sinh, học viên cao học và giảng viên: Thuộc các chuyên ngành Hệ thống thông tin, Khoa học Máy tính, Công nghệ phần mềm, Kỹ thuật Trắc địa - Bản đồ và Viễn thám. Phần đáng tham khảo nhất là Chương 2 với các công thức toán học chi tiết về việc ứng dụng pPCA, cách thiết lập tham số lập lịch $\beta$ cho thuật toán EM và cách tích hợp mô hình RPM-GMM vào phép nội suy TPS của MCC.
• Kỹ sư và cán bộ kỹ thuật tại các doanh nghiệp đo đạc bản đồ: Tham khảo Chương 1 và Chương 2 để nắm bắt quy trình tiền xử lý khử nhiễu không gian bằng $k$-NN và nguyên lý phân loại tự động, giúp tối ưu hóa dây chuyền xử lý dữ liệu thay thế các phần mềm thương mại bán tự động.
• Cơ quan quản lý nhà nước và chuyên gia quy hoạch: Tham khảo Chương 3 về quy trình thành lập DEM/DSM độ phân giải 1m và khung kiến trúc tích hợp dữ liệu không gian 3D phục vụ hệ hỗ trợ ra quyết định (DSS) trong quy hoạch đất đai và quản lý phát triển hạ tầng đô thị.

Câu hỏi thường gặp

1. Tại sao quy trình phân loại dữ liệu LiDAR bán tự động tại Việt Nam trước đây lại bộc lộ nhiều hạn chế?
Trước đây, các đơn vị sản xuất đo đạc trong nước chủ yếu sử dụng phần mềm thương mại kèm theo máy quét để phân loại bán tự động. Quá trình này đòi hỏi kỹ thuật viên phải đối chiếu thủ công kết quả phân loại với bản đồ hiện trạng và ảnh cường độ xám để chỉnh sửa lỗi. Việc can thiệp thủ công này gây tốn nhiều thời gian, dễ xuất hiện sai số chủ quan của con người, chi phí phần mềm bản quyền rất cao và thông thường chỉ phân loại thành hai lớp ground và non-ground để lập DEM/DTM, làm lãng phí thông tin của lớp non-ground.

2. Thuật toán EM-D đã cải tiến những điểm cốt lõi nào so với thuật toán EM truyền thống?
Thuật toán EM-D thực hiện 4 cải tiến cốt lõi: (1) Áp dụng thuật toán $k$-NN để khử nhiễu không gian dựa trên ngưỡng độ cao cục bộ $Z_{th}$; (2) Chia nhỏ ĐMĐ theo chiều dọc nhằm giảm thiểu sự phân bố không đồng đều về mật độ điểm; (3) Sử dụng phân tích thành phần chính xác suất (pPCA) để ước lượng tham số và tính toán ma trận hiệp phương sai của mô hình GMM; (4) Đưa thêm tham số lập lịch $\beta$ vào hàm xác suất, cho phép kiểm soát mức độ chồng lấn giữa các thành phần Gauss và tăng tốc độ hội tụ tới điểm tối ưu toàn cục.

3. Nhược điểm chính của thuật toán MCC truyền thống là gì và được khắc phục như thế nào trong MCC-D?
Thuật toán MCC gốc phụ thuộc lớn vào các tham số bước lưới và tỷ lệ độ cong do người dùng thiết lập chủ quan; đồng thời phép nội suy tấm mỏng uốn cong (TPS) bị chậm khi số điểm kiểm soát gia tăng, và thuật toán chỉ lọc điểm ground mà loại bỏ hoàn toàn nhóm điểm non-ground. Trong MCC-D, tác giả đã sử dụng thuật toán EM-D tích hợp vào mô hình RPM-GMM để cải tiến phép nội suy TPS, giúp tự động hóa quá trình xác định bề mặt xấp xỉ, giảm phụ thuộc vào tham số chủ quan và tối ưu hóa thời gian tính toán.

4. Vì sao tác giả đề xuất kết hợp cả hai thuật toán EM và MCC trong quy trình phân loại?
Qua tổng quan và thực nghiệm, tác giả nhận thấy thuật toán EM có khả năng phân loại tốt đối với các xung LiDAR phản xạ trực tiếp từ bề mặt đối tượng; trong khi thuật toán MCC lại hoạt động vượt trội đối với các xung LiDAR tán xạ trong các vùng có thảm thực vật che phủ phức tạp. Việc kết hợp thuật toán EM-D và MCC-D cho phép hệ thống tận dụng được toàn bộ lượng dữ liệu thu nhận từ cảm biến quét LiDAR.

5. Sản phẩm ứng dụng cụ thể được xây dựng từ dữ liệu LiDAR sau phân loại trong Chương 3 là gì?
Dữ liệu ĐMĐ sau phân loại đã được sử dụng để xây dựng mô hình số độ cao (DEM) và mô hình số bề mặt (DSM) với độ phân giải không gian đạt 1m (sử dụng tập dữ liệu quét năm 2018). Đồng thời, dữ liệu được chuyển đổi để tạo lập bộ dữ liệu không gian 3D đầu vào cho hệ hỗ trợ ra quyết định (DSS) trong quản lý quy hoạch đất đai đô thị và mô phỏng 3D hiện trạng khu vực đo vẽ.

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 thành công hai thuật toán cải tiến EM-D và MCC-D. Bằng việc kết hợp pPCA, tham số lập lịch $\beta$ và mô hình RPM-GMM, luận án đã khắc phục các hạn chế về tốc độ hội tụ và sự phụ thuộc tham số của các thuật toán truyền thống. Kết quả nghiên cứu không chỉ đóng góp về mặt thuật toán xử lý dữ liệu viễn thám mà còn chứng minh tính hiệu quả thực tiễn qua việc thành lập mô hình DEM, DSM độ phân giải 1m và xây dựng cơ sở dữ liệu 3D phục vụ hệ hỗ trợ ra quyết định trong quản lý đất đai đô thị tại Việt Nam.

Trích đoạn nội dung tài liệu

chương 1. Các kiến thức này làm cơ sở cho bài toán phân loại ĐMĐ LiDAR và lựa chọn cách giải bài toán liên quan đến dữ liệu ĐMĐ LiDAR sẽ được trình bày trong các chương tiếp theo.1 Kiến trúc hệ thống LiDAR 1.1 Khái niệm công nghệ LiDAR LiDAR là phương pháp viễn thám thực hiện đo khoảng cách đến Trái đất bằng xung tia laser, là một cảm biến quang chủ động. Thiết bị LiDAR phát tia laser về phía mục tiêu trên mặt đất, sau đó đo các tia phản xạ. Tổ hợp các xung laser này và dữ liệu khác lưu trữ trên hệ thống LiDAR chứa các thông tin 3D chính xác về hình dạng Trái đất và các đặc trưng các đối tượng trên đó [2].

LiDAR đôi khi còn được gọi là ToF (Time of Flight) là phương pháp phát hiện các đối tượng và ánh xạ khoảng cách của chúng [5]. Các máy tín hiệu phản xạ sẽ ghi lại chính xác từ lúc tia laser rời khỏi máy phát cho đến khi phản hồi trở lại để có thể tính toán khoảng cách giữa điểm phát và mục tiêu. Thông tin này được kết hợp với thông tin vị trí sẽ được tính toán thành các tọa độ 3D thực tế của mục tiêu phản hồi trong không gian đối tượng. LiDAR cho phép xác định tọa độ (x, y) và độ cao (z) của một điểm có độ chính xác cao [1].

Hệ thống LiDAR có 3 thành phần chính là: Hệ thống khuyếch đại ánh sáng Laser (Light amplification by stimulated emission of radiation), hệ thống vệ tinh định vị toàn cầu GNSS/GPS (Global Navigation Sattelite System/Global Postioning System) và hệ thống đạo hàng/dẫn đường quán tính INS (Inertial Navigation System). Tổ hợp các thiết bị này trong mối quan hệ hữu cơ, tác động chi phối lẫn nhau, tạo nên hệ thống LiDAR [1], [3]. LUAN VAN CHAT LUONG download : add luanvanchat@agmail.1 Thành phần của hệ thống LiDAR Các hệ thống LiDAR truyền ánh sáng laser từ các hệ thống di động khác nhau (ô tô, máy bay, máy bay không người lái) qua không khí và thảm thực vật (laser trên không) và thậm chí cả nước (laser độ sâu). Cơ chế quét được thiết kế để tạo ra một luồng xung laser nhất quán.

Các xung laser được phản xạ khỏi gương (quay hoặc quét) [6]. Hệ thống GNSS cung cấp thông tin địa lý chính xác liên quan đến vị trí của cảm biến (vĩ độ, kinh độ, chiều cao) và IMU xác định tại vị trí này hướng chính xác của cảm biến (Pitch, Roll, Yaw). Dữ liệu được ghi lại bởi 2 thiết bị này sau đó được sử dụng để tạo dữ liệu thành các điểm tĩnh: cơ sở của ĐMĐ ánh xạ 3D [5]. GPS cung cấp thông tin địa lý chính xác liên quan đến vị trí của cảm biến và đơn vị đo lường quán tính ghi lại hướng chính xác của cảm biến tại vị trí đó [6].

Cùng với GPS, IMU ghi lại vị trí X, Y, Z chính xác của máy quét. IMU chứa một cảm biến gia tốc kế, con quay hồi chuyển và cảm biến từ kế để đo vận tốc, định hướng và lực hấp dẫn [4]. Sau khi khảo sát, dữ liệu được tải xuống và xử lý bằng phần mềm xử lý dữ liệu ĐMĐ LIDAR. Đầu ra bao gồm kinh độ được đăng ký theo địa lý (X), vĩ độ (Y) và độ cao (Z) cho mọi điểm dữ liệu.

Với dữ liệu điểm độ cao có thể tạo bản đồ địa hình chi tiết của vùng nghiên cứu [3]. LUAN VAN CHAT LUONG download : add luanvanchat@agmail.2 Hoạt động của hệ thống LiDAR Một cảm biến LiDAR gắn trên máy bay, oto, …. Bộ phát sẽ tạo ra chuỗi xung laser, sau đó gửi đến bề mặt/mục tiêu để đo thời gian đi và về của xung. Nguyên lý làm việc của LiDAR như sau: - Phát xung laser xuống bề mặt trái đất - Thu nhận tia laser phản xạ trở lại nguồn xung LiDAR bằng các cảm biến - Đo thời gian đi của laser - Tính toán thực tế để đo khoảng cách một photon ánh sáng trở lại đã đi tới và từ một vật thể được tính bằng công thức (1) [3]: D = (S * T)/2 (1.1) Trong đó, D (Distance) là khoảng cách từ bộ phát đến đối tượng, S (Speed of light) là tốc độ của tia laser, T là thời gian của xung laser đi từ bộ phát đến đối tượng và phản hồi đến sensor trên thiết bị mang bộ phát laser.

Sau đó có thể xác định được các đối tượng như nhà, đường hay thực vật. Những dữ liệu độ cao này được sử dụng để tạo ra mô hình DEM/DSM/DTM của bề mặt [7].2 Cách hoạt động của các thành phần trong hệ thống LiDAR Xung của laser được phát hướng xuống mặt đất trên một độ cao nào đó được phản hồi từ mặt đất hay từ các bề mặt đối tượng như cây, đường hoặc nhà ., với mỗi xung sẽ đo được thời gian đi và về của tín hiệu, tính được khoảng cách từ nguồn phát laser tới đối tượng. Với các trị đo tổng hợp sẽ tính toán được vị trí của các điểm trên bề mặt trái đất [8], [1]. Trong thời điểm phát và nhận tia laser, dữ liệu về định hướng không gian của tia quét được xác định và ghi lại nhờ hệ thống INS/IMU.

Sử dụng dữ liệu tọa độ không gian của ĐMĐ từ phản hồi cuối cùng (Last LUAN VAN CHAT LUONG download : add [e-mail] 18 Echo) làm cơ sở để tạo mô hình số độ cao của bề mặt thực, với mô hình DSM sử dụng phản hồi đầu tiên và cuối cùng (First Pulse - FP và Last Pulse - LP) [2], [9].3 Cường độ và năng lượng thu nhận từ các tia phản xạ Toạ độ không gian X, Y, Z của điểm địa vật hay địa hình sẽ được xác định dựa vào độ dài (D) và góc phương vị tương ứng (ψ), trong hệ thống toạ độ lựa chọn GPS (thường là hệ tọa độ WGS 84) [3], [9]. Tại Việt Nam, hệ tọa độ được sử dụng là Hệ quy chiếu và Hệ tọa độ quốc gia VN-2000, múi chiếu 30, kinh tuyến trục thực hiện theo quy định tại Thông tư số 973/2001/TT-TCĐC ngày 20 tháng 6 năm 2001 của Tổng cục Địa chính hướng dẫn áp dụng hệ quy chiếu và hệ tọa độ quốc gia VN- 2000.4 Nguyên lý quét của LiDAR LUAN VAN CHAT LUONG download : add luanvanchat@agmail.5 ĐMĐ sau khi được thu nhận và xử lý 1.2 Dữ liệu LiDAR 1.1 Thu nhận dữ liệu ĐMĐ theo công nghệ LiDAR Sản phẩm thu được của LiDAR là một tập hợp các điểm có mật độ dày đặc với độ cao điểm được thu nhận một cách chính xác. Tập hợp điểm này thường được gọi là ĐMĐ LiDAR, có thể được sử dụng để tạo ra các mô hình 3D của bề mặt Trái đất và đặc trưng của bề mặt[3]. Các ĐMĐ có nguồn gốc từ dữ liệu thô được quét từ các đối tượng vật lý như bên ngoài tòa nhà, nhà máy, địa hình, ….

Sau khi thu thập dữ liệu thô, ĐMĐ phải được chuyển đổi thành các tệp máy tính có thể đọc được.6 Nguyên lý thu thập dữ liệu của hệ thống LiDAR Bộ thu phát LiDAR di chuyển nhờ vào một cụm gương quét được gắn bên dưới bộ thu phát. Gương gập 450 phản chiếu các xung laser lên một gương chuyển động, điều hướng các xung laser đến trái đất [10]. Xung laser phản hồi đầu tiên là tia phản xạ đáng kể nhất và sẽ được liên kết với tính năng cao nhất trong cảnh quan LUAN VAN CHAT LUONG download : add [e-mail] 20 như ngọn cây hoặc đỉnh của tòa nhà. Những tia phản xạ ở giữa được sử dụng cho cấu trúc thảm thực vật, và phản xạ cuối cùng cho các mô hình địa hình thật của Trái đất [8].

Dữ liệu được yêu cầu xử lý thời gian trả về cho mỗi xung quay trở lại cảm biến và tính khoảng cách thay đổi từ cảm biến, hoặc thay đổi trên bề mặt che phủ đất [1]. Độ cao của tia phản xạ sẽ khác nhau, tùy thuộc vào hình dạng và kích thước của các vật thể, xung laser LIDAR được phản xạ từ trên bề mặt. Những điểm này có thể được phân thành nhiều lớp khác nhau: cây cao, ground, cỏ, đường giao thông, tòa nhà, v.7 ĐMĐ khi chưa được xử lý 1.3 Đặc trưng của dữ liệu ĐMĐ LiDAR Công nghệ LiDAR có thể thu thập thông tin về hình dạng Trái đất và đặc trưng của nó thông qua các ĐMĐ. Mỗi điểm trong ĐMĐ chứa đựng lượng thông tin lớn được sử dụng để tạo mô hình 3D về bề mặt Trái đất cũng như các đối tượng trên bề mặt, khi có thông tin về màu sắc, ĐMĐ sẽ trở thành 4D.

Các thuộc tính thành phần mà một ĐMĐ chứa có thể cung cấp thông tin bổ sung có giá trị để bổ sung độ cao và có thể cho phép người dùng tạo ra các sản phẩm raster riêng như mô hình chiều cao tán cây hoặc lưới cường độ [7]. Các đặc trưng của ĐMĐ LiDAR [6]: - Các xung laser phản xạ từ các vật thể trên và trên bề mặt, bao gồm các tòa nhà, cây cối và các thảm thực vật khác. Nhiều xung phản xạ cho phép dữ liệu LiDAR được sử dụng để tách địa hình trống khỏi các đặc điểm bề mặt. Với LUAN VAN CHAT LUONG download : add [e-mail] 21 mỗi đối tượng, xung chạm vào một lượng ánh sáng nhất định sẽ được phản xạ trở lại và được cảm biến phát hiện và ghi lại [11].

- Tọa độ (X, Y, Z) chỉ ra vị trí cũng như độ cao của điểm, điểm riêng lẻ có thể có các thuộc tính bổ sung - Thứ tự phản hồi: mỗi điểm trong ĐMĐ sẽ có một thứ tự tia phản hồi tương ứng - Số điểm trên m2: số điểm trung bình trên m2 - Mật độ điểm: số lượng phép đo trên một khu vực mà bề mặt Trái đất được lấy mẫu - Số điểm: Tổng số điểm trong ĐMĐ Tùy vào từng bài toán cụ thể, các đặc trưng của ĐMĐ sẽ được sử dụng phù hợp.3 Định dạng dữ liệu LiDAR Với kích thước khổng lồ của các tập dữ liệu LiDAR, một định dạng nhị phân có tên LAS đã được áp dụng để quản lý và chuẩn hóa cách thức tổ chức và phổ biến dữ liệu. Các tệp LAS chứa nhiều thông tin hơn, có thể được đọc hiệu quả hơn [12]. LAS là một định dạng công nghiệp được tạo ra và duy trì bởi Hiệp hội Chụp ảnh và Viễn thám Hoa Kỳ (ASPRS). LAS là một định dạng tệp tiêu chuẩn được công bố để trao đổi dữ liệu LiDAR [1], [6].

Mỗi tệp LAS chứa siêu dữ liệu của LiDAR trong một khối tiêu đề theo sau là các bản ghi riêng cho từng xung laser được ghi lại.