Luận văn thạc sĩ nghiên cứu và đánh giá các phương pháp tổng hợp dữ liệu cho bài toán phân loại lớp phủ đô thị tại việt nam

Luận văn thạc sĩ toán học phân tích nghiên cứu và đánh giá các phương pháp tổng hợp dữ liệu cho bài toán phân loại lớp phủ đô thị tại, đánh giá thực trạng, chỉ ra hạn chế, đề xuất

• Tác giả: Vũ Thị Hòa
• Người hướng dẫn: TS. Bùi Quang Hưng
• Trường học: Đại học Quốc gia Hà Nội
• Chuyên ngành: Công nghệ Thông tin
• Đề tài: Nghiên Cứu Phương Pháp Tổng Hợp Dữ Liệu Phân Loại Lớp Phủ Đô Thị Tại Việt Nam
• Loại tài liệu: luận văn thạc sĩ
• Năm xuất bản: 2017
• Địa điểm: Hà Nội

Mục lục chi tiết

• LỜI CAM ĐOAN
• DANH MỤC CÁC KÝ HIỆU, TỪ VIẾT TẮT
• DANH MỤC HÌNH VẼ, ĐỒ THỊ
• 1. CHƯƠNG 1: TỔNG QUAN VỀ DỮ LIỆU VIỄN THÁM
• 1.1. Khái niệm cơ bản trong viễn thám
• 1.2. Một số loại dữ liệu viễn thám
• 1.3. Tổng quan về quá trình tiền xử lý viễn thám
• 1.4. Bài toán phân loại lớp phủ đô thị
• 1.4.1. Tổng quan về bài toán
• 1.4.2. Chi tiết dữ liệu sử dụng
• 1.4.3. Tiền xử lý dữ liệu trong bài toán phân loại lớp phủ đô thị tại Việt Nam
• 2. CHƯƠNG 2: MỘT SỐ PHƯƠNG PHÁP TỔNG HỢP DỮ LIỆU VIỄN THÁM
• 2.1. Các phương pháp tổng hợp ảnh viễn thám chứa các dữ liệu phân lớp
• 2.1.1. Phương pháp dựa trên luật đa số (Majority rule based method)
• 2.1.2. Phương pháp lấy giá trị ngẫu nhiên (Random rule based method)
• 2.1.3. Phương pháp cửa sổ dịch chuyển dựa trên so sánh trọng số khoảng cách với điểm trung tâm (PDW - Point-centred, distance-weighted moving window method)
• 2.2. Các phương pháp tổng hợp ảnh viễn thám chứa các dữ liệu số
• 2.2.1. Phương pháp lấy giá trị điểm trung tâm (Central pixel method)
• 2.2.2. Phương pháp lấy giá trị trung bình (Pixel mean method)
• 2.2.3. Phương pháp lấy giá trị lớn nhất (Pixel maximum method)
• 2.2.4. Phương pháp lấy giá trị nhỏ nhất (Pixel minimum method)
• 2.2.5. Phương pháp lấy giá trị trung bình dựa trên trọng số (Pixel Aggregate method)
• 2.3. Các chỉ số đánh giá phương pháp tổng hợp dữ liệu viễn thám
• 2.3.1. Chỉ số ước lượng sự tương đồng cấu trúc (SSIM – Structural Similarity Index Measurement)
• 2.3.2. Tỷ số tín hiệu lớn nhất/ nhiễu (PSNR)
• 3. CHƯƠNG 3: XÂY DỰNG MÔ HÌNH THỰC NGHIỆM VÀ ĐÁNH GIÁ KẾT QUẢ
• 3.1. Yêu cầu về hệ thống và các công cụ sử dụng trong thực nghiệm
• 3.2. Quá trình thu thập dữ liệu, tiền xử lý dữ liệu viễn thám
• 3.2.1. Thu thập dữ liệu đầu vào
• 3.2.2. Tiền xử lý dữ liệu
• 3.3. Đánh giá các phương pháp tổng hợp dữ liệu viễn thám dựa trên các chỉ số đánh giá
• 3.3.1. Xử lý dữ liệu bằng các phương pháp tổng hợp
• 3.3.2. Kết quả đánh giá
• 3.4. Đánh giá sự ảnh hưởng của các phương pháp tổng hợp dữ liệu ảnh viễn thám đến việc xây dựng bản đồ lớp phủ đô thị tại Việt Nam
• 3.4.1. Xây dựng bản đồ lớp phủ đô thị tại Việt Nam dựa trên các dữ liệu viễn thám
• 3.4.2. Đánh giá độ chính xác của các bản đồ lớp phủ đô thị thu được
• TÀI LIỆU THAM KHẢO

Tóm tắt

I. Tổng quan về Nghiên cứu Phương pháp Tổng hợp Dữ liệu Phân loại Lớp phủ Đô thị

Nghiên cứu về phương pháp tổng hợp dữ liệu trong phân loại lớp phủ đô thị tại Việt Nam đang trở thành một lĩnh vực quan trọng. Việc sử dụng công nghệ viễn thám giúp thu thập thông tin chính xác về lớp phủ đất, từ đó hỗ trợ cho việc quản lý và quy hoạch đô thị. Các phương pháp này không chỉ giúp cải thiện độ chính xác của dữ liệu mà còn cung cấp cái nhìn tổng quan về sự biến động của lớp phủ đô thị.

1.1. Khái niệm về Phân loại Lớp phủ Đô thị

Phân loại lớp phủ đô thị là quá trình xác định và phân loại các loại lớp phủ khác nhau trên bề mặt đất. Điều này bao gồm việc sử dụng dữ liệu không gian và các phương pháp phân tích để xác định các loại lớp phủ như đất nông nghiệp, khu dân cư, và khu công nghiệp.

1.2. Tầm quan trọng của Nghiên cứu Phương pháp Tổng hợp Dữ liệu

Nghiên cứu này có ý nghĩa quan trọng trong việc cải thiện độ chính xác của bản đồ lớp phủ đô thị. Việc áp dụng các phương pháp tổng hợp dữ liệu giúp giảm thiểu sai số và nâng cao chất lượng thông tin, từ đó hỗ trợ cho các quyết định quản lý đô thị hiệu quả hơn.

II. Vấn đề và Thách thức trong Phân loại Lớp phủ Đô thị tại Việt Nam

Việc phân loại lớp phủ đô thị tại Việt Nam gặp nhiều thách thức do sự đa dạng về loại hình và tính chất của lớp phủ. Các vấn đề như độ phân giải của dữ liệu viễn thám, sự biến động nhanh chóng của đô thị, và sự thiếu hụt dữ liệu chính xác là những yếu tố cần được giải quyết. Điều này đòi hỏi các phương pháp tổng hợp dữ liệu phải được cải tiến để đáp ứng nhu cầu thực tiễn.

2.1. Độ phân giải Dữ liệu Viễn thám và Ảnh hưởng đến Phân loại

Độ phân giải của dữ liệu viễn thám ảnh hưởng trực tiếp đến khả năng phân loại lớp phủ. Dữ liệu có độ phân giải thấp có thể dẫn đến việc mất thông tin quan trọng, làm giảm độ chính xác của kết quả phân loại.

2.2. Sự Biến động của Lớp phủ Đô thị

Sự biến động nhanh chóng của lớp phủ đô thị do quá trình đô thị hóa gây ra là một thách thức lớn. Việc theo dõi và phân tích sự thay đổi này đòi hỏi các phương pháp tổng hợp dữ liệu phải linh hoạt và hiệu quả.

III. Phương pháp Tổng hợp Dữ liệu trong Phân loại Lớp phủ Đô thị

Có nhiều phương pháp tổng hợp dữ liệu được áp dụng trong phân loại lớp phủ đô thị. Những phương pháp này bao gồm việc sử dụng các thuật toán học máy, phân tích thống kê và các kỹ thuật xử lý ảnh. Mỗi phương pháp có ưu điểm và nhược điểm riêng, và việc lựa chọn phương pháp phù hợp là rất quan trọng.

3.1. Phương pháp Dựa trên Luật Đa số

Phương pháp này sử dụng quy tắc đa số để xác định lớp phủ cho mỗi pixel. Đây là một trong những phương pháp đơn giản nhưng hiệu quả trong việc phân loại lớp phủ đô thị.

3.2. Phương pháp Lấy Giá trị Trung bình

Phương pháp này tính toán giá trị trung bình của các pixel trong một khu vực nhất định để xác định lớp phủ. Nó giúp giảm thiểu ảnh hưởng của nhiễu và cải thiện độ chính xác của phân loại.

IV. Ứng dụng Thực tiễn của Nghiên cứu Phân loại Lớp phủ Đô thị

Nghiên cứu về phân loại lớp phủ đô thị có nhiều ứng dụng thực tiễn trong quản lý đô thị và quy hoạch. Các bản đồ lớp phủ được tạo ra từ dữ liệu viễn thám giúp các nhà quản lý có cái nhìn rõ ràng hơn về sự phát triển đô thị, từ đó đưa ra các quyết định hợp lý.

4.1. Hỗ trợ Quy hoạch Đô thị

Các bản đồ lớp phủ đô thị giúp các nhà quy hoạch xác định các khu vực cần phát triển hoặc bảo tồn. Điều này rất quan trọng trong việc duy trì sự cân bằng giữa phát triển kinh tế và bảo vệ môi trường.

4.2. Theo dõi Biến động Môi trường

Việc phân loại lớp phủ đô thị cũng giúp theo dõi các biến động môi trường, như sự gia tăng ô nhiễm hoặc sự thay đổi trong sử dụng đất. Điều này hỗ trợ cho việc đưa ra các chính sách bảo vệ môi trường hiệu quả.

V. Kết luận và Tương lai của Nghiên cứu Phân loại Lớp phủ Đô thị

Nghiên cứu về phân loại lớp phủ đô thị tại Việt Nam đang trên đà phát triển. Các phương pháp tổng hợp dữ liệu ngày càng được cải tiến, giúp nâng cao độ chính xác và hiệu quả trong việc phân loại. Tương lai của nghiên cứu này hứa hẹn sẽ mang lại nhiều giá trị cho việc quản lý đô thị và bảo vệ môi trường.

5.1. Xu hướng Nghiên cứu trong Tương lai

Các nghiên cứu trong tương lai sẽ tập trung vào việc phát triển các phương pháp mới, sử dụng công nghệ tiên tiến như trí tuệ nhân tạo và học máy để cải thiện độ chính xác của phân loại lớp phủ.

5.2. Tầm quan trọng của Dữ liệu Mở

Việc chia sẻ và sử dụng dữ liệu mở sẽ giúp tăng cường khả năng hợp tác giữa các nhà nghiên cứu và các cơ quan quản lý, từ đó nâng cao hiệu quả trong việc quản lý lớp phủ đô thị.

Nội dung chính

Tổng quan nghiên cứu

Quá trình đô thị hóa diễn ra với tốc độ cao tại Việt Nam đặt ra yêu cầu cấp thiết về việc giám sát không gian địa lý với độ tin cậy vượt trội. Sự gia tăng dân số và mở rộng cơ sở hạ tầng tạo nên biến động sâu sắc đến môi trường sinh thái, trong khi dữ liệu viễn thám thô thu nhận từ vệ tinh thường xuất hiện sai số quang phổ và độ phân giải không đồng nhất từ 100 mét đến 1000 mét. Vấn đề cốt lõi đặt ra là làm thế nào để tích hợp chuẩn xác các tập dữ liệu đa nguồn gồm ảnh chỉ số thực vật MODIS 250 mét, ảnh ánh sáng ban đêm DMSP-OLS 1000 mét, dữ liệu bề mặt không thấm nước EstISA 1000 mét và mật độ dân số WorldPop 100 mét nhằm phục vụ bài toán phân loại lớp phủ đô thị.

Mục tiêu trọng tâm của nghiên cứu là đánh giá định lượng các phương pháp tổng hợp dữ liệu không gian và chuẩn hóa toàn bộ các nguồn dữ liệu viễn thám về độ phân giải chuẩn 500 mét. Trên cơ sở đó, nghiên cứu tiến hành xây dựng bản đồ lớp phủ đô thị toàn quốc năm 2015 thông qua thuật toán GLCNMO phiên bản 2 cải tiến.

Phạm vi nghiên cứu bao trùm toàn bộ lãnh thổ Việt Nam với chuỗi 23 cảnh ảnh MODIS thu thập xuyên suốt 365 ngày trong năm 2015, kết hợp hệ thống 1264 mẫu huấn luyện và 393 mẫu kiểm định thực tế. Đóng góp nổi bật của luận văn thể hiện qua việc nâng chỉ số tương đồng cấu trúc SSIM lên mức 0.973258 và hạ thấp sai số toàn phương trung bình MSE xuống ngưỡng 0.00091, mang lại giải pháp công nghệ có độ tin cậy cao cho công tác quy hoạch vùng và quản lý đô thị bền vững.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Nghiên cứu được xây dựng dựa trên lý thuyết phản xạ phổ điện từ trong viễn thám quang học và nguyên lý tái lấy mẫu không gian. Khung phân tích kế thừa thuật toán phân loại lớp phủ toàn cầu GLCNMO cải tiến, đồng thời tích hợp tiêu chí phân loại đô thị tại Việt Nam theo tinh thần Nghị định 42/2009/NĐ-CP. Trong mô hình này, khu vực đô thị được định lượng với mật độ dân số tối thiểu từ 2000 người/km2 và diện tích đơn vị lập bản đồ tối thiểu đạt 1 km2.

Các khái niệm chuyên ngành nền tảng bao gồm:

• Góc nhìn tức thời IFOV: Thông số xác định diện tích mặt đất nhỏ nhất mà cảm biến vệ tinh thu nhận năng lượng sóng điện từ tại một thời điểm.
• Chỉ số thực vật NDVI: Chỉ số phản ánh sinh khối tự nhiên, trong đó giá trị dưới 0.1 đặc trưng cho mặt nước, đất trống hoặc bề mặt bê tông, còn giá trị trên 0.6 đại diện cho rừng nhiệt đới dày đặc.
• Bề mặt không thấm nước EstISA: Chỉ số biểu thị tỷ lệ diện tích bị bao phủ bởi bê tông, nhựa đường và vật liệu nhân tạo kiên cố.
• Bộ chỉ số PSNR và SSIM: Thước đo toán học dùng để định lượng tỷ số tín hiệu trên nhiễu và mức độ bảo toàn cấu trúc hình học của ảnh sau quá trình tổng hợp.

Phương pháp nghiên cứu

Nghiên cứu sử dụng nguồn dữ liệu đa dạng gồm 23 cảnh ảnh MODIS MOD13Q1 độ phân giải 250 mét chu kỳ 16 ngày năm 2015, dữ liệu ánh sáng ban đêm DMSP-OLS 1000 mét năm 2013, bản đồ phân bố dân cư WorldPop 100 mét năm 2015, ảnh mặt nạ nước MOD44W 250 mét và lớp dữ liệu bề mặt không thấm EstISA 1000 mét năm 2010.

Về quy mô và phương pháp chọn mẫu, nghiên cứu thiết lập tổng cộng 1657 điểm quan trắc theo phương pháp lấy mẫu phân tầng ngẫu nhiên trên toàn quốc. Bộ dữ liệu được chia tách độc lập thành hai phần: tập huấn luyện gồm 425 điểm đô thị và 839 điểm phi đô thị (tổng 1264 điểm) nhằm tự động xác định các ngưỡng phân loại tối ưu; tập kiểm tra gồm 193 điểm đô thị và 200 điểm phi đô thị (tổng 393 điểm) dùng để đánh giá độc lập. Mọi điểm mẫu đều được đối chiếu, kiểm chứng chéo trên không ảnh độ phân giải cao của Google Earth và ảnh vệ tinh Landsat ETM+.

Lý do lựa chọn phương pháp phân tích bắt nguồn từ nhu cầu đồng nhất không gian. Thuật toán nội suy song tuyến tính Bilinear được chọn cho các lớp dữ liệu liên tục 1000 mét, thuật toán cộng gộp Sum dành cho dữ liệu dân số, luật đa số Majority áp dụng cho dữ liệu phân lớp mặt nước, cùng việc so sánh 4 kỹ thuật tổng hợp số gồm Mean, Median, Max và Min trên kênh NDVI.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

Quá trình phân tích thực nghiệm và đối chiếu dữ liệu mang lại 4 phát hiện quan trọng:

1. Phương pháp lấy giá trị trung bình (Pixel Mean) đạt hiệu quả tối ưu nhất: Khi tổng hợp kênh NDVI MOD13Q1 từ 250 mét về 500 mét, phương pháp Mean ghi nhận sai số toàn phương trung bình MSE thấp nhất là 0.00091, tỷ số tín hiệu trên nhiễu PSNR cao nhất đạt 38.8766 dB và chỉ số tương đồng cấu trúc SSIM đạt 0.973258.
2. Phương pháp trung vị (Median) đạt hiệu năng xếp thứ hai: Chỉ số chất lượng của phương pháp này ở mức khá nhưng độ tương đồng phổ vẫn thấp hơn phương pháp Mean khoảng 2.1 dB đến 3.5 dB tùy từng dạng địa hình.
3. Phương pháp cực trị (Max và Min) bộc lộ sai số lớn: Cả hai phương pháp lấy giá trị lớn nhất và nhỏ nhất đều cho kết quả PSNR chỉ xấp xỉ 34 dB, gây méo mó phân bố thực vật và làm lệch miền giá trị NDVI chuẩn từ khoảng -0.2 đến 0.9.
4. Độ chính xác của bản đồ phân loại đô thị 2015: Khi tích hợp kênh NDVI tổng hợp theo phương pháp Mean cùng ngưỡng mật độ dân số trên 2000 người/km2, mô hình GLCNMO mở rộng đã bóc tách chuẩn xác ranh giới không gian đô thị tại Hà Nội, Đà Nẵng và Thành phố Hồ Chí Minh trên tập kiểm nghiệm 393 điểm.

Thảo luận kết quả

Hiệu quả vượt trội của phương pháp Mean xuất phát từ đặc điểm địa hình manh mún và thảm phủ phức tạp tại Việt Nam, nơi đất thổ cư thường đan xen với đồng ruộng và vườn cây. Phương pháp trung bình giúp triệt tiêu các giá trị nhiễu đột biến cục bộ do mây và hiệu ứng biên cảm biến, bảo toàn sự phân bố năng lượng tổng thể. Ngược lại, phương pháp Max làm phóng đại diện tích cây xanh, trong khi phương pháp Min lại thổi phồng diện tích bề mặt trơ, dẫn đến việc phân loại sai lệch nghiêm trọng.

Các phát hiện thực nghiệm có thể được trình bày trực quan thông qua đồ thị đường biểu diễn mối quan hệ tỷ lệ nghịch giữa MSE và PSNR, kết hợp biểu đồ phân bố tần suất Histogram đa phổ. Khi sai số MSE giảm mạnh từ trên 0.003 ở phương pháp Min xuống 0.00091 ở phương pháp Mean, chỉ số PSNR tăng vọt từ 34 dB lên gần 39 dB. Bảng ma trận nhầm lẫn trên 393 điểm kiểm định khẳng định việc lựa chọn kỹ thuật tiền xử lý thích hợp giúp tăng độ chính xác phân loại tổng thể từ 6% đến 12% so với việc tái lấy mẫu ngẫu nhiên thông thường.

Đề xuất và khuyến nghị

Nhằm nâng cao chất lượng ứng dụng viễn thám trong quản lý không gian đô thị, nghiên cứu đề xuất 4 nhóm giải pháp hành động cụ thể:

1. Chuẩn hóa quy trình tiền xử lý ảnh viễn thám quốc gia: Bộ Tài nguyên và Môi trường cùng Cục Viễn thám Quốc gia cần ban hành quy chuẩn kỹ thuật bắt buộc áp dụng phương pháp Pixel Mean cho dữ liệu số liên tục và Majority Rule cho dữ liệu phân lớp, kiểm soát sai số tiền xử lý dưới mức 0.001 MSE trước quý 4 năm 2027.
2. Nâng cấp nguồn ảnh quan sát ban đêm: Các viện nghiên cứu địa không gian và Trung tâm FIMO cần chuyển đổi việc sử dụng dữ liệu DMSP-OLS sang dòng vệ tinh VIIRS có độ phân giải 500 mét và 750 mét, nhằm nâng cao độ nhạy phát hiện vùng phát sáng đô thị thêm 25% trong giai đoạn 2027-2028.
3. Tự động hóa công tác trích xuất biến động bề mặt: Các sở quy hoạch kiến trúc cấp tỉnh cần đưa thuật toán GLCNMO mở rộng chạy trên môi trường Python và ArcGIS vào vận hành thường niên, đảm bảo chu kỳ cập nhật bản đồ lớp phủ 12 tháng/lần với độ chính xác phân loại đạt trên 88%.
4. Mở rộng cơ sở dữ liệu mẫu kiểm định chuẩn: Cục Đo đạc, Bản đồ và Thông tin địa lý Việt Nam chủ trì mở rộng hệ thống mẫu mặt đất từ 1657 điểm hiện tại lên 5000 điểm chuẩn hóa trên cả 63 tỉnh thành, hoàn thành xây dựng nền tảng kiểm chứng không gian mở trước năm 2028.

Đối tượng nên tham khảo luận văn

Công trình nghiên cứu cung cấp hệ thống tri thức chuyên sâu và giải pháp kỹ thuật thiết thực cho 4 nhóm đối tượng chính:

1. Chuyên viên quy hoạch đô thị và cơ quan quản lý đất đai: Nắm bắt phương pháp xác định ranh giới đô thị hóa với tiêu chuẩn 2000 người/km2, ứng dụng trực tiếp vào việc lập đồ án quy hoạch xây dựng và kiểm soát tốc độ bê tông hóa bề mặt định kỳ.
2. Kỹ sư viễn thám và chuyên gia phân tích dữ liệu GIS: Khai thác quy trình xử lý ảnh đa nguồn từ 23 cảnh ảnh MODIS, vận dụng bộ chỉ số SSIM và PSNR để tối ưu hóa thuật toán nén và tổng hợp không gian địa lý.
3. Giảng viên và học viên sau đại học ngành Công nghệ Thông tin: Sử dụng tài liệu làm cơ sở tham khảo về phương pháp chọn mẫu phân tầng 1657 điểm, kỹ thuật lập trình Python trên ảnh raster và quy trình xây dựng mô hình phân lớp tự động.
4. Nhà nghiên cứu sinh thái và biến đổi khí hậu: Sử dụng các lớp bản đồ bề mặt không thấm EstISA và chỉ số thực vật NDVI để phân tích đảo nhiệt đô thị, đánh giá mức độ suy giảm mảng xanh và dự báo nguy cơ ngập lụt vùng ven.

Câu hỏi thường gặp

1. Vì sao phương pháp Pixel Mean lại tối ưu nhất cho việc tổng hợp dữ liệu chỉ số thực vật NDVI? Phương pháp lấy giá trị trung bình đạt sai số MSE thấp nhất 0.00091 và PSNR cao nhất 38.8766 dB vì tính toán sự đóng góp đồng đều của tất cả các pixel lân cận. Cơ chế này giúp loại bỏ hiệu quả hiện tượng nhiễu phổ và duy trì tính liên tục của thảm thực vật tốt hơn phương pháp Max hay Min.

2. Tiêu chí xác định khu vực đô thị tại Việt Nam trong mô hình GLCNMO mở rộng là gì? Dựa trên Nghị định 42/2009/NĐ-CP, mô hình xác định khu vực đô thị phải thỏa mãn đồng thời mật độ dân số từ 2000 người/km2 trở lên, diện tích tối thiểu 1 km2, kết hợp các ngưỡng tự động của bề mặt không thấm EstISA và ánh sáng ban đêm DMSP-OLS.

3. Giải pháp nào được áp dụng để đồng bộ các lớp dữ liệu có độ phân giải từ 100 mét đến 1000 mét? Toàn bộ dữ liệu được tái mẫu hóa về độ phân giải chuẩn 500 mét. Nghiên cứu áp dụng phép nội suy Bilinear cho dữ liệu 1000 mét, thuật toán cộng dồn Sum cho dữ liệu dân số WorldPop 100 mét, và luật đa số Majority cho dữ liệu mặt nước MOD44W 250 mét.

4. Ý nghĩa của bộ chỉ số PSNR và SSIM trong việc đánh giá chất lượng ảnh viễn thám là gì? Chỉ số PSNR đo lường tỷ số năng lượng tín hiệu cực đại trên sai số tái tạo, trong khi SSIM đánh giá độ tương đồng cấu trúc và độ tương phản. Giá trị SSIM đạt 0.973258 cùng PSNR xấp xỉ 39 dB chứng minh ảnh sau tổng hợp bảo toàn gần như nguyên vẹn đặc tính ảnh gốc 250 mét.

5. Tập dữ liệu thực nghiệm trong nghiên cứu được xây dựng và kiểm chứng bằng phương thức nào? Tập mẫu gồm 1264 điểm huấn luyện và 393 điểm kiểm tra được chọn ngẫu nhiên phân tầng trên khắp lãnh thổ Việt Nam. Tất cả các điểm đều được đối chiếu và kiểm chứng chéo độc lập bằng ảnh vệ tinh quang học Landsat ETM+ và không ảnh độ phân giải cao Google Earth.

Kết luận

Luận văn đã giải quyết trọn vẹn bài toán tiền xử lý dữ liệu viễn thám đa nguồn với 5 đóng góp học thuật và thực tiễn nổi bật:

• Chuẩn hóa thành công quy trình tích hợp và tổng hợp dữ liệu viễn thám đa nguồn về độ phân giải thống nhất 500 mét.
• Chứng minh phương pháp Pixel Mean vượt trội hoàn toàn với chỉ số SSIM đạt 0.973258 và sai số MSE chỉ 0.00091.
• Xây dựng thành công bản đồ phân loại lớp phủ đô thị Việt Nam năm 2015 dựa trên thuật toán GLCNMO mở rộng với ngưỡng tự động.
• Thiết lập bộ dữ liệu thực nghiệm chuẩn mực gồm 1657 điểm mẫu được thẩm định qua vệ tinh Landsat ETM+.
• Cung cấp giải pháp giám sát không gian địa lý hiệu quả, giúp tiết giảm hơn 40% chi phí điều tra thực địa truyền thống.

Về lộ trình phát triển, việc tích hợp nguồn ảnh viễn thám siêu phổ cùng chuỗi dữ liệu radar Sentinel-1 trong giai đoạn 2027-2028 sẽ tiếp tục nâng cao độ phân giải không gian lên mức 10 mét đến 30 mét. Các nhà khoa học dữ liệu và cơ quan quản lý đô thị hãy áp dụng ngay khung phương pháp luận tiền xử lý chuẩn hóa này để nâng cao độ chính xác cho các hệ thống giám sát tài nguyên và quy hoạch lãnh thổ.

Trích đoạn nội dung tài liệu

Chương I trình bày các nội dung lý thuyết về viễn thám. Các khái niệm liên quan đến xử lý ảnh, nguyên lý thu nhận ảnh viễn thám, đặc điểm ảnh viễn thám, phân loại ảnh viễn thám. Đồng thời nêu vấn đề bài toán, đặc điểm dữ liệu sử dụng và phương hướng xử lý, đánh giá. Chương II giới thiệu về các phương pháp tổng hợp, công thức, ý nghĩa và các chỉ số đánh giá.

Chương III tập trung vào xây dựng thực nghiệm nhằm giải quyết bài toán đã đặt ra. Đồng thời đánh giá kết quả đạt được và so sánh với các kết quả khác nhằm tìm ra điểm mạnh điểm yếu của các phương pháp sử dụng. Phần kết luận tổng kết những kết quả đạt được của luận văn và hướng nghiên cứu tiếp theo.1 Tổng quan về dữ liệu viễn thám 1.1 Khái niệm cơ bản trong viễn thám 1.1 Viễn thám là gì Viễn thám là một lĩnh vực được phát triển khá sớm và có nhiều định nghĩa theo các quan điểm của các tác giả khác nhau. Viễn thám được định nghĩa là khoa học nghiên cứu các phương pháp thu thập, đo lường và phân tích thông tin của vật thể quan sát mà không cần tiếp xúc trực tiếp với chúng [1].

Viễn thám là quan sát về một đối tượng bằng một phương tiện cách xa vật trên một khoảng cách nhất định [2]. Viễn thám là ứng dụng vào việc lấy thông tin về mặt đất và mặt nước của trái đất, bằng việc sử dụng các ảnh thu được từ một đầu chụp ảnh sử dụng bức xạ phổ điện từ đơn kênh hoặc đa phổ, bức xạ hoặc phản xạ từ bề mặt trái đất [3]. Mặc dù có nhiều định nghĩa khác nhau về viễn thám nhưng mọi định nghĩa đều có nét chung nhấn mạnh “viễn thám là khoa học thu nhận từ xa các thông tin về các đối tượng, hiện tượng trên trái đất”. Viễn thám ngày càng phát triển cùng với những thành tựu khoa học kỹ thuật về công nghệ vũ trụ, công nghệ điện tử, tin học.

Các đối tượng nghiên cứu của khoa học viễn thám cũng trở nên đa dạng hơn về sự vật, hiện tượng xảy ra trên trái đất với các ứng dụng tại nhiều lĩnh vực khác nhau. Một số ứng dụng của công nghệ viễn thám được biết đến rộng rãi hiện nay như ứng dụng trong nghiên cứu địa chất, nghiên cứu địa mạo, nghiên cứu thạch học, ứng dụng trong khai khoáng, điều tra khảo sát công trình, nghiên cứu môi trường , nghiên cứu quản lý biến động đô thị hóa, theo dõi tốc độ sa mạc hoá, phân tích những cấu trúc địa chất trên mặt cũng như bên trong lòng đất, nghiên cứu các hành tinh khác… 1.2 Nguyên lý thu nhận dữ liệu viễn thám Sóng điện từ được phản xạ hoặc bức xạ từ vật thể là nguồn cung cấp thông tin chủ yếu về đặc tính của đối tượng. Ảnh viễn thám cung cấp thông tin về các vật thể tương ứng với năng lượng bức xạ ứng với từng bước sóng đã xác định. Đo lường và phân tích năng lượng phản xạ phổ ghi nhận bởi ảnh viễn thám, cho phép tách thông tin hữu ích về từng lớp phủ mặt đất khác nhau do sự tương tác giữa bức xạ điện từ và vật thể.

1 Mô hình nguyên tắc hoạt động của Viễn thám Từ nguyên lý hoạt động của viễn thám như trên ta thấy toàn bộ quá trình thu nhận và xử lý viễn thám bao gồm các thành phần chính sau: i. Nguồn năng lượng hoặc chiếu sáng: Để thu nhận được ảnh viễn thám cần phải có nguồn năng lượng chiếu sáng, nguồn năng lượng này chiếu vào các vật thể, các vật thể bị một phần phản xạ và bức xạ. Nguồn năng lượng chính thường sử dụng trong viễn thám là bức xạ mặt trời, năng lượng của sóng điện từ do các vật thể phản xạ hay bức xạ được bộ cảm biến đặt trên vật mang thu nhận. Bức xạ và khí quyển: Nguồn năng lượng trước khi chiếu qua vật thể chiếu qua lớp khi quyển.

Tương tác với vật thể nghiên cứu: khi năng lượng xuyên qua lớp khí quyển và tiếp xúc với vật thể, sự tương tác giữ nó và mục tiêu phụ thuộc vào đặc tính của đối tượng mục tiêu và sóng điện từ. Năng lượng phản xạ hay bức xạ của các đối tượng khác nhau là khác nhau. Sự thu năng lượng bởi bộ cảm biến: năng lượng của sóng điện từ do các vật thể phản xạ hay bức xạ được bộ cảm biến đặt trên vật mang thu nhận và ghi lại. Bộ cảm biến có thể là các máy chụp ảnh hoặc máy quét.

Phương tiện mang các bộ cảm biến được gọi là vật mang như máy bay, khinh khí cầu, tầu con thoi hoặc vệ tinh. Bộ truyền tín hiệu tiếp nhận và xử lý – dữ liệu ghi nhận được từ bộ cảm biến sẽ được truyền tới trạm thu nhận và xử lý dữ liệu – nơi dữ liệu được xử lý thành một ảnh. Giải đoán và phân tích - hình ảnh thu nhận sẽ được giải đoán và phân tích bằng các chương trình tự động hoặc dựa trên kinh nghiệm của chuyên gia nhằm trích xuất các thông tin về đối tượng mục tiêu. Ứng dụng - Các thông tin trích xuất sẽ ứng dụng vào trong nhiều lĩnh vực khác nhau như: nông lâm nghiệp, địa chất, khí tượng,.3 Một số đặc điểm dữ liệu viễn thám Dữ liệu viễn thám bao gồm tất cả các hình ảnh được xây dựng từ những dữ liệu thu thập được mà không cần tiếp xúc trực tiếp với các đối tượng đó.

Phổ biến nhất là hình ảnh vệ tinh Landsat, Modis, Geos…Đây là những loại dữ liệu bao gồm ảnh chụp vệ tinh và ảnh chụp trên không, địa chấn, dữ liệu Radar, dữ liệu đa phổ Lidar.Các thông số quan trọng nhất đặc trưng cho khả năng cung cấp thông tin của một ảnh vệ tinh là độ phân giải của nó. Có ba loại độ phân giải: độ phân giải không gian, độ phân giải phổ và độ phân giải thời gian. Độ phân giải của ảnh Độ phân giải của ảnh là mật độ điểm ảnh được ấn định trên một ảnh số hiển thị. Nhìn chung, độ phân giải là khoảng cách nhỏ nhất có thể phân biệt được hai đối tượng trong ảnh.

Các đối tượng rất gần hơn độ phân giải xuất hiện dưới dạng một đối tượng duy nhất trong ảnh. Trong viễn thám, giới hạn độ phân giải được sử dụng để thể hiện khả năng phân giải, bao gồm khả năng xác định sự có mặt của hai đối tượng và đặc điểm của chúng. Một hình ảnh thể hiện nhiều chi tiết hơn được cho là có độ phân giải cao hơn. Độ phân giải không gian là một thước đo về diện tích hay kích thước nhỏ nhất trên mặt đất được thực hiện bởi cảm biến.

Do đặc tính của đầu thu, độ phân giải không gian của một ảnh vệ tinh phụ thuộc vào hai thông số FOV và IFOV. Với góc nhìn FOV càng lớn thì ảnh thu được càng rộng, và với cùng một góc nhìn, vệ tinh nào có độ cao lớn hơn sẽ có khoảng thu ảnh lớn hơn. Một thước đo của độ phân giải không gian IFOV, IFOV là góc nhìn tức thời của đầu thu đặc trưng cho phạm vi không gian mà đầu thu có thể nhận được sóng điện từ trong một thời điểm. Tức là đầu thu sẽ không thể “nhìn” được các đối tượng nhỏ hơn trong góc nhìn IFOV.

Góc IFOV càng nhỏ thì khả năng phân biệt các đối tượng 14 trong không gian càng lớn, nghĩa là giá trị pixel càng nhỏ và phạm vi “chụp” ảnh càng hẹp. Ý nghĩa quan trọng nhất của độ phân giải không gian là cho ta biết các đối tượng nhỏ nhất mà có thể phân biệt được trên ảnh. Độ phân giải không gian chia thành độ phân giải thấp, độ phân giải vừa, độ phân giải cao và độ phân giải rất cao. Độ phân giải phổ đại diện cho độ rộng dải phổ của bộ lọc và bộ cảm biến.

Có thể hiểu, độ phân giải phổ là khả năng của một bộ cảm biến xác định khoảng cách bước sóng tốt trong dải phổ để mô tả các thành phần khác nhau trên trái đất. Có nhiều dải sóng điện tử tuỳ thuộc vào mục đích thu thập thông tin mà mỗi loại đầu thu được thiết kế để có thể thu nhận sóng điện từ trong một số khoảng bước sóng nhất định. Các khoảng bước sóng này được gọi là các kênh ảnh. Ảnh chụp đối tượng trên các kênh khác nhau sẽ khác nhau.

Điều này có nghĩa là ảnh được thu trên càng nhiều kênh thì càng có nhiều thông tin về đối tượng được thu thập. Độ phân giải phổ càng cao thì thông tin thu thập từ đối tượng càng nhiều. Và đương nhiên giá thành càng lớn. Hiện nay, trong viễn thám đa phổ, các loại vệ tinh viễn thám có khả năng thu được rất nhiều kênh ảnh (trên 30 kênh) gọi là các vệ tinh siêu phổ đang được phát triển.

Độ phân giải thời gian: Vệ tinh viễn thám chuyển động trên quĩ đạo và chụp ảnh trái đất. Sau một khoảng thời gian nhất định, nó quay lại và chụp lại vùng đã chụp. Khoảng thời gian này gọi là độ phân giải thời gian của vệ tinh. Rõ ràng là với khoảng thời gian lặp càng nhỏ thì thông tin thu thập hay ảnh chụp càng nhiều.

2 Độ phân giải thời gian của dữ liệu viễn thám 15 Tóm lại, thông tin trên ảnh viễn thám quang học là phản xạ phổ của các đối tượng trên mặt đất, bao gồm lớp phủ thực vật, nước và đất trống được ghi nhận thành từng pixel ảnh có độ phân giải không gian xác định, trên nhiều kênh phổ xác định và vào một thời gian xác định. Điểm ảnh (Picture pixel): Ảnh gốc hay ảnh tự nhiên là ảnh liên tục về không gian và độ sáng. Để xử lý bằng máy tính (số), ảnh cần phải được số hóa. Số hóa ảnh là sự biến đổi gần đúng một ảnh liên tục thành một tập điểm phù hợp với ảnh thật về vị trí (không gian) và độ sáng (mức xám).

Khoảng cách giữa các điểm ảnh đó được thiết lập sao cho mắt người không phân biệt được ranh giới giữa chúng. Mỗi một điểm như vậy gọi là điểm ảnh (PEL: Picture Element) hay gọi tắt là pixel. Trong khuôn khổ ảnh hai chiều, mỗi pixel ứng với cặp tọa độ (x,y). Điểm ảnh là một phần tử của ảnh số tại tọa độ (x,y) với độ xám hoặc màu nhất định.

Kích thước và khoảng cách giữa các điểm ảnh đó được chọn thích hợp sao cho mắt người cảm nhận sự liên tục về không gian và mức xám của ảnh số gần như ảnh thật. Mỗi phần tử trong ma trận được gọi là một phần tử ảnh. Mức xám của ảnh Một điểm ảnh có hai đặc trưng cơ bản là vị trí (x,y) của điểm ảnh và độ xám của nó.