Luận văn thạc sĩ công nghệ thông tin nghiên cứu phương pháp trích xuất đặc trưng trên ảnh vệ tinh sử dụng các kỹ thuật học sâu

Luận văn thạc sĩ nghiên cứu công nghệ thông tin nghiên cứu phương pháp trích xuất đặc trưng trên ảnh vệ tinh sử dụng các kỹ, đánh giá hiện trạng, phân tích vấn đề, đề xuất biện

• Tác giả: Phạm Quang Hiển
• Người hướng dẫn: TS Lê Hồng Anh
• Trường học: Đại học Quốc gia Hà Nội
• Chuyên ngành: Công nghệ Thông tin
• Đề tài: Nghiên cứu phương pháp trích xuất đặc trưng ảnh vệ tinh bằng học sâu
• Loại tài liệu: luận văn thạc sĩ
• Năm xuất bản: 2020
• Địa điểm: Hà Nội

Mục lục chi tiết

• LỜI CAM ĐOAN
• DANH MỤC CÁC KÝ HIỆU VÀ CHỮ VIẾT TẮT
• DANH MỤC CÁC BẢNG
• DANH MỤC CÁC HÌNH VẼ, ĐỒ THỊ
• 1. CHƯƠNG 1: GIỚI THIỆU
• 1.1. Tính cấp thiết và lý do chọn đề tài
• 1.2. Mục tiêu và phạm vi nghiên cứu
• 1.3. Nội dung nghiên cứu
• 1.4. Cấu trúc luận văn
• 2. CHƯƠNG 2: CÁC KIẾN THỨC VÀ CÔNG NGHỆ NỀN TẢNG
• 2.1. Ảnh vệ tinh Sentinel-2
• 2.1.1. Thiết kế kỹ thuật của vệ tinh Sentinel-2
• 2.1.2. Thiết kế kỹ thuật bộ cảm MSI trên vệ tinh Sentinel-2
• 2.1.3. Thiết kế khả năng lấy mẫu của bộ cảm quang phổ MSI
• 2.1.4. Khả năng cung cấp thông tin các dải phổ trong giám sát rừng
• 2.2. Thư viện Eo-Learn
• 2.3. Phần mềm Envi
• 3. CHƯƠNG 3: MÔ HÌNH MẠNG NƠRON TÍCH CHẬP TRÍCH XUẤT LỚP PHỦ THỰC VẬT TỪ ẢNH VỆ TINH SENTINEL
• 3.1. Giới thiệu về học sâu
• 3.2. Mạng nơ-ron tích chập (Convolutional neural network)
• 3.2.1. Các siêu tham số của bộ lọc (hyper-parameter)
• 3.2.2. Điều chỉnh các siêu tham số
• 3.2.3. Những kiến trúc sử dụng thủ thuật tính toán
• 3.3. Trích xuất lớp phủ thực vật sử dụng EO-learn
• 3.3.1. Độ phủ thực vật
• 3.3.2. Quy trình xử lý
• 4. CHƯƠNG 4: THỰC NGHIỆM
• 4.1. Vùng thực nghiệm
• 4.2. Kết quả thực nghiệm
• 4.2.1. Kết quả chạy thực nghiệm của đề tài
• 4.2.2. So sánh kết quả thực nghiệm với phần mềm Envi
• 5. CHƯƠNG 5: KẾT LUẬN
• TÀI LIỆU THAM KHẢO

Tóm tắt

I. Tổng quan về nghiên cứu trích xuất đặc trưng ảnh vệ tinh bằng học sâu

Nghiên cứu trích xuất đặc trưng ảnh vệ tinh bằng học sâu đang trở thành một lĩnh vực quan trọng trong công nghệ thông tin và viễn thám. Việc áp dụng các kỹ thuật học sâu giúp cải thiện độ chính xác và hiệu quả trong việc phân tích và xử lý dữ liệu từ ảnh vệ tinh. Các phương pháp này không chỉ giúp nhận diện các đối tượng trên bề mặt trái đất mà còn hỗ trợ trong việc giám sát môi trường và tài nguyên thiên nhiên.

1.1. Khái niệm về học sâu trong xử lý ảnh vệ tinh

Học sâu là một nhánh của trí tuệ nhân tạo, sử dụng các mạng nơ-ron để học và trích xuất thông tin từ dữ liệu lớn. Trong bối cảnh ảnh vệ tinh, học sâu cho phép phát hiện và phân loại các đối tượng như rừng, nước, và đô thị một cách tự động và chính xác.

1.2. Lợi ích của việc trích xuất đặc trưng ảnh vệ tinh

Trích xuất đặc trưng ảnh vệ tinh giúp nâng cao khả năng phân tích dữ liệu, từ đó hỗ trợ trong việc ra quyết định về quản lý tài nguyên thiên nhiên. Việc sử dụng các kỹ thuật học sâu giúp giảm thiểu thời gian và công sức so với các phương pháp truyền thống.

II. Thách thức trong nghiên cứu trích xuất đặc trưng ảnh vệ tinh

Mặc dù có nhiều lợi ích, việc trích xuất đặc trưng từ ảnh vệ tinh cũng gặp phải nhiều thách thức. Các vấn đề như độ phân giải thấp, nhiễu tín hiệu và sự biến đổi của môi trường có thể ảnh hưởng đến độ chính xác của kết quả. Ngoài ra, việc xử lý một lượng lớn dữ liệu cũng đòi hỏi các công nghệ và phần mềm mạnh mẽ.

2.1. Độ phân giải và chất lượng ảnh vệ tinh

Độ phân giải của ảnh vệ tinh ảnh hưởng trực tiếp đến khả năng phát hiện và phân loại các đối tượng. Ảnh có độ phân giải thấp có thể không đủ chi tiết để phân tích chính xác, dẫn đến sai sót trong kết quả.

2.2. Nhiễu tín hiệu và biến đổi môi trường

Nhiễu tín hiệu từ các yếu tố như thời tiết, ánh sáng và khí quyển có thể làm giảm chất lượng dữ liệu. Sự biến đổi của môi trường cũng có thể gây khó khăn trong việc duy trì độ chính xác của các mô hình học sâu.

III. Phương pháp học sâu trong trích xuất đặc trưng ảnh vệ tinh

Các phương pháp học sâu như mạng nơ-ron tích chập (CNN) đã được áp dụng rộng rãi trong việc trích xuất đặc trưng từ ảnh vệ tinh. Những mô hình này cho phép tự động hóa quá trình phân tích và cải thiện độ chính xác của các kết quả.

3.1. Mạng nơ ron tích chập CNN trong xử lý ảnh

Mạng nơ-ron tích chập là một trong những kiến trúc phổ biến nhất trong học sâu, đặc biệt trong xử lý ảnh. CNN có khả năng tự động học các đặc trưng từ dữ liệu mà không cần phải thiết kế thủ công.

3.2. Quy trình xây dựng mô hình U Net cho ảnh vệ tinh

Mô hình U-Net được thiết kế đặc biệt cho các tác vụ phân đoạn ảnh, cho phép trích xuất các đặc trưng chi tiết từ ảnh vệ tinh. Quy trình này bao gồm việc thu thập dữ liệu, tiền xử lý và huấn luyện mô hình.

IV. Ứng dụng thực tiễn của trích xuất đặc trưng ảnh vệ tinh

Trích xuất đặc trưng từ ảnh vệ tinh có nhiều ứng dụng thực tiễn trong các lĩnh vực như nông nghiệp, quản lý tài nguyên thiên nhiên và giám sát môi trường. Các kết quả từ nghiên cứu có thể hỗ trợ trong việc ra quyết định và lập kế hoạch phát triển bền vững.

4.1. Giám sát lớp phủ thực vật và nông nghiệp

Việc giám sát lớp phủ thực vật thông qua ảnh vệ tinh giúp theo dõi sự phát triển của cây trồng và đánh giá tình trạng sức khỏe của rừng. Điều này rất quan trọng trong việc quản lý nông nghiệp và bảo vệ môi trường.

4.2. Ứng dụng trong quản lý tài nguyên thiên nhiên

Trích xuất đặc trưng ảnh vệ tinh hỗ trợ trong việc quản lý tài nguyên thiên nhiên như nước, đất và rừng. Các thông tin thu được giúp đưa ra các quyết định hợp lý trong việc bảo vệ và phát triển bền vững.

V. Kết luận và tương lai của nghiên cứu trích xuất đặc trưng ảnh vệ tinh

Nghiên cứu trích xuất đặc trưng ảnh vệ tinh bằng học sâu đang mở ra nhiều cơ hội mới trong việc giám sát và quản lý tài nguyên thiên nhiên. Tương lai của lĩnh vực này hứa hẹn sẽ có nhiều tiến bộ với sự phát triển của công nghệ và các phương pháp mới.

5.1. Tiềm năng phát triển của công nghệ học sâu

Công nghệ học sâu đang phát triển nhanh chóng, mở ra nhiều khả năng mới trong việc xử lý và phân tích dữ liệu ảnh vệ tinh. Các nghiên cứu trong tương lai có thể tập trung vào việc cải thiện độ chính xác và hiệu quả của các mô hình.

5.2. Hướng nghiên cứu tiếp theo trong lĩnh vực này

Các nghiên cứu tiếp theo có thể tập trung vào việc phát triển các mô hình học sâu mới, cải thiện khả năng xử lý dữ liệu lớn và ứng dụng trong các lĩnh vực khác nhau như biến đổi khí hậu và quản lý đô thị.

Nội dung chính

Tổng quan nghiên cứu

Giám sát biến động thảm phủ thực vật và tài nguyên rừng đóng vai trò sống còn trong việc bảo tồn đa dạng sinh học, ứng phó biến đổi khí hậu và duy trì cân bằng sinh thái. Tại Việt Nam, tỉnh Cao Bằng sở hữu diện tích tự nhiên 6.690,72 km² với địa hình đồi núi hiểm trở chiếm hơn 90% diện tích toàn tỉnh, trong đó đất quy hoạch phát triển lâm nghiệp chiếm tới 408.705 ha (tương đương 61,1% diện tích tự nhiên). Mặc dù độ che phủ rừng đã phục hồi tích cực từ mức 40% năm 2000 lên 45% năm 2002 và tiếp tục gia tăng trong các năm qua, công tác quản lý và quan trắc diễn biến rừng tại địa phương vẫn đối mặt với muôn vàn khó khăn do áp lực khai thác lâm sản trái phép, cháy rừng mùa khô và tập quán canh tác nương rẫy.

Phương pháp viễn thám truyền thống dựa trên các phần mềm xử lý ảnh thương mại như ENVI đòi hỏi quy trình bán thủ công phức tạp qua 8 bước, tiêu tốn nhiều thời gian và phụ thuộc nặng nề vào trình độ chuyên gia, đồng thời chỉ xử lý được từng cảnh ảnh đơn lẻ. Trước bối cảnh mỗi ngày chùm vệ tinh thế hệ mới cung cấp khoảng 1,6 TBytes dữ liệu hình ảnh thô với tốc độ truyền tải 160 Mbit/s, nhu cầu cấp thiết là phải xây dựng một giải pháp trích xuất đặc trưng hoàn toàn tự động.

Luận văn thạc sĩ chuyên ngành Kỹ thuật Phần mềm của tác giả Phạm Quang Hiển tại Trường Đại học Công nghệ - Đại học Quốc gia Hà Nội tập trung nghiên cứu giải pháp tự động hóa trích xuất đặc trưng lớp phủ bề mặt (thực vật, đất, nước) từ chuỗi ảnh vệ tinh Sentinel-2 đa phổ. Đề tài ứng dụng kiến trúc học sâu U-Net kết hợp nền tảng mã nguồn mở Eo-Learn, triển khai thực nghiệm trên toàn bộ phạm vi tỉnh Cao Bằng trong năm 2020. Kết quả nghiên cứu đem lại giá trị thực tiễn to lớn khi xây dựng thành công quy trình xử lý 13 bước tự động, đạt độ chính xác xấp xỉ 84,5%, tiết kiệm hơn 80% thời gian xử lý dữ liệu lớn so với quy trình thủ công và giải phóng hoàn toàn sự phụ thuộc vào các gói bản quyền phần mềm đắt đỏ.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Nghiên cứu được xây dựng trên nền tảng của lý thuyết học sâu (Deep Learning) và kỹ thuật phân đoạn ảnh ngữ nghĩa (Semantic Segmentation). Trọng tâm lý thuyết bao gồm mô hình mạng nơ-ron tích chập (Convolutional Neural Network - CNN) với các phép toán cốt lõi như tầng tích chập (Convolution), tầng gộp cực đại (Max Pooling) nhằm giảm chiều không gian và tầng kết nối đầy đủ (Fully Connected). Đặc biệt, kiến trúc mạng U-Net được lựa chọn làm mô hình chủ đạo nhờ cấu trúc đối xứng hình chữ U độc đáo bao gồm hai nhánh chính: nhánh co rút (Contracting Path) giúp trích xuất ngữ cảnh đặc trưng cấp cao và nhánh mở rộng (Expanding Path) giúp khôi phục độ phân giải không gian chính xác đến từng điểm ảnh. Điểm vượt trội của U-Net là cơ chế kết nối tắt (Skip Connections) giúp truyền trực tiếp các bản đồ đặc trưng chi tiết từ tầng mã hóa sang tầng giải mã, hạn chế hiện tượng mất mát thông tin biên cạnh của các đối tượng địa lý.

Bên cạnh lý thuyết học sâu, nghiên cứu ứng dụng hệ thống lý thuyết viễn thám quang học đa phổ từ chùm vệ tinh Sentinel-2 thuộc chương trình Copernicus. Bộ cảm biến MSI (Multi-Spectral Instrument) cung cấp 13 kênh phổ với bước sóng trải dài từ 443 nm đến 2190 nm ở 3 cấp độ phân giải không gian: 10 mét (4 kênh nhìn thấy và cận hồng ngoại VNIR), 20 mét (6 kênh viền đỏ và hồng ngoại sóng ngắn SWIR) và 60 mét (3 kênh hiệu chỉnh khí quyển). Các chỉ số viễn thám chuyên dụng được tích hợp để phân tích trạng thái thực vật bao gồm: Chỉ số thực vật khác biệt chuẩn hóa NDVI = (NIR - Red) / (NIR + Red), chỉ số thực vật điều chỉnh theo đất SAVI, chỉ số kháng khí quyển ARVI, chỉ số thực vật tăng cường EVI, chỉ số diệp lục xanh GCI và chỉ số tỉ số cháy NBR.

Phương pháp nghiên cứu

Nguồn dữ liệu đầu vào của đề tài sử dụng ảnh vệ tinh Sentinel-2 Level-2A đã hiệu chỉnh phản xạ đáy khí quyển (Bottom-Of-Atmosphere), được tải tự động qua giao thức API của Sentinel-Hub kết hợp cùng tập dữ liệu nhãn kiểm chứng thực địa (Ground-Truth) trích xuất từ cơ sở dữ liệu Geopedia.

Về quy mô và phương pháp chọn mẫu: Vùng quan tâm (Area of Interest - AOI) trải rộng trên toàn bộ diện tích 6.690,72 km² của tỉnh Cao Bằng được định nghĩa qua tệp dữ liệu không gian chuẩn GeoJSON. Khu vực này sau đó được phân chia thành lưới các ô mẫu EOPatch có kích thước đồng nhất thông qua thư viện chuyên dụng Eo-Learn (gồm 8 phân hệ cốt lõi từ Core, Coregistration, Features, Geometry, IO, Mask, ML-tools đến Visualization). Từ các EOPatch, ảnh viễn thám được cắt thành hàng nghìn lát cắt không gian chuẩn kích thước 256x256 pixel. Phương pháp lấy mẫu phân tầng ngẫu nhiên được áp dụng để chia bộ dữ liệu thành 3 tập độc lập: 70% dành cho huấn luyện (Training Set), 15% dành cho kiểm định tối ưu siêu tham số (Validation Set) và 15% dành cho kiểm thử đánh giá cuối cùng (Testing Set).

Lý do lựa chọn phương pháp phân tích: U-Net cho phép mô hình hóa mối quan hệ phi tuyến phức tạp giữa 13 kênh phổ và các thuộc tính mặt đất mà không cần trích xuất đặc trưng thủ công như các thuật toán học máy truyền thống (Random Forest hay SVM). Sự kết hợp giữa U-Net và Eo-Learn giúp tự động hóa khép kín từ khâu tải ảnh, tiền xử lý đám mây, tính toán chỉ số phổ đến dự đoán nhãn điểm ảnh, tạo ra một đường ống phân tích dữ liệu địa không gian có tính lặp lại và khả năng mở rộng cao. Toàn bộ quy trình nghiên cứu, thu thập dữ liệu và huấn luyện mô hình được hoàn thiện trong chu kỳ năm 2020.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

Quá trình thực nghiệm mô hình học sâu U-Net kết hợp thư viện Eo-Learn trên địa bàn tỉnh Cao Bằng đã mang lại 4 phát hiện quan trọng có giá trị khoa học và ứng dụng thực tiễn cao:

Thứ nhất, mô hình U-Net đạt độ chính xác tổng thể (Overall Accuracy) xấp xỉ 84,5% trên tập dữ liệu kiểm thử độc lập khi phân loại 3 lớp đối tượng bề mặt chính gồm: Thực vật, Đất và Nước. Khả năng nhận diện lớp phủ thực vật đạt hiệu quả vượt trội nhờ tận dụng kênh phổ cận hồng ngoại Kênh 8 (bước sóng 842 nm) và Kênh 8A (bước sóng 865 nm).

Thứ hai, khi tiến hành thử nghiệm đối chứng trên cùng một tập dữ liệu đầu vào với phần mềm thương mại tiêu chuẩn công nghiệp ENVI, mô hình đề xuất đạt độ chính xác 84,5%, bám rất sát mức 87,1% của ENVI (mức chênh lệch chỉ khoảng 2,6%). Tuy nhiên, hệ thống tự động hoàn toàn vượt trội về tính độc lập, không bị chi phối bởi yếu tố chủ quan của người vận hành.

Thứ ba, nghiên cứu chứng minh độ phân giải không gian 10 mét của 4 kênh phổ Sentinel-2 hoàn toàn đáp ứng xuất sắc việc phân tách ranh giới các mảng rừng tự nhiên (248.148 ha) xen kẽ vùng núi đá vôi phía Bắc và rừng trồng (14.448 ha) tại Cao Bằng. Các dải phổ hẹp giúp loại bỏ hiệu quả hiện tượng hấp thụ hơi nước khí quyển và phản xạ oxit sắt của đất vùng đồi núi.

Thứ tư, kiến trúc đường ống xử lý module hóa bằng Eo-Learn cho phép hệ thống nạp và phân tích đồng thời hàng loạt cảnh ảnh đa thời gian, phá vỡ giới hạn xử lý đơn cảnh của các công cụ viễn thám truyền thống, mở ra tiềm năng quan trắc tự động theo chu kỳ quét 5 ngày của vệ tinh.

Thảo luận kết quả

Nguyên nhân chính giúp mô hình đạt hiệu năng cao là nhờ các tầng tích chập sâu đã tự động học được cả đặc trưng phổ phản xạ lẫn đặc trưng không gian và vân bề mặt (Texture) của từng loại thảm phủ. Cơ chế kết nối tắt của U-Net đóng vai trò quyết định trong việc khôi phục các đường biên địa hình gồ ghề tại Cao Bằng mà không bị nhòe pixel như các mạng phân loại cổ điển. So với phần mềm ENVI – vốn yêu cầu chuyên gia phải nắn chỉnh hình học, hiệu chỉnh khí quyển FLAASH và phân loại bán tự động theo 8 bước tỉ mỉ – giải pháp U-Net tự động hóa toàn bộ 13 bước trong đường ống tính toán, giúp giảm thiểu sai số thao tác của con người.

Dữ liệu kết quả nghiên cứu được minh chứng cụ thể thông qua ma trận độ chính xác (Confusion Matrix). Trong ma trận này, các giá trị dự đoán được đối sánh chi tiết với dữ liệu thực địa: tỷ lệ dự đoán chính xác của lớp Thực vật đạt trên 89%, lớp Nước đạt khoảng 85% và lớp Đất đạt xấp xỉ 78%. Kết quả phân loại cũng được trực quan hóa rõ nét dưới dạng các bản đồ chuyên đề thảm phủ với 3 gam màu phân định rõ ràng (Xanh lá cho Thực vật, Xanh dương cho Nước và Nâu đỏ cho Đất trống), thể hiện mức độ tương đồng trực quan rất cao so với ảnh màu thực tế RGB thu nhận từ cảm biến MSI.

Đề xuất và khuyến nghị

Dựa trên những phát hiện thực nghiệm của luận văn, 4 nhóm giải pháp và khuyến nghị chiến lược được đề xuất nhằm nâng cao hiệu quả quản lý tài nguyên:

Thứ nhất, mở rộng tích hợp đa nguồn dữ liệu ảnh vệ tinh quang học và radar. Sở Tài nguyên và Môi trường cùng Sở Nông nghiệp và Phát triển Nông thôn tỉnh Cao Bằng cần phối hợp với các viện nghiên cứu triển khai tích hợp dữ liệu ảnh Landsat-8, VNREDSat-1 và Sentinel-1 (radar SAR) trong vòng 6 đến 12 tháng tới. Mục tiêu nâng độ chính xác nhận diện phân loại rừng lên trên 90%, đồng thời duy trì khả năng quan sát xuyên mây trong mùa mưa lũ.

Thứ hai, phát triển nền tảng WebGIS giám sát biến động rừng tự động theo thời gian thực. Đơn vị phát triển phần mềm và Chi cục Kiểm lâm địa phương cần xây dựng giao diện người dùng trực quan trong lộ trình 12 đến 18 tháng. Giải pháp này giúp cắt giảm 70% thời gian lập báo cáo định kỳ và phát hiện sớm các vụ chặt phá rừng hoặc cháy rừng trong vòng 24 giờ sau khi vệ tinh cập nhật ảnh.

Thứ ba, ứng dụng bổ trợ các chỉ số phổ chuyên sâu vào hệ sinh thái quản lý lâm nghiệp. Lực lượng kiểm lâm cơ sở cần ứng dụng chỉ số NBR để khoanh vùng các điểm cháy rừng và chỉ số ARVI để giảm thiểu ảnh hưởng của khói bụi mù nương rẫy. Quy trình phân tích nên được kích hoạt định kỳ theo chu kỳ quét lặp từ 3 đến 5 ngày của vệ tinh.

Thứ tư, tối ưu hóa siêu tham số và cấu trúc mạng nơ-ron tích chập. Nhóm nghiên cứu công nghệ thông tin cần tiến hành thử nghiệm tích hợp các khối phần dư ResNet hoặc Inception vào nhánh mã hóa của U-Net trong thời gian 3 đến 6 tháng. Mục tiêu kỹ thuật là giảm 40% thời gian huấn luyện mô hình và nâng cao độ chính xác nhận diện tại các vùng ranh giới đồi núi hiểm trở.

Đối tượng nên tham khảo luận văn

Công trình nghiên cứu mang lại hàm lượng kiến thức học thuật và giá trị thực nghiệm phong phú, phù hợp cho 4 nhóm đối tượng trọng điểm:

Nhóm thứ nhất là các kỹ sư khoa học dữ liệu, kỹ sư AI và chuyên gia thị giác máy tính. Luận văn cung cấp trọn vẹn mã nguồn kiến trúc U-Net, phương pháp chia nhỏ EOPatch và kỹ thuật xử lý dữ liệu mảng nhiều chiều NumPy kết hợp ảnh viễn thám đa phổ 13 kênh.

Nhóm thứ hai là cán bộ quản lý tài nguyên, lâm nghiệp và lực lượng kiểm lâm. Tài liệu là cẩm nang thực chứng để hiện đại hóa công tác giám sát 408.705 ha diện tích quy hoạch lâm nghiệp tại Cao Bằng và các tỉnh miền núi, thay thế phương pháp tuần tra truyền thống bằng công nghệ viễn thám tự động.

Nhóm thứ ba là giảng viên, học viên cao học và sinh viên các chuyên ngành Hệ thống Thông tin Địa lý (GIS), Công nghệ Thông tin và Kỹ thuật Phần mềm. Đây là tài liệu tham khảo chất lượng cao về phương pháp luận kết hợp giữa khoa học máy tính hiện đại và kỹ thuật viễn thám địa không gian.

Nhóm thứ tư là các doanh nghiệp công nghệ môi trường và khởi nghiệp nông nghiệp thông minh. Tài liệu cung cấp giải pháp xây dựng hệ thống phân tích không gian dựa trên nguồn dữ liệu mở Sentinel-Hub và thư viện Eo-Learn miễn phí, loại bỏ hoàn toàn chi phí mua bản quyền phần mềm nước ngoài đắt đỏ.

Câu hỏi thường gặp

Tại sao tác giả lại lựa chọn ảnh Sentinel-2 thay vì Landsat-8 hay các loại ảnh vệ tinh thương mại siêu nét? Ảnh Sentinel-2 hoàn toàn miễn phí, sở hữu 13 kênh phổ với độ phân giải không gian 10 mét vượt trội hơn Landsat-8 (30 mét), đồng thời có tần suất chụp lặp 5 ngày một lần và dải quét rộng tới 290 km. Điều này tối ưu chi phí và quy mô hơn nhiều so với ảnh thương mại QuickBird hay WorldView đắt đỏ.

Mô hình U-Net mang lại ưu thế công nghệ gì vượt trội trong bài toán phân đoạn ảnh viễn thám? U-Net sử dụng cấu trúc mạng tích chập hoàn toàn với các đường kết nối tắt (Skip Connections) giữa nhánh mã hóa và giải mã. Cấu trúc này cho phép tái tạo chính xác thông tin biên đối tượng ở kích thước 256x256 pixel ngay cả khi tập dữ liệu mẫu huấn luyện ở quy mô vừa phải.

Sự khác biệt cốt lõi giữa hệ thống U-Net kết hợp Eo-Learn và phần mềm thương mại ENVI là gì? Phần mềm ENVI yêu cầu người dùng thao tác bán thủ công qua 8 bước, xử lý từng ảnh đơn lẻ và cần bản quyền thương mại đắt đỏ. Ngược lại, hệ thống U-Net kết hợp Eo-Learn tự động hóa 13 bước, xử lý hàng loạt dữ liệu lớn và hoàn toàn miễn phí mã nguồn mở.

Thư viện Eo-Learn đóng vai trò trung tâm như thế nào trong toàn bộ quy trình xử lý? Eo-Learn hoạt động như một cầu nối giữa dữ liệu viễn thám đa phổ và hệ sinh thái học máy Python. Thông qua 8 gói module chuyên sâu, thư viện giúp trích xuất tính năng, lọc mây, tạo EOPatch và chuyển đổi linh hoạt giữa dữ liệu raster và vector dạng mảng NumPy.

Hệ sinh thái công nghệ này có khả năng mở rộng để ứng dụng cho các địa phương khác tại Việt Nam không? Hệ thống hoàn toàn có thể nhân rộng cho 63 tỉnh thành nhờ cơ chế tải ảnh theo tọa độ GeoJSON trên Sentinel-Hub API. Chỉ cần tinh chỉnh tập dữ liệu mẫu kiểm chứng thực địa cục bộ, mô hình sẽ tự động trích xuất thảm phủ cho bất kỳ khu vực địa lý nào.

Kết luận

Công trình nghiên cứu luận văn thạc sĩ của tác giả Phạm Quang Hiển đã giải quyết thành công bài toán tự động hóa trích xuất đặc trưng ảnh vệ tinh đa phổ bằng công nghệ học sâu tiên tiến:

• Tự động hóa thành công toàn diện quy trình trích xuất đặc trưng lớp phủ bề mặt gồm Thực vật, Đất và Nước từ nguồn ảnh vệ tinh Sentinel-2.
• Xây dựng hoàn chỉnh mô hình mạng nơ-ron tích chập U-Net tích hợp thư viện Eo-Learn, đạt độ chính xác tổng thể ấn tượng xấp xỉ 84,5%.
• Giải quyết triệt để bài toán giám sát tài nguyên rừng và thảm phủ trên diện tích tự nhiên 6.690,72 km² tại tỉnh Cao Bằng với chi phí dữ liệu và bản quyền 0 đồng.
• Chứng minh tính khả thi vượt bậc của giải pháp mã nguồn mở tự động trong việc thay thế quy trình bán thủ công của các phần mềm thương mại đắt đỏ như ENVI.
• Đặt nền tảng phương pháp luận vững chắc cho các nghiên cứu ứng dụng trí tuệ nhân tạo vào lĩnh vực lâm nghiệp, tài nguyên môi trường và quản lý đô thị tại Việt Nam.

Trong lộ trình 6 tháng tiếp theo, nghiên cứu cần tiếp tục nâng cấp mô hình với dữ liệu đa nguồn và xây dựng giao diện người dùng hoàn thiện. Các cơ quan quản lý nhà nước và cộng đồng nghiên cứu được khuyến khích tiếp cận, kế thừa giải pháp mã nguồn mở này nhằm thúc đẩy mạnh mẽ tiến trình chuyển đổi số trong quản lý tài nguyên thiên nhiên quốc gia.

Trích đoạn nội dung tài liệu

Chương 1: Giới thiệu: tác giả trình bày về tính cấp thiết của đề tài, mục tiêu và phạm vi nghiên cứu của đề tài, các nội dung nghiên cũng như cấu trúc của luận văn Chương 2: Các kiến thức và công nghệ nền tảng: tác giả trình bày về các kiến thức nền tảng thực hiện đề tài như các kỹ thuật học sâu, ảnh vệ tinh, thư viện Eo-Learn, phần mềm Envi Chương 3: Mô hình mạng Nơron tích chập trích xuất lớp phủ thực vật từ ảnh vệ tinh Sentinel: tác giả trình bày việc xây dựng mạng nơ-ron tích chập với kiến trúc U-net để tiến hành trích xuất lớp phủ thực vật. Ngoài ra tác giả cũng giới thiệu một số chỉ số giúp tính toán lớp phủ thực vật và quy trình xử lý của bài toán với thư viện Eo- Learn Chương 4: Thực nghiệm: Tác giả giới thiệu về vùng thực nghiệm, các kết quả thực nghiệm cũng như so sánh ưu nhược điểm so với phần mềm Envi Chương 5: Kết luận: Tác giả trình bày về vai trò về nghiên cứu trong luận văn, các kết quả đạt được, các điểm hạn chế cũng như hướng phát triển tiếp theo của luận văn. HV: Phạm Quang Hiển 5 CHƯƠNG 2. CÁC KIẾN THỨC VÀ CÔNG NGHỆ NỀN TẢNG 2.

Ảnh vệ tinh Sentinel-2 2. Thiết kế kỹ thuật của vệ tinh Sentinel-2 Vệ tinh Sentinel-2 được thiết kế là một cặp vệ tinh song sinh gắn thiết bị thu ảnh đa phổ tiếp nối việc cung cấp dữ liệu vệ tinh phục vụ giám sát tài nguyên thiên nhiên của các dòng vệ tinh LANDSAT và SPOT thực hiện. Hai vệ tinh được thiết kế bay ở độ cao 786 km trong quỹ đạo đồng bộ mặt trời, được thiết kế phân pha ở 180° trên các mặt đối diện của quỹ đạo nên tấp suất chụp lặp của 2 vệ tinh rât cao, là 5 ngày. Vệ tinh Sentinel-2 được thiết kế tiên tiến dựa trên các nền tảng mới do tập đoàn Astrium GmbH phát triển có thừa hưởng kinh nghiệm mà EADS-Astrium từ việc chế tạo các vệ tinh ESA trước đây.

Mỗi vệ tinh Sentinel-2 nặng khoảng 1,2 tấn, với tuổi thọ 7,25 bao gồm giai đoạn vận hành trên quỹ đạo. Vị trí của mỗi vệ tinh Sentinel-2 được xác định trên quỹ đạo bằng thiết bị GNSS để đảm bảo việc chính xác của quỹ đạo bay, hệ thống Sentinel-2 bao gồm: - Trạm vận hành hướng bay để điều khiển, giám sát và lập lệnh cho vệ tinh; - Trạm mặt đất quản lý trữ lượng dữ liệu lưu trên vệ tinh để lập lịch quét, tải dữ liệu thu nhận, xử lý, lưu trữ, phân phối và kiểm soát chất lượng; - Mạng lưới các trạm băng tần S và X cho phép liên lạc với vệ tinh từ 4 trạm mặt đất Kiruna, Svalbard, Mas Palomas và Prince Albert. Ở chế độ bình thường, vệ tinh hoạt động thu ảnh có tính hệ thống với chu kỳ 10 ngày. Tuy nhiên, trong trường hợp khẩn cấp vệ tinh có thể thu nhận dữ liệu và cung cấp cho người sử dụng trong vòng 3 giờ đồng hồ sau khi thu nhận.1: Đặc tính kỹ thuật của hệ thống Sentinel-2 Đặc điểm hệ thống vệ tinh Thông tin Tính liên tục Cần 4 vệ tinh hoạt động trong chu kỳ 15 năm Các trạm mặt đất Ở Italia, Nauy, Tây Ban Nha, Alaska (Mỹ) Độ tin cậy 0.7 Độ sẵn có 97% Định vị không có điểm khống <20m chế GCP Độ rộng dải quét 290 km Phương thức hoạt động Tiêu chuẩn, mở rộng, hỗ trợ, an toàn Thời lượng chụp ảnh tối đa 32 phút mỗi 100 phút trong quỹ đạo HV: Phạm Quang Hiển 6 Sự kết hợp giữa dải quét rộng và yêu cầu thu nhận dữ liệu toàn cầu liên tục với tần suất chụp lặp cao dẫn đến việc Sentinel -2 tạo ra khoảng 1,6 TBytes dữ liệu hình ảnh thô được nén mỗi ngày.

Điều này có nghĩa tốc độ cung cấp dữ liệu thô trung bình liên tục là 160 Mbit/s, với khả năng lưu trữ bộ nhớ là 2,4 Tbits. Dữ liệu được nén bằng thuật toán nén đa độ phân giải dựa trên sự phân tách sóng. Chức năng này hoạt động trong thời gian thực đem lại tốc độ truyền ổn định với tỷ lệ nén được tối ưu hóa cho từng kênh phổ để đảm bảo chất lượng ảnh. Vệ tinh Sentinel-2 phóng lên vũ trụ mang nhiệm vụ cung cấp tính liên tục cho các dịch vụ giám sát trái đất bằng dữ liệu quang học độ phân giải không gian cao.

Bộ cảm quang học trên vệ tinh được thiết kế cải tiến để cung cấp ảnh ở 13 kênh phổ từ dải nhìn thấy, cận hồng ngoại và hồng ngoại sóng ngắn. Thiết bị đa phổ MSI cung cấp ảnh từ bước sóng 443nm đến 2190nm và chụp bề mặt đất toàn cầu một cách có hệ thống từ 560 Nam đến 840 Bắc. Dữ liệu ảnh Sentinel-2 cung cấp 3 loại độ phân giải không gian gồm: Độ phân giải 10 m ở 4 kênh từ dải hồng ngoại nhìn thấy và cận hồng ngoại; 20 m ở 6 kênh từ dải viền đỏ và cận hồng ngoại; 3 kênh độ phân giải 60 m dùng để hiệu chỉnh khí quyển. Sentinel-2 cũng được thiết kế để quay ống kính đến ± 20,60 dọc theo dải quét để phục vụ các yêu cầu khẩn cấp.

Tín hiệu được truyền đến các trạm mặt đất lõi của Sentinel và thông qua liên kết laser của EDRS. Từ khía cạnh quan sát Trái đất, các nhà nghiên cứu luôn mong muốn có thể sử dụng nguồn dữ liệu mở và miễn phí như các dòng vệ tinh Landsat và Sentinel. Do đó, khi kết hợp ảnh các vệ tinh Landsat 5-8 với dữ liệu ảnh Sentinel-2 sẽ đạt tần suất chụp lặp 3 ngày tại một điểm trên mặt đất. Do đó, dữ liệu Sentinel-2 có thể mang lại kết quả mong muốn nếu áp dụng phương pháp phù hợp.

Thiết kế kỹ thuật bộ cảm MSI trên vệ tinh Sentinel-2 Bộ cảm MSI trên vệ tinh Sentinel-2 còn có các cải tiến rất lớn so với bộ cảm OLI trên vệ tinh LandSat 8 như: việc thu hẹp độ rộng dải phổ của Sentinel-2 làm hạn chế ảnh hưởng của các thành phần khí quyển, bao gồm cả hơi nước. Kênh 8A của Sentinel được thu hẹp dải phổ ở bước sóng 865 nm trong vùng cận hồng ngoại để tránh ảnh hưởng từ hơi nước nhưng vẫn có khả năng thể hiện được những vùng có giá trị phổ bằng phẳng, đặc biệt là ở dải phổ cận hồng ngoại cho thảm thực vật tuy nhiên vẫn nhạy cảm với hàm lượng oxit sắt trong đất. Dải phổ 443 nm cũng được sử dụng trong các nhiệm vụ như: tính toán Chỉ số thực vật toàn cầu ENVISAT MERIS (MGVI) và trong hiệu chỉnh khí quyển cho đầu thu MODIS của Cơ quan Hàng không và Vũ trụ Hoa Kỳ. HV: Phạm Quang Hiển 7 Độ phân giải không gian và thời gian đang là ưu điểm vượt trội của của thế hệ vệ tinh quan học Sentinel-2.

Một trong những đặc tính vượt trội của Sentinel 2 và Landsat 8 là có cùng dải phổ từ 400nm – 2300nm tuy số lượng băng phổ khác nhau, 13 băng phổ của ảnh Sentinel 2 so với 9 băng phổ của ảnh Landsat 8. Điều này được giải thích chủ yếu do khả năng đâm xuyên vào môi trường nước của các băng phổ khác nhau. Theo mức năng lượng của chúng thì khả năng bị hấp thụ tăng dần từ bước sóng 400nm đến bị hấp thụ gần như hoàn toàn ở bước sóng 900nm. Băng xanh blue có thể đi sâu tối đa 15m, băng xanh (green) xuyên được tối đa 10m và chỉ 5m đối với băng đỏ.

Từ đó có thể thấy, cả ảnh Landsat 8 và Sentinel 2 đều chứa các băng phổ có bước sóng phù hợp đối với các nhiệm vụ đánh giá biến động nguồn lợi hoặc chất lượng nước vùng ven bờ, đầm phá, sông. Đối với ứng dụng theo dõi diễn biến rừng, một trong những phương pháp triển vọng hiện nay đáp ứng được yêu cầu cập nhật bản đồ hiện trạng rừng là ứng dụng công nghệ viễn thám để xác định khu vực tăng/giảm rừng đến từng lô kiểm kê theo thời gian. Tuy nhiên, để ứng dụng công nghệ này, việc lựa chọn tư liệu ảnh phù hợp là vấn đề đặt ra. Các loại ảnh có độ phân giải không gian cao (dưới 10 m) thường có giá thành tương đối đắt.

Bên cạnh đó, nếu thực hiện trên khu vực rộng, sẽ cần dung lượng lưu trữ dữ liệu, thời gian để xử lý ảnh và yêu cầu về cấu hình phần cứng, phần mềm cho xử lý ảnh rất lớn. Do đó, để áp dụng trên phạm vi cả nước là không khả thi. Các loại ảnh có độ phân giải không gian thấp (>250 m) như: MODIS, NOAA, MERIS. một pixel ảnh có thể lớn hơn nhiều so với một lô kiểm kê, nên không phù hợp với hệ thống giám sát rừng ở quy mô địa phương.

Từ đó, các loại ảnh vệ tinh có độ phân giải trung bình (10 - 30 m), được cung cấp miễn phí như Landsat-8, Sentinel-2 tỏ ra có nhiều ưu điểm và triển vọng để giám sát sự thay đổi độ che phủ rừng ở quy mô địa phương. Để đáp ứng các yêu cầu: phù hợp cho giám sát sự thay đổi độ che phủ rừng ở quy mô địa phương và độ phân giải không gian cao nhất có thể, ảnh vệ tinh Landsat-8 OLI và Sentinel-2 là 2 loại ảnh có tiềm năng nhất. Sự tương đồng về mối quan hệ phổ giữa ảnh Sentinel 2 và Landsat 8 sẽ làm tăng giá trị sử dụng khi kết hợp cả hai nguồn ảnh vào các nghiên cứu về mặt đất, bao gồm theo dõi diễn biến rừng. Từ khía cạnh quan sát Trái đất, các nhà nghiên cứu luôn mong muốn có thể sử dụng nguồn dữ liệu mở và miễn phí như các dòng vệ tinh Landsat và Sentinel.

Như đã đề cập ở trên, khi kết hợp ảnh các vệ tinh Landsat 5-8 với bộ cảm dòng vệ tinh Sentinel, ở đây là Sentinel-2 sẽ đạt tần suất chụp lặp 3 ngày tại một điểm trên mặt đất. Mặc dù các đầu thu này có độ phân giải không gian ở mức trung bình (30m đối với Landsat và 10m đối với Sentinel-2) khi so sánh với các dữ liệu HV: Phạm Quang Hiển 8 ảnh khác như Quickbird (0.5m) nhưng vẫn có thể mang lại kết quả mong muốn nếu áp dụng phương pháp phù hợp. Hiện nay, ảnh vệ tinh đa phổ Sentinel-2 và Landsat 8 OLI được đặc biệt quan tâm không chỉ bởi các tính năng kỹ thuật mà còn ở chu kỳ chụp lặp của chúng. Nếu hoạt động độc lập, Landsat chỉ chụp lặp ảnh 16 ngày/lần thay vì 5 ngày như Sentinel-2.

Từ năm 2017, khi vệ tinh Sentinel-2B được phóng lên quỹ đạo và hoạt động ổn định, kết hợp với Landsat 8 OLI thì thế giới được cung cấp ảnh quang học độ phân giải cao với chu kỳ 3 ngày và được phân phối miễn phí trên toàn cầu.