Tổng quan nghiên cứu

Thành phố Hà Nội có diện tích tự nhiên 3.358,9 km² với quy mô dân số vượt mức 8,66 triệu người, đang trải qua tiến trình đô thị hóa mạnh mẽ và phức tạp bậc nhất khu vực Đồng bằng sông Hồng. Cơ cấu sử dụng đất của Thủ đô ghi nhận sự chuyển dịch sâu sắc khi quỹ đất nông nghiệp chiếm 56,6% và đất phi nông nghiệp chiếm 40,6% vào năm 2010. Đến hết năm 2017, tỷ lệ che phủ đô thị thực tế đã chạm mốc 33,851%, tương đương 11.369 ha trên tổng diện tích toàn thành phố. Sự bùng nổ của các bề mặt không thấm nước như mạng lưới giao thông, khu dân cư tập trung và hơn 20 khu, cụm công nghiệp mới đặt ra thách thức gay gắt cho công tác giám sát tài nguyên môi trường.

Vấn đề cốt lõi của bài toán viễn thám đô thị tại Hà Nội nằm ở tính chất không đồng nhất của bề mặt nhân tạo cùng điều kiện mây mù nhiệt đới che phủ quanh năm, khiến các nguồn ảnh quang học truyền thống như Landsat (độ phân giải 30m) hay SPOT gặp nhiều hạn chế trong việc chiết tách ranh giới chi tiết. Mục tiêu nghiên cứu của đề tài là xây dựng quy trình phân loại lớp phủ đô thị hoàn chỉnh cho Hà Nội năm 2018 bằng cách khai thác dữ liệu ảnh vệ tinh quang học thế hệ mới VENµS kết hợp các thuật toán học máy tiên tiến. Đề tài tập trung phát triển kỹ thuật tổng hợp ảnh không mây đa thời gian (composite) theo phương pháp lựa chọn điểm ảnh tối ưu (Best-Available-Pixel - BAP), từ đó xây dựng bản đồ chuyên đề lớp phủ đô thị có độ chính xác cao và định lượng tốc độ mở rộng không gian xây dựng. Nghiên cứu mang ý nghĩa then chốt khi cung cấp công cụ trích xuất dữ liệu không gian với độ phân giải 10m và 12 kênh phổ, hỗ trợ các nhà quản lý đô thị đánh giá biến động đất đai kịp thời và hoạch định chính sách phát triển bền vững.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Nghiên cứu được xây dựng trên nền tảng lý thuyết viễn thám quang học và khoa học thông tin địa lý (GIS) trong phân loại lớp phủ bề mặt (Land Cover - LC) và biến động sử dụng đất (LULCC). Về mặt vật lý, các bề mặt không thấm nước đô thị như bê tông, nhựa đường và vật liệu xây dựng sở hữu đặc trưng phản xạ phổ khác biệt hoàn toàn so với thảm thực vật tự nhiên hay các thực thể thủy văn trong các dải sóng ánh sáng nhìn thấy và cận hồng ngoại (bước sóng từ 415 nm đến 910 nm).

Khung mô hình nghiên cứu kết hợp 3 thuật toán học máy nền tảng:

  • Mô hình véc-tơ hỗ trợ (Support Vector Machine - SVM): Tìm kiếm siêu mặt phẳng tối ưu trong không gian nhiều chiều thông qua hàm nhân phi tuyến (RBF Kernel) để phân tách ranh giới giữa lớp đô thị và phi đô thị.
  • Mạng nơ-ron nhân tạo (Artificial Neural Network - ANN): Cấu trúc Perceptron đa lớp (MLP) với các hàm kích hoạt phi tuyến như ReLU và Sigmoid để mô phỏng mối quan hệ phức tạp giữa các kênh phản xạ phổ.
  • Thuật toán tăng cường độ dốc cực đại (eXtreme Gradient Boosting - XGBoost): Tối ưu hóa tổ hợp cây quyết định song song, tích hợp cơ chế kiểm soát dữ liệu thưa và chống quá khớp (overfitting), mang lại hiệu năng phân loại vượt trội trên tập dữ liệu đa biến.

Hệ thống đánh giá độ chính xác sử dụng ma trận nhầm lẫn (Confusion Matrix), chỉ số Precision, Recall, điểm F1 và độ chính xác tổng thể (Overall Accuracy - OA).

Phương pháp nghiên cứu

Nguồn dữ liệu sơ cấp bao gồm 37 cảnh ảnh vệ tinh VENµS được thu thập từ Trung tâm Dữ liệu Đất Quốc gia Pháp (Theia Land Data Center) trong giai đoạn từ tháng 12/2017 đến tháng 8/2019 (gồm 1 cảnh năm 2017, 22 cảnh năm 2018 và 14 cảnh năm 2019). Vệ tinh VENµS sở hữu chu kỳ lặp 2 ngày, độ phân giải không gian 10m và 12 kênh phổ quang học.

Quy trình chọn mẫu được thực hiện theo phương pháp lấy mẫu ngẫu nhiên phân tầng (Stratified Random Sampling) trên nền tảng ArcMap và đối soát ảnh vệ tinh độ phân giải cao Google Earth từ nguồn dữ liệu của Trung tâm FIMO. Bộ dữ liệu gồm 2.924 điểm mẫu độc lập không trùng lặp tọa độ, được phân chia theo tỷ lệ chuẩn phản ánh thực tế đô thị Hà Nội (33,85%):

  • Tập dữ liệu huấn luyện (Training Set): 1.879 điểm mẫu (623 điểm đô thị, 1.256 điểm phi đô thị).
  • Tập dữ liệu kiểm tra (Testing Set): 1.045 điểm mẫu (327 điểm đô thị, 718 điểm phi đô thị).

Phương pháp xử lý ảnh kết hợp BAP được triển khai trên nền tảng điện toán đám mây Google Earth Engine (GEE). Thuật toán tính toán điểm ảnh tốt nhất dựa trên 3 chỉ số thành phần: chỉ số ngày trong năm (DOY Score theo phân phối chuẩn Gaussian với cửa sổ thời gian ±30 ngày), chỉ số độ mờ khí quyển (Opacity Score) và chỉ số khoảng cách tới mây/bóng mây (Distance to Cloud/Shadow Score tính theo hàm Sigmoid trong bán kính đệm 50 điểm ảnh). Quy trình tạo ra 5 ảnh kết hợp đại diện cho 5 mốc thời gian trong năm 2018: DOY 15, DOY 75, DOY 135, DOY 195 và DOY 315.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

Quá trình thực nghiệm đã làm sáng tỏ nhiều phát hiện có giá trị khoa học và thực tiễn cao:

  • Sự hạn chế nghiêm trọng của ảnh đơn lẻ: Phân loại trên ảnh VENµS đơn lẻ gặp nhiều nhiễu do mây che phủ và biến đổi phản xạ phổ theo mùa, mô hình mạng nơ-ron nhân tạo (ANN) chỉ đạt độ chính xác tổng thể khiêm tốn khoảng 47%, không đáp ứng được yêu cầu giám sát tin cậy.
  • Hiệu quả vượt bậc của kỹ thuật kết hợp ảnh BAP: Chuỗi 5 ảnh tổng hợp đa thời gian (DOY 15, 75, 135, 195, 315) loại bỏ gần như hoàn toàn bóng mây và mây mỏng, đồng thời làm nổi bật đặc trưng phổ ổn định của các bề mặt xây dựng qua các mùa trong năm.
  • Sự vượt trội của thuật toán XGBoost: Khi áp dụng trên dữ liệu trích xuất từ các ảnh kết hợp, thuật toán XGBoost đạt độ chính xác tổng thể ấn tượng lên tới trên 99% trên tập dữ liệu kiểm tra 1.045 điểm, vượt trội hoàn toàn so với các phân loại truyền thống.
  • Phân tách phổ rõ nét trên tổ hợp màu giả: Tổ hợp màu giả đô thị (Kênh 5-4-7 và 4-5-7) làm nổi bật hoàn toàn vùng nội đô và các khu dân cư tập trung với gam màu vàng sẫm và ánh hồng sáng, tách biệt rõ ràng với màu xanh lá của thảm thực vật nông nghiệp và màu lam thẫm/đen của hệ thống mặt nước sông Hồng, sông Đuống và các hồ nội thành.

Thảo luận kết quả

Nguyên nhân cốt lõi giúp mô hình đạt độ chính xác trên 99% là sự cộng hưởng giữa độ phân giải phổ hẹp 12 kênh của vệ tinh VENµS và sức mạnh xử lý phi tuyến của XGBoost. Ở các ảnh vệ tinh độ phân giải thấp như MODIS (250–1000m) hoặc trung bình như Landsat 8 (30m), hiện tượng điểm ảnh hỗn hợp (mixed pixel) ở các khu vực ven đô diễn ra rất phổ biến khiến độ chính xác phân loại của các nghiên cứu trước đây chỉ dao động từ 83,91% (nghiên cứu của tác giả Mẫn Đức Chức giai đoạn 2014–2016) đến 86–88% (nghiên cứu của tác giả Xiaoping Zhang). Độ phân giải không gian 10m của VENµS cho phép phân tách các công trình nhà ở, ngõ xóm và đường giao thông đô thị đặc trưng của Hà Nội.

Dữ liệu kết quả thực nghiệm có thể được tổng hợp trực quan thông qua bảng ma trận nhầm lẫn và biểu đồ biến thiên phản xạ phổ:

Chỉ số đánh giá Ảnh VENµS đơn lẻ (Mô hình ANN) Ảnh VENµS kết hợp BAP (Mô hình XGBoost) Nghiên cứu Landsat 8 đa thời gian
Độ chính xác tổng thể (OA) Khoảng 47,0% Trên 99,0% 83,91%
Độ phân giải không gian 10 mét 10 mét 30 mét
Mức độ ảnh hưởng của mây Rất cao (>30% diện tích nhiễu) Gần như triệt tiêu hoàn toàn Thấp (đã xử lý composite)
Số lượng điểm mẫu kiểm định 1.045 điểm 1.045 điểm Khoảng 800 - 1.200 điểm

Việc loại bỏ mốc thời gian DOY 295 (rơi vào cao điểm mùa mưa miền Bắc với lượng mây bao phủ dày đặc) là bước xử lý dữ liệu chính xác, giúp bộ đặc trưng đưa vào huấn luyện đạt độ tin cậy tối đa.

Đề xuất và khuyến nghị

Dựa trên kết quả thực nghiệm của luận văn, 4 nhóm giải pháp cụ thể được đề xuất nhằm nâng cao năng lực ứng dụng viễn thám trong quy hoạch và quản lý đô thị:

  • Tích hợp công nghệ viễn thám VENµS vào hệ thống giám sát đô thị thông minh: Sở Quy hoạch - Kiến trúc phối hợp với Sở Xây dựng Hà Nội triển khai quy trình trích xuất lớp phủ tự động từ ảnh vệ tinh trong giai đoạn 2024–2026, đặt mục tiêu phát hiện sớm các biến động xây dựng trái phép ngoài quy hoạch với độ chính xác trên 95%.
  • Tự động hóa quy trình tiền xử lý và kết hợp ảnh BAP trên nền tảng đám mây: Viện Quy hoạch Xây dựng Hà Nội cùng các đơn vị công nghệ thông tin xây dựng pipeline xử lý dữ liệu viễn thám định kỳ 6 tháng/lần trên Google Earth Engine, rút ngắn thời gian thành lập bản đồ hiện trạng lớp phủ từ 30 ngày xuống dưới 48 giờ làm việc.
  • Chuẩn hóa ngân hàng dữ liệu mẫu phổ đô thị cho vùng kinh tế trọng điểm Bắc Bộ: Sở Tài nguyên và Môi trường liên kết với các trường đại học khối công nghệ thực hiện trong 12–18 tháng, xây dựng tối thiểu 5.000 điểm mẫu chuẩn định vị vệ tinh phục vụ công tác huấn luyện các mô hình học sâu (Deep Learning) trong tương lai.
  • Hoạch định vành đai sinh thái kiểm soát hiện tượng bê tông hóa: Ủy ban nhân dân Thành phố Hà Nội ứng dụng bản đồ phân loại lớp phủ bề mặt để khoanh vùng bảo vệ các nêm xanh sinh thái tại các huyện chuẩn bị lên quận như Đông Anh, Hoài Đức, Gia Lâm, duy trì tỷ lệ phủ xanh tối thiểu đạt 20–25% diện tích tự nhiên.

Đối tượng nên tham khảo luận văn

Nội dung và phương pháp trong công trình này mang lại giá trị thực tiễn cho 4 nhóm đối tượng chính:

  • Học viên cao học và nghiên cứu sinh chuyên ngành Hệ thống thông tin, Viễn thám và GIS: Tiếp cận quy trình thực hành tiền xử lý ảnh vệ tinh đa phổ thế hệ mới, công thức tính toán chỉ số BAP và kỹ thuật tối ưu hóa siêu tham số cho các mô hình học máy phân lớp.
  • Chuyên viên và cán bộ quản lý tài nguyên môi trường tại các Sở, Ban, Ngành: Nắm bắt phương pháp luận khoa học để tự động hóa công tác kiểm kê đất đai định kỳ, theo dõi diễn biến bề mặt không thấm nước và đánh giá tốc độ đô thị hóa phục vụ báo cáo kinh tế - xã hội.
  • Kỹ sư dữ liệu và chuyên gia AI phát triển giải pháp Geoinformatics: Khai thác bộ khung thuật toán kết hợp giữa Google Earth Engine và thư viện XGBoost để xây dựng các sản phẩm bản đồ số thương mại, giám sát công trình hạ tầng diện rộng với độ chính xác cao.
  • Các tổ chức nghiên cứu đô thị và biến đổi khí hậu: Sử dụng phương pháp bóc tách lớp phủ không thấm để mô hình hóa hiện tượng đảo nhiệt đô thị (Urban Heat Island - UHI), đánh giá nguy cơ ngập lụt cục bộ và xây dựng kịch bản phát triển đô thị thích ứng.

Câu hỏi thường gặp

  • Vệ tinh VENµS có ưu điểm gì vượt trội so với Landsat 8 và Sentinel-2A trong bài toán phân loại đô thị? Vệ tinh VENµS sở hữu chu kỳ lặp chụp ảnh vượt trội chỉ 2 ngày (so với 16 ngày của Landsat 8 và 10 ngày của Sentinel-2A) cùng độ phân giải không gian 10m trên 12 kênh phổ hẹp. Điều này cho phép thu thập chuỗi dữ liệu dày đặc, dễ dàng tìm kiếm các khung thời gian ít mây để tổng hợp ảnh chất lượng cao.

  • Thuật toán Best-Available-Pixel (BAP) hoạt động như thế nào để loại bỏ mây che phủ? BAP đánh giá chất lượng từng pixel ảnh ứng viên thông qua 3 trọng số: mức độ tương đồng thời gian (DOY Score qua hàm Gaussian), độ mờ khí quyển (Opacity Score) và khoảng cách an toàn tới mây/bóng mây (hàm Sigmoid bán kính 50 pixel). Điểm ảnh có tổng điểm chất lượng cao nhất sẽ được chọn để trám vào vị trí bị mây trên ảnh mục tiêu.

  • Vì sao mô hình XGBoost lại vượt trội hơn hẳn so với mạng nơ-ron ANN trong nghiên cứu này? XGBoost xử lý hiệu quả mối tương quan phi tuyến giữa 12 kênh phổ, có cơ chế xử lý dữ liệu thưa và tối ưu hóa hàm mất mát thông qua Gradient Descent trên các cây quyết định song song. Ngược lại, mạng ANN cấu trúc cơ bản dễ rơi vào điểm tối ưu cục bộ và nhạy cảm với kích thước tập mẫu huấn luyện.

  • Bộ dữ liệu 2.924 điểm mẫu có đảm bảo tính đại diện cho toàn bộ địa bàn Thủ đô Hà Nội không? Bộ dữ liệu gồm 1.879 điểm huấn luyện và 1.045 điểm kiểm tra được lấy mẫu ngẫu nhiên phân tầng bao phủ các vùng nội đô và ngoại thành. Tỷ lệ điểm mẫu đô thị (33,85%) hoàn toàn khớp với số liệu Niên giám thống kê chính thức của Hà Nội năm 2017 (11.369 ha/335.859 ha), đảm bảo độ tin cậy thống kê cao.

  • Quy trình phân loại lớp phủ trong luận văn có thể chuyển giao cho các tỉnh thành khác không? Quy trình tiền xử lý BAP và mô hình phân loại XGBoost trên Google Earth Engine hoàn toàn có thể nhân rộng cho các thành phố lớn như TP. Hồ Chí Minh hay Đà Nẵng. Người sử dụng chỉ cần thu thập ảnh VENµS theo tọa độ khu vực và gán nhãn tập mẫu thực địa tương ứng với địa bàn mới.

Kết luận

  • Luận văn đã xây dựng thành công quy trình phân loại lớp phủ đô thị độ chính xác cao cho Hà Nội năm 2018 bằng ảnh vệ tinh VENµS 12 kênh phổ.
  • Phương pháp kết hợp ảnh đa thời gian BAP (5 mốc DOY 15, 75, 135, 195, 315) đã khắc phục triệt để nhược điểm mây mù nhiệt đới của ảnh viễn thám quang học.
  • Thuật toán học máy XGBoost xác lập hiệu năng phân loại xuất sắc với độ chính xác tổng thể đạt trên 99%, vượt trội so với các phân loại ảnh đơn truyền thống (47%).
  • Định hướng nghiên cứu giai đoạn 2025–2030 sẽ mở rộng tích hợp ảnh vệ tinh Radar khẩu độ tổng hợp (SAR) và các mạng học sâu (CNN/Transformer) để giám sát lớp phủ liên tục theo thời gian thực.
  • Hãy ứng dụng ngay bộ giải pháp viễn thám và dữ liệu không gian mã nguồn mở để nâng tầm hiệu quả quản lý, quy hoạch và phát triển đô thị bền vững.