Tổng quan nghiên cứu

Thủ đô Viêng Chăn là trung tâm chính trị, kinh tế và văn hóa lớn nhất của nước Cộng hòa Dân chủ Nhân dân Lào với tổng diện tích tự nhiên khoảng 3.920 km2, bao gồm 9 đơn vị hành chính cấp quận. Kể từ khi mở cửa kinh tế vào năm 1986, thành phố chứng kiến tốc độ đô thị hóa nhanh chóng, đặc biệt tập trung tại 5 quận đô thị trung tâm gồm Chanthabuly, Sikhottabong, Xaysetha, Sisattanak và Hadxaifong. Sự gia tăng dân số cùng làn sóng đầu tư vào thương mại và công nghiệp đã thúc đẩy việc chuyển đổi ồ ạt đất nông nghiệp sang đất xây dựng dọc theo các tuyến đường huyết mạch. Tuy nhiên, sự phát triển mở rộng tự phát khi cơ sở hạ tầng chưa hoàn thiện đang tạo ra áp lực lớn lên môi trường sinh thái, làm suy giảm diện tích mặt nước tự nhiên và phá vỡ cảnh quan đặc trưng của vùng đồng bằng ven sông Mekong. Nhằm giải quyết thực trạng này, nghiên cứu đặt mục tiêu xây dựng quy trình phân loại lớp phủ đô thị chính xác cho toàn bộ thủ đô Viêng Chăn trong năm 2018 bằng cách ứng dụng công nghệ viễn thám kết hợp thuật toán học máy hiện đại. Phạm vi nghiên cứu bao trùm toàn bộ không gian địa lý của 9 quận với chuỗi dữ liệu vệ tinh đa thời gian. Ý nghĩa thực tiễn của đề tài thể hiện qua việc cung cấp bản đồ số lớp phủ mặt đất đạt độ phân giải không gian 30m, đóng vai trò là nguồn dữ liệu định lượng tin cậy giúp các nhà quản lý tối ưu hóa 100% quy hoạch phân vùng và nâng cao hiệu quả giám sát bề mặt không thấm nước đô thị.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Nghiên cứu được xây dựng dựa trên lý thuyết phân loại sử dụng đất và lớp phủ mặt đất (LULCC) cùng nguyên lý phản xạ phổ của các đối tượng địa lý trong viễn thám quang học. Mô hình bề mặt không thấm nước (Impervious Surface) được chọn làm chỉ thị cốt lõi để nhận diện không gian đô thị, bao gồm hệ thống đường giao thông, nhà ở bê tông, bãi đỗ xe và các công trình nhân tạo. Về mặt xử lý dữ liệu, nghiên cứu ứng dụng mô hình ghép ảnh tối ưu điểm ảnh (Best-Available-Pixel - BAP) nhằm loại bỏ hoàn toàn tác động của mây và bóng mây. Hai thuật toán học máy có giám sát tiên tiến được triển khai gồm Support Vector Machine (SVM) và eXtreme Gradient Boosting (XGBoost). Trong đó, SVM hoạt động dựa trên nguyên lý xác định siêu phẳng tối ưu trong không gian đa chiều để phân tách các lớp dữ liệu với khoảng cách lề cực đại và tham số phạt C. Thuật toán XGBoost xây dựng tập hợp các cây quyết định tăng cường theo gradient, tích hợp cơ chế xử lý dữ liệu thưa và tối ưu hóa hàm mất mát đa mục tiêu, cho phép xử lý hiệu quả các mối quan hệ phi tuyến tính phức tạp giữa các kênh phổ.

Phương pháp nghiên cứu

Nguồn dữ liệu đầu vào sử dụng 203 cảnh ảnh vệ tinh Landsat 8 Surface Reflectance (L8SR) được thu thập từ Cục Khảo sát Địa chất Hoa Kỳ (USGS) thông qua nền tảng điện toán đám mây Google Earth Engine trong giai đoạn 3 năm từ 2016 đến 2018, bao gồm 70 ảnh năm 2016, 61 ảnh năm 2017 và 72 ảnh năm 2018. Quy trình BAP thực hiện tổng hợp điểm ảnh cho 6 thời điểm mục tiêu phân bố đều trong năm 2018 (DOY 15, DOY 75, DOY 135, DOY 195, DOY 255, DOY 315) với cửa sổ lọc cộng trừ 30 ngày. Điểm ảnh tối ưu được lựa chọn thông qua hàm chấm điểm đa tiêu chí: Year Score (từ 0.42 đến 1.00), DOY Gaussian Score, Opacity Score (từ 0.023 đến 0.977), Distance to Cloud Score trong bán kính 50 pixel và chỉ số thực vật NDVI. Cỡ mẫu nghiên cứu gồm 1.250 điểm kiểm chứng thực địa được thu thập theo phương pháp lấy mẫu phân tầng ngẫu nhiên trên toàn bộ 9 quận, sau đó phân chia theo tỷ lệ 70% phục vụ huấn luyện mô hình và 30% độc lập dùng để kiểm thử. Phương pháp phân tích bằng XGBoost và SVM được lựa chọn nhờ khả năng xử lý xuất sắc dữ liệu phổ 7 kênh phản xạ bề mặt từ dải sóng nhìn thấy đến hồng ngoại nhiệt mà không bị hiện tượng quá khớp (overfitting). Độ chính xác được đánh giá chặt chẽ qua Ma trận nhầm lẫn (Confusion Matrix), Độ chính xác tổng thể (Overall Accuracy), hệ số Kappa, Precision, Recall và điểm F1.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

Quá trình thực nghiệm đã tạo thành công chuỗi 6 ảnh composite chất lượng cao cho năm 2018 hoàn toàn không còn điểm ảnh bị che phủ bởi mây mù trên toàn bộ không gian 3.920 km2 của Viêng Chăn. Kết quả phân lớp bằng mô hình học máy đạt độ chính xác tổng thể ấn tượng trên 86,5% và hệ số Kappa vượt mức 0,82, khẳng định độ tin cậy khoa học rất cao. Bề mặt không thấm nước đô thị chiếm khoảng 11,8% tổng diện tích tự nhiên, tập trung dày đặc với mật độ trên 65% tại 5 quận trung tâm gồm Chanthabuly, Sikhottabong, Xaysetha, Sisattanak và Hadxaifong. So sánh đối chiếu với dữ liệu lịch sử giai đoạn 1995-2005, diện tích đất xây dựng đô thị năm 2018 đã tăng trưởng hơn 140%, trong khi diện tích đất nông nghiệp màu mỡ và rừng tự nhiên tại các quận ngoại thành như Xaythany và Naxaithong bị suy giảm khoảng 18,5%. Thuật toán XGBoost đạt độ chính xác phân loại các cấu trúc đô thị phức tạp cao hơn 3,2% so với SVM truyền thống nhờ khả năng khai thác tối đa tổ hợp đặc trưng đa thời gian.

Thảo luận kết quả

Sự vượt trội của mô hình bắt nguồn từ việc xử lý triệt để thách thức khí hậu nhiệt đới gió mùa tại Viêng Chăn, nơi mùa mưa kéo dài từ tháng 5 đến tháng 10 hàng năm với lượng mưa từ 1.500 mm đến 2.000 mm khiến trên 75% ảnh quang học đơn lẻ bị che phủ bởi mây. Việc áp dụng hàm khoảng cách Sigmoid bán kính 50 pixel và hàm chấm điểm Gaussian theo ngày trong năm đã giữ lại được các giá trị phản xạ bề mặt trung thực nhất. Toàn bộ cơ sở dữ liệu phân loại được trực quan hóa sinh động qua các bản đồ chuyên đề đa phổ kết hợp kênh giả đô thị 7-6-4, biểu đồ hình quạt thể hiện cơ cấu biến động lớp phủ và bảng ma trận nhầm lẫn phân định rõ 4 nhóm đối tượng chính gồm bề mặt không thấm, thảm thực vật, mặt nước và đất trống. So với các nghiên cứu trước đây vốn chỉ áp dụng chỉ số NDVI cực đại đơn thuần, giải pháp ghép ảnh BAP 5 chỉ số giúp giảm 24% sai số nhầm lẫn giữa đất trống khô hạn và bê tông đô thị.

Đề xuất và khuyến nghị

Để nâng cao hiệu quả quản trị và phát triển bền vững không gian đô thị thủ đô Viêng Chăn, nghiên cứu đề xuất 4 nhóm giải pháp mang tính hành động cụ thể:

Thứ nhất, xây dựng và vận hành hệ thống tự động giám sát biến động lớp phủ đất định kỳ 6 tháng một lần. Sở Tài nguyên và Môi trường Thủ đô Viêng Chăn đóng vai trò chủ trì, ứng dụng nền tảng Google Earth Engine và dữ liệu vệ tinh mở Landsat/Sentinel nhằm đạt mục tiêu phát hiện sớm 95% các trường hợp xây dựng lấn chiếm đất nông nghiệp trái phép, triển khai thí điểm ngay từ Quý I/2020.

Thứ hai, thiết lập hành lang bảo vệ vành đai xanh sinh thái dọc lưu vực sông Mekong, sông Nam Ngum và sông Nam Ton. Chính quyền Thủ đô Viêng Chăn phối hợp cùng Bộ Nông Lâm nghiệp Lào ban hành quy chế quản lý nghiêm ngặt, cam kết duy trì tỷ lệ che phủ cây xanh đô thị tối thiểu đạt 35% trên toàn địa bàn trước năm 2025.

Thứ ba, chuẩn hóa và tích hợp cơ sở dữ liệu GIS không gian viễn thám vào cổng thông tin quy hoạch đô thị tập trung. Ban Quản lý Đô thị Viêng Chăn chủ trì kết nối liên thông dữ liệu lớp phủ 30m giữa 9 quận huyện, hoàn thành việc số hóa 100% hồ sơ địa chính vào cuối năm 2022.

Thứ tư, tăng cường năng lực ứng dụng trí tuệ nhân tạo và địa tin học cho đội ngũ chuyên trách. Các trường đại học và viện nghiên cứu tại Lào tổ chức các chương trình đào tạo chuyên sâu về học máy và xử lý ảnh viễn thám cho ít nhất 60 kỹ sư quy hoạch trong giai đoạn 2020-2021.

Đối tượng nên tham khảo luận văn

Nội dung và kết quả thực nghiệm của luận văn mang lại giá trị học thuật và ứng dụng sâu rộng cho 4 nhóm đối tượng trọng tâm:

Cơ quan quản lý nhà nước và nhà hoạch định chính sách đô thị tại Lào: Sử dụng trực tiếp bản đồ hiện trạng lớp phủ năm 2018 và chuỗi số liệu định lượng về tốc độ đô thị hóa để phê duyệt quy hoạch tổng thể và điều chỉnh chính sách giao đất hiệu quả.

Chuyên viên kỹ thuật GIS, viễn thám và tài nguyên môi trường: Tham khảo quy trình tiền xử lý BAP và bộ thông số chuẩn của thuật toán XGBoost/SVM trên Google Earth Engine để triển khai các dự án viễn thám quy mô lớn tại các tỉnh thành khác.

Giảng viên, nghiên cứu sinh và học viên cao học chuyên ngành Công nghệ thông tin, Hệ thống thông tin và Địa tin học: Tiếp cận một khung nghiên cứu hoàn chỉnh từ trích xuất dữ liệu lớn, xây dựng đặc trưng phổ đa thời gian đến tối ưu hóa mô hình học máy.

Doanh nghiệp phát triển đô thị và tư vấn môi trường: Khai thác mô hình không gian để đánh giá tác động môi trường, xác định vị trí đầu tư hạ tầng thông minh và giảm thiểu rủi ro ngập úng tại các vùng trũng thấp.

Câu hỏi thường gặp

Tại sao nghiên cứu phải tạo ảnh Composite thay vì sử dụng ảnh Landsat 8 chụp tại một thời điểm đơn lẻ?

Khí hậu nhiệt đới tại Viêng Chăn có lượng mưa trên 1.500 mm và mây che phủ dày đặc hơn 6 tháng mỗi năm, khiến một bức ảnh đơn lẻ không thể bao quát toàn bộ 3.920 km2. Quy trình composite BAP kết hợp 203 ảnh giai đoạn 2016-2018 giúp chọn lọc từng điểm ảnh quang học sạch mây tốt nhất.

Bộ chỉ số BAP chấm điểm chất lượng điểm ảnh dựa trên những tiêu chí khoa học nào?

Phương pháp sử dụng 5 chỉ số cốt lõi gồm Year Score ưu tiên ảnh năm 2018 với trọng số 1.00, DOY Gaussian Score định hướng 6 mốc thời gian mục tiêu, Opacity Score loại trừ độ mờ khí quyển từ 0.023 đến 0.977, Distance to Cloud trong bán kính 50 pixel và chỉ số thực vật NDVI.

Thuật toán XGBoost có ưu điểm gì vượt trội hơn so với Support Vector Machine trong phân loại viễn thám?

XGBoost xây dựng tập hợp nhiều cây quyết định tăng cường theo gradient và tích hợp thuật toán xử lý dữ liệu khuyết thiếu cục bộ, giúp tăng độ chính xác tổng thể thêm khoảng 3,2% và giảm thiểu hiện tượng phân loại nhầm giữa các đối tượng có phổ phản xạ gần nhau.

Độ phân giải không gian 30m của Landsat 8 có đáp ứng tốt yêu cầu quy hoạch đô thị không?

Độ phân giải 30m hoàn toàn đáp ứng xuất sắc các bài toán quy hoạch vĩ mô cấp đô thị và phân tích xu hướng mở rộng bề mặt không thấm nước trên diện tích hàng nghìn km2, đồng thời dữ liệu lịch sử phong phú từ USGS cho phép phân tích chuỗi thời gian liên tục từ năm 1995.

Quy trình xử lý ảnh trên Google Earth Engine trong luận văn có thể mở rộng cho các vệ tinh khác không?

Hệ thống mã nguồn Javascript trên Google Earth Engine được thiết kế dạng module hóa linh hoạt, cho phép dễ dàng tích hợp thêm dữ liệu từ vệ tinh Sentinel-2 với độ phân giải 10m hoặc mở rộng phạm vi giám sát tự động cho toàn bộ lưu vực sông Mekong trong tương lai.

Kết luận

  • Xây dựng thành công chuỗi 6 ảnh composite không mây phủ chuẩn xác cho toàn bộ 3.920 km2 thủ đô Viêng Chăn năm 2018 từ 203 cảnh ảnh Landsat 8.
  • Phát triển quy trình tối ưu hóa điểm ảnh BAP tích hợp 5 tiêu chí chấm điểm khoa học, loại bỏ triệt để nhiễu khí quyển nhiệt đới.
  • Ứng dụng xuất sắc hai thuật toán học máy XGBoost và SVM trên Google Earth Engine, đạt độ chính xác tổng thể trên 86,5% và hệ số Kappa vượt 0,82.
  • Định lượng chi tiết sự mở rộng 140% của bề mặt không thấm nước đô thị tập trung tại 5 quận lõi so với giai đoạn 1995-2005.
  • Đóng góp luận cứ khoa học thực tiễn phục vụ đắc lực cho công tác quy hoạch không gian bền vững của thủ đô Viêng Chăn.

Kế hoạch tiếp theo trong giai đoạn 2020-2022 sẽ tập trung tích hợp dữ liệu đa nguồn Sentinel-2 với độ phân giải 10m và mở rộng hệ thống giám sát tự động theo thời gian thực. Hãy áp dụng ngay quy trình viễn thám tiên tiến này để nâng tầm hiệu quả quản lý đô thị và bảo vệ môi trường sinh thái cho tương lai.