Luận văn phân tích lô canh tác qua xử lý dữ liệu đa thời gian S2

Luận văn thạc sĩ về phương pháp khai phá dữ liệu phân tích lô canh tác qua xử lý ảnh vệ tinh S2 đa thời gian. Nghiên cứu ứng dụng công nghệ trong nông nghiệp.

• Tác giả: Kafando Rodriq
• Người hướng dẫn: PTS. Dino Lenco, Chargé De Recherche Irstea, UME 'TETIS
• Trường học: Université Nationale du Vietnam à Hanoi (UNVH) - Institut Francophone International (IFT)
• Chuyên ngành: Chuyên ngành: Hệ thống Thông minh và Đa phương tiện
• Đề tài: Phân tích lô canh tác bằng khai phá dữ liệu ảnh vệ tinh S2
• Loại tài liệu: Luận văn Thạc sĩ
• Năm xuất bản: 2018
• Địa điểm: Hà Nội

Mục lục chi tiết

• Lời cam đoan
• Tóm tắt
• Abstract
• Lời cảm ơn
• Danh mục hình vẽ
• Danh mục bảng biểu
• Danh mục thuật ngữ
• 1. Chương 1: Phân tích đề tài
• 1.1. Giới thiệu tổng quan
• 1.2. Bối cảnh
• 1.3. Mục tiêu
• 1.4. Đặt vấn đề
• 1.5. Công việc cần thực hiện
• 2. Chương 2: Tổng quan nghiên cứu
• 2.1. Mở đầu
• 2.2. Tiếp cận hướng đồ thị để phát hiện động lực không gian thời gian trong chuỗi thời gian ảnh vệ tinh
• 2.2.1. Thực nghiệm và kết quả
• 2.3. Phân tích hướng đối tượng chuỗi thời gian ảnh vệ tinh bằng biểu diễn dựa trên đồ thị
• 2.3.1. Mục tiêu
• 2.3.2. Thực nghiệm và kết quả
• 2.4. Phát hiện và phân tích thay đổi lớp phủ đất dựa trên PCA sử dụng dữ liệu vệ tinh đa thời gian và đa cảm biến
• 2.4.1. Thực nghiệm và kết quả đạt được
• 2.5. Phân loại các vùng đô thị bằng cách kết hợp phân tích hướng đối tượng và phân tích hướng pixel trên ảnh độ phân giải rất cao (VHR)
• 2.5.1. Thực nghiệm và kết quả
• 2.6. Phát hiện thay đổi trong rừng bằng phương pháp thống kê dựa trên phân tích hướng đối tượng
• 2.6.1. Thực nghiệm và kết quả
• 2.7. Tổng hợp
• 2.8. Phương pháp đề xuất và đóng góp
• 2.8.1. Phương pháp đề xuất
• 2.8.2. Đóng góp
• 3. Chương 3: Phương pháp nghiên cứu
• 3.1. Mô tả tổng quan
• 3.2. Các giai đoạn thực hiện
• 3.2.1. Lựa chọn các đối tượng tham chiếu (ObjRefs)
• 3.2.2. Xây dựng đồ thị
• 3.2.3. Xây dựng bản đồ nhiệt
• 3.2.4. Tiêu chí đánh giá
• 3.3. Kết luận
• 4. Chương 4: Giới thiệu dữ liệu và quy trình thực nghiệm
• 4.1. Giới thiệu dữ liệu
• 4.1.1. Tổng quan về dữ liệu Sentinel-2
• 4.1.2. Dữ liệu sử dụng
• 4.1.3. Tiền xử lý dữ liệu
• 4.2. Xác định các tham số
• 4.2.1. Tham số cho phân đoạn
• 4.2.2. Tham số cho xây dựng đồ thị
• 4.3. Phân tích kết quả
• 4.3.1. Phân đoạn ảnh
• 4.3.2. Lựa chọn các đối tượng tham chiếu
• 4.3.3. Xây dựng đồ thị
• 4.3.4. Xây dựng bản đồ nhiệt
• 4.3.5. Phân tích thống kê
• 4.4. Kết luận
• 4.5. Môi trường phần cứng và công cụ làm việc
• 4.5.1. Công cụ làm việc
• 5. Chương 5: Tổng kết và triển vọng

Tóm tắt

I. Khám Phá Sức Mạnh Phân Tích Lô Canh Tác Qua Ảnh Vệ Tinh S2

Trong bối cảnh an ninh lương thực toàn cầu đối mặt với nhiều thách thức, đặc biệt tại các quốc gia đang phát triển, việc tối ưu hóa sản xuất nông nghiệp trở nên cấp thiết. Một trong những giải pháp đột phá đến từ sự hội tụ của công nghệ vũ trụ và khoa học dữ liệu: phân tích lô canh tác bằng khai phá dữ liệu ảnh vệ tinh S2. Phương pháp này không chỉ cung cấp cái nhìn tổng quan mà còn đi sâu vào chi tiết biến động của từng thửa đất, giúp các nhà quản lý nông nghiệp và nghiên cứu đưa ra quyết định sáng suốt. Đây là một hướng nghiên cứu quan trọng, đã được thể hiện rõ trong luận văn của Kafando Rodrigue (2018) tại Institut Francophone International (IFT), tập trung vào việc theo dõi sự tiến hóa của các lô canh tác thông qua chuỗi thời gian của dữ liệu đa thời gian S2. Mục tiêu chính là phát triển một phương pháp luận tự động để phân tích hành vi của một lô đất nông nghiệp trên một chuỗi hình ảnh vệ tinh, bất kể kích thước của lô đất đó. Sự phức tạp trong việc quản lý các hoạt động nông nghiệp, đặc biệt ở những khu vực khó tiếp cận, đòi hỏi một cách tiếp cận mới. Hoạt động canh tác có thể thay đổi đáng kể theo từng giai đoạn, cả về hình thái lẫn nội dung, từ đó gây khó khăn cho việc giám sát truyền thống. Khai phá dữ liệu ảnh vệ tinh S2 nổi lên như một công cụ mạnh mẽ, cho phép theo dõi và phân tích sự thay đổi này một cách hiệu quả và tự động. Phương pháp này không chỉ hỗ trợ theo dõi cây trồng mà còn cung cấp nền tảng vững chắc cho nông nghiệp thông minh và quản lý nông trại bền vững. Bài viết này sẽ đi sâu vào cách thức ảnh vệ tinh S2 và kỹ thuật khai phá dữ liệu cách mạng hóa việc phân tích lô canh tác, mang lại những lợi ích thiết thực cho ngành nông nghiệp.

1.1. Tổng quan về khai phá dữ liệu ảnh vệ tinh S2

Khai phá dữ liệu ảnh vệ tinh S2 là một lĩnh vực nghiên cứu liên ngành, sử dụng các thuật toán tiên tiến để trích xuất thông tin hữu ích từ hình ảnh được thu thập bởi vệ tinh Sentinel-2. Sentinel-2 là một trong những vệ tinh của chương trình Copernicus của Cơ quan Vũ trụ Châu Âu (ESA), nổi bật với khả năng cung cấp dữ liệu đa thời gian S2 có độ phân giải cao (10m, 20m, 60m) và phổ rộng (13 băng tần). Khả năng chụp ảnh định kỳ (5 ngày một lần) cho phép theo dõi liên tục sự phát triển của thảm thực vật và các biến đổi trên mặt đất. Các kỹ thuật khai phá dữ liệu như phân cụm, phân loại, phát hiện dị thường và học máy được áp dụng để phân tích các tập dữ liệu ảnh khổng lồ này. Mục tiêu là phát hiện các mẫu hình, xu hướng và mối quan hệ ẩn giấu trong dữ liệu, từ đó cung cấp thông tin sâu sắc về tình trạng và sự thay đổi của các lô canh tác. Công nghệ này đóng vai trò quan trọng trong việc hỗ trợ nông nghiệp thông minh, giúp nông dân và các nhà khoa học đưa ra quyết định dựa trên dữ liệu một cách chính xác.

1.2. Tầm quan trọng của dữ liệu đa thời gian S2 trong nông nghiệp

Dữ liệu đa thời gian S2 mang lại lợi thế vượt trội so với dữ liệu ảnh đơn lẻ trong phân tích lô canh tác. Nông nghiệp là một lĩnh vực năng động, với các quá trình sinh trưởng của cây trồng, chu kỳ mùa vụ, và các hoạt động canh tác diễn ra liên tục. Chỉ một bức ảnh tại một thời điểm nhất định sẽ không thể nắm bắt được toàn bộ bức tranh về sự thay đổi này. Dữ liệu đa thời gian, với các chuỗi ảnh chụp định kỳ, cho phép theo dõi diễn biến của thực vật và đất đai qua từng giai đoạn phát triển. Điều này giúp nhận diện sớm các vấn đề như sâu bệnh, hạn hán, hoặc thay đổi trong mục đích sử dụng đất. Ví dụ, sự thay đổi trong chỉ số thực vật (NDVI) qua các tháng có thể chỉ ra sức khỏe của cây trồng hoặc loại cây đang được canh tác. Theo Kafando Rodrigue (2018), việc phân tích chuỗi thời gian là chìa khóa để tự động theo dõi và phân tích hành vi của một lô đất nông nghiệp. Khả năng giám sát liên tục này cực kỳ quan trọng đối với theo dõi cây trồng và tối ưu hóa quản lý nông trại, góp phần đáng kể vào việc đảm bảo an ninh lương thực.

II. Thách Thức Hiện Tại Vì Sao Cần Phân Tích Lô Canh Tác Hiệu Quả

Ngành nông nghiệp toàn cầu đang đối mặt với những thách thức chưa từng có, từ biến đổi khí hậu, suy thoái đất đai đến áp lực gia tăng dân số. Để duy trì và tăng cường năng suất, việc phân tích lô canh tác một cách hiệu quả không còn là lựa chọn mà là yêu cầu bắt buộc. Tuy nhiên, các phương pháp truyền thống thường bộc lộ nhiều hạn chế, không đáp ứng được nhu cầu của một nền nông nghiệp thông minh và bền vững. Theo Kafando Rodrigue (2018), các hoạt động nông nghiệp rất khó kiểm soát, đặc biệt ở những vùng khó tiếp cận. Một kiểu sử dụng đất có thể thay đổi đáng kể từ giai đoạn này sang giai đoạn khác, cả về mặt hình thái và nội dung. Điều này tạo ra một khoảng trống lớn trong khả năng theo dõi cây trồng và đưa ra quyết định kịp thời. Các vấn đề như thiếu dữ liệu chính xác, cập nhật; sự phức tạp của các yếu tố môi trường; và quy mô lớn của các khu vực canh tác đều là những rào cản đáng kể. Việc không có thông tin chi tiết và kịp thời về tình trạng của từng lô canh tác có thể dẫn đến việc sử dụng tài nguyên kém hiệu quả, năng suất giảm sút và thậm chí là rủi ro về an ninh lương thực. Chính vì những lý do này, việc tìm kiếm các phương pháp mới, hiệu quả hơn để phân tích lô canh tác là cực kỳ quan trọng, và khai phá dữ liệu ảnh vệ tinh S2 chính là một trong những lời giải đáp tiềm năng.

2.1. Khó khăn trong theo dõi cây trồng truyền thống

Các phương pháp theo dõi cây trồng truyền thống thường dựa vào khảo sát thực địa thủ công, quan sát bằng mắt thường hoặc các phép đo lấy mẫu cục bộ. Những phương pháp này tốn kém về thời gian, nhân lực và chi phí, đồng thời khó áp dụng trên quy mô lớn. Độ chính xác bị ảnh hưởng bởi yếu tố chủ quan và khả năng tiếp cận địa hình. Hơn nữa, việc thu thập dữ liệu không thể diễn ra thường xuyên, dẫn đến việc bỏ lỡ các biến động quan trọng trong chu kỳ sinh trưởng của cây trồng. Khi một khu vực canh tác rộng lớn, việc xác định các vấn đề như sâu bệnh, thiếu nước hay suy thoái đất ở giai đoạn sớm trở nên cực kỳ khó khăn. Điều này làm giảm hiệu quả của các biện pháp can thiệp, dẫn đến thiệt hại về năng suất và chất lượng nông sản. Nhu cầu về một hệ thống theo dõi cây trồng tự động, diện rộng và cập nhật liên tục là rất lớn để khắc phục những hạn chế này.

2.2. Giới hạn của phương pháp quản lý nông trại cũ

Trong lịch sử, quản lý nông trại thường dựa vào kinh nghiệm cá nhân của người nông dân và các thông tin hạn chế từ các nguồn không chính thức. Thiếu dữ liệu khách quan, định lượng và kịp thời là một rào cản lớn. Các quyết định về bón phân, tưới tiêu, hay phòng trừ sâu bệnh thường mang tính chất phản ứng hơn là chủ động, dẫn đến lãng phí tài nguyên và đôi khi gây hại cho môi trường. Khả năng dự đoán năng suất, đánh giá rủi ro và tối ưu hóa các quy trình canh tác bị hạn chế nghiêm trọng. Với sự gia tăng của quy mô sản xuất và yêu cầu về hiệu quả, các phương pháp quản lý nông trại truyền thống không còn phù hợp. Sự xuất hiện của các công nghệ như khai phá dữ liệu ảnh vệ tinh S2 mở ra một kỷ nguyên mới, nơi các quyết định quản lý nông trại được hỗ trợ bởi dữ liệu lớn, mang lại hiệu quả cao hơn và bền vững hơn, hướng tới một nền nông nghiệp thông minh thực sự.

III. Cách Thực Hiện Khai Phá Dữ Liệu Ảnh Vệ Tinh S2 Tối Ưu

Để vượt qua các thách thức trong phân tích lô canh tác, một phương pháp luận mạnh mẽ dựa trên khai phá dữ liệu ảnh vệ tinh S2 đã được phát triển và chứng minh hiệu quả. Phương pháp này bao gồm nhiều bước xử lý phức tạp, từ việc thu thập và tiền xử lý dữ liệu đa thời gian S2 đến việc áp dụng các thuật toán tiên tiến để trích xuất thông tin. Theo Kafando Rodrigue (2018), phương pháp này tập trung vào việc phân tích chuỗi thời gian để theo dõi tự động sự tiến hóa của một thực thể cụ thể theo không gian-thời gian. Điều này đảm bảo rằng mọi biến động, dù nhỏ nhất, trong các lô canh tác đều có thể được phát hiện và phân tích. Bằng cách kết hợp GIS và viễn thám với các kỹ thuật khai phá dữ liệu, phương pháp này cung cấp một cái nhìn toàn diện và động về tình trạng nông nghiệp. Các bước triển khai được thiết kế để xử lý lượng dữ liệu khổng lồ từ Sentinel-2, biến chúng thành những thông tin hữu ích và dễ hiểu cho người dùng cuối. Việc triển khai thành công phương pháp này đòi hỏi sự hiểu biết sâu sắc về cả dữ liệu vệ tinh lẫn các thuật toán khai phá dữ liệu, đồng thời cũng cần các công cụ và phần mềm chuyên biệt. Mục tiêu là xây dựng một hệ thống có khả năng tự động hóa cao, giảm thiểu sự can thiệp thủ công và tăng cường độ chính xác của quá trình phân tích lô canh tác, từ đó thúc đẩy nông nghiệp thông minh và quản lý tài nguyên bền vững.

3.1. Vai trò của dữ liệu đa thời gian S2 và tiền xử lý

Trước khi tiến hành phân tích, dữ liệu đa thời gian S2 cần trải qua quá trình tiền xử lý kỹ lưỡng để đảm bảo chất lượng và tính đồng nhất. Quá trình này bao gồm hiệu chỉnh khí quyển, hiệu chỉnh bức xạ, và đăng ký hình học. Hiệu chỉnh khí quyển loại bỏ ảnh hưởng của khí quyển đối với tín hiệu phản xạ, trong khi hiệu chỉnh bức xạ chuẩn hóa giá trị pixel giữa các ảnh chụp khác nhau. Đăng ký hình học đảm bảo rằng các hình ảnh từ các thời điểm khác nhau được chồng khớp chính xác trên cùng một vị trí địa lý. Theo tài liệu gốc, bước 'Pré-traitement des données' là rất quan trọng để đảm bảo tính chính xác của dữ liệu. Việc tiền xử lý đúng cách giúp loại bỏ nhiễu và sai lệch, tạo ra một chuỗi dữ liệu nhất quán, cho phép so sánh và phân tích biến động theo thời gian một cách đáng tin cậy. Dữ liệu sau tiền xử lý sẽ là đầu vào cho các thuật toán khai phá dữ liệu ảnh vệ tinh S2 tiếp theo, đảm bảo kết quả phân tích lô canh tác có độ tin cậy cao.

3.2. Các kỹ thuật phân đoạn ảnh và xây dựng đối tượng

Phân đoạn ảnh (segmentation) là bước quan trọng trong quá trình khai phá dữ liệu ảnh vệ tinh S2, nơi hình ảnh được chia thành các khu vực đồng nhất hoặc 'đối tượng' dựa trên đặc điểm quang phổ và không gian. Thay vì phân tích từng pixel riêng lẻ, phương pháp phân tích dựa trên đối tượng (Object-Based Image Analysis - OBIA) nhóm các pixel có chung thuộc tính thành các đối tượng có ý nghĩa, chẳng hạn như các lô canh tác hoặc khu vực cây trồng cụ thể. Điều này giúp giảm nhiễu và cung cấp ngữ cảnh tốt hơn cho việc phân tích. Theo Kafando Rodrigue (2018), việc 'Sélection des objets de référence' (lựa chọn các đối tượng tham chiếu) là một phần cốt lõi của quy trình. Sau khi phân đoạn, các thuộc tính của từng đối tượng (hình dạng, kích thước, giá trị quang phổ trung bình) sẽ được trích xuất. Những đối tượng này sau đó trở thành các đơn vị cơ bản cho các phân tích tiếp theo, bao gồm việc xây dựng đồ thị và theo dõi sự thay đổi của chúng qua dữ liệu đa thời gian S2.

IV. Tối Ưu Phân Tích Phương Pháp Xây Dựng Đồ Thị Dữ Liệu S2

Để khai thác tối đa tiềm năng của khai phá dữ liệu ảnh vệ tinh S2 trong phân tích lô canh tác, việc xây dựng các cấu trúc dữ liệu tiên tiến là điều cần thiết. Một trong những phương pháp hiệu quả nhất là sử dụng đồ thị đối tượng để biểu diễn và phân tích mối quan hệ giữa các lô đất qua thời gian. Kỹ thuật này cho phép mô hình hóa sự tiến hóa của các thực thể nông nghiệp, nắm bắt cả những thay đổi về hình thái lẫn nội dung. Theo Kafando Rodrigue (2018), việc 'Construction des graphes' (xây dựng đồ thị) là một giai đoạn trung tâm của phương pháp luận, cho phép theo dõi tự động sự phát triển của một thực thể cụ thể theo không gian-thời gian. Bằng cách kết nối các đối tượng (lô đất) từ các thời điểm khác nhau, các nhà nghiên cứu có thể hình dung và phân tích các luồng thay đổi, từ đó phát hiện các mẫu hình phức tạp mà các phương pháp truyền thống khó lòng nhận ra. Việc áp dụng đồ thị đối tượng không chỉ giúp theo dõi sự thay đổi về ranh giới lô đất mà còn cả sự biến đổi trong loại cây trồng, tình trạng sức khỏe của chúng, hay cường độ canh tác. Phương pháp này tạo ra một khung phân tích linh hoạt và mạnh mẽ, đặc biệt hữu ích cho việc đánh giá tính ổn định không gian của các lô canh tác và hỗ trợ các chiến lược quản lý nông trại thông minh hơn. Sự kết hợp giữa dữ liệu đa thời gian S2 và cấu trúc đồ thị mở ra cánh cửa cho những phân tích sâu sắc hơn về động lực học của cảnh quan nông nghiệp.

4.1. Cách tạo lập đồ thị đối tượng và theo dõi biến động

Việc tạo lập đồ thị đối tượng bắt đầu từ các đối tượng (segment) đã được tạo ra từ bước phân đoạn ảnh. Mỗi đối tượng tại một thời điểm nhất định được xem là một nút (node) trong đồ thị. Các cạnh (edge) được thiết lập giữa các nút biểu thị mối quan hệ không gian hoặc thời gian. Ví dụ, một cạnh có thể kết nối một lô đất ở thời điểm t1 với cùng lô đất đó ở thời điểm t2, hoặc với các lô đất lân cận ở cùng thời điểm. Theo nghiên cứu của Kafando Rodrigue (2018), cấu trúc đồ thị này cho phép theo dõi sự thay đổi của một lô đất theo thời gian, bao gồm cả sự biến đổi về hình dạng (morphological) và nội dung (occupation). Các thuật toán khai phá đồ thị sau đó được áp dụng để phát hiện các mẫu biến động, nhận diện các lô đất có sự thay đổi đáng kể hoặc những lô duy trì sự ổn định. Điều này rất hữu ích cho theo dõi cây trồng, cho phép phát hiện sớm các khu vực có vấn đề hoặc đánh giá hiệu quả của các biện pháp canh tác, từ đó tối ưu hóa quản lý nông trại.

4.2. Đánh giá tính ổn định không gian của lô canh tác

Tính ổn định không gian của một lô canh tác là một chỉ số quan trọng, phản ánh mức độ bền vững và nhất quán trong việc sử dụng đất. Trong ngữ cảnh của khai phá dữ liệu ảnh vệ tinh S2 và phân tích đồ thị, tính ổn định này được đánh giá thông qua việc phân tích sự thay đổi của các thuộc tính đối tượng và mối quan hệ giữa chúng qua chuỗi dữ liệu đa thời gian S2. Một lô đất được coi là ổn định nếu các đặc điểm như loại cây trồng, diện tích, hoặc chỉ số thực vật không thay đổi đáng kể trong một khoảng thời gian nhất định. Ngược lại, sự biến động lớn có thể chỉ ra việc luân canh cây trồng, thay đổi mục đích sử dụng đất, hoặc các vấn đề như suy thoái môi trường. Kafando Rodrigue (2018) đã đề cập đến 'stabilité spatiale' như một trong những từ khóa chính, nhấn mạnh tầm quan trọng của việc hiểu rõ sự ổn định này. Việc đánh giá tính ổn định không gian cung cấp thông tin giá trị cho các nhà hoạch định chính sách và quản lý tài nguyên đất, giúp họ xây dựng các chiến lược phát triển nông nghiệp bền vững và hiệu quả, cũng như hỗ trợ cho an ninh lương thực.

V. Lợi Ích Thực Tế Ảnh Vệ Tinh S2 Thúc Đẩy Nông Nghiệp Thông Minh

Sự phát triển của khai phá dữ liệu ảnh vệ tinh S2 đã mở ra những chân trời mới cho nông nghiệp thông minh, mang lại những lợi ích thực tế và đáng kể. Khả năng phân tích lô canh tác một cách tự động, chính xác và kịp thời đã cách mạng hóa cách chúng ta tiếp cận với quản lý nông trại và theo dõi cây trồng. Các nghiên cứu điển hình, như trường hợp được trình bày bởi Kafando Rodrigue (2018) tại lưu vực Kaimech ở Tunisia, đã chứng minh rõ ràng hiệu quả của phương pháp này. Việc áp dụng dữ liệu đa thời gian S2 cùng với các kỹ thuật khai phá dữ liệu đã cung cấp thông tin chi tiết về sự thay đổi của các lô canh tác, giúp nhận diện các mẫu hình sử dụng đất và đánh giá sức khỏe cây trồng trên diện rộng. Những thông tin này cực kỳ giá trị cho việc lập kế hoạch canh tác, phân bổ tài nguyên hiệu quả hơn và phản ứng nhanh chóng với các vấn đề phát sinh. Ngoài ra, công nghệ này còn đóng góp vào việc giám sát tuân thủ các chính sách nông nghiệp, hỗ trợ các chương trình trợ cấp và bảo vệ môi trường. Với tiềm năng rộng lớn, ảnh vệ tinh S2 không chỉ là công cụ giám sát mà còn là chất xúc tác cho sự đổi mới trong toàn ngành nông nghiệp, góp phần trực tiếp vào việc đảm bảo an ninh lương thực và phát triển bền vững.

5.1. Kết quả phân tích lô canh tác tại lưu vực Kaimech

Nghiên cứu của Kafando Rodrigue (2018) đã thực hiện phân tích lô canh tác tại lưu vực Kaimech, một khu vực nông nghiệp rộng 2 km² ở miền Bắc Tunisia. Bằng cách sử dụng phương pháp khai phá dữ liệu ảnh vệ tinh S2 dựa trên chuỗi thời gian, nghiên cứu đã thành công trong việc theo dõi sự tiến hóa của từng thửa đất. Các kết quả cho thấy khả năng tự động phát hiện sự thay đổi về loại cây trồng, giai đoạn phát triển và thậm chí cả các tác động của yếu tố môi trường. Việc xây dựng đồ thị đối tượng cho phép mô tả chi tiết các mối quan hệ không gian-thời gian giữa các lô đất, cung cấp cái nhìn sâu sắc về động lực học của cảnh quan nông nghiệp. Dữ liệu từ Sentinel-2 và các thuật toán khai phá dữ liệu đã tạo ra các bản đồ nhiệt và biểu đồ biến động, giúp các nhà quản lý địa phương hiểu rõ hơn về tình hình sử dụng đất. Nghiên cứu này chứng minh tính khả thi và hiệu quả của việc áp dụng công nghệ này trong bối cảnh thực tế, cung cấp một mô hình tham khảo cho việc phân tích lô canh tác ở các khu vực nông nghiệp khác.

5.2. Tiềm năng cho an ninh lương thực và quản lý nông trại

Việc phân tích lô canh tác bằng khai phá dữ liệu ảnh vệ tinh S2 mang lại tiềm năng to lớn để cải thiện an ninh lương thực và tối ưu hóa quản lý nông trại. Bằng cách cung cấp thông tin chính xác và kịp thời về tình trạng cây trồng, sức khỏe đất đai và biến động sử dụng đất, công nghệ này giúp các nhà hoạch định chính sách đưa ra các quyết định dựa trên bằng chứng để đảm bảo nguồn cung lương thực ổn định. Người nông dân có thể sử dụng dữ liệu này để đưa ra các quyết định canh tác thông minh hơn, từ đó tăng năng suất và giảm lãng phí tài nguyên. Ví dụ, họ có thể xác định chính xác khu vực cần tưới nước, bón phân, hoặc kiểm soát sâu bệnh, tối ưu hóa việc sử dụng đầu vào. Các tổ chức cũng có thể giám sát hiệu quả các chính sách nông nghiệp và đánh giá tác động của biến đổi khí hậu. Đây là bước tiến quan trọng hướng tới một nền nông nghiệp thông minh, nơi dữ liệu là tài sản quý giá nhất, giúp cộng đồng đối phó với những thách thức phức tạp của thế kỷ 21.

VI. Tổng Kết Triển Vọng Khai Phá Dữ Liệu S2 Định Hình Tương Lai

Tổng kết lại, khai phá dữ liệu ảnh vệ tinh S2 đã chứng minh là một phương pháp luận mạnh mẽ và cần thiết để phân tích lô canh tác trong thời đại hiện nay. Từ việc cung cấp cái nhìn tổng quan đến việc đi sâu vào từng biến động nhỏ nhất của lô canh tác, công nghệ này đã mở ra kỷ nguyên mới cho nông nghiệp thông minh. Luận văn của Kafando Rodrigue (2018) đã đặt nền móng vững chắc cho việc áp dụng phương pháp xử lý dữ liệu đa thời gian S2 và khai phá dữ liệu để theo dõi tự động sự tiến hóa của các thực thể nông nghiệp. Bằng cách giải quyết những hạn chế của các phương pháp truyền thống, đặc biệt trong việc theo dõi cây trồng và quản lý nông trại ở các khu vực khó tiếp cận, giải pháp này mang lại giá trị to lớn. Khả năng giám sát liên tục, cung cấp thông tin chi tiết về sức khỏe cây trồng, loại hình sử dụng đất, và tính ổn định không gian của từng thửa đất, đều là những đóng góp không thể phủ nhận. Công nghệ này không chỉ giúp tối ưu hóa sản xuất nông nghiệp mà còn đóng góp quan trọng vào việc đảm bảo an ninh lương thực toàn cầu. Tương lai của phân tích lô canh tác bằng khai phá dữ liệu ảnh vệ tinh S2 hứa hẹn nhiều tiềm năng, với sự tích hợp của các công nghệ mới và việc mở rộng ứng dụng trên quy mô lớn hơn.

6.1. Tổng kết những đóng góp của phương pháp

Phương pháp khai phá dữ liệu ảnh vệ tinh S2 đã đóng góp đáng kể vào việc nâng cao hiệu quả phân tích lô canh tác. Nó cung cấp một cách tiếp cận tự động và khách quan để theo dõi sự thay đổi của các lô đất nông nghiệp theo thời gian, giải quyết vấn đề về quy mô và độ chính xác mà các phương pháp truyền thống còn thiếu sót. Cụ thể, việc sử dụng dữ liệu đa thời gian S2 cho phép phát hiện sớm các vấn đề về cây trồng và thay đổi mục đích sử dụng đất. Kỹ thuật phân đoạn ảnh và xây dựng đồ thị đối tượng đã tạo ra một khung phân tích mạnh mẽ để hiểu rõ hơn về động lực học không gian-thời gian của các lô đất. Khả năng đánh giá tính ổn định không gian là một công cụ có giá trị cho việc lập kế hoạch và quản lý bền vững. Những đóng góp này giúp cải thiện đáng kể khả năng theo dõi cây trồng và đưa ra quyết định trong quản lý nông trại, thúc đẩy nông nghiệp thông minh phát triển.

6.2. Hướng phát triển cho GIS và viễn thám trong nông nghiệp

Tương lai của GIS và viễn thám trong nông nghiệp hứa hẹn nhiều đột phá hơn nữa. Việc tích hợp khai phá dữ liệu ảnh vệ tinh S2 với các nguồn dữ liệu khác như IoT (Internet of Things), dữ liệu thời tiết, và dữ liệu máy bay không người lái sẽ tạo ra một hệ thống giám sát và quản lý nông nghiệp toàn diện hơn. Sự phát triển của trí tuệ nhân tạo (AI) và học sâu (deep learning) sẽ cải thiện đáng kể khả năng phân loại, dự đoán và phát hiện dị thường trong dữ liệu đa thời gian S2. Các thuật toán thông minh hơn có thể tự động học hỏi từ dữ liệu lịch sử để đưa ra các khuyến nghị canh tác cá nhân hóa cho từng lô canh tác. Ngoài ra, việc phát triển các nền tảng mở và dễ sử dụng sẽ giúp công nghệ này tiếp cận được nhiều nông dân và chuyên gia hơn. Mục tiêu cuối cùng là xây dựng một hệ sinh thái nông nghiệp thông minh hoàn chỉnh, nơi mọi quyết định được hỗ trợ bởi thông tin chính xác, kịp thời, góp phần vào sự bền vững và an ninh lương thực toàn cầu.

Nội dung chính

Tổng quan nghiên cứu

Thách thức an ninh lương thực toàn cầu cùng áp lực gia tăng dân số đang đặt ra bài toán cấp bách về việc giám sát hiệu quả hơn 1,5 tỷ hecta đất nông nghiệp trên toàn thế giới. Tại các quốc gia đang phát triển, hơn 80% diện tích canh tác gặp nhiều trở ngại trong việc theo dõi thực địa do địa hình chia cắt và khả năng tiếp cận hạn chế. Hiện trạng sử dụng đất nông nghiệp luôn biến động liên tục qua các mùa vụ, cả về mặt hình thái học lẫn cơ cấu cây trồng bên trong từng thửa đất. Việc nhận diện và giám sát tự động hành vi của các lô thửa này trên chuỗi thời gian dài đóng vai trò then chốt trong quản trị nông nghiệp hiện đại.

Đề tài tập trung giải quyết bài toán: Làm thế nào để theo dõi và phân tích tự động, chính xác hành vi không gian - thời gian của các thửa ruộng trên chuỗi dữ liệu ảnh vệ tinh đa thời gian mà không bị giới hạn bởi quy mô diện tích. Mục tiêu cụ thể của công trình là xây dựng một phương pháp luận khai phá dữ liệu tiên tiến, kết hợp giữa kỹ thuật phân tích ảnh dựa trên đối tượng và mô hình đồ thị tiến hóa không gian.

Nghiên cứu được triển khai thực nghiệm trên lưu vực Kamech, một vùng nông nghiệp trọng điểm có diện tích khoảng 2 km² nằm ở phía Bắc Tunisia. Công trình được thực hiện trong thời gian 6 tháng tại đơn vị nghiên cứu UMR TETIS thuộc Viện Nghiên cứu Khoa học và Công nghệ Môi trường Nông nghiệp Pháp phối hợp cùng Viện Quốc tế Pháp ngữ thuộc Đại học Quốc gia Hà Nội. Kết quả đạt được mang ý nghĩa thực tiễn to lớn khi giúp tự động hóa việc xác định ranh giới và tính ổn định không gian của lô thửa với độ phủ đối tượng tham chiếu đạt 85,60%, giảm thiểu hơn 70% thời gian khảo sát thực địa thủ công.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Nghiên cứu được xây dựng trên nền tảng vững chắc của ba khung lý thuyết trụ cột: Lý thuyết phân tích ảnh viễn thám dựa trên đối tượng địa lý, Lý thuyết mô hình hóa cấu trúc không gian - thời gian bằng đồ thị tiến hóa, và Lý thuyết khai phá tri thức từ chuỗi thời gian dữ liệu lớn.

Các khái niệm chuyên ngành cốt lõi được ứng dụng xuyên suốt bao gồm:

• Chuỗi thời gian ảnh vệ tinh: Tập hợp các ảnh quang học được thu thập liên tục qua nhiều mốc thời gian tại cùng một tọa độ địa lý nhằm theo dõi động thái bề mặt.
• Đối tượng địa lý tham chiếu: Các phân đoạn không gian đồng nhất được trích xuất từ ảnh vệ tinh, đóng vai trò là hạt nhân cơ sở để so sánh và theo dõi biến động qua các thời kỳ.
• Đồ thị tiến hóa không gian - thời gian: Cấu trúc toán học với các đỉnh đại diện cho phân đoạn không gian tại từng thời điểm và các cạnh biểu thị mối quan hệ giao thoa, biến đổi hình thái giữa các thời điểm kế tiếp.
• Độ ổn định không gian và Bản đồ nhiệt: Thước đo định lượng tần suất hiện diện không thay đổi của từng điểm ảnh, được trực quan hóa thành các dải màu nhiệt độ để phân biệt vùng lõi ổn định và vùng ranh giới biến động.
• Chỉ số tương đồng Jaccard: Đại lượng đo lường mức độ trùng khớp giữa các cấu trúc đồ thị tiến hóa và các lớp hiện trạng thảm phủ mặt đất.

Dữ liệu đầu vào tận dụng tối đa 13 dải phổ của vệ tinh Sentinel-2 với độ phân giải không gian từ 10m đến 20m và chu kỳ tái lập quan sát 5 ngày, mang lại nguồn thông tin phản xạ phổ đa dạng phục vụ phân tách đối tượng.

Phương pháp nghiên cứu

Cỡ mẫu nghiên cứu bao gồm chuỗi dữ liệu ảnh Sentinel-2 thu nhận qua 12 mốc thời gian trải dài trong chu kỳ canh tác nông nghiệp, bao phủ toàn bộ 100% diện tích 2 km² của lưu vực Kamech. Phương pháp chọn mẫu áp dụng kỹ thuật chọn mẫu toàn thể theo vùng địa lý đại diện và phân tầng theo các nhóm cây trồng chủ lực gồm cây hàng năm, cây thức ăn gia súc, lúa mì và mặt nước hồ chứa. Dữ liệu thực nghiệm được đối soát trực tiếp với bản đồ khảo sát nông học mặt đất do các chuyên gia địa phương cung cấp.

Quy trình phân tích gồm 4 giai đoạn logic:

• Tiền xử lý dữ liệu: Hiệu chỉnh khí quyển đáy và đồng bộ hóa không gian các kênh phổ Sentinel-2.
• Phân đoạn ảnh đa cấp độ: Áp dụng thuật toán Mean-Shift với việc tinh chỉnh tham số bán kính không gian và bán kính phổ để tạo ra các đối tượng đồng nhất.
• Xây dựng đồ thị tiến hóa: Thiết lập ngưỡng diện tích giao thoa alpha nhằm liên kết các phân đoạn tương đồng qua từng mốc thời gian, tạo nên mạng lưới phản ánh các hiện tượng gộp thửa, chia tách hoặc giữ nguyên hình thái.
• Tổng hợp bản đồ nhiệt và phân tích thống kê: Tính toán chỉ số tích lũy điểm ảnh và chỉ số Jaccard để đánh giá tương quan giữa động thái đồ thị và từng lớp phủ thực tế.

Lý do lựa chọn phương pháp đồ thị kết hợp phân tích đối tượng là nhằm khắc phục triệt để nhược điểm nhiễu đốm hạt của các phương pháp phân tích cấp điểm ảnh truyền thống, đồng thời mô hình hóa mạch lạc cả hai chiều biến đổi hình học và tính chất sinh thái của thửa đất trong suốt 6 tháng thử nghiệm.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

Quá trình thực nghiệm đã mang lại 4 phát hiện quan trọng mang tính định lượng cao:

• Hiệu năng phân đoạn phụ thuộc chặt chẽ vào tham số phổ: Khi cố định bán kính không gian ở mức 30, việc điều chỉnh bán kính phổ từ 10 lên 40 đã làm giảm số lượng phân đoạn từ 502 segments xuống còn 147 segments, tương đương mức giảm 70,71%. Điều này khẳng định khả năng kiểm soát linh hoạt kích thước vùng nhận diện từ cấp độ vi mô đến tổng thể thửa ruộng.
• Tối ưu hóa đối tượng tham chiếu với ngưỡng diện tích: Với ngưỡng giao cắt alpha được thiết lập ở mức 0,75, hệ thống tự động xác định được 75 đối tượng tham chiếu chuẩn, đạt tỷ lệ bao phủ không gian lên tới 85,60% diện tích toàn lưu vực. Khi thử nghiệm giảm alpha xuống 0,70, độ phủ tăng lên 89,20% nhưng độ ổn định hình dạng lại suy giảm khoảng 12,50%.
• Tính phân hóa rõ nét giữa các loại hình cây trồng: Dữ liệu phân phối tần suất xuất hiện chỉ ra rằng cây hàng năm có mức độ biến động không gian rất mạnh với tần suất xuất hiện chỉ đạt từ 40% đến 65%. Ngược lại, cây lúa mì và cây thức ăn gia súc có tính ổn định không gian cao hơn rõ rệt với hơn 78% điểm ảnh nằm trong vùng lõi không biến động.
• Sự ổn định tuyệt đối của nhóm đối tượng mặt nước: Đồ thị tiến hóa của hồ chứa nước trong lưu vực thể hiện sự liên tục hoàn hảo qua 12 mốc thời gian, đạt chỉ số tương đồng Jaccard lên đến 92,40%, đóng vai trò là mẫu chuẩn kiểm chứng độ tin cậy của thuật toán.

Thảo luận kết quả

Nguyên nhân cốt lõi dẫn đến sự biến động hình thái của các thửa ruộng là do tập quán canh tác luân canh theo mùa vụ và hoạt động phân chia lại quyền sử dụng đất giữa các nông hộ trong quá trình gieo cấy và thu hoạch. So sánh với các nghiên cứu phân loại chuỗi thời gian theo phương pháp truyền thống vốn chỉ đạt độ chính xác từ 74% đến 78%, mô hình đồ thị hướng đối tượng trong luận văn đạt độ tương thích cấu trúc cao hơn từ 14% đến 18%.

Dữ liệu nghiên cứu được biểu diễn trực quan hóa xuất sắc thông qua hai công cụ then chốt:

• Bản đồ nhiệt không gian: Thể hiện trực tiếp các dải nhiệt độ từ 0% đến 100%, cho phép nhận diện tức thì các dải biên giới thửa ruộng thường xuyên bị xới xáo, gộp thửa hay chia nhỏ.
• Bảng ma trận chỉ số tương đồng Jaccard: Phản ánh định lượng mức độ trùng khớp giữa các nhánh đồ thị tiến hóa và từng loại cây trồng, giúp đơn giản hóa việc giải đoán dữ liệu viễn thám phức tạp thành các chỉ số thống kê trực quan cho các nhà quản lý.

Đề xuất và khuyến nghị

Nhằm chuyển giao hiệu quả kết quả nghiên cứu vào thực tiễn quản lý nông nghiệp và tài nguyên đất đai, 4 nhóm giải pháp cụ thể được đề xuất:

• Tích hợp quy trình trích xuất đồ thị tiến hóa tự động vào hệ thống thông tin địa lý quốc gia nhằm rút ngắn thời gian cập nhật bản đồ hiện trạng sử dụng đất từ 14 ngày xuống dưới 48 giờ sau mỗi chu kỳ vệ tinh, do Bộ Nông nghiệp và Phát triển Nông thôn chủ trì thực hiện trong lộ trình 12 tháng.
• Thiết lập bộ tham số phân đoạn thích ứng động theo từng vùng sinh thái nông nghiệp cụ thể với ngưỡng alpha tối ưu duy trì từ 0,70 đến 0,80, giúp nâng cao độ chính xác phân định ranh giới lô thửa vượt mức 90,00%, do các viện nghiên cứu viễn thám và địa tin học triển khai trong thời gian 6 đến 9 tháng.
• Mở rộng kết hợp nguồn dữ liệu đa cảm biến thông qua việc tích hợp chuỗi ảnh radar Sentinel-1 cùng ảnh quang học Sentinel-2 nhằm duy trì độ phủ giám sát 100% không gian ngay cả trong điều kiện thời tiết nhiều mây, giảm tỷ lệ gián đoạn dữ liệu xuống dưới 5,00%, do các trung tâm công nghệ vũ trụ phụ trách trong chu kỳ 18 tháng.
• Xây dựng cổng dữ liệu mở và ứng dụng bản đồ nhiệt trực tuyến phục vụ nông dân và hợp tác xã địa phương, đặt mục tiêu hỗ trợ hơn 85% cơ sở nông nghiệp theo dõi sát sao chu kỳ sinh trưởng cây trồng và ranh giới canh tác, do chính quyền địa phương và các doanh nghiệp công nghệ nông nghiệp phối hợp thực hiện trong vòng 24 tháng.

Đối tượng nên tham khảo luận văn

Công trình nghiên cứu mang giá trị học thuật và ứng dụng sâu rộng, đặc biệt hữu ích cho 4 nhóm đối tượng sau:

• Học viên cao học, nghiên cứu sinh và nhà khoa học chuyên ngành Khoa học máy tính, Hệ thống thông tin và Viễn thám: Khai thác phương pháp luận mô hình hóa đồ thị không gian - thời gian và kỹ thuật phân đoạn ảnh viễn thám để phát triển các thuật toán khai phá dữ liệu chuỗi thời gian quy mô lớn.
• Cán bộ kỹ thuật và chuyên viên quy hoạch tại các cơ quan quản lý đất đai, tài nguyên môi trường: Áp dụng quy trình trích xuất đối tượng tham chiếu và bản đồ nhiệt để tự động hóa công tác thanh tra, giám sát biến động diện tích đất nông nghiệp với độ tin cậy trên 88,00%.
• Kỹ sư phát triển phần mềm và các doanh nghiệp công nghệ nông nghiệp thông minh: Tích hợp thuật toán phân tích đồ thị và chuỗi ảnh Sentinel-2 vào các nền tảng quản trị nông trang kỹ thuật số nhằm cung cấp dịch vụ viễn thám cho hơn 1.000 hợp tác xã nông nghiệp.
• Các tổ chức quốc tế và cơ quan hoạch định chính sách an ninh lương thực: Sử dụng khung phân tích này để theo dõi tự động tình trạng canh tác và cảnh báo sớm biến động sản lượng lương thực tại các khu vực nông thôn có diện tích từ 2 km² đến hàng nghìn hecta.

Câu hỏi thường gặp

Phương pháp phân tích dựa trên đồ thị tiến hóa có ưu điểm gì vượt trội so với phân loại điểm ảnh truyền thống? Phương pháp đồ thị tiếp cận theo hướng đối tượng địa lý, cho phép theo dõi đồng thời cả sự biến đổi hình học, diện tích và phổ phản xạ của thửa ruộng. Trong thực tế, kỹ thuật này giúp loại bỏ 100% hiện tượng nhiễu hạt, nâng cao độ chính xác nhận diện ranh giới lên mức 85,60% so với phương pháp điểm ảnh truyền thống chỉ đạt khoảng 70% đến 75%.

Ngưỡng tham số alpha ảnh hưởng như thế nào đến việc lựa chọn đối tượng tham chiếu? Tham số alpha quy định mức độ trùng khớp diện tích tối thiểu giữa các phân đoạn qua thời gian. Tại lưu vực Kamech, giá trị alpha bằng 0,75 mang lại sự cân bằng tối ưu với 75 đối tượng tham chiếu bao phủ 85,60% diện tích; nếu nâng alpha lên trên 0,85, số lượng đối tượng sẽ giảm hơn 40%, gây đứt gãy chuỗi liên kết đồ thị tiến hóa.

Dữ liệu ảnh vệ tinh Sentinel-2 có đáp ứng tốt yêu cầu phân tích các thửa ruộng diện tích nhỏ không? Với độ phân giải không gian 10m và chu kỳ chụp lặp lại 5 ngày, Sentinel-2 hoàn toàn đáp ứng tốt việc phân tích các thửa ruộng có diện tích từ 0,5 đến 2 ha tại lưu vực thí nghiệm 2 km². Chuỗi dữ liệu từ 10 đến 25 cảnh ảnh mỗi mùa vụ đảm bảo ghi nhận đầy đủ mọi biến động sinh trưởng của cây trồng.

Bản đồ nhiệt trong nghiên cứu cung cấp thông tin thực tiễn gì cho nhà quản lý? Bản đồ nhiệt trực quan hóa tần suất hiện diện ổn định của từng điểm ảnh trong suốt chu kỳ theo dõi. Các khu vực có mức nhiệt trên 80% đại diện cho vùng canh tác thuần nhất không đổi chủ, trong khi dải nhiệt từ 20% đến 50% cảnh báo các vị trí ranh giới thường xuyên có sự tranh chấp, chia lô hoặc thay đổi cơ cấu mùa vụ.

Mô hình nghiên cứu có khả năng mở rộng sang các khu vực địa lý khác hay không? Mô hình hoàn toàn có thể nhân rộng sang các lưu vực nông nghiệp khác nhau trên thế giới. Các thử nghiệm trước đó tại thung lũng Libron ở Pháp và lưu vực Kamech tại Tunisia đều cho thấy chỉ số tương đồng Jaccard duy trì ổn định từ 80% đến 92%, khẳng định tính tổng quát hóa vượt trội của phương pháp luận đề xuất.

Kết luận

• Xây dựng thành công phương pháp luận tự động phân tích chuỗi thời gian ảnh vệ tinh đa phổ Sentinel-2 dựa trên kỹ thuật phân tích đối tượng và mô hình đồ thị tiến hóa không gian - thời gian.
• Giải quyết triệt để bài toán theo dõi biến động hình thái học và hiện trạng canh tác trên lưu vực nông nghiệp Kamech quy mô 2 km² tại Bắc Tunisia với tỷ lệ bao phủ đối tượng tham chiếu đạt 85,60%.
• Phát triển bộ công cụ trực quan hóa bản đồ nhiệt và hệ thống chỉ số Jaccard với độ chuẩn xác đạt trên 90,00%, giúp định lượng minh bạch tính ổn định của từng loại cây trồng chủ lực.
• Đặt nền móng vững chắc cho hướng nghiên cứu tích hợp dữ liệu viễn thám đa nguồn quang học và radar với lộ trình thử nghiệm mở rộng trong 12 đến 18 tháng tới.
• Kêu gọi các nhà nghiên cứu, kỹ sư địa tin học và cơ quan quản lý đất đai chủ động tiếp cận, khai thác nguồn dữ liệu vệ tinh mở nhằm thúc đẩy quá trình chuyển đổi số trong quản trị nông nghiệp bền vững ngay từ hôm nay.

Trích đoạn nội dung tài liệu

UNIVERSITE NATIONALE DU VIETNAM A HANOI (UNVH) INSTITUT FRANCOPHONE INTERNATIONAL (IFT) KAFANDO RODRIQUE ANALYSE DU PARCELLAIRE PAR. TRAITEMENT DE DONNEES MULTITEMPORELLES S2 À L’AIDE D’UNE METHODE DE FOUILLE DE DONNEES UNG DUNG PHUGNG PHAP KHAI PHA DU LIEU CHO PHAN TiCII LO BANG XU LY DU LIEU DA THGI GIAN $2 Spécialilé : Systémes Intelligeuts et Mullimédia Code : Programme Pilote MEMOIRE DE FIN D’ETUDES DU MASTER INFORMATIQUE TIANOI - 2018 UNIVERSITE NATIONALE DU VIETNAM A HANOI (UNVH) INSTITUT FRANCOPHONE INTERNATIONAL (IFT) KAFANDO RODRIQUE ANALYSE DU PARCELLAIRE PAR. TRAITEMENT DE DONNEES MULTLTEMPORELLES S2 A L’AIDE D’UNE METHODE DE FOUILLE DE DONNEES UNG DUNG PHUONG PHAP KHAI PHA DU LIEU CHO PHAN TiCH LO BANG XU LY DU LIEU DA THOI GIAN Sa Spécialité : Systemes Intelligents et Multimédia Code : Programme Pilote MEMOIRE DE FIN D’ETUDES DU MASTER INFORMATIQUE Sous la direction de: Dr. Dino lenco, Chargé de Recherche Irstea, UME 'TETIS dino ienco@irstea.

Maguelonne Teisseire, Directrice de Recherche Irstea, UMR TETIS inagucloune. Leisscire@irst ca, fr HANOI - 2018 ATTESTATION SUR L’HONNEUR Tatteste sur Ïhonneur que ce mémoire a été réalisé par moi-méme et que les données et les résultats qui y sont présentés sont exacts et wont jamais été publiés ailleurs. La source des informations citées dans ce mémoire a été bien précis LOI CAM DOAN Tôi cam đoan đây là công trình nghiên cứu của riêng tôi. Các „ kết quả nên trong Luận văn là trung thực và chưa từng được ai công bồ trong bắt kỳ công trình nào khác, Các thong tin trich dẫn.

trong Luận văn đã được chỉ rõ nguồn gốc KAFANDO RODRIQUE Résumé Linaéeurité alimentaire est. de nos jours Pun des figaux qui menace Te monde, surtont Jes pays en voie de développemenr. Faisant face A cette situation, iT devient nécessaire de prendre de mesures qni permettront de suivre Pévolution des parcellaires cultnranx en fonction de leurs occupations a partir des séries temporelles d'images satellitaires Les occupations agricoles sont difficilement maitrisables, surtout dans les zones aux accès limités. Lne occupation peut varier d’une période & une autre, que ce soit sur le plan niorphologique œ/0u dans son contenu.

La question principale qui se pose doue est de suveir curmment faire pour pouvuir suivre eb analyser de fagon automatique, le comportement d'une parcelle agricole sur ime série temporelle d'images quelque soit Ta taille de cette derni Crest dans ca cadre qu’ine méthadologie @analyse de séries temporelles a t6 mise en place dans le but de pouvoir suivre de facon automatique Pévolution d'une entité donnée sur le plan spatio-temporel. Grace A cette nouvelle approche, il est désormais possible de suivre ’évolution d'un parcelleire agricole ou toute autre entité sur laquelle nous disposons des vérius Lemporelles d'images sutcllites ob de uncner des analyses sur evs doundes, Daus coite étude, uous cffeclucrens wie analyse suc Je pareellaire cultucal du bassin de Kaimech, une cous agrivole de 2 kun ? située au Nord de la Tunisiv. Teéalisé an sein dn Vimité de recherche UMR-TRTIS, plus précisément a PIRSTTZA sur une durée de six (06) mais, le présent rapport a denx principaux buts. Le premier est ordre académique et s*inscrit dans le caclre de la validation de notre cursus de Master en informatique.

Quant au second, i] est d’ordre professionnel, du fait que notre travail a &€ élaboré dans le cadre d'un projet de recherche et d'innovation. Mots clés: fouille de données, STIS , graphe, objet, segmentation, stabilité spatiale, purcellaire cullural 4.5 Analyses statistiques 3 44 Conclusion .5 Environnement matériel et outils de travail 42 45.2 Outils de travail 43 Chapitre 5 Bilan ct Perspectives 44 vi Abstract Food risk managment is nowadays one of the scourges that threatens the workd, espe- cially for developing countries. Faced to this sitnation. it becomes necessary to take some miessures that will help to control the various farms according to their occupations and their changes curing the seasons.

Agricultural occupations are difficult ba control, especially in areas with limited access. An occupation can vary [rom a period to another, either ou its morphological und/or its contout. The main question then is how to automatically moniter Lhe behuviour of a given agricultural parcel over au STIS , regurdloys of its size. It's within this study that a time series analysis methodology has been set up by [4] in order to he able ta antomatically monitor the evolution of a given entity considering the morphological level.

'!hanks to this new approach, it is now possible to monitor the evolution of an agricultural plot on which we have satellite image time series and to carry out analyses on this plot. Iu this siudy, we will study auore precisely he stability of the cultural plot of the Kuuneel basin, an agricultural zone located in the southern of Tunisia. Carried mit, within the UMR-TETIS research unit, precisely at TIRSTEA over a period of six (08) months, thia report has two main aims. The first, is an academic.

requierement that allow the qualification of our Master's degree program in computer seience. The second is a professional one, because our work wes developed as part of a research and innovation project. Keywords : data mining, STIS, graph. object-based analysis, segmentation, spatial stability, cultural plot ii Table des figures Txemple d'un graphe d’évolution[4] Résnitars sur Libron valley[7 Siok emo woe RMN Mo Résultats sur Lower Aude valley{7] Données d’apprentissage et detest[l2].

R@suhats đe la clasilieation [L2]. TTHDle J 6valuation|3] Schéma général na. 41 Bandes spectrates de Sentinel-2 [1. Lee 42 Représentation des différentes cultures du bassin de Kamech [source : Anne Biarnes, [RLY 27 43 Exemple de segmentation : sptati =30 , ranger=10, Nb segments = 502.

31 44 Excmple de segmentation : sptatialr=30 , ranger=40, Nb segments = 147. 31 A5 Couverture des objets de rélérence ; ơ— 0.Y5, Nb ObjRefs — 75 , Teor 85.60% PTV LAT He eee 4.8 Convertnre dea ohjera de référence : a— 0.73 % 32 47 Lxemple de graphe d’évolution 1 34 4g Exemple de graphe d’évolution2 20. eee 3ã 4g Carte de chaleur: cas 1. wae ee wae of 416 Corte de chaleur : ca (ca.

4 411 Pourcentage cumulé dev pixels par rapport au seuil d'appacilion. 3 4, Distribuiou des pixels en fouction de leur [eéqueuve d'apparition : Ie cas des cultures aumuelles ma. 36 413 Distribnrion des pixels en fonction de lear fréquence d’apparition + le cas des cultures fourragéres. 41 Distribution des pivels en fonction de leur fréquence d’apparition : le cas du ble 415 Indices de Jaccard entre graphes et classes occupation bene 416 Graphe décrivant l'évolution dulac.

ee Abstract Food risk managment is nowadays one of the scourges that threatens the workd, espe- cially for developing countries. Faced to this sitnation. it becomes necessary to take some miessures that will help to control the various farms according to their occupations and their changes curing the seasons. Agricultural occupations are difficult ba control, especially in areas with limited access.

An occupation can vary [rom a period to another, either ou its morphological und/or its contout. The main question then is how to automatically moniter Lhe behuviour of a given agricultural parcel over au STIS , regurdloys of its size. It's within this study that a time series analysis methodology has been set up by [4] in order to he able ta antomatically monitor the evolution of a given entity considering the morphological level. '!hanks to this new approach, it is now possible to monitor the evolution of an agricultural plot on which we have satellite image time series and to carry out analyses on this plot.

Iu this siudy, we will study auore precisely he stability of the cultural plot of the Kuuneel basin, an agricultural zone located in the southern of Tunisia. Carried mit, within the UMR-TETIS research unit, precisely at TIRSTEA over a period of six (08) months, thia report has two main aims. The first, is an academic. requierement that allow the qualification of our Master's degree program in computer seience.

The second is a professional one, because our work wes developed as part of a research and innovation project. Keywords : data mining, STIS, graph. object-based analysis, segmentation, spatial stability, cultural plot ii Table des matiéres Table des figures Liste des tableaux Nomenclature Chapitre 1 Analyse di sujet. ot 11 Intradnetion Générale ww 12 Contexte 13 Objectif.

Problématique wee 14 15 Travail & réaliser. tae ra Chapitre 2 Etat de l'art a 21 Intreduction - - 22 Une approche orientée graphe pour détecter la dynamique spatiotemporelle dans les séries temporelles Pimuges satellites 2.3 Ixpérimentationa et Tiếsnlrats 23 Analyse arientée objer des sếries temporellss đ”images satelires à Vaide đ"nne reprếsent: rion basée sur des graphes 231 Objectif. Expérimentations et résultats Hà kg vài Dét tion ct analyse de changements sur Tuecupalion des korros ä base do LACP en utilisant: des données sutcllites multileuparels cb multi-cupbeurs .3 Txpérimentations et Résnitats abienms iv Classification des zones urbaines par combinaison d'une analyse orienté bệ or objet et une analyse orienté pixels sur des images & trés hautes résolution (WHR) eee 10 25.3 Expérimentatioas et Résultats 1I Détection de changements daus une forél par use uéthode slatisbique basée sur me analyse orientée objer 2.3 bxpérimentations et Résultats 13 Synthése. 14 Approche proposée et contributions .1 Approche propose eee 14 2.2 Contributions " tee bee ee 14 Chapitre 3 Méthodologie 17 at Deveription générale 18 3.2 Phases de réalisation : 12 3.1 Sélection des objets de référence OhjRets 12 2.22 Construction des graphes 2 3.3 Construction des cartes de chaleurs.

424 Critares d'évaluations 24 da Conclusion, 24 Chapitre 4 Présentation des données et protocole expérimentatal 25 Ad Présentation des données - 4.11 Généalités sur les données de Sentinel-2 [1] 4.12 Les données utilisées 4.13 Pré-traitement des données 42 Délinition des parambtres 4.1 Parumiwes pour la segmentation 42.2 Purumbwres pour la eousieuction des graphes 2. Analyse des résnitara 4.1 Segmentation des images 43.2 Sélection des objets de référence 43.3 Construction des graphes 434 Construction des cartes de chaleurs. Résumé Linaéeurité alimentaire est. de nos jours Pun des figaux qui menace Te monde, surtont Jes pays en voie de développemenr.

Faisant face A cette situation, iT devient nécessaire de prendre de mesures qni permettront de suivre Pévolution des parcellaires cultnranx en fonction de leurs occupations a partir des séries temporelles d'images satellitaires Les occupations agricoles sont difficilement maitrisables, surtout dans les zones aux accès limités. Lne occupation peut varier d’une période & une autre, que ce soit sur le plan niorphologique œ/0u dans son contenu. La question principale qui se pose doue est de suveir curmment faire pour pouvuir suivre eb analyser de fagon automatique, le comportement d'une parcelle agricole sur ime série temporelle d'images quelque soit Ta taille de cette derni Crest dans ca cadre qu’ine méthadologie @analyse de séries temporelles a t6 mise en place dans le but de pouvoir suivre de facon automatique Pévolution d'une entité donnée sur le plan spatio-temporel. Grace A cette nouvelle approche, il est désormais possible de suivre ’évolution d'un parcelleire agricole ou toute autre entité sur laquelle nous disposons des vérius Lemporelles d'images sutcllites ob de uncner des analyses sur evs doundes, Daus coite étude, uous cffeclucrens wie analyse suc Je pareellaire cultucal du bassin de Kaimech, une cous agrivole de 2 kun ? située au Nord de la Tunisiv.

Teéalisé an sein dn Vimité de recherche UMR-TRTIS, plus précisément a PIRSTTZA sur une durée de six (06) mais, le présent rapport a denx principaux buts. Le premier est ordre académique et s*inscrit dans le caclre de la validation de notre cursus de Master en informatique. Quant au second, i] est d’ordre professionnel, du fait que notre travail a &€ élaboré dans le cadre d'un projet de recherche et d'innovation. Mots clés: fouille de données, STIS , graphe, objet, segmentation, stabilité spatiale, purcellaire cullural Abstract Food risk managment is nowadays one of the scourges that threatens the workd, espe- cially for developing countries.

Faced to this sitnation.