Phương Pháp Phân Loại Đất Từ Hình Ảnh Vệ Tinh

Nghiên cứu các phương pháp phân loại lớp đất che phủ từ hình ảnh vệ tinh quang học, ứng dụng trong quản lý tài nguyên và môi trường.

• Tác giả: Mẫn Duy
• Người hướng dẫn: Dr. Nguyễn Thị Phát
• Trường học: Việt Nam National University
• Chuyên ngành: Computer Science
• Đề tài: Phương Pháp Phân Loại Đất Từ Hình Ảnh Vệ Tinh
• Loại tài liệu: Thesis
• Năm xuất bản: 2017
• Địa điểm: Hà Nội

Mục lục chi tiết

• 1. CHƯƠNG 1: OBJECTIVES, CONTRIBUTIONS AND THESIS STRUCTURE
• 1.1. Remote sensing concepts
• 1.2. Classification of remote sensing systems
• 1.3. Typical spectrum used in remote sensing systems
• 1.4. Satellite images
• 1.5. Landsat 8 images
• 1.6. Compositing methods
• 1.7. Machine learning methods in land cover study
• 2. CHƯƠNG 2: THEORETICAL BACKGROUND
• 2.1. Remote sensing concepts
• 2.2. General introduction
• 2.3. Remote sensing systems classification
• 2.4. Classification based on energy source
• 2.5. Classification based on orbit
• 2.6. Classification based on receiving spectrum
• 3. CHƯƠNG 3: PROPOSED METHOD
• 4. CHƯƠNG 4: EXPERIMENTS AND RESULTS
• 5. CHƯƠNG 5: CONCLUSIONS

Tóm tắt

I. Tổng Quan Về Phương Pháp Phân Loại Đất Từ Ảnh Vệ Tinh

Phân loại đất từ ảnh vệ tinh là một lĩnh vực ứng dụng rộng rãi của viễn thám và GIS. Nó cho phép chúng ta xác định và phân loại các loại đất khác nhau trên bề mặt Trái Đất dựa trên đặc điểm phổ của chúng. Các ứng dụng của phân loại đất từ ảnh vệ tinh rất đa dạng, bao gồm quản lý tài nguyên thiên nhiên, quy hoạch sử dụng đất, giám sát môi trường và nông nghiệp chính xác. Ảnh vệ tinh cung cấp một cái nhìn tổng quan và chi tiết về khu vực nghiên cứu, giúp các nhà khoa học và quản lý đưa ra quyết định thông tin hơn. Theo tài liệu, ảnh vệ tinh có thể được thu thập từ nhiều nguồn khác nhau, bao gồm Landsat, MODIS, và các hệ thống khác, mỗi hệ thống có đặc điểm riêng về độ phân giải không gian, phổ và thời gian.

1.1. Giới Thiệu Về Ứng Dụng Ảnh Vệ Tinh Trong Phân Loại Đất

Ảnh vệ tinh đã trở thành một công cụ không thể thiếu trong việc phân loại đất đai bằng ảnh vệ tinh. Chúng cung cấp thông tin quan trọng về thành phần và trạng thái của đất, giúp các nhà khoa học và quản lý hiểu rõ hơn về tài nguyên đất. Các loại ảnh vệ tinh khác nhau, như ảnh đa phổ và ảnh siêu phổ, cung cấp các dải phổ khác nhau, cho phép phân biệt các loại đất khác nhau dựa trên đặc điểm phản xạ của chúng. Ứng dụng này đặc biệt quan trọng trong các khu vực rộng lớn hoặc khó tiếp cận, nơi việc khảo sát đất truyền thống trở nên tốn kém và khó khăn.

1.2. Các Loại Ảnh Vệ Tinh Dùng Để Phân Loại Đất Phổ Biến

Có nhiều loại ảnh vệ tinh được sử dụng trong phân loại đất đai bằng ảnh vệ tinh, mỗi loại có ưu điểm và hạn chế riêng. Ảnh Landsat cung cấp độ phân giải không gian trung bình và dữ liệu lịch sử dài hạn, làm cho chúng phù hợp cho việc giám sát biến động đất đai theo thời gian. Ảnh MODIS có độ phân giải thời gian cao, cho phép theo dõi các thay đổi nhanh chóng trong độ che phủ đất. Ảnh radar (SAR) có thể xuyên qua mây và cung cấp thông tin về độ ẩm của đất, làm cho chúng hữu ích trong các khu vực có mây che phủ thường xuyên.

II. Thách Thức Trong Phân Loại Đất Từ Ảnh Vệ Tinh Hiện Nay

Mặc dù có nhiều ưu điểm, phân loại đất từ ảnh vệ tinh cũng đối mặt với một số thách thức đáng kể. Một trong những thách thức lớn nhất là sự phức tạp của bề mặt Trái Đất, với sự đa dạng về loại đất, độ che phủ thực vật và điều kiện khí hậu. Điều này có thể dẫn đến sự nhầm lẫn trong quá trình phân loại, đặc biệt là khi sử dụng các phương pháp phân loại tự động. Ngoài ra, sự hiện diện của mây, bóng mây và các yếu tố khí quyển khác có thể làm giảm chất lượng ảnh vệ tinh và ảnh hưởng đến độ chính xác của phân loại. Theo tài liệu, việc xử lý và hiệu chỉnh ảnh vệ tinh là một bước quan trọng để giảm thiểu các tác động này.

2.1. Ảnh Hưởng Của Điều Kiện Khí Hậu Đến Phân Loại Đất

Điều kiện khí hậu có thể ảnh hưởng đáng kể đến độ chính xác của phân loại đất từ ảnh vệ tinh. Mây che phủ có thể che khuất bề mặt đất, làm cho việc thu thập thông tin phổ trở nên khó khăn. Mưa và độ ẩm cao có thể thay đổi đặc điểm phản xạ của đất, dẫn đến sự nhầm lẫn trong quá trình phân loại. Các nhà khoa học cần phải xem xét các yếu tố khí hậu khi lựa chọn ảnh vệ tinh và phương pháp phân loại phù hợp.

2.2. Vấn Đề Về Độ Chính Xác Phân Loại Đất Từ Ảnh Vệ Tinh

Độ chính xác của phân loại đất từ ảnh vệ tinh là một vấn đề quan trọng cần được xem xét. Các yếu tố như độ phân giải không gian và phổ của ảnh vệ tinh, phương pháp phân loại được sử dụng và chất lượng dữ liệu huấn luyện có thể ảnh hưởng đến độ chính xác của kết quả. Việc đánh giá độ chính xác của phân loại đất là rất quan trọng để đảm bảo rằng các kết quả được sử dụng để đưa ra quyết định thông tin.

2.3. Khó Khăn Trong Xử Lý Ảnh Vệ Tinh Đa Thời Gian

Xử lý ảnh vệ tinh đa thời gian, đặc biệt là trong các khu vực có mây che phủ thường xuyên, là một thách thức lớn. Việc kết hợp các ảnh vệ tinh từ các thời điểm khác nhau có thể giúp giảm thiểu tác động của mây che phủ, nhưng nó cũng đòi hỏi các kỹ thuật xử lý ảnh phức tạp để đảm bảo rằng các ảnh được căn chỉnh và hiệu chỉnh một cách chính xác. Các phương pháp tổng hợp ảnh và lấp đầy khoảng trống có thể được sử dụng để tạo ra các ảnh vệ tinh hoàn chỉnh hơn.

III. Phương Pháp Phân Loại Đất Dựa Trên Đặc Trưng Phổ Ảnh Vệ Tinh

Một trong những phương pháp phổ biến nhất để phân loại đất từ ảnh vệ tinh là dựa trên đặc trưng phổ. Mỗi loại đất có một đặc điểm phản xạ riêng, được gọi là chữ ký phổ. Các nhà khoa học có thể sử dụng các thuật toán phân loại để phân biệt các loại đất khác nhau dựa trên chữ ký phổ của chúng. Các thuật toán phân loại phổ biến bao gồm phân loại có giám sát và phân loại không giám sát. Theo tài liệu, phân loại có giám sát đòi hỏi dữ liệu huấn luyện, trong khi phân loại không giám sát tự động nhóm các pixel dựa trên đặc điểm phổ của chúng.

3.1. Phân Loại Đất Có Giám Sát Supervised Classification

Phân loại đất có giám sát là một phương pháp phân loại sử dụng dữ liệu huấn luyện để xác định các lớp đất khác nhau. Các nhà khoa học chọn các khu vực đại diện cho mỗi loại đất và sử dụng thông tin phổ từ các khu vực này để huấn luyện một thuật toán phân loại. Thuật toán này sau đó được sử dụng để phân loại tất cả các pixel trong ảnh vệ tinh. Các thuật toán phân loại có giám sát phổ biến bao gồm Maximum Likelihood, Support Vector Machines (SVM) và Random Forest.

3.2. Phân Loại Đất Không Giám Sát Unsupervised Classification

Phân loại đất không giám sát là một phương pháp phân loại tự động nhóm các pixel dựa trên đặc điểm phổ của chúng. Các nhà khoa học không cần cung cấp dữ liệu huấn luyện, nhưng họ cần xác định số lượng lớp đất mong muốn. Các thuật toán phân loại không giám sát phổ biến bao gồm K-means và ISODATA. Phương pháp này hữu ích khi không có dữ liệu huấn luyện hoặc khi muốn khám phá các lớp đất tiềm năng trong khu vực nghiên cứu.

3.3. Sử Dụng Chỉ Số Thực Vật NDVI EVI Trong Phân Loại Đất

Các chỉ số thực vật (NDVI, EVI) là các phép tính toán dựa trên các dải phổ khác nhau của ảnh vệ tinh để đo lường độ che phủ thực vật. Các chỉ số này có thể được sử dụng để phân biệt các loại đất khác nhau dựa trên lượng thực vật trên bề mặt của chúng. Ví dụ, đất nông nghiệp có thể có NDVI cao hơn so với đất đô thị. Các chỉ số thực vật cũng có thể được sử dụng để theo dõi các thay đổi trong độ che phủ thực vật theo thời gian.

IV. Ứng Dụng Học Máy Trong Phân Loại Đất Từ Ảnh Vệ Tinh

Trong những năm gần đây, học máy (machine learning) đã trở thành một công cụ mạnh mẽ trong phân loại đất từ ảnh vệ tinh. Các thuật toán học máy có thể học các mối quan hệ phức tạp giữa đặc điểm phổ và loại đất, cho phép phân loại chính xác hơn so với các phương pháp truyền thống. Các thuật toán học máy phổ biến bao gồm mạng nơ-ron (neural networks), cây quyết định (decision trees) và máy học vectơ hỗ trợ (support vector machines). Theo tài liệu, học máy có thể được sử dụng để phân loại đất trong các khu vực phức tạp và đa dạng.

4.1. Mạng Nơ Ron Neural Networks Trong Phân Loại Đất

Mạng nơ-ron (neural networks) là một loại thuật toán học máy được lấy cảm hứng từ cấu trúc của bộ não con người. Chúng có thể học các mối quan hệ phi tuyến tính phức tạp giữa đặc điểm phổ và loại đất, cho phép phân loại chính xác hơn so với các phương pháp truyền thống. Mạng nơ-ron đòi hỏi một lượng lớn dữ liệu huấn luyện, nhưng chúng có thể đạt được độ chính xác cao trong các khu vực phức tạp và đa dạng.

4.2. Thuật Toán Cây Quyết Định Decision Trees Trong Phân Loại Đất

Thuật toán cây quyết định (decision trees) là một loại thuật toán học máy tạo ra một cây quyết định để phân loại các pixel. Mỗi nút trong cây đại diện cho một đặc điểm phổ, và mỗi nhánh đại diện cho một quyết định dựa trên giá trị của đặc điểm đó. Cây quyết định dễ hiểu và giải thích, và chúng có thể được sử dụng để phân loại đất trong các khu vực đơn giản và dễ hiểu.

4.3. So Sánh Các Thuật Toán Học Máy Phổ Biến

Có nhiều thuật toán học máy khác nhau có thể được sử dụng trong phân loại đất từ ảnh vệ tinh, mỗi thuật toán có ưu điểm và hạn chế riêng. Mạng nơ-ron có thể đạt được độ chính xác cao trong các khu vực phức tạp, nhưng chúng đòi hỏi một lượng lớn dữ liệu huấn luyện. Cây quyết định dễ hiểu và giải thích, nhưng chúng có thể không chính xác trong các khu vực phức tạp. Máy học vectơ hỗ trợ là một thuật toán mạnh mẽ có thể đạt được độ chính xác cao với một lượng dữ liệu huấn luyện tương đối nhỏ.

V. Đánh Giá Độ Chính Xác Phân Loại Đất Từ Ảnh Vệ Tinh

Đánh giá độ chính xác là một bước quan trọng trong phân loại đất từ ảnh vệ tinh. Nó cho phép các nhà khoa học xác định mức độ tin cậy của kết quả phân loại và so sánh hiệu suất của các phương pháp phân loại khác nhau. Các phương pháp đánh giá độ chính xác phổ biến bao gồm ma trận nhầm lẫn (confusion matrix), độ chính xác tổng thể (overall accuracy) và hệ số Kappa (Kappa coefficient). Theo tài liệu, việc đánh giá độ chính xác nên được thực hiện bằng cách sử dụng dữ liệu kiểm tra độc lập.

5.1. Sử Dụng Ma Trận Nhầm Lẫn Confusion Matrix Để Đánh Giá

Ma trận nhầm lẫn (confusion matrix) là một bảng cho thấy số lượng pixel được phân loại đúng và sai cho mỗi loại đất. Nó cho phép các nhà khoa học xác định các loại đất nào dễ bị nhầm lẫn với nhau và đánh giá hiệu suất của thuật toán phân loại cho từng loại đất. Ma trận nhầm lẫn là một công cụ hữu ích để hiểu rõ hơn về các lỗi trong quá trình phân loại.

5.2. Độ Chính Xác Tổng Thể Overall Accuracy Và Hệ Số Kappa

Độ chính xác tổng thể (overall accuracy) là tỷ lệ phần trăm của các pixel được phân loại đúng. Hệ số Kappa (Kappa coefficient) là một thước đo thống kê cho thấy mức độ đồng ý giữa kết quả phân loại và dữ liệu kiểm tra, sau khi đã loại bỏ sự đồng ý ngẫu nhiên. Độ chính xác tổng thể và hệ số Kappa là các thước đo tổng quan về độ chính xác của phân loại.

5.3. Các Phương Pháp Thu Thập Dữ Liệu Kiểm Tra Độ Chính Xác

Dữ liệu kiểm tra độ chính xác nên được thu thập độc lập với dữ liệu huấn luyện. Các phương pháp thu thập dữ liệu kiểm tra phổ biến bao gồm khảo sát thực địa, sử dụng ảnh hàng không và sử dụng dữ liệu từ các nguồn khác. Dữ liệu kiểm tra nên đại diện cho tất cả các loại đất trong khu vực nghiên cứu và nên được thu thập một cách ngẫu nhiên để tránh thiên vị.

VI. Triển Vọng Tương Lai Của Phân Loại Đất Từ Ảnh Vệ Tinh

Tương lai của phân loại đất từ ảnh vệ tinh rất hứa hẹn. Với sự phát triển của công nghệ ảnh vệ tinh và học máy, chúng ta có thể mong đợi các phương pháp phân loại chính xác và hiệu quả hơn trong tương lai. Các xu hướng nghiên cứu hiện tại bao gồm sử dụng ảnh vệ tinh có độ phân giải cao hơn, phát triển các thuật toán học máy tiên tiến hơn và tích hợp dữ liệu từ nhiều nguồn khác nhau. Theo tài liệu, phân loại đất từ ảnh vệ tinh sẽ đóng một vai trò ngày càng quan trọng trong quản lý tài nguyên thiên nhiên và quy hoạch sử dụng đất.

6.1. Sử Dụng Ảnh Vệ Tinh Độ Phân Giải Cao High Resolution

Ảnh vệ tinh độ phân giải cao cung cấp thông tin chi tiết hơn về bề mặt đất, cho phép phân loại chính xác hơn các loại đất khác nhau. Tuy nhiên, ảnh vệ tinh độ phân giải cao thường đắt hơn và đòi hỏi nhiều tài nguyên tính toán hơn để xử lý. Việc sử dụng ảnh vệ tinh độ phân giải cao sẽ trở nên phổ biến hơn khi chi phí giảm và tài nguyên tính toán trở nên dễ tiếp cận hơn.

6.2. Phát Triển Các Thuật Toán Học Sâu Deep Learning Tiên Tiến

Học sâu (deep learning) là một nhánh của học máy đã chứng minh hiệu quả trong nhiều ứng dụng, bao gồm cả phân loại đất từ ảnh vệ tinh. Các thuật toán học sâu có thể học các đặc điểm phức tạp từ ảnh vệ tinh và đạt được độ chính xác cao hơn so với các phương pháp truyền thống. Việc phát triển các thuật toán học sâu tiên tiến hơn sẽ tiếp tục cải thiện độ chính xác của phân loại đất từ ảnh vệ tinh.

6.3. Tích Hợp Dữ Liệu Từ Nhiều Nguồn Khác Nhau

Tích hợp dữ liệu từ nhiều nguồn khác nhau, chẳng hạn như ảnh vệ tinh, dữ liệu địa hình, dữ liệu khí hậu và dữ liệu đất, có thể cải thiện độ chính xác của phân loại đất từ ảnh vệ tinh. Các phương pháp tích hợp dữ liệu có thể giúp giảm thiểu tác động của mây che phủ và các yếu tố khí quyển khác, và chúng có thể cung cấp thông tin bổ sung về các đặc điểm của đất.

Nội dung chính

Tổng quan nghiên cứu

Giám sát biến động bề mặt Trái Đất thông qua công nghệ viễn thám đóng vai trò then chốt trong quản lý tài nguyên thiên nhiên, quy hoạch đô thị và ứng phó biến đổi khí hậu. Tuy nhiên, các bộ dữ liệu lớp phủ toàn cầu hiện nay chỉ đạt độ chính xác dao động khoảng 66,9%, chưa đáp ứng được yêu cầu chi tiết ở quy mô khu vực. Tại các vùng khí hậu nhiệt đới gió mùa như Việt Nam, mức độ che phủ của mây thường xuyên vượt quá 70% đến 80% số lượng ảnh quang học thu nhận, gây ra sự gián đoạn nghiêm trọng về chuỗi dữ liệu không gian và thời gian.

Nghiên cứu tập trung giải quyết bài toán cốt lõi: Nâng cao độ chính xác phân loại lớp phủ mặt đất từ dữ liệu ảnh vệ tinh quang học Landsat 8 độ phân giải 30m tại các khu vực thường xuyên bị mây che phủ và có tính chất biến động theo mùa cao. Mục tiêu cụ thể của đề tài là xây dựng quy trình tự động tạo ảnh tổng hợp không mây theo chuỗi thời gian bằng kỹ thuật tổng hợp điểm ảnh tối ưu, kết hợp với các thuật toán học máy đa mô hình nhằm phân tách chính xác 7 lớp phủ chính.

Phạm vi thực nghiệm được triển khai trên toàn bộ địa bàn thành phố Hà Nội với tổng diện tích khoảng 3.300 km² trong giai đoạn 2016 - 2017. Khu vực này sở hữu cảnh quan phức tạp với 56,6% diện tích đất nông nghiệp (trong đó lúa nước chiếm 60,9%) và 40,8% diện tích phi nông nghiệp. Đóng góp nổi bật của luận văn là hoàn thiện mô hình phân loại chuỗi thời gian có khả năng nâng cao độ chính xác tổng thể lên trên 90%, giảm thiểu sai số diện tích ước tính xuống dưới 5%, tạo cơ sở khoa học tin cậy cho công tác giám sát nông nghiệp và quản lý đất đai.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Nghiên cứu được xây dựng dựa trên nền tảng tương tác bức xạ điện từ trong khoa học viễn thám và lý thuyết học máy hiện đại. Năng lượng mặt trời phản xạ từ bề mặt Trái Đất được thu nhận qua các kênh phổ từ ánh sáng khả kiến (0,43 - 0,68 µm), hồng ngoại gần (NIR: 0,85 - 0,88 µm) đến hồng ngoại sóng ngắn (SWIR: 1,57 - 2,29 µm). Sự khác biệt về phản xạ phổ được chuẩn hóa qua các chỉ số thực vật khác biệt chuẩn hóa (NDVI) và chỉ số đất trống (BSI) để theo dõi vòng đời sinh trưởng của thảm thực vật.

Khung lý thuyết xử lý mây áp dụng kỹ thuật tổng hợp điểm ảnh tốt nhất (Best-Available-Pixel - BAP). Điểm ảnh sạch được lựa chọn dựa trên hàm chấm điểm kết hợp bốn tiêu chí: khoảng cách tới mây và bóng mây, độ mờ đục khí quyển, ngày chụp trong năm (Day of Year - DOY) và độ tương thích cảm biến.

Về mô hình phân loại, luận văn kết hợp các trường phái học máy kinh điển và tân tiến:

• Mô hình hồi quy Logistic mở rộng cho bài toán đa lớp theo chiến lược một đối tất cả.
• Máy vector hỗ trợ (Support Vector Machine - SVM) sử dụng hàm nhân RBF tối ưu hóa siêu phẳng phân tách trong không gian nhiều chiều.
• Mạng nơ-ron truyền thẳng đa tầng (Multilayer Perceptron - MLP) huấn luyện bằng thuật toán lan truyền ngược.
• Thuật toán tăng cường độ dốc cực đại (XGBoost) xử lý dữ liệu thưa và xây dựng cây quyết định song song.
• Kỹ thuật học kết hợp (Ensemble Learning) theo cơ chế bỏ phiếu đa số và xếp chồng mô hình (Stacking) nhằm tối ưu hóa đường biên phân chia phi tuyến tính.

Phương pháp nghiên cứu

Nguồn dữ liệu đầu vào sử dụng toàn bộ các cảnh ảnh vệ tinh Landsat 8 Surface Reflectance (SR) thu nhận trong năm 2016 với độ phân giải không gian 30m, chu kỳ lặp 16 ngày, đã được hiệu chỉnh khí quyển bằng mã LaSRC. Dữ liệu đối chứng mặt đất được trích xuất từ bản đồ hiện trạng sử dụng đất chính thức của Sở Tài nguyên và Môi trường Hà Nội kết hợp với ảnh độ phân giải siêu cao trên Google Earth và số liệu khảo sát thực địa.

Quy trình chọn mẫu tuân thủ nghiêm ngặt phương pháp lấy mẫu ngẫu nhiên phân tầng (Stratified Random Sampling). Không gian nghiên cứu được chia thành 11 tầng sử dụng đất đại diện để lấy mẫu độc lập hoàn toàn giữa tập huấn luyện và tập kiểm chứng:

• Tổng cỡ mẫu đạt 7.827 điểm ảnh (kích thước mỗi điểm 30m x 30m), bao gồm 5.079 điểm huấn luyện và 2.748 điểm kiểm chứng độc lập.
• Tỷ lệ phân bổ mẫu phản ánh đặc thù cảnh quan: đất lúa nước (1.195 mẫu train, 646 mẫu test), bề mặt không thấm (1.049 mẫu train, 523 mẫu test), cây xanh (997 mẫu train, 491 mẫu test), đất nông nghiệp khác (596 mẫu train, 331 mẫu test), mặt nước (773 mẫu train, 446 mẫu test), cỏ bụi (394 mẫu train, 255 mẫu test) và đất trống (75 mẫu train, 56 mẫu test).

Lý do lựa chọn phương pháp phân tích này là nhờ trọng số nghịch đảo xác suất xuất hiện ($W_i = 1 / P_i$), đảm bảo các chỉ số đánh giá không bị thiên vị bởi diện tích chênh lệch giữa các lớp. Toàn bộ quy trình từ lọc mây BAP, chiết xuất đặc trưng phổ theo DOY (137, 169, 265, 281) đến huấn luyện mô hình Ensemble được thực hiện nhất quán trong suốt thời gian nghiên cứu thuộc Chương trình Khoa học Công nghệ Vũ trụ Quốc gia (mã số VT-UD/06/16-20).

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

Quá trình thực nghiệm đã chứng minh hiệu quả vượt trội của phương pháp đề xuất qua các phát hiện khoa học mang tính đột phá:

Thứ nhất, ảnh tổng hợp chuỗi thời gian BAP giải quyết triệt để sự thiếu hụt dữ liệu do mây mù. So với việc chỉ sử dụng một ảnh đơn lẻ trong năm (thường bị mất hơn 60% dữ liệu sạch), kỹ thuật BAP tạo ra 4 thời điểm ảnh tổng hợp hoàn toàn không còn mây, bao quát trọn vẹn hai vụ lúa chính trong năm tại Hà Nội.

Thứ hai, mô hình học máy tăng cường XGBoost và mô hình học kết hợp Ensemble 5 thuật toán đạt hiệu năng vượt bậc. Điểm F1 trung bình của mô hình Ensemble đạt trên 0,91, vượt trội hơn từ 4% đến 9% so với các bộ phân loại đơn lẻ như Hồi quy Logistic hay Cây quyết định đơn lẻ. Độ chính xác tổng thể (Overall Accuracy - OA) đạt mức trên 90% và hệ số Kappa vượt 0,85.

Thứ ba, sự kết hợp giữa chuỗi thời gian và thuật toán học máy giải quyết triệt để hiện tượng nhầm lẫn phổ kinh điển giữa đất trống, bề mặt không thấm và đất nông nghiệp sau thu hoạch. Lớp lúa nước đạt chỉ số F1-score trên 0,93; lớp bề mặt không thấm và mặt nước đều đạt F1-score xấp xỉ 0,95.

Thứ tư, sai số diện tích tính toán cho đất lúa nước khi so khớp với số liệu thống kê chính thức của cơ quan quản lý nông nghiệp giảm xuống dưới 4,5%, trong khi phương pháp phân loại ảnh đơn thời điểm truyền thống có độ lệch sai số lên tới hơn 18,2%.

Thảo luận kết quả

Hiệu năng phân loại vượt trội bắt nguồn từ việc mô hình nắm bắt được đặc trưng sinh học biến động theo thời gian. Đất trồng lúa tại Hà Nội có chu kỳ ngập nước khi cấy và tăng trưởng chỉ số NDVI mạnh mẽ trước khi thu hoạch vào các ngày DOY 137, 169, 265 và 281. Nếu chỉ dùng ảnh đơn thời kỳ, đất lúa giai đoạn đổ ải sẽ bị nhầm với mặt nước, còn giai đoạn thu hoạch bị nhầm với đất trống.

Kết quả nghiên cứu được minh chứng trực quan và thuyết phục thông qua ba hình thức thể hiện dữ liệu:

• Biểu đồ biến thiên chỉ số phổ đa thời gian: Đồ thị đường thể hiện sự phân tách rõ rệt của giá trị NDVI và BSI giữa 7 lớp phủ qua các mốc mùa vụ, chứng minh cơ sở tách biệt lớp của thuật toán.
• Bảng ma trận nhầm lẫn (Confusion Matrix): Thể hiện chi tiết độ chính xác của người dùng (User Accuracy) và độ chính xác của nhà sản xuất (Producer Accuracy), chỉ ra tỷ lệ nhầm lẫn giữa đất nông nghiệp và cỏ bụi dưới 6%.
• Bản đồ chuyên đề lớp phủ mặt đất 30m năm 2016 của Hà Nội: Thể hiện độ mịn không gian cao, phân định sắc nét ranh giới giữa vùng lõi đô thị hóa với vành đai nông nghiệp ven sông Hồng.

So với các nghiên cứu quốc tế sử dụng MODIS (độ phân giải 500m) hay Landsat đơn thời kỳ tại các vùng xavan Brazil (đạt OA khoảng 85% - 93%), phương pháp này chứng tỏ tính thích ứng cao trong điều kiện cảnh quan manh mún, thời tiết nhiều mây đặc trưng của các quốc gia Đông Nam Á.

Đề xuất và khuyến nghị

Dựa trên kết quả thực nghiệm, bốn nhóm giải pháp chiến lược được đề xuất nhằm chuyển giao và ứng dụng thực tiễn công nghệ:

1. Tích hợp nguồn dữ liệu vệ tinh Sentinel-2 đa phổ vào quy trình BAP: Tiến hành dung hợp kênh ảnh 10m của Sentinel-2 với Landsat 8/9 nhằm rút ngắn chu kỳ thu nhận ảnh từ 16 ngày xuống dưới 5 ngày. Mục tiêu nâng độ chính xác tổng thể OA đạt trên 94%, triển khai thực hiện trong vòng 6 đến 12 tháng bởi các nhóm nghiên cứu viễn thám và xử lý dữ liệu không gian.

2. Tự động hóa chuỗi xử lý phân loại trên nền tảng điện toán đám mây: Xây dựng hệ thống tự động trích xuất đặc trưng BAP và chạy mô hình Ensemble trên Google Earth Engine hoặc hạ tầng đám mây nội địa. Mục tiêu rút ngắn thời gian thành lập bản đồ hiện trạng từ 14 ngày xuống dưới 48 giờ sau khi nhận ảnh, do Cục Viễn thám Quốc gia và Trung tâm FIMO chủ trì trong giai đoạn 2026 - 2027.

3. Triển khai mở rộng bản đồ lớp phủ đa thời gian quy mô liên tỉnh: Ứng dụng quy trình phân tầng ngẫu nhiên và mô hình XGBoost cho toàn bộ 11 tỉnh thành vùng Đồng bằng sông Hồng với tổng diện tích trên 15.000 km². Mục tiêu kiểm soát sai số ước tính biến động đất nông nghiệp dưới 3% hàng năm, do Sở Tài nguyên và Môi trường các địa phương phối hợp thực hiện từ năm 2027.

4. Phát triển thuật toán Deep Learning kết hợp dữ liệu Radar khẩu độ tổng hợp (SAR): Nghiên cứu tích hợp ảnh Radar Sentinel-1 (C-band) không phụ thuộc thời tiết với ảnh quang học để phân loại lớp phủ xuyên suốt mùa mưa bão. Mục tiêu duy trì độ phủ dữ liệu 100% quanh năm, thực hiện bởi các viện nghiên cứu chuyên ngành Khoa học Máy tính trong 1 đến 2 năm tới.

Đối tượng nên tham khảo luận văn

Nội dung và phương pháp luận của công trình mang lại giá trị học thuật và thực tiễn sâu sắc cho bốn nhóm đối tượng chính:

1. Học viên cao học và nghiên cứu sinh ngành Khoa học Máy tính, Hệ thống Thông tin Địa lý (GIS) và Viễn thám: Tài liệu cung cấp cơ sở toán học chi tiết về thuật toán BAP, lý thuyết máy học SVM, XGBoost, Stacking Ensemble và phương pháp chọn mẫu phân tầng có trọng số chuẩn mực để phát triển các đề tài nghiên cứu chuyên sâu.

2. Kỹ sư dữ liệu và chuyên gia AI trong lĩnh vực Nông nghiệp thông minh: Cung cấp case study thực tế về trích xuất chuỗi thời gian NDVI/BSI từ 7.827 điểm mẫu thực địa, hỗ trợ thiết kế các mô hình dự báo năng suất lúa và giám sát cây trồng tự động.

3. Cán bộ quản lý tại các cơ quan Nhà nước (Sở Tài nguyên và Môi trường, Chi cục Trồng trọt, Cục Thống kê): Cung cấp quy trình kiểm kê hiện trạng sử dụng đất 30m với chi phí thấp, giúp thay thế các phương thức điều tra biểu mẫu thủ công tốn kém và hỗ trợ thanh tra đất đai chính xác.

4. Chuyên gia phân tích đô thị và biến đổi khí hậu: Cung cấp bức tranh phân bố bề mặt không thấm và không gian xanh của 3.300 km² tại Thủ đô Hà Nội, làm căn cứ định lượng để quy hoạch hạ tầng thoát nước và mô hình hóa hiệu ứng đảo nhiệt đô thị.

Câu hỏi thường gặp

Tại sao ảnh vệ tinh quang học thường gặp khó khăn tại khu vực nhiệt đới như Việt Nam?

Việt Nam nằm trong đới khí hậu nhiệt đới gió mùa với tỷ lệ che phủ của mây rất cao, thường vượt quá 70% số ngày trong năm. Mây và bóng mây che khuất năng lượng phản xạ bề mặt, làm suy giảm nghiêm trọng độ tin cậy của phổ phản xạ quang học, dẫn đến việc mất mát thông tin quan trắc định kỳ.

Thuật toán Best-Available-Pixel (BAP) giải quyết vấn đề mây che như thế nào?

BAP đánh giá từng pixel đơn lẻ qua hệ thống điểm số gồm 4 tiêu chí: độ mờ đục khí quyển, khoảng cách đến mây/bóng mây, ngày chụp trong năm (DOY) và loại cảm biến. Thuật toán chọn lọc pixel có chất lượng cao nhất từ tập hợp ảnh ứng viên để ghép thành một ảnh tổng hợp hoàn chỉnh, không còn điểm mây.

Vì sao mô hình Ensemble Stacking lại cho kết quả tốt hơn các mô hình học máy đơn lẻ?

Mỗi thuật toán đơn lẻ (như SVM hay MLP) có thế mạnh trên các dạng phân bố dữ liệu khác nhau. Mô hình Stacking kết hợp dự đoán của 5 bộ phân loại cơ sở để tạo ra đường biên quyết định tối ưu trong không gian nhiều chiều, giúp giảm thiểu phương sai sai số và tăng độ chính xác tổng thể lên trên 90%.

Việc tính toán trọng số nghịch đảo xác suất chọn mẫu có ý nghĩa gì đối với độ chính xác?

Trong phương pháp lấy mẫu phân tầng ngẫu nhiên, các tầng có diện tích khác nhau sẽ có xác suất chọn điểm khác nhau. Trọng số nghịch đảo đảm bảo các chỉ số đánh giá như Overall Accuracy và F1-score phản ánh đúng tỷ lệ diện tích thực tế của 3.300 km² lãnh thổ nghiên cứu mà không bị lệch về phía các lớp có nhiều mẫu.

Quy trình phân loại trong luận văn có thể chuyển giao cho các vùng địa lý khác không?

Quy trình có khả năng khái quát hóa và mở rộng linh hoạt cho các khu vực nhiệt đới khác như Đồng bằng sông Cửu Long. Người dùng chỉ cần tái xác lập các mốc mùa vụ theo chỉ số DOY tương ứng với tập quán canh tác địa phương và thu thập mẫu phân tầng chuẩn hóa cho vùng nghiên cứu mới.

Kết luận

• Luận văn đã giải quyết thành công bài toán phân loại lớp phủ bề mặt tại khu vực nhiều mây che phủ bằng sự kết hợp giữa kỹ thuật BAP và mô hình học máy Ensemble.
• Quy trình chuẩn hóa trích xuất dữ liệu chuỗi thời gian Landsat 8 SR 30m tạo ra bộ ảnh tổng hợp không mây, phản ánh chính xác chu kỳ sinh trưởng của thảm phủ.
• Bộ dữ liệu thực nghiệm quy mô 7.827 mẫu phân tầng chuẩn mực trên diện tích 3.300 km² tại Hà Nội chứng minh mô hình đạt độ chính xác tổng thể trên 90% và hệ số Kappa trên 0,85.
• Đóng góp giải pháp công nghệ quan trọng giúp nâng cao năng lực tự động hóa thành lập bản đồ lớp phủ phục vụ quy hoạch đô thị và quản lý tài nguyên nông nghiệp.
• Định hướng tiếp theo tập trung vào việc tích hợp dữ liệu đa cảm biến quang học - Radar và đưa quy trình vận hành trực tiếp trên các nền tảng điện toán đám mây.