Nghiên cứu tối ưu hóa thuật toán tự động phân loại dữ liệu đám mây điểm hỗ trợ xây dựng mô hình 3d thành phố thông minh

Phần này tập trung vào thuật toán phân loại dữ liệu đám mây điểm, nhấn mạnh vào việc tối ưu hóa hiệu năng. 192 trang · Trường Đại học Mỏ - Địa chất · 2023.

• Tác giả: Lê Đình Hiển
• Người hướng dẫn: PGS. TS Bùi Ngọc Quý
• Trường học: Trường Đại học Mỏ - Địa chất
• Chuyên ngành: Kỹ thuật Trắc địa - Bản đồ
• Đề tài: Tối ưu hóa thuật toán phân loại dữ liệu đám mây cho mô hình 3D thành phố thông minh
• Loại tài liệu: luận án tiến sĩ
• Năm xuất bản: 2023
• Địa điểm: Hà Nội

Mục lục chi tiết

• LỜI CAM ĐOAN
• 1. CHƯƠNG 1: TỔNG QUAN CÁC VẤN ĐỀ NGHIÊN CỨU
• 1.1. Tổng quan về thành phố thông minh
• 1.2. Tổng quan về phương pháp và thuật toán phân loại dữ liệu đám mây điểm
• 1.3. Tổng quan về các thuật toán phân loại đám mây điểm sử dụng trong luận án
• 1.4. Tiểu kết chương 1
• 1.5. Hướng nghiên cứu của đề tài luận án
• 2. CHƯƠNG 2: TỐI ƯU HÓA THUẬT TOÁN TỰ ĐỘNG PHÂN LOẠI DỮ LIỆU ĐÁM MÂY ĐIỂM
• 2.1. Nghiên cứu công nghệ thu nhận dữ liệu và cấu trúc của hệ thống quét LiDAR hàng không City Mapper Leica
• 2.2. Nghiên cứu đặc điểm, tính chất của đám mây điểm thu nhận từ công nghệ quét LiDAR hàng không
• 2.3. Nghiên cứu và xây dựng các thuật toán trong tự động phân loại dữ liệu đám mây điểm
• 2.4. Đề xuất xây dựng quy trình tối ưu hóa tự động phân loại dữ liệu đám mây điểm
• 2.5. Đề xuất quy trình xây dựng mô hình 3D thành phố thông minh tự động từ dữ liệu LiDar hàng không
• 2.6. Tiểu kết chương 2
• 3. CHƯƠNG 3: XÂY DỰNG MÔ HÌNH 3D THÀNH PHỐ THÔNG MINH KHU VỰC HÒN GAI, HẠ LONG
• 3.1. Giới thiệu khu vực nghiên cứu
• 3.2. Xây dựng chương trình máy tính phân loại dữ liệu đám mây điểm
• 3.3. Lựa chọn các phần mềm xử lý dữ liệu
• 3.4. Thực nghiệm thành lập mô hình 3D thành phố từ dữ liệu LiDAR hàng không
• 3.5. Đánh giá các kết quả nghiên cứu
• 3.6. Quy hoạch đô thị
• 3.7. Hiển thị không gian
• 3.8. Phân tích tầm nhìn
• 3.9. Phòng chống thiên tai, ứng phó tình huống
• 3.10. Quản lý tài sản & phát hiện thay đổi
• 3.11. Thăm vấn cộng đồng
• 3.12. Du lịch & bảo tồn di sản
• 3.13. Xác định các vấn đề môi trường và quản lý môi trường đô thị
• KẾT LUẬN VÀ KIẾN NGHỊ
• DANH MỤC CÁC CÔNG TRÌNH KHOA HỌC CỦA TÁC GIẢ
• ĐÃ CÔNG BỐ CÓ LIÊN QUAN TỚI LUẬN ÁN
• TÀI LIỆU THAM KHẢO
• PHỤ LỤC 1: HƯỚNG DẪN SỬ DỤNG CHƯƠNG TRÌNH HUMG – POINT CLOUD CLASSIFIER
• PHỤ LỤC 2 – MÃ NGUỒN CHƯƠNG TRÌNH HUMG – POINT CLOUD CLASSIFIER

Tóm tắt

I. Thuật toán phân loại dữ liệu và tối ưu hóa

Phần này tập trung vào thuật toán phân loại dữ liệu đám mây điểm, nhấn mạnh vào việc tối ưu hóa hiệu năng. Luận án trình bày nghiên cứu về việc xây dựng và tối ưu hóa các thuật toán tự động phân loại dữ liệu đám mây điểm LiDAR. Nghiên cứu bao gồm việc phân tích các thuật toán hiện có, đề xuất cải tiến và xây dựng các thuật toán mới, đặc biệt là trong bối cảnh xử lý dữ liệu đám mây điểm 3D. Các thuật toán lọc nhiễu, thuật toán lọc mặt đất, thuật toán phân loại đường nhựa, thuật toán phân loại thực vật, và thuật toán phân loại nhà được nghiên cứu kỹ lưỡng. Mục tiêu là tăng hiệu quả tính toán và hiệu năng của quá trình phân loại, giảm thiểu thời gian xử lý và chi phí. Tối ưu hóa thuật toán hướng đến việc đạt được độ chính xác cao trong phân loại các đối tượng khác nhau trong môi trường đô thị phức tạp. Việc áp dụng các thuật toán học máy và mạng nơ-ron cũng được xem xét để nâng cao khả năng phân loại. Kết quả nghiên cứu được đánh giá dựa trên các chỉ số chính xác và độ hoàn thành của quá trình phân loại. Thuật toán tối ưu sẽ đóng vai trò quan trọng trong việc xây dựng mô hình 3D thành phố thông minh chính xác và hiệu quả.

1.1. Phân loại dữ liệu đám mây điểm 3D và thách thức

Phần này tập trung vào việc phân tích các thách thức trong việc phân loại dữ liệu đám mây điểm 3D. Khối lượng dữ liệu lớn (Big Data) và độ phức tạp của môi trường đô thị là những khó khăn chính. Luận án đề cập đến các vấn đề như nhiễu dữ liệu, sự đa dạng của các đối tượng trong không gian đô thị (nhà cửa, cây cối, đường sá…), và sự cần thiết phải có các thuật toán nhanh và hiệu quả. Xử lý ảnh và phân tích hình ảnh cũng là những công cụ quan trọng được sử dụng. Phân tích dữ liệu không gian đóng vai trò then chốt trong việc phân loại chính xác các đối tượng. Các kỹ thuật số hóa cần được tối ưu để đảm bảo độ chính xác cao. Thuật toán phân loại cần được thiết kế để xử lý dữ liệu đám mây điểm điểm một cách hiệu quả. Việc tích hợp các nguồn dữ liệu khác nhau, ví dụ như ảnh vệ tinh, LiDAR, và GIS, cũng được xem xét để nâng cao độ chính xác. Cơ sở dữ liệu không gian cần được thiết kế để hỗ trợ hiệu quả cho quá trình phân loại và quản lý dữ liệu. Công nghệ đám mây và dịch vụ đám mây có thể được tận dụng để xử lý dữ liệu lớn một cách hiệu quả.

1.2. Tối ưu hóa hiệu năng thuật toán

Phần này tập trung vào việc tối ưu hóa hiệu năng của thuật toán phân loại. Luận án đề cập đến các phương pháp để giảm thiểu thời gian xử lý và tăng cường hiệu quả của thuật toán. Việc sử dụng các thuật toán nhanh, phân phối xử lý song song, và khả năng mở rộng của hệ thống được nghiên cứu. Hiệu quả tính toán là yếu tố quan trọng để đảm bảo tốc độ xử lý dữ liệu lớn. Khả năng mở rộng hệ thống là cần thiết để xử lý các tập dữ liệu khổng lồ. Luận án cũng đề cập đến việc sử dụng các thuật toán tối ưu để tìm ra các tham số tốt nhất cho thuật toán. Hiệu quả của thuật toán được đánh giá dựa trên các chỉ số như tốc độ xử lý, độ chính xác, và khả năng mở rộng. Thuật toán học máy và trí tuệ nhân tạo được nghiên cứu để tối ưu hóa tự động các tham số. Khả năng thích ứng của thuật toán với các loại dữ liệu khác nhau cũng là một yếu tố cần được xem xét. Việc lựa chọn kiến trúc hệ thống cũng góp phần vào việc tối ưu hóa hiệu năng.

II. Mô hình 3D thành phố thông minh và ứng dụng

Phần này tập trung vào việc ứng dụng kết quả phân loại dữ liệu để xây dựng mô hình 3D thành phố thông minh. Luận án trình bày quy trình xây dựng mô hình 3D từ dữ liệu đám mây điểm 3D đã được phân loại. Mô hình 3D được xây dựng với các mức độ chi tiết khác nhau (LoD). Mô hình hóa 3D phục vụ nhiều mục đích khác nhau, bao gồm quản lý thành phố thông minh, quy hoạch đô thị, giám sát thành phố, an ninh thành phố, và quản lý giao thông. Dữ liệu đám mây điểm LiDAR cung cấp thông tin chi tiết về địa hình và các đối tượng trong thành phố. Mô hình 3D giúp trực quan hóa dữ liệu và hỗ trợ ra quyết định. Phần mềm GIS được sử dụng để quản lý và phân tích dữ liệu trong mô hình 3D. Mô hình đồ thị cũng được sử dụng để thể hiện mối quan hệ giữa các đối tượng trong thành phố.

2.1. Ứng dụng của mô hình 3D thành phố thông minh

Phần này trình bày các ứng dụng cụ thể của mô hình 3D thành phố thông minh. Quản lý giao thông, dự báo giao thông, giám sát giao thông là những ứng dụng quan trọng. Quản lý đô thị được hỗ trợ bởi khả năng hiển thị không gian 3D. Quy hoạch đô thị được tối ưu hóa bằng cách mô phỏng và phân tích không gian đô thị. Phòng chống thiên tai và giám sát môi trường được cải thiện nhờ khả năng theo dõi thay đổi và phân tích rủi ro. Quản lý tài sản và phát hiện thay đổi cũng được hỗ trợ bởi mô hình 3D. Thăm vấn cộng đồng và du lịch cũng được hỗ trợ bởi khả năng trực quan hóa không gian 3D. Phân tích tầm nhìn giúp tối ưu hóa quy hoạch và thiết kế đô thị. An ninh thành phố được tăng cường bằng cách giám sát và phân tích hình ảnh 3D. Mô hình hóa 3D đóng vai trò quan trọng trong việc xây dựng thành phố thông minh bền vững.

2.2. Đánh giá hiệu quả và tính khả thi

Phần này đánh giá hiệu quả và tính khả thi của việc áp dụng các thuật toán và mô hình 3D trong xây dựng thành phố thông minh. Luận án phân tích các chỉ số đánh giá, bao gồm độ chính xác của quá trình phân loại, tốc độ xử lý, và chi phí. Tính khả thi được đánh giá dựa trên khả năng tích hợp với các hệ thống hiện có và khả năng mở rộng. Hiệu quả kinh tế được đánh giá dựa trên chi phí đầu tư và lợi ích thu được. Hiệu quả xã hội được đánh giá dựa trên cải thiện chất lượng cuộc sống và nâng cao hiệu quả quản lý đô thị. Khả năng mở rộng của hệ thống là yếu tố quan trọng để đảm bảo tính bền vững. Luận án đề xuất các khuyến nghị để cải thiện hiệu quả và tính khả thi của công nghệ này. Hệ thống thông tin địa lý (GIS) đóng vai trò quan trọng trong việc tích hợp và quản lý dữ liệu. Dữ liệu ảnh và khảo sát 3D cung cấp thông tin quan trọng cho mô hình 3D.

Nội dung chính

Tổng quan luận án

Đề tài luận án: "Nghiên cứu tối ưu hóa thuật toán tự động phân loại dữ liệu đám mây điểm hỗ trợ xây dựng mô hình 3D thành phố thông minh".

• Tác giả: Lê Đình Hiển
• Người hướng dẫn khoa học: PGS. TS Bùi Ngọc Quý
• Cơ sở đào tạo: Trường Đại học Mỏ - Địa chất
• Ngành đào tạo: Kỹ thuật Trắc địa - Bản đồ
• Mã số chuyên ngành: 9520503
• Năm bảo vệ: 2023

Tính cấp thiết và khoảng trống nghiên cứu

Tiến trình đô thị hóa trên thế giới diễn ra nhanh chóng, kéo theo các áp lực về khan hiếm tài nguyên, ô nhiễm môi trường, tắc nghẽn giao thông và quá tải hạ tầng kỹ thuật. Tại Việt Nam, Thủ tướng Chính phủ đã ban hành Quyết định phê duyệt Đề án Phát triển đô thị thông minh bền vững Việt Nam giai đoạn 2018 - 2025 vào ngày 01/8/2018. Theo Liên minh Viễn thông Quốc tế (ITU-T), thành phố thông minh bền vững đòi hỏi việc ứng dụng công nghệ thông tin - truyền thông để nâng cao chất lượng dịch vụ và quản lý đô thị. Trong cấu trúc này, dữ liệu không gian 3D giữ vai trò là hạ tầng khung để tích hợp các hệ thống cảm biến, công cụ mô phỏng và hỗ trợ ra quyết định.

Công nghệ quét LiDAR (Light Detection And Ranging) tích hợp máy ảnh số hàng không (tiêu biểu như hệ thống Leica CityMapper được đầu tư tại Việt Nam từ năm 2017) cho phép thu thập dữ liệu không gian với mật độ cao trên diện tích rộng. Tuy nhiên, việc khai thác nguồn dữ liệu này tại Việt Nam đang đối mặt với các rào cản kỹ thuật:

• Công đoạn phân loại dữ liệu đám mây điểm phụ thuộc chủ yếu vào các phần mềm thương mại đi kèm thiết bị với chi phí bản quyền lớn.
• Các thuật toán trong phần mềm thương mại bị đóng gói và mã hóa (hộp đen), người sử dụng không thể can thiệp vào tham số để tối ưu hóa độ chính xác cho từng loại địa hình và mật độ điểm đặc thù.
• Khâu xử lý và phân loại thủ công đòi hỏi thời gian kéo dài và chi phí nhân công cao.
• Các nghiên cứu trong nước trước đây chủ yếu tập trung phân loại nhị phân (mặt đất và không mặt đất), chưa xây dựng được quy trình tự động phân loại đa lớp đối tượng nhằm phục vụ trực tiếp việc mô hình hóa 3D thành phố ở cấp độ chi tiết LoD2 (Level of Detail 2).

Mục tiêu nghiên cứu

Luận án xác định 02 mục tiêu cụ thể:

1. Xác lập cơ sở khoa học và tối ưu hóa được thuật toán tự động phân loại dữ liệu đám mây điểm, từ đó xây dựng được chương trình máy tính tự động phân loại dữ liệu đám mây điểm LiDAR ra các phân lớp khác nhau.
2. Xây dựng được quy trình thành lập mô hình 3D thành phố thông minh từ dữ liệu bay chụp ảnh số và quét LiDAR hàng không.

Luận điểm bảo vệ

1. Luận điểm 1: Thuật toán tự động phân loại điểm mặt đất cải tiến và quy trình tối ưu thuật toán kết hợp với ngưỡng phân loại đã đề xuất giúp tự động phân loại dữ liệu đám mây điểm thành 8 phân lớp với độ chính xác cao, phục vụ xây dựng mô hình 3D thành phố thông minh độ chi tiết LoD2.
2. Luận điểm 2: Quy trình thu nhận, xử lý, phân loại dữ liệu đám mây điểm LiDAR và xây dựng mô hình 3D thành phố thông minh có tính tự động cao từ đó phục vụ phát triển các ứng dụng thành phố thông minh.

Đối tượng và phạm vi nghiên cứu

• Đối tượng nghiên cứu: Dữ liệu đám mây điểm LiDAR thu nhận bằng công nghệ bay quét LiDAR tích hợp chụp ảnh hàng không, công nghệ bay quét LiDAR tích hợp chụp ảnh hàng không và các thuật toán tự động phân loại dữ liệu đám mây điểm.
• Phạm vi nội dung: Tập trung vào kỹ thuật tối ưu hóa thuật toán phân loại dữ liệu đám mây điểm mật độ 5-10 điểm/m² thu nhận từ hệ thống Leica CityMapper và xây dựng mô hình 3D cấp độ LoD2.
• Phạm vi không gian thực nghiệm: Khu vực Hòn Gai, thành phố Hạ Long, tỉnh Quảng Ninh.

---

Tổng quan tài liệu và vị trí của luận án

Các hướng nghiên cứu trên thế giới

Khái niệm về thành phố số và thành phố thông minh được phát triển từ các nghiên cứu ban đầu của Graham và Aurigi (1997) tại Amsterdam, định nghĩa của D. Toppeta (2010), khung đánh giá 83 chỉ số của IESE (2018), mô hình bánh xe thành phố thông minh của Cohen, Govada (2017) và Arafa (2017). Về hạ tầng dữ liệu không gian (SDI), Moshrefzadeh (2020) đề xuất khung hạ tầng dữ liệu thông minh cấp quận (SDDI) và mô hình quận ảo (VDM) trên cơ sở chuẩn CityGML của Tổ chức Không gian Địa lý Mở (OGC), kết hợp các dịch vụ WFS, SOS, SensorThings API và SensorML.

Về phương pháp phân loại dữ liệu đám mây điểm, các công trình quốc tế được phân chia thành các nhóm chính:

• Nhóm chuyển đổi sang cấu trúc raster DSM: Ma (2005), Madhavan (2006), Liu (2008), Chen (2012).
• Nhóm phân loại dựa trên điểm và phân cụm (segmentation) trực tiếp trên không gian 3D: Sithole (2004), Lim và Suter (2009), Zhang (2013), Schnabel (2007), Golovinskiy (2009), Shan và Sampath (2008), Salvaggio (2013), Melzer (2007), Ferraz (2010), Rutzinger (2009), Pu (2011), Velizhev (2012), Aijazi (2013), Xu (2012).
• Phân loại theo cấu trúc thuật toán:
  • Dựa theo cạnh (Edge-based): Rabbani (2006), Bhanu (1986), Sappa và Devy (2001), Wani và Arabnia (2003).
  • Phát triển vùng (Region growing): Besl (1988), Axelsson (2000 - thuật toán PTD), Vosselman (2004), Ackermann và Troisi (2010).
  • Khớp mô hình (Model fitting): RANSAC (Schnabel 2007, Tarsha-Kurdi 2007, Chen 2014), Hough Transform (Tarsha-Kurdi 2007), MLESAC, MSAC, PROSAC.
  • Thuật toán học máy (Machine learning): Phân cụm K-means (MacQueen 1967, Weinmann 2015), phân cụm thứ bậc (Xiaohu Lu 2016).
• Nhóm thuật toán lọc mặt đất và trích xuất địa vật:
  • Lọc mặt đất bằng mạng lưới tam giác tăng dần (PTD): Axelsson (2000), cải tiến bởi Lin (2014) và Wang (2014).
  • Lọc mái nhà và công trình kiến trúc: Zhang và Lin (2012), Lari (2011), Wang và Tseng (2011), Lafarge và Mallet (2012), Rusu (2009), Ghosh và Lohani (2011), Ramiya (2016).
  • Khai thác tham số bổ trợ: Độ cao (Bartels và Wei 2006, Huang 2008, Chen 2009, Zhu và Toutin 2013); Cường độ phản xạ laser (Song 2002, Charaniya 2004, Brennan và Webster 2006, Im 2008, Zhou 2009, MacFaden 2012, Yoon 2008, Yan 2012); Chỉ số thực vật khác biệt chuẩn hóa NDVI (Chen 2009, Sasaki 2012, Bujan 2012, Hartfield 2011, MacFaden 2012).

Các hướng nghiên cứu tại Việt Nam

Công nghệ quét LiDAR được ứng dụng tại Việt Nam từ năm 2006 thông qua các dự án bay thử nghiệm tại Đồng Nai và Cần Thơ do Trung tâm Viễn thám và Công ty AAMHATCH thực hiện. Sau đó, Công ty TNHH MTV Tài nguyên và Môi trường Việt Nam đã triển khai diện rộng trên phạm vi hàng chục nghìn kilômét vuông.

Về mặt học thuật:

• Mai Văn Sỹ (2019) nghiên cứu cơ sở lý luận và phương pháp thành lập mô hình thành phố ảo 3D.
• Nguyễn Thị Hữu Phương (2022) nghiên cứu cải tiến thuật toán EM và MCC nhằm tự động phân loại điểm mặt đất.
• Nguyễn Thị Thanh Huyền (2019) ứng dụng thuật toán K-Means và MCC trong phân loại đám mây điểm.
• Ngô Sỹ Cường (2022) phát triển thuật toán mô hình mạng tam giác bất quy tắc (TIN) tăng cường để lọc điểm mặt đất và xây dựng phần mềm phân loại 2 lớp cơ bản.

Khoảng trống nghiên cứu luận án lựa chọn

Các nghiên cứu trong nước trước đây dừng lại ở việc lọc tách mặt đất hoặc sử dụng phần mềm thương mại kèm theo ảnh trực giao để biên tập thủ công. Luận án lựa chọn giải quyết khoảng trống: cải tiến thuật toán PTD cho dữ liệu quét mật độ 5-10 điểm/m², xây dựng bộ thuật toán kết hợp ngưỡng độ cao, cường độ quét và chỉ số NDVI nhằm phân loại tự động đám mây điểm thành 8 phân lớp đối tượng, đồng thời lập trình phần mềm độc lập và thiết lập quy trình công nghệ tạo lập mô hình 3D thành phố LoD2 hoàn chỉnh.

---

Cơ sở lý thuyết và phương pháp nghiên cứu

Cơ sở lý thuyết và khung phân tích

• Khái niệm mô hình 3D thành phố thông minh: Biểu diễn số không gian đô thị thực tế dựa trên 3 nhóm dữ liệu (dữ liệu nền địa lý 3D, dữ liệu địa vật không gian và dữ liệu thuộc tính tích hợp), tuân thủ tiêu chuẩn CityGML của OGC.
• Các cấp độ chi tiết không gian 3D (Level of Detail - LoD):
  • LoD0: Mô hình số địa hình 2.5D (DTM) kết hợp đa giác nền móng 2D.
  • LoD1: Mô hình khối lăng trụ mái phẳng (tỷ lệ 1:5000).
  • LoD2: Mô hình công trình có cấu trúc hình học mái chi tiết (tỷ lệ 1:2000).
  • LoD3: Mô hình kiến trúc chi tiết bề mặt tường, mái, cửa sổ, cửa đi (tỷ lệ 1:500).
  • LoD4: Mô hình hoàn thiện chi tiết kiến trúc nội thất bên trong công trình.
• Lý thuyết xử lý dữ liệu LiDAR tích hợp: Định vị không gian dựa trên phương trình véc-tơ kết hợp hệ thống định vị vệ tinh toàn cầu (GNSS), thiết bị đo lường quán tính (IMU) và góc quét laser. Phân tích đồ thị xung Gaussian, hiện tượng đa xung phản hồi (multiple returns) và cường độ phản xạ (intensity).
• Lý thuyết chỉ số thực vật: Sử dụng độ chênh lệch phản xạ phổ của diệp lục giữa dải sóng đỏ (RED) và cận hồng ngoại (NIR) qua công thức: $$\text{NDVI} = \frac{\text{NIR} - \text{RED}}{\text{NIR} + \text{RED}}$$

Phương pháp nghiên cứu

• Phương pháp phân tích tổng hợp: Khảo cứu và hệ thống hóa tài liệu, tiêu chuẩn kỹ thuật OGC, các công bố trong và ngoài nước.
• Phương pháp tin học và kỹ thuật phần mềm: Thiết kế kiến trúc module, lập trình thuật toán phân loại và xây dựng giao diện chương trình "HUMG - Point Cloud Classifier".
• Phương pháp điều tra, khảo sát thực nghiệm: Thu nhận dữ liệu thực tế bằng chuyến bay chụp LiDAR và máy ảnh đa phổ tại khu vực Hòn Gai, thành phố Hạ Long.
• Phương pháp bản đồ và GIS: Khớp dải quét, nắn chỉnh ảnh trực giao (True Ortho), tạo mô hình 3D LoD2, tích hợp cơ sở dữ liệu thuộc tính và phân tích không gian.
• Phương pháp phân loại đám mây điểm: Cải tiến thuật toán phát triển mạng lưới tam giác tăng dần (PTD), thiết lập ngưỡng lọc nhiễu, phân loại đường nhựa qua cường độ phản xạ, phân loại thực vật qua NDVI kết hợp độ cao, và lọc tách hình học mái nhà.

Nguồn tư liệu và công cụ kỹ thuật

• Thiết bị thu nhận dữ liệu: Hệ thống máy bay mang đầu quét Leica CityMapper gồm máy quét laser Hyperion, máy ảnh số đa phổ RCD30, bộ đo quán tính IMU LCI-100C và sàn chống rung PAV-100.
• Phần mềm chuyên dụng:
  • Quản lý bay và quỹ đạo: Leica MissionPro, Leica FlightPro, NovAtel Inertial Explorer.
  • Xử lý ảnh và dải quét: Leica HxMap.
  • Phần mềm đối chứng: TerraSolid (TerraScan, TerraModel).
  • Phần mềm tính toán do tác giả tự xây dựng: HUMG - Point Cloud Classifier.

---

Nội dung chính theo từng chương

Chương 1: Tổng quan các vấn đề nghiên cứu

Chương 1 trình bày tổng quan lý luận về thành phố thông minh, vai trò của dữ liệu địa không gian 3D, các cấp độ chi tiết mô hình theo OGC, và phân loại hệ thống các thuật toán xử lý đám mây điểm.

Nội dung trọng tâm gồm:

1. Đô thị hóa và khái niệm thành phố thông minh trên thế giới và tại Việt Nam: Phân tích 4 phương diện, 8 yếu tố chủ chốt, mô hình bánh xe thành phố thông minh và cấu trúc hạ tầng dữ liệu không gian SDI/SDDI.
2. Tiêu chuẩn mô hình 3D thành phố: Phân tích chi tiết 5 mức độ LoD (LoD0 đến LoD4). Luận án chứng minh cấp độ LoD2 phù hợp cho quy hoạch đô thị cấp quận/phân khu (tỷ lệ 1:2000), vừa đảm bảo nhận diện bao quát cấu trúc mái kiến trúc, vừa tối ưu hóa năng lực thu nhận từ dữ liệu bay quét LiDAR hàng không.
3. Tổng quan phương pháp và thuật toán phân loại đám mây điểm: Đánh giá ưu nhược điểm của các nhóm thuật toán:
   • Thuật toán dựa theo cạnh (Edge-based): Nhạy cảm với nhiễu và mật độ điểm không đều.
   • Thuật toán phát triển vùng (Region growing): Thích hợp gộp các bề mặt phẳng nhưng phụ thuộc vị trí điểm hạt giống.
   • Thuật toán khớp mô hình (Model fitting - RANSAC, HT): Hiệu quả với hình khối hình học chuẩn, hạn chế khi xử lý cấu trúc phức tạp diện rộng.
   • Thuật toán học máy (K-means, phân cụm thứ bậc): Linh hoạt nhưng phụ thuộc mật độ và đòi hỏi thời gian xử lý lớn.
4. Tổng quan các thuật toán chuyên biệt sử dụng trong đề tài: Phân tích cơ chế thuật toán phân bố mạng lưới tam giác tăng dần (PTD) của Axelsson, các kỹ thuật phân loại dựa trên ngưỡng độ cao, giá trị cường độ phản xạ laser (intensity) và chỉ số NDVI.

Chương 2: Tối ưu hóa thuật toán tự động phân loại dữ liệu đám mây điểm

Chương 2 tập trung vào nghiên cứu đặc tính cấu trúc phần cứng thu nhận, bản chất vật lý của dữ liệu LiDAR, xây dựng bộ thuật toán cải tiến và thiết lập quy trình công nghệ phân loại 8 phân lớp đối tượng.

Các thông số kỹ thuật phần cứng của hệ thống Leica CityMapper được tác giả khảo sát và chuẩn hóa:

Thành phần thiết bị	Tên thiết bị / Cảm biến	Thông số kỹ thuật chính
Máy quét LiDAR	Hyperion	Tần số phát xung PRF cao, chế độ quét vòng tròn, thu nhận đa xung và toàn bộ dạng sóng (full-waveform)
Máy ảnh đa phổ	RCD30	Chụp ảnh độ phân giải cao các kênh phổ Red, Green, Blue (RGB) và Near Infrared (NIR)
Bộ đo quán tính	IMU LCI-100C	Đo góc nghiêng, hướng bay, gia tốc phục vụ định vị chính xác quỹ đạo PPP
Hệ thống giá đỡ	PAV-100	Giá đỡ ổn định tự động bù trừ rung lắc trong quá trình bay

Về mặt thuật toán, tác giả thực hiện các cải tiến kỹ thuật:

1. Thuật toán lọc nhiễu: Loại bỏ các điểm có độ cao bất thường (điểm quá cao do bụi/mây, điểm quá thấp do tán xạ thứ cấp dưới mặt đất).
2. Thuật toán lọc mặt đất tăng cường (PTD cải tiến): Cải tiến từ thuật toán của Axelsson. Đối với dữ liệu mật độ dày (5-10 điểm/m²), quy trình khởi tạo mạng lưới tam giác thô ban đầu và các bước lặp tính toán khoảng cách vuông góc, góc lặp được tối ưu hóa nhằm tránh loại nhầm địa hình dốc và giảm hiện tượng đưa nhầm chân công trình vào mô hình mặt đất.
3. Thuật toán phân loại đường nhựa: Ứng dụng dải ngưỡng cường độ phản hồi laser (intensity). Dữ liệu phản hồi trên bề mặt nhựa đường có giá trị hấp thụ và tán xạ đặc thù, cho phép tách biệt lớp đường khỏi các bề mặt đất đá và bê tông cùng độ cao.
4. Phương pháp phân loại thực vật: Kết hợp đồng thời ngưỡng độ cao và chỉ số thực vật NDVI. Chỉ số NDVI (tính từ kênh Red và NIR của máy ảnh RCD30 gán cho đám mây điểm) giúp bóc tách thực vật khỏi các đối tượng nhân tạo. Ngưỡng độ cao tiếp tục phân tách thực vật thành 2 lớp: thực vật thấp (hoa màu, cỏ) và thực vật cao (cây bóng mát).
5. Thuật toán phân loại nhà và mái nhà: Áp dụng phương pháp phân cụm không gian đối với các điểm không phải mặt đất có chỉ số NDVI thấp, phát hiện các mặt phẳng nghiêng và phẳng tạo nên kết cấu mái.

Cấu trúc 8 phân lớp đối tượng được tự động hóa phân loại gồm:

• Lớp 1: Điểm nhiễu (Noise)
• Lớp 2: Điểm mặt đất (Ground)
• Lớp 3: Điểm đường nhựa (Road)
• Lớp 4: Điểm thực vật thấp (Low Vegetation)
• Lớp 5: Điểm thực vật cao (High Vegetation)
• Lớp 6: Điểm mái nhà (Building Roof)
• Lớp 7: Điểm công trình kiến trúc khác/tường nhà
• Lớp 8: Điểm chưa phân loại (Unclassified)

Chương 2 kết thúc bằng việc đề xuất sơ đồ quy trình công nghệ tích hợp từ khâu tiếp nhận dữ liệu thô, nắn chỉnh hình học, phân loại tự động đến mô hình hóa 3D thành phố thông minh cấp độ LoD2.

Chương 3: Xây dựng mô hình 3D thành phố thông minh khu vực Hòn Gai, Hạ Long

Chương 3 triển khai lập trình phần mềm, thực nghiệm sản xuất trên khu vực nghiên cứu thực tế và đánh giá định lượng độ chính xác của các thuật toán đề xuất.

1. Xây dựng chương trình máy tính HUMG - Point Cloud Classifier:

• Kiến trúc phần mềm được thiết kế gồm các phân hệ: đọc/ghi dữ liệu định dạng chuẩn LAS/LAZ, mô-đun hiển thị không gian 3D, mô-đun tính toán NDVI từ ảnh đa phổ, mô-đun lọc mặt đất PTD cải tiến, mô-đun phân loại theo ngưỡng cường độ và độ cao, mô-đun trích xuất biên dạng mái nhà.
• Phần mềm được đóng gói và thử nghiệm độc lập trên môi trường máy tính cá nhân.

2. Quy trình thực nghiệm tại Hòn Gai, Hạ Long:

• Xử lý quỹ đạo bay bằng phần mềm Inertial Explorer.
• Xử lý ảnh và khớp dải quét LiDAR trong môi trường HxMap, hiệu chỉnh màu sắc, tạo bình đồ ảnh trực giao True Ortho.
• Nhập dữ liệu đám mây điểm vào phần mềm HUMG - Point Cloud Classifier để chạy chu trình phân loại tự động 8 lớp.
• Xây dựng mô hình 3D LoD2: Tự động hóa tạo lập khối nhà, trích xuất cấu trúc mái, dán ảnh bề mặt (texture) từ ảnh trực giao và thư viện cây xanh 3D.

3. Đánh giá kết quả định lượng: Tác giả lựa chọn 03 khu vực đánh giá đặc trưng tại thành phố Hạ Long với các đặc điểm địa hình, mật độ xây dựng và thảm phủ thực vật khác nhau. Các chỉ tiêu đánh giá bao gồm: Sai số loại I (Type I error - bỏ sót), Sai số loại II (Type II error - nhận nhầm), Độ chính xác tổng thể (Accuracy) và Mức độ hoàn thành (Completeness).

Bảng tổng hợp các nội dung và tiêu chí đánh giá độ chính xác thực nghiệm trong Chương 3:

Bảng số liệu trong luận án	Nội dung đánh giá thực nghiệm	Các chỉ tiêu kỹ thuật chính	Kết quả / Đánh giá của tác giả
Bảng 3.1	So sánh thuật toán lọc mặt đất đề xuất với thuật toán PTD cổ điển	Độ chính xác (Accuracy), Mức độ hoàn thành (Completeness), Sai số loại I và loại II	Thuật toán cải tiến giảm thiểu việc mất đỉnh dốc và hạn chế nhận nhầm chân công trình thành mặt đất
Bảng 3.2	Kết quả phân loại lớp điểm đường nhựa cho 3 khu vực	Tỷ lệ nhận dạng đúng, độ chính xác phân loại theo ngưỡng intensity	Bóc tách chính xác mạng lưới đường giao thông chính khỏi vỉa hè và thảm cỏ lân cận
Bảng 3.3	Kết quả phân loại điểm mái nhà cho 3 khu vực	Độ chính xác phân loại mái, mức độ hoàn thành biên dạng mái	Phân biệt rõ ranh giới tiếp giáp giữa mái công trình và tán cây che phủ
Bảng 3.4	Kết quả phân loại lớp thực vật cho 3 khu vực	Độ chính xác phân lớp thực vật thấp và thực vật cao dựa trên NDVI + Độ cao	Tách biệt hoàn toàn cây xanh đô thị khỏi các khối nhà liền kề
Bảng 3.5	Kết quả tự động số hóa nhà 3D cho 3 khu vực (trang 115)	Độ khớp hình học, độ chính xác vị trí và mức độ hoàn thành mô hình LoD2	Mô hình nhà LoD2 được tạo lập tự động đạt độ khớp hình học cao với dữ liệu thực địa

4. Đánh giá 08 nhóm khả năng ứng dụng của mô hình 3D thực nghiệm:

• Quy hoạch đô thị: Cung cấp nền không gian 3D trực quan hỗ trợ phân tích chiều cao công trình và mật độ xây dựng.
• Hiển thị không gian: Trực quan hóa cảnh quan địa hình và kiến trúc đô thị đa góc nhìn.
• Phân tích tầm nhìn và đổ bóng: Tính toán vùng che khuất ánh sáng mặt trời theo các thời điểm trong ngày và phân tích góc nhìn từ các công trình.
• Phòng chống thiên tai và ứng phó tình huống: Giả định các kịch bản ngập lụt đô thị, mô phỏng sạt lở và phân tích hướng thoát hiểm.
• Quản lý tài sản và phát hiện thay đổi: So sánh dữ liệu quét đa thời gian để phát hiện công trình xây dựng sai phép hoặc biến động bề mặt.
• Tham vấn cộng đồng: Làm công cụ trực quan hóa phương án quy hoạch phục vụ lấy ý kiến người dân.
• Du lịch và bảo tồn di sản: Số hóa không gian kiến trúc cảnh quan phục vụ quảng bá du lịch và lưu trữ số di sản văn hóa.
• Quản lý môi trường đô thị: Đánh giá diện tích thảm phủ cây xanh, vi khí hậu và phân bố không gian mở.

---

Kết quả và những đóng góp mới

Đóng góp mới về mặt lý luận và khoa học

1. Nghiên cứu và tối ưu hóa thuật toán tự động phân loại điểm mặt đất cải tiến dựa trên nguyên lý mạng tam giác tăng dần (PTD), khắc phục được hạn chế của thuật toán truyền thống khi xử lý dữ liệu LiDAR mật độ dày (5-10 điểm/m²).
2. Xây dựng bộ thuật toán kết hợp đa tham số (ngưỡng hình học không gian, độ cao, cường độ phản xạ laser và chỉ số thực vật NDVI) cho phép phân loại tự động dữ liệu đám mây điểm thành 8 phân lớp đối tượng riêng biệt với độ chính xác cao.
3. Xác lập cơ sở khoa học và quy trình công nghệ hoàn chỉnh để tự động hóa quá trình xây dựng mô hình 3D thành phố thông minh cấp độ chi tiết LoD2 từ dữ liệu quét LiDAR tích hợp ảnh số đa phổ hàng không.

Đóng góp mới về mặt thực tiễn

1. Xây dựng và đóng gói thành công chương trình máy tính "HUMG - Point Cloud Classifier" (kèm mã nguồn và hướng dẫn sử dụng), giúp làm chủ công nghệ xử lý dữ liệu đám mây điểm trong nước, giảm phụ thuộc vào các module thương mại đắt tiền.
2. Ứng dụng quy trình công nghệ đề xuất để thành lập thành công bộ dữ liệu thực nghiệm mô hình 3D thành phố thông minh LoD2 tại khu vực Hòn Gai, thành phố Hạ Long, tỉnh Quảng Ninh.
3. Cung cấp quy trình kỹ thuật giúp các đơn vị sản xuất đo đạc bản đồ tối ưu hóa năng suất, rút ngắn thời gian biên tập dữ liệu, giảm thiểu chi phí nhân công và hiện đại hóa quy trình sản xuất bản đồ 3D đô thị.

Kiến nghị và giải pháp đề xuất

• Đề xuất các cơ quan quản lý nhà nước (Bộ Tài nguyên và Môi trường, Bộ Xây dựng) xây dựng, ban hành tiêu chuẩn và quy chuẩn kỹ thuật quốc gia về cơ sở dữ liệu không gian 3D đô thị và mô hình thành phố thông minh.
• Đề xuất tiếp tục mở rộng quy mô ứng dụng phần mềm HUMG - Point Cloud Classifier tại các đơn vị sản xuất đo đạc bản đồ trong nước.
• Kiến nghị tích hợp cơ sở dữ liệu mô hình 3D LoD2 với các trạm quan trắc IoT theo thời gian thực nhằm phục vụ toàn diện công tác quản trị đô thị thông minh.

---

Hạn chế và hướng nghiên cứu tiếp

Hạn chế của luận án

• Địa bàn thực nghiệm mới tập trung tại khu vực Hòn Gai (thành phố Hạ Long), nơi có đặc trưng địa hình đồi núi ven biển đan xen đô thị; chưa mở rộng kiểm chứng trên các dạng đô thị đặc thù khác như đô thị cổ, đô thị mật độ siêu cao hoặc vùng đồng bằng ngập nước.
• Mô hình 3D mới dừng lại ở cấp độ chi tiết LoD2 (mô hình hóa khối nhà và cấu trúc hình học mái, dán ảnh trực giao), chưa thể hiện được các chi tiết kiến trúc tinh xảo của bề mặt tường, cửa ra vào, cửa sổ (LoD3) hoặc cấu trúc nội thất bên trong (LoD4).
• Độ chính xác của quá trình phân loại tự động vẫn phụ thuộc vào việc lựa chọn ngưỡng ban đầu (thresholds) cho từng tập dữ liệu cụ thể.

Hướng nghiên cứu tiếp theo

• Nghiên cứu ứng dụng các mô hình học sâu (Deep Learning) trên cấu trúc đám mây điểm 3D trực tiếp (PointNet, RandLA-Net) để nâng cao khả năng tự thích ứng ngưỡng phân loại mà không cần can thiệp thủ công.
• Nâng cấp thuật toán trích xuất hình học để tự động thành lập mô hình công trình ở mức độ chi tiết LoD3 từ sự kết hợp giữa dữ liệu quét LiDAR hàng không và dữ liệu quét laser di động mặt đất (Mobile Mapping).
• Nghiên cứu phát triển giao diện lập trình ứng dụng (API) để kết nối mô hình 3D CityGML với hệ thống dữ liệu cảm biến thời gian thực theo chuẩn OGC SensorThings API.

---

Giá trị tham khảo

Đối tượng sử dụng

• Nghiên cứu sinh, học viên cao học và sinh viên chuyên ngành Kỹ thuật Trắc địa - Bản đồ, Địa tin học (GIS), Viễn thám và Quy hoạch đô thị.
• Các nhà nghiên cứu và giảng viên tại các trường đại học khối kỹ thuật, công nghệ thông tin và tài nguyên môi trường.
• Các kỹ sư, chuyên gia xử lý dữ liệu không gian tại các doanh nghiệp đo đạc bản đồ và viễn thám.
• Các cán bộ quản lý đô thị, cơ quan quản lý nhà nước phụ trách xây dựng đô thị thông minh, kiến trúc quy hoạch và ứng phó biến đổi khí hậu.

Nội dung và phần tài liệu đáng tham khảo

• Thuật toán và mã nguồn: Phụ lục 1 (Hướng dẫn sử dụng) và Phụ lục 2 (Mã nguồn chương trình HUMG - Point Cloud Classifier) là tài liệu tham khảo trực tiếp cho việc phát triển phần mềm xử lý dữ liệu 3D.
• Cơ sở lý thuyết tích hợp cảm biến: Nội dung phân tích nguyên lý hoạt động của hệ thống Leica CityMapper (máy quét LiDAR Hyperion, máy ảnh RCD30, IMU) trong Chương 2.
• Quy trình công nghệ: Khung quy trình xử lý dữ liệu từ nắn dải quét, lọc mặt đất tăng cường, phân lớp 8 đối tượng đến dựng hình LoD2 trong Chương 2 và Chương 3.
• Bảng tham số và kết quả thực nghiệm: Các bảng đối chứng độ chính xác phân loại mặt đất, nhà cửa, thực vật và số hóa nhà 3D tại khu vực Hòn Gai (Chương 3).

---

Câu hỏi thường gặp

1. Thuật toán lọc mặt đất tăng cường đề xuất trong luận án có điểm gì cải tiến so với thuật toán PTD cổ điển của Axelsson (2000)?

Thuật toán PTD cổ điển của Axelsson sử dụng nguyên lý phát triển mạng tam giác bất quy tắc tăng dần dựa trên các điểm cực tiểu trong ô lưới. Khi áp dụng cho dữ liệu LiDAR mật độ dày (5-10 điểm/m²), thuật toán gốc dễ nhận nhầm các điểm chân công trình thành mặt đất hoặc làm phẳng các khu vực địa hình dốc cao. Luận án đã cải tiến quy trình chọn tập điểm hạt giống thô, tối ưu hóa các thông số góc lặp và khoảng cách lặp thích ứng với mật độ điểm dày, giúp bảo toàn cấu trúc địa hình dốc và phân tách chính xác ranh giới giữa mặt đất và các đối tượng nhân tạo.

2. Luận án kết hợp những tham số nào để tự động phân loại dữ liệu thành 8 phân lớp đối tượng?

Luận án kết hợp đồng thời 4 nhóm tham số:

1. Đặc trưng hình học không gian 3D (tọa độ X, Y, Z và mối quan hệ lân cận trong mạng tam giác TIN).
2. Ngưỡng chênh cao tương đối so với mô hình mặt đất DTM (để phân biệt mặt đất, thực vật thấp, thực vật cao và nhà cửa).
3. Giá trị cường độ phản xạ tia quét laser (intensity) của thiết bị Hyperion (để phân tách lớp mặt đường nhựa và các vật liệu phủ bề mặt).
4. Chỉ số thực vật khác biệt chuẩn hóa NDVI được tính toán từ các kênh ảnh Red và NIR của máy ảnh RCD30 gán trực tiếp lên từng điểm LiDAR (để bóc tách hoàn toàn thảm thực vật khỏi các khối công trình nhân tạo).

3. Phần mềm HUMG - Point Cloud Classifier do tác giả xây dựng đảm nhận vai trò gì trong quy trình công nghệ?

Phần mềm HUMG - Point Cloud Classifier là công cụ tính toán trung tâm trong quy trình đề xuất. Phần mềm đọc dữ liệu đám mây điểm định dạng LAS/LAZ, tích hợp dữ liệu ảnh đa phổ, trực quan hóa 3D và thực thi tự động các thuật toán: lọc nhiễu, lọc mặt đất tăng cường, phân tách đường nhựa theo ngưỡng cường độ, phân loại thực vật theo NDVI và độ cao, trích xuất điểm mái nhà. Việc làm chủ phần mềm này giúp loại bỏ sự phụ thuộc vào các module thương mại đóng gói kín và cho phép tùy biến tham số linh hoạt.

4. Vì sao luận án lựa chọn mức độ chi tiết LoD2 để xây dựng mô hình 3D thành phố thông minh?

Theo tiêu chuẩn OGC CityGML, LoD2 thể hiện được bề mặt bao ngoài của công trình với cấu trúc hình học mái chi tiết, phù hợp với tỷ lệ bản đồ 1:2000 và khung nhìn tổng thể cấp quận/đô thị. Mức LoD2 đáp ứng đầy đủ các bài toán quản lý không gian, phân tích tầm nhìn, đánh giá ngập lụt và quy hoạch đô thị, đồng thời hoàn toàn khả thi để tự động hóa thành lập từ nguồn dữ liệu bay quét LiDAR và chụp ảnh hàng không hiện có ở phạm vi diện tích lớn. Các mức LoD3 và LoD4 đòi hỏi chi tiết kiến trúc tường/cửa và nội thất mà công nghệ bay chụp từ trên cao không thể bao quát đầy đủ một cách tự động.

5. Hệ thống phần cứng và khu vực thực nghiệm chính của luận án là gì?

Hệ thống phần cứng chính được sử dụng là hệ thống cảm biến tích hợp Leica CityMapper (Thụy Sĩ), bao gồm máy quét laser Hyperion, máy ảnh số đa phổ RCD30, bộ đo quán tính IMU LCI-100C và hệ thống giá đỡ ổn định PAV-100. Khu vực thực nghiệm được lựa chọn là khu vực Hòn Gai, thành phố Hạ Long, tỉnh Quảng Ninh với đặc thù không gian đô thị ven biển, địa hình đa dạng đan xen giữa đồi núi, khu dân cư mật độ cao và hạ tầng giao thông phức tạp.

---

Kết luận

Luận án của tác giả Lê Đình Hiển đã giải quyết vấn đề tự động hóa phân loại dữ liệu đám mây điểm LiDAR mật độ cao phục vụ thành lập mô hình 3D thành phố thông minh mức độ chi tiết LoD2. Thông qua việc tối ưu hóa thuật toán lọc mặt đất PTD và kết hợp đa tham số (độ cao, cường độ phản xạ laser, chỉ số NDVI), tác giả đã phân loại tự động dữ liệu thành 8 phân lớp đối tượng và phát triển thành công phần mềm độc lập "HUMG - Point Cloud Classifier". Kết quả thực nghiệm tại khu vực Hòn Gai, thành phố Hạ Long đã chứng minh tính khả thi kỹ thuật và hiệu quả thực tiễn của quy trình công nghệ đề xuất, đóng góp tư liệu và giải pháp kỹ thuật cho ngành Kỹ thuật Trắc địa - Bản đồ trong tiến trình xây dựng đô thị thông minh tại Việt Nam.

Trích đoạn nội dung tài liệu

CHƯƠNG 1: TỔNG QUAN CÁC VẤN ĐỀ NGHIÊN CỨU 1. Tổng quan về thành phố thông minh 1. Trên thế giới Một trong những khái niệm đầu tiên về thành phố số đã được nhắc đến trong nghiên cứu khoa học năm 1997 bởi Graham và Aurigi [11], khi thảo luận về bản chất và các giá trị tiềm năng của thành phố số. Thành phố số đầu tiên đã được Amsterdam (Hà Lan) bắt đầu phát triển và xây dựng từ năm 1994 bằng việc lần đầu tiên cung cấp mạng Internet cho một số lượng lớn người dân để tạo ra một cộng đồng trực tuyến bao gồm cả người dân và thành viên quản lý chính quyền.

Đây là khái niệm đầu tiên về thành phố thông minh. Cùng với sự phát triển của công nghệ thông tin, khái niệm thành phố thông minh ngày càng được phát triển và mở rộng, tương tác với tất cả các đối tượng, thành phần, yếu tố trong thành phố và đang dần dần vượt qua mọi giới hạn đã có. Sự tiên tiến của công nghệ thông tin truyền thông (ICT - Information and Communication Technologies), Internet vạn vật (IoT - Internet of Things), dữ liệu lớn (Big Data), khai phá dữ liệu (Data Mining), kết hợp dữ liệu (Data Fusion) đang dần chiếm vai trò trong công cuộc xây dựng thành phố thông Minh, theo định nghĩa của D. Toppeta năm 2010 [12] thì thành phố thông minh là: “Một thành phố kết hợp công nghệ thông tin và công nghệ Web 2.0 với các tổ chức khác, các nỗ lực thiết kế và quy hoạch để giảm khối lượng tài liệu giúp tăng tốc các thủ tục hành chính và giúp tạo ra các giải pháp mới, sáng tạo để quản lý các phức hợp trong thành phố để tăng cường tính bền vững và khả năng sống” Sự tích hợp của các công nghệ nói trên để áp dụng cho các lĩnh vực trong thành phố giúp trang bị các thông tin cần thiết cho các nhà quản lý để có thể quy hoạch và quản lý tài nguyên thành phố hiệu quả hơn.

Nhiều thành phố trên thế giới đã và đang nâng cấp các công nghệ trên để tăng cường tính an ninh, năng động của thành phố và sức khỏe, sự thoải mái cho người dân. Để đánh giá tốt hơn quá trình thông minh hóa thành phố và để ghi nhận các nỗ lực của các nhà quản lý, một hệ thống đánh giá xếp hạng thành phố thông minh đã được thành lập năm 2018 của IESE và đề xuất lên 83 chỉ số để đánh giá 165 thành phố trên 80 quốc gia. New York, London và Paris là 3 thành 8 phố được xếp hạng cao nhất theo hệ thống này. Dự án thành phố thông minh ở New York được xây dựng nhằm dần dần nâng cấp chất lượng cuộc sống của cư dân, giảm thiểu các tác động tiêu cực đến môi trường, tăng cường hiệu quả ánh sáng thành phố và nâng cấp chất lượng nước sinh hoạt.

Trong khi đó, dự án London thông minh tập trung vào việc thu thập dữ liệu thành phố để cung cấp sự kết nối, mức độ an ninh và độ thông minh thành phố ở cấp cao nhất cho người dân thành phố. Quá trình chuyển đổi kỹ thuật số, tính bền vững và đô thị hóa để nâng cấp các dịch vụ thành phố là trọng tâm của dự án Paris thông minh. Các thành phố tiếp theo trong bảng xếp hạng bao gồm Singapore và Tokyo. Tại Singapore, dự án quốc gia thông minh đã được đề xuất, bao gồm hệ thống thanh toán điện tử, các dự thảo về nền tảng cảm biến cho quốc gia thông mình, tính năng động của đô thị, cộng đồng cư dân thông minh, với mục tiêu tăng cường khả năng sử dụng công nghệ cho cư dân.

Mặt khác, Tokyo lại có mục tiêu trở thành thành phố xanh nhất ở châu Á Thái Bình Dương bằng việc nâng cấp hệ thống giao thông và các hạng mục khác của nền kinh tế. Chính quyền địa phương tại vài thành phố lớn của Trung Quốc như Thẩm Quyến, Thượng Hải, Hàng Châu, Bắc Kinh cũng đang điều chỉnh dần dần để tạo điều kiện cho phát triển kinh tế và xã hội theo hướng thành phố thông minh. Ngoài ra, đã có nhiều học viện nghiên cứu và các phòng thí nghiệm đã và đang tập trung vào nghiên cứu và phát triển các ứng dụng thành phố thông minh như MIT Senseable Lab [13], Future Cities Laboratory [14], SINTEF Smart Cities [15], SMART [16], v. Theo ước tính của Liên Hiệp Quốc, đến năm 2050, 68% dân số thế giới sẽ sống trên thành phố, do đó các ứng dụng thành phố thông minh sẽ trở nên thiết thực hơn bao giờ hết.

Ở Việt Nam Phát triển kinh tế là động lực chính để Việt Nam phát triển hạ tầng, trong đó có hạ tầng đô thị thông minh. Theo như tổ chức cạnh tranh toàn cầu IDM chỉ ra rằng: Chỉ số xếp hạng thành phố thông minh sẽ là tiêu chí quan trọng để thu hút đầu tư và nguồn nhân lực chất lượng cao. Đây sẽ là tiêu chuẩn cốt lõi trong việc cạnh tranh của các quốc gia trong nền công nghiệp 4.0 đang hiện hữu. Nhiều chuyên gia về kinh tế và công nghệ đánh giá Việt nam có rất nhiều động lực trong việc phát triển đô thị thông minh trong 9 tương lai.

Trong khoảng 20 năm trở lại đây hạ tầng giao thông và hạ tầng đô thị của Việt Nam được đầu tư khá nhiều. Nhưng so với các nước trong khu vực thì vẫn chưa xứng tầm với quy mô và triển vọng phát triển. Tại hai thành phố lớn nhất của Việt Nam là Hà Nội và TP.HCM trong vòng 10 năm tới còn rất nhiều dự án phát triển hạ tầng sẽ được đầu tư. Việc đầu tư hạ tầng không chỉ sử dụng nguồn vốn trong nước.

Hiện tại và tương lai sẽ có thêm các nguồn vốn tư nhân và vốn đầu tư nước ngoài. Đây chính là một yếu tố quan trọng cho việc phát triển thành phố thông minh tại Việt Nam trong tương lai gần. Thực tế thì một số dự án bất động sản có quy mô lớn đã được áp dụng công nghệ thông minh vào quản lý vận hành. Có thể kể đến dự án Vinhomes Smart City tại Hà Nội do chủ đầu tư Vingroup phát triển.

Kinh tế Việt Nam cũng là một nhân tố tích cực góp phần vào việc phát triển đô thị thông minh. Việt Nam ngày càng có nhiều người có thu nhập cao và mở rộng tầng lớp trung lưu được trẻ hóa. Đây là tầng lớp có nhu cầu cao về nhà ở tại các khu đô thị cao cấp. Việc kinh tế Việt Nam hội nhập còn kéo theo một lượng lớn người nước ngoài đến Việt Nam làm việc.

Những người nước ngoài này có tiêu chuẩn sống rất cao và họ đòi hỏi nơi sống phải an toàn, tiện nghi. Với việc Việt Nam thông qua luật kinh doanh Bất động sản năm 2014 cho phép người nước ngoài mua nhà tại Việt Nam. Quy định pháp luật này mở ra một nhu cầu lớn về tiềm năng phát triển bất động sản cao cấp trong các khu đô thị thông minh. Về cơ bản cơ cấu dân số Việt Nam đang là cơ cấu dân số trẻ.

Cùng với nền kinh tế đang phát triển. Đây chính là động lực phát sinh nhu cầu về nhà ở cao cấp trong tương lai. Nhu cầu này chính là cơ hội cho các công ty phát triển bất động sản phát triển các thành phố thông minh ở Hà Nội, Sài Gòn, Bình Dương, Đà Nẵng trong tương lai gần. Những thành phố kể trên là những nơi có mức sống cao, tỷ lệ người nhập cư đến làm việc nhiều.

Ngay tại Bình Dương trong nhiều năm trước đã có định hướng phát triển thành phố thông minh tại đây. Bình Dương là một tỉnh có nhiều khu công nghiệp lớn. Hạ tầng phát triển mới, được quy hoạch đồng bộ là một lợi thế lớn để triển khai thành phố thông minh. 10 Bên cạnh đó, nền tảng trang thiết bị và công nghệ thu thập dữ liệu địa không gian của Việt Nam đang ngày một hiện đại với sự xuất hiện của nhiều hệ thống quét LiDAR hàng không như Harrier - 56 (Đức), Leica CityMapper (Thụy Sĩ) cùng với các hệ thống quét LiDAR trên máy bay không người lái, các máy quét Laser mặt đất.

Sự phát triển trong công nghệ của ngành đo đạc bản đồ giúp thu thập dữ liệu không gian một cách nhanh chóng và chính xác, đưa ra các bộ dữ liệu mô tả địa hình, nhà cửa với kích thước và hình ảnh mô phỏng chính xác với thực tế, đây là bộ khung cơ sở để thiết lập các ứng dụng thành phố thông minh. Qua yếu tố trên thì rõ ràng phát triển đô thị thông minh Smart City tại Việt Nam có rất nhiều cơ hội trong tương lai. Đây cũng chính là cơ hội cho Việt Nam phát triển kinh tế số trong nền công nghiệp 4. Ngay tại Hà Nội đã có đồ án quy hoạch đô thị thông minh dọc trục đường Võ Nguyên Giáp từ cầu Nhật Tân đến Sân bay Nội Bài.

Đây là một dự án bất động sản siêu lớn được quy hoạch đồng bộ ngay từ đầu. Dự án này sẽ là trọng điểm để phát triển đô thị thông minh của Hà Nội từ nay đến năm 2030. Đây chính là tín hiệu tốt cho việc xu thế phát triển đô thị thông minh Smart City tại Việt Nam trong tương lai gần. Bên cạnh cơ hội luôn có những thách thức.

Nền tảng phát triển thành phố thông minh Smart City chính là công nghệ. Một số khái niệm và công nghệ trụ cột gồm có: Trí tuệ nhân tạo (Al), Internet vạn vật (IoT), Xử lý dữ liệu lớn (Big Data), Công nghệ mạng 5G…Đây chính là những công nghệ mà Việt Nam đang học hỏi các nước phát triển. Để giải quyết bài toán này việc hợp tác và liên doanh có thể xem là một hướng đi phù hợp. Một số bài báo gần đây có nhắc tới Tập đoàn Samsung của Hàn Quốc trong việc xuất khẩu công nghệ Smart City cho Việt Nam.

Việc thiết kế thành phố thông minh luôn bắt đầu từ nhu cầu thực tế của người dân. Mỗi quốc gia, thành phố sẽ có đặc thù khác nhau về nhu cầu và mục đích phát triển. Lựa chọn mô hình phù hợp là một quá trình cần nghiên cứu và chọn lựa tối ưu. Hiện tại Việt Nam chưa có một mô hình đô thị thông minh đầy đủ.

Một số thành phố mới dừng lại ở việc thí điểm, thử nghiệm trên quy mô hẹp. Quản lý và vận hành cũng là một thách thức lớn khi chúng ta vận hành một đô thị thông minh trong thực tế. Kinh nghiệm này gồm 2 phần chính là kinh nghiệm quản lý đô thị và kinh nghiệm quản lý hệ thống công nghiệp 11 gắn với đô thị đó [3].