Luận văn Thạc sĩ Hệ thống thông tin: Nghiên cứu và ứng dụng phương pháp học máy trong phân lớp lúa sử dụng ảnh viễn thám

Lúa gạo đóng vai trò thiết yếu đối với an ninh lương thực toàn cầu, đặc biệt tại các quốc gia châu Á, nơi tập trung 90% diện tích trồng lúa. Cây lúa thường xuyên phải đối mặt với các rủi ro như hạn hán, lũ lụt và bão, nhấn mạnh tầm quan trọng của việc có thông tin chính xác và kịp thời về diện tích gieo trồng, tình hình phát triển và thiệt hại do thiên tai. Công nghệ viễn thám đã trở thành công cụ phổ biến trong giám sát môi trường và lớp phủ bề mặt đất, bao gồm cả giám sát lúa. Mặc dù đã có một số nghiên cứu ứng dụng viễn thám trong giám sát lúa tại Đồng bằng sông Hồng (ĐBSH), các nghiên cứu này còn hạn chế về dữ liệu và phạm vi. Luận văn này tập trung vào việc nghiên cứu và ứng dụng các phương pháp học máy trong phân lớp lúa sử dụng ảnh viễn thám, nhằm xây dựng một phương pháp giám sát lúa liên tục và hiệu quả tại khu vực ĐBSH, giải quyết đồng thời các bài toán lập bản đồ lúa theo thời gian gieo cấy, theo mùa vụ và tổng thể.

Các nhà nghiên cứu, sinh viên và chuyên gia trong lĩnh vực hệ thống thông tin, viễn thám, địa tin học và nông nghiệp, đặc biệt là những người quan tâm đến ứng dụng học máy và công nghệ vệ tinh trong giám sát tài nguyên nông nghiệp và quản lý cây trồng.

Luận văn này trình bày nghiên cứu và ứng dụng học máy trong phân lớp lúa sử dụng ảnh viễn thám tại khu vực Đồng bằng sông Hồng (ĐBSH), một trong những vựa lúa chính của Việt Nam. Mục tiêu chính là phát triển một phương pháp giám sát lúa liên tục, giải quyết các thách thức trong việc lập bản đồ lúa theo thời gian gieo cấy, mùa vụ và tổng thể. Nghiên cứu bắt đầu bằng việc tìm hiểu cơ sở lý thuyết về viễn thám và các thuật toán học máy phổ biến cho bài toán phân lớp, như Support Vector Machine (SVM) và XGBoost. Phương pháp đề xuất bao gồm thu thập và tiền xử lý dữ liệu ảnh vệ tinh quang học Landsat 8 và ảnh radar Sentinel 1A từ nền tảng Google Earth Engine. Đối với Sentinel 1A, các bước tiền xử lý chuyên sâu như hiệu chỉnh bức xạ và địa hình được thực hiện, sau đó các đặc trưng như VV, VH, (VV-VH)/(VV+VH) và VVVH được trích xuất. Các mô hình học máy được huấn luyện và đánh giá dựa trên dữ liệu kiểm tra và thống kê, sử dụng các chỉ số như độ chính xác tổng quát (OA), Kappa và F1 Score. Kết quả thực nghiệm cho thấy dữ liệu Sentinel 1A mang lại hiệu quả phân lớp lúa vượt trội so với Landsat 8, chủ yếu nhờ vào độ phân giải không gian và thời gian cao hơn, cũng như khả năng ít bị ảnh hưởng bởi điều kiện thời tiết như mây. Cụ thể, mô hình sử dụng đặc trưng VVVH từ ảnh Sentinel 1A đạt độ chính xác cao (90.5% cho phân lớp lúa một vụ). Phương pháp này cho phép tạo ra bản đồ lúa định kỳ theo tháng với độ chính xác tăng dần từ 83.98% lên 89.1% khi tăng số lượng ảnh sử dụng, khẳng định khả năng giám sát liên tục. Nghiên cứu này cung cấp một công cụ hiệu quả cho việc theo dõi lúa, đóng góp vào việc quản lý nông nghiệp và ra quyết định ứng phó với thiên tai, đồng thời có tiềm năng mở rộng sang các loại cây trồng khác và tích hợp các phương pháp học sâu tiên tiến trong tương lai.