Luận văn Thạc sĩ Công nghệ thông tin: Nghiên cứu phương pháp trích xuất đặc trưng trên ảnh vệ tinh sử dụng các kỹ thuật học sâu

ĐẠI HỌC QUỐC GIA HÀ NỘI TRƯỜNG ĐẠI HỌC CÔNG NGHỆ

PHẠM QUANG HIỂN

NGHIÊN CỨU PHƯƠNG PHÁP TRÍCH XUẤT ĐẶC TRƯNG TRÊN

ẢNH VỆ TINH SỬ DỤNG CÁC KỸ THUẬT HỌC SÂU

LUẬN VĂN THẠC SĨ CÔNG NGHỆ THÔNG TIN Hà Nội, 10/2020

ĐẠI HỌC QUỐC GIA HÀ NỘI TRƯỜNG ĐẠI HỌC CÔNG NGHỆ

PHẠM QUANG HIỂN

NGHIÊN CỨU PHƯƠNG PHÁP TRÍCH XUẤT ĐẶC TRƯNG TRÊN

ẢNH VỆ TINH SỬ DỤNG CÁC KỸ THUẬT HỌC SÂU

Ngành: Công nghệ Thông tin

Chuyên ngành: Kỹ thuật Phần mềm

Mã số: 8480103.01

LUẬN VĂN THẠC SĨ CÔNG NGHỆ THÔNG TIN

NGƯỜI HƯỚNG DẪN KHOA HỌC

1. TS LÊ HỒNG ANH

2. PSG.TS TRƯƠNG NINH THUẬN

Hà Nội, 10/2020

LỜI CẢM ƠN

Đầu tiên, tôi xin bày tỏ lòng cảm ơn chân thành và sâu sắc nhất đến TS Lê Hồng Anh và PGS.TS Trương Ninh Thuận vì sự hướng dẫn và chỉ bảo tận tình của hai thầy trong suốt quá trình em theo học cũng như làm luận văn tốt nghiệp. Những định hướng, những lời khuyên và những kiến thức vô cùng quý giá của hai Thầy đã giúp em rất nhiều trong quá trình hoàn thành luận văn tốt nghiệp.

Tôi xin được gửi lời cảm ơn sâu sắc nhất tới các Thầy Cô trong khoa Công nghệ thông tin - trường Đại học Công Nghệ - Đại học Quốc gia Hà Nội nói chung cũng như các thầy cô trong bộ môn Công nghệ Phần mềm nói riêng đã tận tình giảng dạy, trang bị cho tôi những kiến thức quý báu trong suốt quá trình tôi học tập tại khoa. Đây cũng chính là tiền đề giúp tôi hoàn thiện luận văn thạc sỹ.

Cuối cùng, tôi cũng xin được gửi lời cảm ơn chân thành đến các anh chị em đồng nghiệp cũng như gia đình, bạn bè, người thân đã giúp đỡ tôi cả về vật chất lẫn tinh thần để tôi hoàn thành được luận văn này.

Mặc dù đã rất cố gắng nhưng luận văn chắc chắn không tránh khỏi những thiếu sót, tôi rất mong nhận được những ý kiến nhận xét và đánh giá từ phía các Thầy Cô để luận văn được hoàn thiện hơn.

Tôi xin chân thành cảm ơn!

Hà Nội, tháng 10 năm 2020

Học viên

Phạm Quang Hiển

HV: Phạm Quang Hiển

LỜI CAM ĐOAN

Tôi xin cam đoan luận văn “Nghiên cứu phương pháp trích xuất đặc trưng

trên ảnh vệ tinh sử dụng các kỹ thuật học sâu” được thực hiện dưới sự hướng dẫn

của TS Lê Hồng Anh và PGS.TS Trương Ninh Thuận. Tham khảo từ những

nghiên cứu liên quan đều được trích dẫn một cách rõ ràng trong danh mục tài liệu

tham khảo. Không có việc sao chép tài liệu, công trình nghiên cứu của người khác

mà không chỉ rõ về tài liệu tham khảo.

HV: Phạm Quang Hiển

MỤC LỤC LỜI CAM ĐOAN ....................................................................................................................... 2 MỤC LỤC .................................................................................................................................. 3 DANH MỤC CÁC KÝ HIỆU VÀ CHỮ VIẾT TẮT ................................................................ 4 DANH MỤC CÁC BẢNG ......................................................................................................... 5 DANH MỤC CÁC HÌNH VẼ, ĐỒ THỊ .................................................................................... 6 CHƯƠNG 1. GIỚI THIỆU ........................................................................................................ 1

1.1. Tính cấp thiết và lý do chọn đề tài ...................................................................................... 1

1.2. Mục tiêu và phạm vi nghiên cứu ......................................................................................... 2

1.3. Nội dung nghiên cứu ........................................................................................................... 3

1.4. Cấu trúc luận văn ................................................................................................................ 4 CHƯƠNG 2. CÁC KIẾN THỨC VÀ CÔNG NGHỆ NỀN TẢNG .......................................... 5

2.1. Ảnh vệ tinh Sentinel-2 ........................................................................................................ 5 2.2.1. Thiết kế kỹ thuật của vệ tinh Sentinel-2 ........................................................................... 5 2.2.2. Thiết kế kỹ thuật bộ cảm MSI trên vệ tinh Sentinel-2 ...................................................... 6 2.2.3. Thiết kế khả năng lấy mẫu của bộ cảm quang phổ MSI ................................................... 8 2.2.4. Khả năng cung cấp thông tin các dải phổ trong giám sát rừng ....................................... 11

2.2. Thư viện Eo-Learn ............................................................................................................ 11

2.3. Phần mềm Envi ................................................................................................................. 13 CHƯƠNG 3. MÔ HÌNH MẠNG NƠRON TÍCH CHẬP TRÍCH XUẤT LỚP PHỦ THỰC VẬT TỪ ẢNH VỆ TINH SENTINEL .................................................................................... 19

3.1. Giới thiệu về học sâu ......................................................................................................... 19

3.2. Mạng nơ-ron tích chập (Convolutional neural network) .................................................. 22 3.1.1. Kiến trúc ......................................................................................................................... 22 3.1.2. Các siêu tham số của bộ lọc (hyper-parameter) .............................................................. 25 3.1.3. Điều chỉnh các siêu tham số ........................................................................................... 26 3.1.4. Những kiến trúc sử dụng thủ thuật tính toán .................................................................. 27

3.3. Unet .................................................................................................................................. 28

3.4. Trích xuất lớp phủ thực vật sử dụng EO-learn .................................................................. 29 3.3.1. Độ phủ thực vật ............................................................................................................... 29 3.3.2. Quy trình xử lý ................................................................................................................ 31 Chương 4: THỰC NGHIỆM .................................................................................................... 36

4.1. Vùng thực nghiệm ............................................................................................................. 36

4.2. Kết quả thực nghiệm ......................................................................................................... 38 4.2.1. Kết quả chạy thực nghiệm của đề tài .............................................................................. 38 4.2.2. So sánh kết quả thực nghiệm với phần mềm Envi .......................................................... 40 Chương 5. KẾT LUẬN ............................................................................................................ 41 TÀI LIỆU THAM KHẢO ........................................................................................................ 43 PHỤ LỤC ................................................................................................................................. 45

HV: Phạm Quang Hiển

DANH MỤC CÁC KÝ HIỆU VÀ CHỮ VIẾT TẮT

Viết tắt Giải thích

RGB Tổ hợp màu Red, Green, Blue

AOI Area-of-interest

CNNs Convolutional neural network

DL Deep Learning (Học sâu)

PNR Vườn tự nhiên cấp vùng

EU European

RNN Recurrent Neural Network

LSTM Long Short-Term Memory

GRU Gated Recurrent Unit

CNN Convolutional Neural Network

DBN Deep Belief Network

DSN Deep Stacking Network

HV: Phạm Quang Hiển

DANH MỤC CÁC BẢNG

Bảng 2.1: Đặc tính kỹ thuật của hệ thống Sentinel-2 ................................................................. 5 Bảng 2.2: Bước sóng của các kênh phổ và các ứng dụng của dữ liệu Sentinel-2 ...................... 9 Bảng 2.3: EO tasks Core .......................................................................................................... 45 Bảng 2.4: EO tasks Coregistration ........................................................................................... 45 Bảng 2.5: EO tasks Features .................................................................................................... 46 Bảng 2.6: EO tasks Geometry .................................................................................................. 48 Bảng 2.7: EO tasks Io ............................................................................................................... 48 Bảng 2.8: EO tasks Mask ......................................................................................................... 50 Bảng 2.9: EO tasks ml_tools .................................................................................................... 50

Bảng 4.1: Bảng so sánh các bước và kết quả xử lý ảnh vệ tinh giữa phần mềm envi và hệ thống sử dụng Unet và Eo-Learn ....................................................................................................... 40

HV: Phạm Quang Hiển

DANH MỤC CÁC HÌNH VẼ, ĐỒ THỊ

Hình 2.1: Dải phổ và độ phân giải không gian của các dữ liệu Sentinel-2 .............................. 10 Hình 2.2: Ví dụ về quy trình xử lý ảnh của thư viện Eo-Learn ................................................ 12 Hình 2.3: Xử lý ảnh với Mô-đun Rigorous Orthorectification ................................................ 14 Hình 2.4: Xử lý ảnh với Mô-đun Envi Feature Extraction ...................................................... 15 Hình 2.5: Xử lý ảnh với Mô-đun Envi Dem ............................................................................ 15 Hình 2.6: Xử lý ảnh với Mô-đun Envi Atmospheric Correction module ................................ 16 Hình 2.7: Xử lý ảnh với Mô-đun Envi NITF [6] ...................................................................... 16 Hình 2.8: Xử lý ảnh với sản phẩm chuyên dụng Envi Lidar .................................................... 17 Hình 2.9: Xử lý ảnh với sản phẩm chuyên dụng Envi SARScape ........................................... 17 Hình 2.10: Quy trình xử lý ảnh với phần mềm Envi ................................................................ 18 Hình 3.1: Mối quan hệ giữa AI, Machine Learning và Deep Learning ................................... 20 Hình 3.2: Các thành phần trong kiến trúc truyền thống của CNN ........................................... 22 Hình 3.3: Minh hoạ tích chập (Convolution) ........................................................................... 23 Hình 3.4: Làm mờ ảnh bằng cách lấy giá trị trung bình các điểm ảnh lân cận ........................ 23 Hình 3.5: Phát hiện biên cạnh bằng cách tính vi phân ............................................................. 23 Hình 3.6: Ví dụ minh hoạ lấy giá trị lớn nhất (Max pooling) .................................................. 24 Hình 3.7: Ví dụ minh hoạ lấy giá trị trung bình (Average pooling) ........................................ 24 Hình 3.8: Minh hoạ về kết nối đầy đủ (Fully connected) trong CNNs .................................... 25 Hình 3.9: Minh hoạ các chiều của bộ lọc ................................................................................. 25 Hình 3.10: Minh hoạ về độ trượt (Stride) ................................................................................ 25 Hình 3. 11: Minh hoạ tính tương thích của các tham số trong tích chập ................................. 26 Hình 3.12: Ví dụ minh hoạ về GAN ........................................................................................ 27 Hình 3. 13: Minh hoạ về phương thức kết nối tắt (Skip connections) ..................................... 27 Hình 3.14: Kiến trúc mạng U-net ............................................................................................. 29 Hình 3. 15: Chọn vùng tải ảnh vệ tinh ..................................................................................... 31 Hình 3.16: Cấu trúc file Geojson của vùng chọn tải ảnh vệ tinh ............................................. 32 Hình 3.17: đăng ký tài khoản trên Sentinel-hub để tải ảnh vệ tinh .......................................... 33 Hình 3.18: Cấu hình các thông số trên Sentinel-hub để tải dữ liệu ảnh vệ tinh ....................... 33 Hình 3.19: Cấu hình tính chỉ số NDVI Json file ...................................................................... 34 Hình 3.20: Json file cấu hình tính chỉ số NDVI trên Sentinel-hub .......................................... 34 Hình 3.21: Cấu hình các thông số phía Client để tải ảnh vệ tinh ............................................. 34 Hình 3.22: Quy trình xử lý ảnh vệ tinh với mô hình Unet và thư viện Eo-learn ..................... 35 Hình 4.1: Ma trận độ chính xác của mô hình (Confusion matrix) ........................................... 39 Hình 4.2: Ma trận độ chính xác giữa hệ thống (trái, ~ 84,5%) và phần mềm ENVI (phải, ~ 87,1%) khi thử nghiệm với cùng bộ dữ liệu ............................................................................. 40

HV: Phạm Quang Hiển

1

CHƯƠNG 1. GIỚI THIỆU

1.1. Tính cấp thiết và lý do chọn đề tài

Năm 1943 là giai đoạn manh nha ý tưởng về trí tuệ nhân tạo, trải qua các giai đoạn hình thành và phát triển đến nay trí tuệ nhân tạo ngoài việc trở thành lĩnh vực nghiên cứu chủ chốt ở các viện nghiên cứu và trường đại học, việc ứng dụng trí tuệ nhân tạo vào các lĩnh vực khoa học, kỹ thuật, sản xuất đã trở nên vô cùng khả thi. Từ các ứng dụng học tiếng anh, phân tích dữ liệu, vận hành hệ thống sản xuất, xe tự hành, y tế, nông lâm nghiệp … đều có ứng dụng của trí tuệ nhân tạo, nhằm nâng cao hiệu suất cũng như kết quả hoạt động nhằm phục vụ nhu cầu của con người ngày một tốt hơn. Trí tuệ nhân tạo đã góp phần giải quyết những bài toán với quy mô lớn, những việc mà trước đây với sức người không thể hoặc rất khó khăn để giải quyết.

Đi cùng với giai đoạn phát triển của trí tuệ nhân tạo, lĩnh vực nghiên cứu khoa học vũ trụ cũng được phát triển hết sức mạnh mẽ, năm 1957 Liên Xô đã phóng thành công vệ tinh Sputnik 1 lên không gian, cho đến nay đã có hàng trăm vệ tinh hoạt động trên không gian, với nhiệm vụ thu thập dữ liệu viễn thám để phục vụ nhu cầu nghiên cứu khoa học.

Nguyên lý hoạt động của viễn thám là nhờ vào sự phản xạ bề mặt của các vật thể, đối tượng trên bề mặt Trái Đất sử dụng các dải phổ hoặc nguồn năng lượng khác nhau. Do đó, mỗi loại bề mặt có kết cấu đặc trưng khác nhau sẽ phản xạ/ tán xạ lại những giá trị khác nhau. Đối với mỗi nguồn năng lượng khác nhau, dữ liệu viễn thám lại mang các đặc trưng riêng. Tín hiệu phản xạ lại từ các bề mặt lớp phủ trên Trái Đất sau đó được thu thập và xử lý tại các trạm thu dữ liệu ảnh vệ tinh để sử dụng nghiên cứu cho các miền ứng dụng khác nhau. [1]

Với sự phát triển mạnh mẽ của khoa học, các loại ảnh viễn thám thông dụng như Modis, Landsat 8, Spot 5, Venus, Sentinel 2A… đã được sử dụng trong nhiều lĩnh vực như:

- Khí tượng: dùng để dự báo thời tiết, dự báo thiên tai liên quan đến biến

đổi nhiệt độ bề mặt đất, mây...

- Bản đồ: là công cụ đắc lực phục vụ cho ngành bản đồ, thành lập các loại

bản đồ địa hình và bản đồ chuyên đề ở nhiều tỉ khác nhau.

- Nông-Lâm nghiệp: theo dõi mức độ biến đổi thảm phủ thực vật, độ che

phủ rừng...

- Địa chất: Theo dõi tốc độ sa mạc hoá, tốc độ xâm thực bờ biển, phân tích những cấu trúc địa chất trên mặt cũng như bên trong lòng đất (vỏ trái đất)...

HV: Phạm Quang Hiển

2

- Môi trường: Giám sát biến động ô nhiễm, rò rỉ dầu trên mặt (thông qua chỉ thị thực vật), nghiên cứu quản lý biến động đô thị hóa, nghiên cứu hiện tượng đảo nhiệt đô thị...

Thảm thực vật đóng vai trò quan trọng trong việc duy trì tính đa dạng sinh học của hệ sinh thái. Lớp phủ rừng ảnh hưởng tới sự sinh tồn của các loài sinh vật quý hiếm, những loài đóng vai trò quan trọng trong hệ sinh thái, theo thời gian, dưới sự tác động của tự nhiên và con người, lớp phủ thực vật sẽ có những thay đổi nhất định.

Ngày nay với sự phát triển mạnh mẽ của công nghệ và Internet, việc sử dụng công nghệ viễn thám trong các bài toán giám sát, quan trắc các loại bề mặt lớp phủ trên trái đất nói chung và giám sát lớp phủ thực vật nói riêng đã được áp dụng rất phổ biến và rộng rãi. Công nghệ Viễn thám và hệ thông tin địa lý (GIS – Geographical Information System) được ứng dụng nhiều trong nghiên cứu, điều tra xây dựng bản đồ lớp phủ thực vật. Ứng dụng công nghệ này trong việc nghiên cứu đánh giá biến động lớp phủ thực vât đảm bảo tính khách quan, độ chính xác cao, tiết kiệm thời gian.

Tuy nhiên, trong vài năm gần đây với sự bùng nổ của trí tuệ nhân tạo (AI - Artificial Intelligence), đã đưa việc áp dụng công nghệ vào mọi mặt trong đời sống xã hội lên một tầm cao mới. Với việc áp dụng các kỹ thuật học sâu (DL – Deep Learning) vào công nghệ viễn thám, đã giúp cho chúng ta giải quyết được rất nhiều bài toán khó khăn, mà đối với các công nghệ trước đây phải mất rất nhiều thời gian mới có thể xử lý được.

Chính vì lý do trên, dưới sự hướng dẫn của TS Lê Hồng Anh và PSG.TS Trương Ninh Thuận tôi đã lựa chọn đề tài “Nghiên cứu phương pháp trích xuất đặc trưng trên ảnh vệ tinh sử dụng các kỹ thuật học sâu”, áp dụng trong việc trích xuất đặc trưng ảnh vệ tinh nhằm giám sát lớp phủ thực vật, hỗ trợ cho công tác quản lý nông nghiệp và lâm nghiệp ở Việt Nam. 1.2. Mục tiêu và phạm vi nghiên cứu

Thảm thực vật có vai trò rất quan trọng đối với cuộc sống của con người cũng như môi trường như: cung cấp nguồn gỗ, điều hòa không khí, tạo ra oxy, là nơi cư trú động thực vật, ngăn chặn gió bão, chống xói mòn đất, đảm bảo cho sự sống, hạn chế biến đổi khí hậu…

Chính vì thế việc giám sát lớp phủ thực vật là điều vô cùng quan trọng. Có rất nhiều nguyên nhân ảnh hưởng đến sự biến đổi lớp phủ thực vật như: khai thác trái phép, đốt nương làm rẫy, cháy rừng… làm cho việc giám sát lớp phủ thực vật trở nên hết sức khó khăn. Với công nghệ phát triển, việc ứng dụng công nghệ thông tin vào việc giảm sát lớp phủ thực vật là nhu cầu vô cùng cấp thiết.

HV: Phạm Quang Hiển

3

Để xử lý vấn đề này, các phần mềm chuyên dụng được phát triển, kết hợp với dữ liệu viễn thám nhằm trích xuất đặc trưng của ảnh vệ tinh để giám sát lớp phủ thực vật, giúp cho công tác quản lý rừng trở nên dễ dàng hơn. Các phần mềm này hỗ trợ người dùng tương đối đầy đủ các tính năng để xử lý ảnh vệ tinh nhưng đòi hỏi người dùng phải có chuyên môn cao về viễn thám và xử lý ảnh vệ tinh, đồng thời việc xử lý nhiều dữ liệu mất tương đối nhiều thời gian.

Chính vì những lý do trên, mục tiêu của luận văn là nghiên cứu và ứng dụng các kỹ thuật học sâu trong việc trích xuất đặc trưng ảnh vệ tinh nhằm giám sát lớp phủ thực vật, áp dụng trên phạm vi tỉnh Cao Bằng. Trọng phạm vi luận văn này sẽ tập trung nghiên cứu về mô hình mạng Nơ-ron phức hợp U-Net để tiến hành giám sát lớp phủ thực vật của tỉnh Cao Bằng dựa trên dữ liệu ảnh vệ tinh Sentinel- 2. Giúp nâng cao hiệu quả trong công tác giám sát lớp phủ thực vật nói chung cũng như giám sát lớp phủ rừng nói riêng, cải thiện năng suất làm việc so với việc sử dụng các công nghệ cũ. 1.3. Nội dung nghiên cứu

Để đạt được mục tiêu trên, tác giả đã nghiên cứu về các nội dung chính sau: Dữ liệu viễn thám: Là dữ liệu ảnh thu được từ các bộ cảm đặt trên mặt đất, máy bay hoặc vệ tinh. Dữ liệu ảnh có thể ở dạng ảnh tương tự hoặc ảnh số. Với công nghệ hiện nay, ảnh vệ tinh được cung cấp và sử dụng một cách phổ biến, có thể kể đến ảnh của các vệ tinh Spot, AVNIR, Landsat TM, Landsat ETM, Moss- 1, Modis, GLI, Sentinel… Trong đó, Ảnh vệ tinh Sentinel-2 với ưu điểm về độ phân giải cao được ứng dụng trong nông nghiệp, lâm nghiệp nhằm giám sát thực vật và rừng, giám sát sự thay đổi của độ che phủ thực vật…

Kỹ thuật học sâu: học máy dựa trên một tập hợp các thuật toán để cố gắng mô hình dữ liệu trừu tượng hóa ở mức cao bằng cách sử dụng nhiều lớp xử lý với cấu trúc phức tạp, hoặc bằng cách khác bao gồm nhiều biến đổi phi tuyến. Học sâu bao gồm nhiều kiến trúc như mạng neuron tích chập sâu, mạng neuron sâu, mạng niềm tin sâu và mạng neuron tái. Trong phạm vi nghiên cứu của luận văn, tác giả tập trung nghiên cứu về mạng neural tích chập (CNNs), sử dụng làm nền tảng để tiến hành xây dựng kiến trúc U-Net kết hợp với thư viện Eo-Learn phục vụ cho việc trích xuất các đặc trưng của ảnh vệ tinh.

Thư viện EO-Learn: là một tập hợp các gói mã nguồn mở được viết bằng ngôn ngữ python, hỗ trợ rất tốt trong việc xử lý và khai thác dữ liệu có giá trị của ảnh vệ tinh. Eo-Learn bao gồm 8 gói: Eo-learn-core (thực hiện các khối xây dựng cơ bản), Eo-learn-coregistration (xử lý đồng đăng ký hình ảnh), Eo-learn- features (trích xuất thuộc tính dữ liệu và thao tác với tính năng), Eo-learn- geometry (dùng để biến đổi hình học và chuyển đổi giữa dữ liệu vectơ và dữ liệu

HV: Phạm Quang Hiển

4

raster), Eo-learn-io (đầu vào / đầu ra liên quan đến việc lấy dữ liệu), Eo-learn- mask (sử dụng để che dữ liệu và tính toán mặt nạ đám mây), Eo-learn-ml-tools (các công cụ của Eo-Learn), Eo-learn-visualization (trực quan hóa các yếu tố cốt lõi của eo-learn) 1.4. Cấu trúc luận văn

Trong khuôn khổ luận văn, tác giả đã trình bày những khái niệm tổng quan về lớp phủ rừng, dữ liệu viễn thám, ảnh vệ tinh sentinel-2, kỹ thuật học sâu và các kiến trúc mạng nơ-ron tích chập. Trình bày về việc tải dữ liệu ảnh vệ tinh, xây dựng mô hình U-net để thực hiện ứng dụng kỹ thuật học sâu trong việc trích xuất đặc trưng ảnh vệ tinh nhằm tính toán lớp phủ rừng áp dụng tại tỉnh Cao Bằng. Tác giả đã so sánh kết quả của mô hình so với kết quả xử lý ảnh vệ tinh trên phần mềm chuyên dụng Envi. Luận văn được trình bày trong 5 chương:

Chương 1: Giới thiệu: tác giả trình bày về tính cấp thiết của đề tài, mục tiêu và phạm vi nghiên cứu của đề tài, các nội dung nghiên cũng như cấu trúc của luận văn

Chương 2: Các kiến thức và công nghệ nền tảng: tác giả trình bày về các kiến thức nền tảng thực hiện đề tài như các kỹ thuật học sâu, ảnh vệ tinh, thư viện Eo-Learn, phần mềm Envi

Chương 3: Mô hình mạng Nơron tích chập trích xuất lớp phủ thực vật từ ảnh vệ tinh Sentinel: tác giả trình bày việc xây dựng mạng nơ-ron tích chập với kiến trúc U-net để tiến hành trích xuất lớp phủ thực vật. Ngoài ra tác giả cũng giới thiệu một số chỉ số giúp tính toán lớp phủ thực vật và quy trình xử lý của bài toán với thư viện Eo- Learn

Chương 4: Thực nghiệm: Tác giả giới thiệu về vùng thực nghiệm, các kết quả thực nghiệm cũng như so sánh ưu nhược điểm so với phần mềm Envi

Chương 5: Kết luận: Tác giả trình bày về vai trò về nghiên cứu trong luận văn, các kết quả đạt được, các điểm hạn chế cũng như hướng phát triển tiếp theo của luận văn.

HV: Phạm Quang Hiển

5 CHƯƠNG 2. CÁC KIẾN THỨC VÀ CÔNG NGHỆ NỀN TẢNG

2.1. Ảnh vệ tinh Sentinel-2 2.2.1. Thiết kế kỹ thuật của vệ tinh Sentinel-2

Vệ tinh Sentinel-2 được thiết kế là một cặp vệ tinh song sinh gắn thiết bị thu ảnh đa phổ tiếp nối việc cung cấp dữ liệu vệ tinh phục vụ giám sát tài nguyên thiên nhiên của các dòng vệ tinh LANDSAT và SPOT thực hiện. Hai vệ tinh được thiết kế bay ở độ cao 786 km trong quỹ đạo đồng bộ mặt trời, được thiết kế phân pha ở 180° trên các mặt đối diện của quỹ đạo nên tấp suất chụp lặp của 2 vệ tinh rât cao, là 5 ngày.

Vệ tinh Sentinel-2 được thiết kế tiên tiến dựa trên các nền tảng mới do tập đoàn Astrium GmbH phát triển có thừa hưởng kinh nghiệm mà EADS-Astrium từ việc chế tạo các vệ tinh ESA trước đây. Mỗi vệ tinh Sentinel-2 nặng khoảng 1,2 tấn, với tuổi thọ 7,25 bao gồm giai đoạn vận hành trên quỹ đạo. Vị trí của mỗi vệ tinh Sentinel-2 được xác định trên quỹ đạo bằng thiết bị GNSS để đảm bảo việc chính xác của quỹ đạo bay, hệ thống Sentinel-2 bao gồm:

- Trạm vận hành hướng bay để điều khiển, giám sát và lập lệnh cho vệ tinh; - Trạm mặt đất quản lý trữ lượng dữ liệu lưu trên vệ tinh để lập lịch quét, tải dữ liệu thu nhận, xử lý, lưu trữ, phân phối và kiểm soát chất lượng; - Mạng lưới các trạm băng tần S và X cho phép liên lạc với vệ tinh từ 4 trạm

mặt đất Kiruna, Svalbard, Mas Palomas và Prince Albert.

Ở chế độ bình thường, vệ tinh hoạt động thu ảnh có tính hệ thống với chu kỳ 10 ngày. Tuy nhiên, trong trường hợp khẩn cấp vệ tinh có thể thu nhận dữ liệu và cung cấp cho người sử dụng trong vòng 3 giờ đồng hồ sau khi thu nhận.

Bảng 2.1: Đặc tính kỹ thuật của hệ thống Sentinel-2

Đặc điểm hệ thống vệ tinh Thông tin

Tính liên tục Cần 4 vệ tinh hoạt động trong chu kỳ 15 năm

Các trạm mặt đất Ở Italia, Nauy, Tây Ban Nha, Alaska (Mỹ)

Độ tin cậy 0.7

Độ sẵn có 97%

<20m Định vị không có điểm khống chế GCP

Độ rộng dải quét 290 km

Phương thức hoạt động Tiêu chuẩn, mở rộng, hỗ trợ, an toàn

Thời lượng chụp ảnh tối đa 32 phút mỗi 100 phút trong quỹ đạo

HV: Phạm Quang Hiển

6

Sự kết hợp giữa dải quét rộng và yêu cầu thu nhận dữ liệu toàn cầu liên tục với tần suất chụp lặp cao dẫn đến việc Sentinel -2 tạo ra khoảng 1,6 TBytes dữ liệu hình ảnh thô được nén mỗi ngày. Điều này có nghĩa tốc độ cung cấp dữ liệu thô trung bình liên tục là 160 Mbit/s, với khả năng lưu trữ bộ nhớ là 2,4 Tbits. Dữ liệu được nén bằng thuật toán nén đa độ phân giải dựa trên sự phân tách sóng. Chức năng này hoạt động trong thời gian thực đem lại tốc độ truyền ổn định với tỷ lệ nén được tối ưu hóa cho từng kênh phổ để đảm bảo chất lượng ảnh.

Vệ tinh Sentinel-2 phóng lên vũ trụ mang nhiệm vụ cung cấp tính liên tục cho các dịch vụ giám sát trái đất bằng dữ liệu quang học độ phân giải không gian cao. Bộ cảm quang học trên vệ tinh được thiết kế cải tiến để cung cấp ảnh ở 13 kênh phổ từ dải nhìn thấy, cận hồng ngoại và hồng ngoại sóng ngắn. Thiết bị đa phổ MSI cung cấp ảnh từ bước sóng 443nm đến 2190nm và chụp bề mặt đất toàn cầu một cách có hệ thống từ 560 Nam đến 840 Bắc. Dữ liệu ảnh Sentinel-2 cung cấp 3 loại độ phân giải không gian gồm: Độ phân giải 10 m ở 4 kênh từ dải hồng ngoại nhìn thấy và cận hồng ngoại; 20 m ở 6 kênh từ dải viền đỏ và cận hồng ngoại; 3 kênh độ phân giải 60 m dùng để hiệu chỉnh khí quyển. Sentinel-2 cũng được thiết kế để quay ống kính đến ± 20,60 dọc theo dải quét để phục vụ các yêu cầu khẩn cấp. Tín hiệu được truyền đến các trạm mặt đất lõi của Sentinel và thông qua liên kết laser của EDRS.

Từ khía cạnh quan sát Trái đất, các nhà nghiên cứu luôn mong muốn có thể sử dụng nguồn dữ liệu mở và miễn phí như các dòng vệ tinh Landsat và Sentinel. Do đó, khi kết hợp ảnh các vệ tinh Landsat 5-8 với dữ liệu ảnh Sentinel-2 sẽ đạt tần suất chụp lặp 3 ngày tại một điểm trên mặt đất. Do đó, dữ liệu Sentinel-2 có thể mang lại kết quả mong muốn nếu áp dụng phương pháp phù hợp.

2.2.2. Thiết kế kỹ thuật bộ cảm MSI trên vệ tinh Sentinel-2

Bộ cảm MSI trên vệ tinh Sentinel-2 còn có các cải tiến rất lớn so với bộ cảm OLI trên vệ tinh LandSat 8 như: việc thu hẹp độ rộng dải phổ của Sentinel-2 làm hạn chế ảnh hưởng của các thành phần khí quyển, bao gồm cả hơi nước. Kênh 8A của Sentinel được thu hẹp dải phổ ở bước sóng 865 nm trong vùng cận hồng ngoại để tránh ảnh hưởng từ hơi nước nhưng vẫn có khả năng thể hiện được những vùng có giá trị phổ bằng phẳng, đặc biệt là ở dải phổ cận hồng ngoại cho thảm thực vật tuy nhiên vẫn nhạy cảm với hàm lượng oxit sắt trong đất. Dải phổ 443 nm cũng được sử dụng trong các nhiệm vụ như: tính toán Chỉ số thực vật toàn cầu ENVISAT MERIS (MGVI) và trong hiệu chỉnh khí quyển cho đầu thu MODIS của Cơ quan Hàng không và Vũ trụ Hoa Kỳ.

HV: Phạm Quang Hiển

7

Độ phân giải không gian và thời gian đang là ưu điểm vượt trội của của thế hệ vệ tinh quan học Sentinel-2. Một trong những đặc tính vượt trội của Sentinel 2 và Landsat 8 là có cùng dải phổ từ 400nm – 2300nm tuy số lượng băng phổ khác nhau, 13 băng phổ của ảnh Sentinel 2 so với 9 băng phổ của ảnh Landsat 8. Điều này được giải thích chủ yếu do khả năng đâm xuyên vào môi trường nước của các băng phổ khác nhau. Theo mức năng lượng của chúng thì khả năng bị hấp thụ tăng dần từ bước sóng 400nm đến bị hấp thụ gần như hoàn toàn ở bước sóng 900nm. Băng xanh blue có thể đi sâu tối đa 15m, băng xanh (green) xuyên được tối đa 10m và chỉ 5m đối với băng đỏ. Từ đó có thể thấy, cả ảnh Landsat 8 và Sentinel 2 đều chứa các băng phổ có bước sóng phù hợp đối với các nhiệm vụ đánh giá biến động nguồn lợi hoặc chất lượng nước vùng ven bờ, đầm phá, sông. Đối với ứng dụng theo dõi diễn biến rừng, một trong những phương pháp triển vọng hiện nay đáp ứng được yêu cầu cập nhật bản đồ hiện trạng rừng là ứng dụng công nghệ viễn thám để xác định khu vực tăng/giảm rừng đến từng lô kiểm kê theo thời gian. Tuy nhiên, để ứng dụng công nghệ này, việc lựa chọn tư liệu ảnh phù hợp là vấn đề đặt ra. Các loại ảnh có độ phân giải không gian cao (dưới 10 m) thường có giá thành tương đối đắt. Bên cạnh đó, nếu thực hiện trên khu vực rộng, sẽ cần dung lượng lưu trữ dữ liệu, thời gian để xử lý ảnh và yêu cầu về cấu hình phần cứng, phần mềm cho xử lý ảnh rất lớn. Do đó, để áp dụng trên phạm vi cả nước là không khả thi.

Các loại ảnh có độ phân giải không gian thấp (>250 m) như: MODIS, NOAA, MERIS... một pixel ảnh có thể lớn hơn nhiều so với một lô kiểm kê, nên không phù hợp với hệ thống giám sát rừng ở quy mô địa phương. Từ đó, các loại ảnh vệ tinh có độ phân giải trung bình (10 - 30 m), được cung cấp miễn phí như Landsat-8, Sentinel-2 tỏ ra có nhiều ưu điểm và triển vọng để giám sát sự thay đổi độ che phủ rừng ở quy mô địa phương. Để đáp ứng các yêu cầu: phù hợp cho giám sát sự thay đổi độ che phủ rừng ở quy mô địa phương và độ phân giải không gian cao nhất có thể, ảnh vệ tinh Landsat-8 OLI và Sentinel-2 là 2 loại ảnh có tiềm năng nhất. Sự tương đồng về mối quan hệ phổ giữa ảnh Sentinel 2 và Landsat 8 sẽ làm tăng giá trị sử dụng khi kết hợp cả hai nguồn ảnh vào các nghiên cứu về mặt đất, bao gồm theo dõi diễn biến rừng.

Từ khía cạnh quan sát Trái đất, các nhà nghiên cứu luôn mong muốn có thể sử dụng nguồn dữ liệu mở và miễn phí như các dòng vệ tinh Landsat và Sentinel. Như đã đề cập ở trên, khi kết hợp ảnh các vệ tinh Landsat 5-8 với bộ cảm dòng vệ tinh Sentinel, ở đây là Sentinel-2 sẽ đạt tần suất chụp lặp 3 ngày tại một điểm trên mặt đất. Mặc dù các đầu thu này có độ phân giải không gian ở mức trung bình (30m đối với Landsat và 10m đối với Sentinel-2) khi so sánh với các dữ liệu

HV: Phạm Quang Hiển

8

ảnh khác như Quickbird (0.6m) hoặc WorldView (0.5m) nhưng vẫn có thể mang lại kết quả mong muốn nếu áp dụng phương pháp phù hợp.

Hiện nay, ảnh vệ tinh đa phổ Sentinel-2 và Landsat 8 OLI được đặc biệt quan tâm không chỉ bởi các tính năng kỹ thuật mà còn ở chu kỳ chụp lặp của chúng. Nếu hoạt động độc lập, Landsat chỉ chụp lặp ảnh 16 ngày/lần thay vì 5 ngày như Sentinel-2. Từ năm 2017, khi vệ tinh Sentinel-2B được phóng lên quỹ đạo và hoạt động ổn định, kết hợp với Landsat 8 OLI thì thế giới được cung cấp ảnh quang học độ phân giải cao với chu kỳ 3 ngày và được phân phối miễn phí trên toàn cầu.

2.2.3. Thiết kế khả năng lấy mẫu của bộ cảm quang phổ MSI

Như chúng ta đã biết Sentinel-2 có nhiệm vụ cung cấp tính liên tục cho các dịch vụ quan sát dựa trên các quan sát quang học có độ phân giải không gian cao và đa phổ trên bề mặt trên mặt đất toàn cầu. Bộ cảm MSI trên vệ tinh Sentinel-2 được thiết kế để mang dụng cụ quang học lấy mẫu ở 13 dải quang phổ kéo dài từ dải nhìn thấy, cận hồng ngoại và hồng ngoại sóng ngắn và độ phân giải không gian thay đổi từ 10 m đến 60 m tùy thuộc vào dải quang phổ với trường quan sát dài 290 km. Bộ cảm MSI trên vệ tinh Sentinel-2 còn có các cải tiến so với bộ cảm thu nhận ảnh mặt đât của vệ tinh quang học LandSAT như sau:

- Dải phổ cận hồng ngoại gốc của ảnh vệ tinh LandSAT (760-900nm) bị ảnh hưởng nặng bởi hơi nước và không đủ nhạy đối với các tham số như hàm lượng oxit sắt trong đất. Do đó, việc thu hẹp độ rộng dải phổ của Sentinel-2 làm hạn chế ảnh hưởng của các thành phần khí quyển, bao gồm cả hơi nước.Độ hẹp của dải phổ 8A ở bước sóng 865 nm trong vùng cận hồng ngoại được thiết kế để tránh ảnh hưởng từ hơi nước nhưng vẫn có khả năng thể hiện được những vùng có giá trị phổ đặc trưng bằng phẳng (plateau), đặc biệt là ở dải dải phổ cận hồng ngoại cho thảm thực vật tuy nhiên vẫn đủ để nhạy cảm với hàm lượng oxit sắt trong đất. - Hiệu chỉnh sol khí chính xác dữ liệu thu nhận trong cấu hình Sentinel-2 được thiết kể bao gồm cả dải phổ trong vùng xanh lam ở bước sóng 443 nm (Kênh 1). Dải phổ 443 nm cũng được sử dụng trong các nhiệm vụ như: tính toán Chỉ số thực vật toàn cầu ENVISAT MERIS (MGVI) và trong hiệu chỉnh khí quyển cho đầu thu MODIS của Cơ quan Hàng không và Vũ trụ Hoa Kỳ.

- Hiệu chỉnh dữ liệu đối với các đám mây voan mỏng có thể được thực hiện bằng cách sử dụng thông tin của dải phổ cận hồng ngoại. Do tác động tiềm tàng của các đám mây voan mỏng này đối với các giá trị phản xạ cũng như việc sử dụng nó như một chỉ số trong dự báo thời tiết và vai trò của nó trong bẫy bức xạ tới của mặt trời, vì vậy, sự xuất hiện của đám

HV: Phạm Quang Hiển

9

mây cần được chỉ rõ. Việc đầu thu đa phổ của Sentinel-2có thêm một dải quang phổ ở bước sóng 1375 nm, Kênh 10, có thể phát hiện được những đám mây li ti là để phát hiện được mây này.

Độ phân giải không gian thể hiện ở các kênh phổ như sau: dải nhìn thấy và cận hồng ngoại có độ phân giải không gian là 10 mét; các dải viền đỏ (dải đỏ và gần hồng ngoại) và hai dải hồng ngoại sóng ngắn có độ phân giải không gian 20 mét; dải hơi nước và mật độ mây phục vụ quan sát ven biển có độ phân giải không gian là 60 mét. Bảng 2.2 dưới đây mô tả cụ thể các bước sóng của kênh phổ của dữ liệu ảnh vệ tinh Sentinel-2 [9].

Ứng dụng của kênh phổ Độ phân giải Kênh phổ Số kênh

Bảng 2.2: Bước sóng của các kênh phổ và các ứng dụng của dữ liệu Sentinel-2 Độ rộng kênh phổ (nm) 20 Bước sóng trung tâm (nm) 443 Hiệu chỉnh Sol khí 60 B1

490 65 10

Hiệu chỉnh Sol khí và đo đạc đất đai B2

560 35 10 Đo đạc đất đai B3

665 30 10 Đo đạc đất đai B4

705 15 20 Đo đạc đất đai B5

740 15 20 Đo đạc đất đai B6

783 20 20 Đo đạc đất đai VNIR B7

842 115 10

Hiệu chỉnh hơi nước vàđo đạc đất đai B8

865 20 20

Hiệu chỉnh hơi nước và đo đạc đất đai B8a

945 20 60

Hiệu chỉnh hơi nước B9

1380 20 60 Hiện chỉnh mây ti. B10

1610 90 20 Đo đạc đất đai B11 SWIR 2190 180 20

B12 Hiệu chỉnh Sol khí và đo đạc đất đai

HV: Phạm Quang Hiển

10

Với 13 dải quang phổ trải dài từ nhìn thấy và cận hồng ngoại đến hồng ngoại sóng ngắn ở độ phân giải không gian khác nhau từ trong khoảng 10 đến 60 m. Bốn kênh phổ ở độ phân giải không gian 10m đáp ứng yêu cầu của người sử dụng cho cho mục đích giám sát độ che phủ đất trên toàn cầu và đảm bảo các khả năng tương thích với dữ liệu vệ tinh SPOT 4 và 5, landsat 8. Sáu kênh phổ ở độ phân giải không gian 20m dùng chung cho mục đích đo đạc đất đai và hiệu chỉnh. Riêng ba kênh phổ có độ phân giải không gian 60m chủ yếu dành riêng cho hiệu chỉnh khí quyển và sàng lọc trên đám mây, 443nm để thu hồi sol khí, 940nmđể điều chỉnh hơi nước và 1375nm cho phát hiện đám mây voan mỏng. Độ phân giải 60 m được coi là đủ để nắm bắt sự thay đổi không gian của thông số địa vật lý khí quyển. Hình 2.1 dưới dây mô tả giải phổ và độ phân giải không gian của dữ liệu ảnh Sentinel-2 [4].

Hình 2.1: Dải phổ và độ phân giải không gian của các dữ liệu Sentinel-2 Độ hẹp của dải phổ 8a với bước sóng 865 nm trong vùng cận hồng ngoại được thiết kế để tránh ảnh hưởng từ hơi nước nhưng vẫn có khả năng thể hiện được vùng bằng phẳng ở dải cận hồng ngoại cho thảm thực vật và cũng nhạy cảm với hàm lượng oxit sắt trong đất.

Dải phổ 443 nm được sử dụng trong các nhiệm vụ trước: để tính toán Chỉ số MGVI và trong hiệu chỉnh khí quyển cho đầu thu MODIS của NASA. Dữ liệu hiệu chỉnh sol khíchính xácđược thu nhậncả dải phổ trong vùng xanh lam ở bước sóng 443 nm trong cấu hình Sentinel-2.

Việc có thêm một dải quang phổ ở bước sóng 1375 nm (Kênh 10) có thể phát hiện đám mây voan mỏng, do tác động tiềm tàng của nó đối với các giá trị phản xạ, việc sử dụng nó như một chỉ báo trong dự báo thời tiết và vai trò của nó trong bẫy bức xạ tới của mặt trời, do đó, sự xuất hiện của đám mây cần được chỉ rõ.

HV: Phạm Quang Hiển

11

2.2.4. Khả năng cung cấp thông tin các dải phổ trong giám sát rừng

Đối với ứng dụng theo dõi diễn biến rừng, một trong những phương pháp triển vọng hiện nay đáp ứng được yêu cầu cập nhật bản đồ hiện trạng rừng là ứng dụng công nghệ viễn thám để xác định khu vực tăng/giảm rừng đến từng lô kiểm kê theo thời gian. Tuy nhiên, để ứng dụng công nghệ này, việc lựa chọn tư liệu ảnh phù hợp là vấn đề đặt ra.

Các loại ảnh có độ phân giải không gian cao (dưới 10m) thường có giá thành tương đối đắt. Bên cạnh đó, nếu thực hiện trên khu vực rộng, sẽ cần dung lượng lưu trữ dữ liệu, thời gian để xử lý ảnh và yêu cầu về cấu hình phần cứng, phần mềm cho xử lý ảnh rất lớn. Do đó, để áp dụng trên phạm vi cả nước là không khả thi, các loại ảnh có độ phân giải không gian thấp (>250 m) như: MODIS, NOAA, MERIS... một pixel ảnh có thể lớn hơn nhiều so với một lô kiểm kê, nên không phù hợp với hệ thống giám sát rừng ở quy mô địa phương. Từ đó, các loại ảnh vệ tinh có độ phân giải trung bình (10 - 30 m), được cung cấp miễn phí như Landsat-8, Sentinel- 2 tỏ ra có nhiều ưu điểm và triển vọng để giám sát sự thay đổi độ che phủ rừng ở quy mô địa phương. Để đáp ứng các yêu cầu: phù hợp cho giám sát sự thay đổi độ che phủ rừng ở quy mô địa phương và độ phân giải không gian cao nhất có thể, ảnh vệ tinh Sentinel-2 là loại ảnh có tiềm năng nhất. Kết hợp với sự tương đồng về mối quan hệ phổ giữa ảnh Sentinel 2 và Landsat 8 giá trị sử dụng sẽ được tăng rất lớn trong các nghiên cứu về mặt đất, bao gồm theo dõi diễn biến rừng. 2.2. Thư viện Eo-Learn

Eo-learn giúp việc khai thác thông tin có giá trị từ hình ảnh vệ tinh trở nên

dễ dàng.

Sự sẵn có của dữ liệu quan sát Trái đất mở (EO) thông qua các chương trình Copernicus và Landsat đại diện cho một nguồn tài nguyên chưa từng có cho nhiều ứng dụng EO, từ việc sử dụng đại dương và đất liền, giám sát lớp phủ, kiểm soát thảm họa, dịch vụ khẩn cấp và cứu trợ nhân đạo. Với lượng lớn dữ liệu có độ phân giải không gian cao với tần suất truy cập lại cao, các kỹ thuật có thể tự động trích xuất các mẫu phức tạp trong dữ liệu không gian-thời gian như vậy là cần thiết.

Eo-learn là một tập hợp các gói Python mã nguồn mở đã được phát triển để truy cập và xử lý liền mạch các chuỗi hình ảnh không gian-thời gian mà bất kỳ đội vệ tinh nào thu được một cách kịp thời và tự động. Eo-learn rất dễ sử dụng, được thiết kế theo mô-đun và khuyến khích cộng tác - chia sẻ và sử dụng lại các tác vụ cụ thể trong quy trình khai thác giá trị EO điển hình, chẳng hạn như tạo mặt nạ đám mây, đồng đăng ký hình ảnh, trích xuất tính năng, phân loại, v.v. Mọi người được tự do sử dụng bất kỳ nhiệm vụ nào có sẵn và được khuyến khích cải tiến, phát triển những tác vụ mới và chia sẻ chúng với phần còn lại của cộng đồng. Eo-learn giúp việc khai thác thông tin có giá trị từ hình ảnh vệ tinh dễ dàng như xác định một chuỗi các thao tác sẽ được thực hiện trên hình ảnh vệ tinh. Hình

HV: Phạm Quang Hiển

12

ảnh bên dưới minh họa một chuỗi xử lý lập bản đồ nước trong hình ảnh vệ tinh bằng cách lập ngưỡng Chỉ số Nước Chênh lệch Chuẩn hóa trong khu vực quan tâm do người dùng chỉ định. Hình 2.2 dưới đây mô tả về quy trình xử lý ảnh của thư viện Eo-Learn áp dụng trong bài toán giám sát độ phủ nước [15]

Hình 2.2: Ví dụ về quy trình xử lý ảnh của thư viện Eo-Learn

Thư viện eo-learn đóng vai trò là cầu nối giữa lĩnh vực quan sát Trái đất/Viễn thám và hệ sinh thái Python cho khoa học dữ liệu và học máy. Thư viện được viết bằng Python và sử dụng mảng NumPy để lưu trữ và xử lý dữ liệu viễn thám. Mục đích của nó là một mặt giúp những người không phải chuyên gia vào lĩnh vực viễn thám dễ dàng hơn và mang các công cụ hiện đại nhất về thị giác máy tính, máy học và học sâu hiện có trong hệ sinh thái Python cho các chuyên gia viễn thám.

Eo-learn được chia thành nhiều gói con theo các chức năng khác nhau và phụ thuộc gói bên ngoài. Do đó, người dùng không cần thiết phải cài đặt toàn bộ gói mà chỉ cài đặt những phần mà họ cần.

Hiện tại có các gói con sau: - Eo-learn-core: Gói con chính thực hiện các khối xây dựng cơ bản (EOPatch, EOTask và EOWorkflow) và các chức năng thường được sử dụng.

- Eo-learn-coregistration: Gói con xử lý đồng đăng ký hình ảnh. - Eo-learn-features: Tập hợp các tiện ích để trích xuất thuộc tính dữ liệu và

thao tác với tính năng.

- Eo-learn-geometry: Gói con hình học dùng để biến đổi hình học và

chuyển đổi giữa dữ liệu vectơ và dữ liệu raster.

- Eo-learn-io: Gói con đầu vào / đầu ra liên quan đến việc lấy dữ liệu từ

các dịch vụ của Sentinel Hub hoặc lưu và tải dữ liệu cục bộ.

HV: Phạm Quang Hiển

13

- Eo-learn-mask: Gói con được sử dụng để che dữ liệu và tính toán mặt nạ

đám mây.

- Eo-learn-ml-tools: Các công cụ khác nhau có thể được sử dụng trước hoặc

sau quá trình học máy.

- Eo-learn-visualization: Công cụ trực quan hóa các yếu tố cốt lõi của eo-

learn. 2.3. Phần mềm Envi

ENVI (ENvironment for Visualizing Images) là bộ sản phẩm phần mềm của hãng EXELIS Visual Information Solutions (Mỹ) – http://exelisvis.com – kết hợp các kỹ thuật chuyên sâu về xử lý dữ liệu ảnh số (bao gồm dữ liệu viễn thám, DEM và GIS/GPS) với công nghệ phân tích địa không gian nhằm khai thác những thông tin có giá trị hỗ trợ ra quyết định chính xác và kịp thời. Với giao diện hiện đại, dễ sử dụng và các tính năng nổi trội trong xử lý phân tích ảnh được quy trình hóa và được phát triển nâng cấp thường xuyên, bộ phần mềm ENVI ngày càng trở thành công cụ khai thác thông tin địa không gian hiệu quả trong các ứng dụng bản đồ và tài nguyên và môi trường đa ngành.

Những tính năng nổi trội của bộ phần mềm ENVI bao gồm:

- Làm việc (hiển thị và xử lý) số lượng và dung lượng ảnh lớn; - Đọc, hiển thị và phân tích nhiều định dạng (format) ảnh vệ tinh, ảnh thông

dụng, dữ liệu raster và DEM;

- Khai thác thông tin từ nhiều loại ảnh vệ tinh và ảnh hàng không khác nhau (VNREDSat-1, SPOT, Landsat, ASTER, QuickBird, GeoEye, WorldView, Radar, Vexcel…);

- Trộn các dạng ảnh (ảnh quang học, ảnh radar…) nhằm hiểu rõ đặc điểm

của vùng nghiên cứu;

- Bộ công cụ xử lý ảnh đa dạng dựa trên các phương pháp khoa học đã được kiểm chứng như công cụ xử lý hình học, công cụ phân tích phổ, công cụ phân tích dữ liệu và các công cụ nâng cao;

- Khả năng làm việc với dữ liệu vector (các định dạng shapefile, MIF, DXF và GPS) và kết nối trực tiếp với phần mềm ArcGIS cho phép dễ dàng tích hợp kết quả phân tích ảnh vào cơ sở dữ liệu và quy trình ứng dụng bản đồ GIS;

- Với ngôn ngữ lập trình IDL, ENVI có khả năng tùy biến và mở rộng theo

yêu cầu quy trình xử lý phân tích ảnh của khách hàng.

Các sản phẩm ENVI

HV: Phạm Quang Hiển

14

Bộ phần mềm ENVI có khoá cứng và khoá mềm thường được cung cấp đóng

gói theo các mức sản phẩm như sau:

- Phần cơ bản - ENVI (Runtime) hoặc ENVI+IDL - Các mô-đun mở rộng (theo yêu cầu).

Các mô-đun mở rộng tính năng của ENVI được thiết kế để thực hiện những

pháp xử lý chuyên sâu cần đến những công cụ xử lý ảnh nâng cao, như:

Mô-đun Rigorous Orthorectification: nắn chỉnh hình học về tọa độ mặt đất và tạo ảnh trực giao với độ chính xác cao. Module này dựa trên mô hình toán học sử dụng các thông số của sensor cụ thể (ví dụ như bộ cảm SPOT hoặc Landsat) nhằm loại bỏ những yếu tố gây méo ảnh trong quá trình bay chụp. Module Rigorous Orthorectification cho phép:

- Dễ sử dụng với giao diện wizard-based theo từng bước trong quá trình

nắn chỉnh;

- Làm việc với nhiều dạng sensor (ví dụ SPOT 1-5, IKONOS-2, QuickBird-2, Landsat 4-5, Landsat 7 ETM+, ASTER, VNREDSat-1...); - Tăng độ chính xác với việc lựa chọn các điểm GCP và các điểm chung

của ảnh liền kề khi xử lý hàng loạt ảnh;

- Tự động hóa quá trình nắn chỉnh hình học và chuyển kết quả dễ dàng vào

cơ sở dữ liệu GIS.

Hình 2.3 dưới đây thể hiện tác vụ xử lý ảnh với mô-đun Rigorous

Orthorectification của phần mềm Envi [18].

Hình 2.3: Xử lý ảnh với Mô-đun Rigorous Orthorectification

HV: Phạm Quang Hiển

15

Mô-đun ENVI Feature Extraction (FX): Tìm, phát hiện và chiết tách thông tin từ các đối tượng quan tâm (ví dụ như công trình tòa nhà, sân bóng, phương tiện giao thông, đường xá cầu cống, sông hồ…) dựa trên các đặc tính không gian, đặc tính phổ hoặc đặc tính texture... từ các loại ảnh vệ tinh & ảnh hàng không khác nhau. Với khả năng tùy biến và dễ tích hợp với ArcGIS, ENVI FX cho phép người dùng thay đổi các thông số phù hợp trong chuỗi quy trình xử lý phân tích ảnh phức tạp và chiết tách thông tin cần thiết, ví dụ như phát hiện xe tăng, công trình quân sự hoặc đường băng quân sự… Hình 2.4 dưới đây thể hiện xử lý ảnh với mô-đun Feature Extraction của phần mềm Envi [18].

Hình 2.4: Xử lý ảnh với Mô-đun Envi Feature Extraction

Mô-đun ENVI DEM: Tạo lập mô hình địa hình số (DEM) từ cặp ảnh stereo (ảnh vệ tinh ASTER, IKONOS, OrbView-3, QuickBird và SPOT 1-5) hoặc ảnh hàng không. Với khả năng tùy biến, người dùng có thể tương tác xem cặp ảnh stereo, đo độ cao của tòa nhà hoặc đỉnh núi, chỉnh sửa giá trị DEM và chiết tách các đối tượng 3Du. Hình 2.5 dưới đây thể hiện xử lý ảnh với mô-đun Envi Dem của phần mềm Envi [18].

Hình 2.5: Xử lý ảnh với Mô-đun Envi Dem

HV: Phạm Quang Hiển

16

Mô-đun ENVI Atmospheric Correction Module (ACM): Thực hiện tiền xử lý được quy trình hóa - cho phép loại bỏ hoặc hiệu chỉnh chuyên sâu về các ảnh hưởng của khí quyển đối với ảnh vệ tinh gốc để tạo ảnh viễn thám lên level cao hơn chuẩn bị cho các bước xử lý phân tích tiếp theo. ENVI ACM cho phép thực hiện hiệu chỉnh nhanh (on-the-fly sử dụng phương pháp QUAC và hiệu chỉnh nâng cao dựa trên mô hình vật lý ảnh – phương pháp FLAASH đối với hầu hết các loại ảnh vệ tinh thường sử dụng hiện tại. Mô-đun này cần thiết đối với các ứng dụng theo dõi các thay đổi về địa hình hoặc các nhóm đối tượng một cách định lượng. Hình 2.6 dưới đây thể hiện xử lý ảnh với mô-đun Atmospheric Correction của phần mềm Envi [18].

Hình 2.6: Xử lý ảnh với Mô-đun Envi Atmospheric Correction module

Mô-đun ENVI NITF: Đọc, chỉnh sửa và phân phối ảnh viễn thám trong định dạng (format) NITF có hiệu suất nén ảnh cao. Định dạng NITF chứa dữ liệu ảnh với dữ liệu đồ thị và metadata theo chuẩn JITC (Joint Interoperability Test Command). Đây là định dạng tối ưu có khả năng nén ảnh tốt, tính bảo mật cao nên thường được dùng đối với dữ liệu quốc gia và quốc phòng… Hình 2.7 dưới đây thể hiện xử lý ảnh với mô-đun Envi Atmospheric Correction của phần mềm Envi [18].

Hình 2.7: Xử lý ảnh với Mô-đun Envi NITF [6]

HV: Phạm Quang Hiển

17

Sản phẩm chuyên dụng ENVI LIDAR: Xử lý chuyên sâu dữ liệu lidar nhằm xác định và chiết tách các đối tượng 3D và tạo lập cơ sở dữ liệu GIS 3D cho các ứng dụng đô thị hoặc ngành lâm nghiệp. Hình 2.8 dưới đây thể hiện xử lý ảnh với mô-đun Envi Lidar của phần mềm Envi [18].

Hình 2.8: Xử lý ảnh với sản phẩm chuyên dụng Envi Lidar

Phần mềm ENVI LIDAR cho phép người dùng xử lý dữ liệu đám mây điểm LiDAR nhằm phát hiện và chiết tách các đối tượng 3D như cây cối, đường dây điện, công trình xây dựng với các yếu tố như hình khối khung nhà và mái, mô hình số độ cao… ENVI LIDAR kết hợp việc nhận dạng tự động với các công cụ tương tác để người dùng có thể điều chỉnh các thông số xử lý nhằm kiểm soát được chất lượng sản phẩm kết quả. Với chức năng hiển thị 3D và kết nối trực tiếp với ArcGIS, ENVI LiDAR có khả năng kết nối tốt với các hệ thống xử lý phân tích địa không gian khác, khả năng mở rộng tùy biến thông qua API và đọc được tất cả các định dạng dữ liệu LIDAR thông dụng như LAS, LAZ, ASCII...

Sản phẩm chuyên dụng ENVI SARScape: Xử lý chuyên sâu dữ liệu ảnh radar, phân tích và tạo lập bản đồ DEM và bản đồ biến động bề mặt, được thể hiện ở hình 2.9 dưới đây [18].

Hình 2.9: Xử lý ảnh với sản phẩm chuyên dụng Envi SARScape

HV: Phạm Quang Hiển

18

Phần mềm ENVI SARscape cho phép người dùng xử lý và diễn giải dữ liệu radar khó hiểu thành thông tin có ý nghĩa phù hợp với bối cảnh. License SARscape Basic & InSAR Bundle bao gồm 2 mô-đun là:

- SARscape Basic cho phép đọc, xử lý dữ liệu ảnh radar như lọc nâng cao, nắn chỉnh và ghép ảnh, tạo ảnh multilook… đến xử lý tạo ảnh phân loại, nhận dạng đối tượng hoặc theo dõi biến động…

- SARscape Interferometry (InSAR) cho phép xử lý cặp ảnh radar giao thoa (interferometry) nhằm tạo dữ liệu DEM và lập bản đồ dịch chuyển và biến dạng bề mặt (cập nhật bản đồ địa hình, địa mạo và trượt lở).

Ngoài ra, hãng Exelis VIS gần đây còn phát triển sản phẩm chuyên dụng ENVI for ArcGIS để tích hợp với giải pháp GIS của hãng ESRI và ENVI in the Cloud nhằm quản lý và chia sẻ nguồn lực xử lý phân tích ảnh trên Cloud đối với các doanh nghiệp và cá nhân. Hình 2.10 dưới đây thể hiện đầy đủ quy trình xử lý ảnh với phần mềm chuyên dụng Envi.

Hình 2.10: Quy trình xử lý ảnh với phần mềm Envi

HV: Phạm Quang Hiển

19

CHƯƠNG 3. MÔ HÌNH MẠNG NƠRON TÍCH CHẬP TRÍCH XUẤT LỚP PHỦ THỰC VẬT TỪ ẢNH VỆ TINH SENTINEL

3.1. Giới thiệu về học sâu

Công nghệ học máy hỗ trợ nhiều khía cạnh của xã hội hiện đại: từ tìm kiếm trên web đến lọc nội dung trên mạng xã hội đến các đề xuất trên các trang web thương mại điện tử và nó ngày càng hiện diện trong các sản phẩm tiêu dùng như máy ảnh và điện thoại thông minh. Học máy được sử dụng để xác định các đối tượng trong hình ảnh, chuyển lời nói thành văn bản, khớp các mục tin tức, bài đăng hoặc sản phẩm với sở thích của người dùng và chọn các kết quả tìm kiếm có liên quan.

Các kỹ thuật học máy thông thường bị hạn chế về khả năng xử lý dữ liệu tự nhiên ở dạng thô. Trong nhiều thập kỷ, việc xây dựng hệ thống nhận dạng mẫu hoặc máy học đòi hỏi kỹ thuật cẩn thận và kiến thức chuyên môn về miền đáng kể để thiết kế một trình trích xuất tính năng chuyển đổi dữ liệu thô thành một biểu diễn nội bộ phù hợp hoặc vec-tơ đặc trưng mà từ đó học hệ thống con, thường là một bộ phân loại, có thể phát hiện hoặc phân loại các mẫu đối với dữ liệu đầu vào. Để giải quyết được các hạn chế của học máy, một kỹ thuật được ra đời với tên gọi là Học sâu (deep learning), với mục tiêu phát triển các cỗ máy có khả năng tự học và đạo tạo chính nó dựa trên lượng lớn dữ liệu đầu vào.

Học sâu (DL - deep learning) là một chi của ngành học máy dựa trên một tập hợp các thuật toán để cố gắng mô hình dữ liệu trừu tượng hóa ở mức cao bằng cách sử dụng nhiều lớp xử lý với cấu trúc phức tạp, hoặc bằng cách khác bao gồm nhiều biến đổi phi tuyến.

Học sâu là một phần của một họ các phương pháp học máy rộng hơn dựa trên đại diện học của dữ liệu. Một quan sát (ví dụ như, một hình ảnh) có thể được biểu diễn bằng nhiều cách như một vec-tơ của các giá trị cường độ cho mỗi điểm ảnh, hoặc một cách trừu tượng hơn như là một tập hợp các cạnh, các khu vực hình dạng cụ thể… Một vài đại diện làm khiến việc học các nhiệm vụ dễ dàng hơn (ví dụ, nhận dạng khuôn mặt hoặc biểu hiện cảm xúc trên khuôn mặt) từ các ví dụ. Một trong những hứa hẹn của học sâu là thay thế các tính năng thủ công bằng các thuật toán hiệu quả đối với học không giám sát hoặc nửa giám sát và tính năng phân cấp.

Các nghiên cứu trong lĩnh vực này cố gắng thực hiện các đại diện tốt hơn và tạo ra các mô hình để tìm hiểu các đại diện này từ dữ liệu không dán nhãn quy mô lớn. Một số đại diện được lấy cảm hứng bởi những tiến bộ trong khoa học thần kinh và được dựa trên các giải thích của mô hình xử lý và truyền thông thông tin trong một hệ thống thần kinh, chẳng hạn như mã hoá thần kinh để cố gắng để xác

HV: Phạm Quang Hiển

20

định các mối quan hệ giữa các kích thích khác nhau và các phản ứng liên quan đến thần kinh trong não.

Nhiều kiến trúc học sâu khác nhau như mạng neuron sâu, mạng neuron tích chập sâu, mạng niềm tin sâu và mạng neuron tái phát đã được áp dụng cho các lĩnh vực như thị giác máy tính, tự động nhận dạng giọng nói, xử lý ngôn ngữ tự nhiên, nhận dạng âm thanh ngôn ngữ và tin y sinh, chúng đã được chứng minh là tạo ra các kết quả rất tốt đối với nhiều nhiệm vụ khác nhau. Hình 3.1 dưới đây mô tả mối quan hệ giữa Trí tuệ nhân tạo, Học máy và Học Sâu cũng như các mộc thời gian phát triển của chúng [2].

Hình 3.1: Mối quan hệ giữa AI, Machine Learning và Deep Learning Một số kiến trúc học sâu thông dụng: Mạng nơ-ron hồi quy (Recurrent Neural Network – RNN): là một trong những kiến trúc mạng cơ bản mà từ đó các kiến trúc học sâu khác được xây dựng. RNN bao gồm một tập hợp phong phú các kiến trúc học sâu. Chúng có thể sử dụng trạng thái bên trong (bộ nhớ) để xử lý các chuỗi đầu vào có độ dài thay đổi. Giả sử rằng RNN có một bộ nhớ, mọi thông tin đã xử lý được thu thập, lưu trữ và sử dụng để tính toán kết quả cuối cùng. Hơn nữa, mạng lặp lại có thể có các kết nối phản hồi vào các lớp trước (hoặc thậm chí vào cùng một lớp). Phản hồi này cho phép nó duy trì bộ nhớ của đầu vào trong quá khứ và giải quyết vấn đề kịp thời. Hiện tại, có thể chỉ ra hai loại RNN:

- RNN hai chiều: Chúng hoạt động theo hai cách; lớp đầu ra có thể nhận

đồng thời thông tin từ trạng thái quá khứ và tương lai.

- RNN sâu: Có nhiều lớp, giúp cho mô hình học sâu có thể trích xuất nhiều

thông tin phân cấp hơn.

HV: Phạm Quang Hiển

21

Bộ nhớ dài-ngắn hạn (Long Short-Term Memory – LSTM): cũng là một loại mạng RNN, tuy nhiên LSTM có các kết nối phản hồi. Điều này có nghĩa là LSTM có thể xử lý không chỉ các điểm dữ liệu đơn lẻ (chẳng hạn như hình ảnh) mà còn toàn bộ chuỗi dữ liệu (chẳng hạn như tệp âm thanh hoặc video). LSTM bắt nguồn từ kiến trúc mạng nơ-ron và dựa trên khái niệm ô nhớ. Ô nhớ có thể giữ lại giá trị của nó trong một thời gian ngắn hoặc dài, điều này cho phép ô nhớ có thể ghi lại những gì cần thiết chứ không chỉ là giá trị được tính toán cuối cùng của nó. Một kiến trúc LSTM điển hình bao gồm một ô, một cổng đầu vào, một cổng đầu ra và một cổng quên. Ô ghi nhớ các giá trị trong những khoảng thời gian tùy ý, và ba cổng này điều chỉnh luồng thông tin ra vào ô. Cổng đầu vào kiểm soát khi thông tin mới có thể chảy vào bộ nhớ. Cổng đầu ra kiểm soát khi thông tin chứa trong ô được sử dụng trong đầu ra. Cổng quên kiểm soát khi một phần thông tin có thể bị quên, cho phép ô xử lý dữ liệu mới. Ngày nay, LSTM thường được sử dụng trong các lĩnh vực như nén văn bản, nhận dạng chữ viết tay, nhận dạng giọng nói, nhận dạng cử chỉ và chú thích hình ảnh…

Các đơn vị định kỳ có định mức (Gated Recurrent Unit – GRU): là một loại LSTM, sự khác biệt chính là GRU có ít tham số hơn LSTM. GRU được sử dụng cho các bộ dữ liệu nhỏ hơn, nơi chúng thể hiện hiệu suất tốt hơn.

Mạng nơ-ron tích chập (Convolutional Neural Network – CNN): Kiến trúc này thường được sử dụng để xử lý hình ảnh, nhận dạng hình ảnh và phân tích video. CNN có thể thu nhận một hình ảnh đầu vào, xác định đặc trưng của các khía cạnh/đối tượng khác nhau trong hình ảnh và có thể phân biệt một hình ảnh với những hình ảnh khác. Tên gọi 'tích chập' bắt nguồn từ một phép toán liên quan đến tích chập của các hàm khác nhau. CNN bao gồm một đầu vào và một lớp đầu ra, cũng như nhiều lớp ẩn. Các lớp ẩn của CNN thường bao gồm một loạt các lớp phức hợp. Đây là cách thức hoạt động của CNN: Đầu tiên, mạng nhận dữ liệu đầu vào, mỗi đầu vào (ví dụ: hình ảnh) sẽ đi qua một loạt các lớp tích chập với các bộ lọc khác nhau. Lớp điều khiển kiểm soát cách tín hiệu truyền từ lớp này sang lớp khác. Tiếp theo, bạn phải làm phẳng đầu ra và đưa nó vào lớp được kết nối đầy đủ, nơi tất cả các lớp của mạng được kết nối với mọi nơ-ron từ lớp trước đến các nơ-ron từ lớp tiếp theo. Kết quả là, bạn có thể phân loại đầu ra.

Mạng niềm tin sâu (Deep Belief Network – DBN): là một mạng nhiều lớp (bao gồm nhiều lớp ẩn) trong đó mỗi cặp lớp được kết nối là một mạng nơ-ron tuần hoàn ngẫu nhiên (Restricted Boltzmann Machine - RBM). Do đó, chúng ta có thể phát biểu rằng DBN là một chồng các RBM. DBNs sử dụng xác suất và học không giám sát để tạo ra kết quả đầu ra. Không giống như các mô hình khác, mỗi lớp trong DBN học toàn bộ đầu vào. Trong CNN, các lớp đầu tiên chỉ lọc đầu

HV: Phạm Quang Hiển

22

vào cho các tính năng cơ bản và các lớp sau kết hợp lại tất cả các mẫu đơn giản mà các lớp trước tìm thấy.

Mạng xếp chồng sâu (Deep Stacking Network – DSN): bao gồm một mạng sâu, nhưng nó thực sự là một tập hợp các mạng sâu riêng lẻ. Mỗi mạng bên trong DSN có các lớp ẩn riêng để xử lý dữ liệu. Kiến trúc này được thiết kế nhằm mục đích cải thiện vấn đề đào tạo mô hình (là vấn đề khá phức tạp của mô hình học sâu truyền thống). Thông thường, DSN bao gồm ba hoặc nhiều mô-đun. Mỗi mô- đun bao gồm một lớp đầu vào, một lớp ẩn và một lớp đầu ra. Các mô-đun này được xếp chồng lên nhau, có nghĩa là đầu vào của một mô-đun nhất định dựa trên đầu ra của các mô-đun/lớp trước đó. Cấu trúc này cho phép các DSN tìm hiểu cách phân loại phức tạp hơn so với khả năng của một mô-đun. 3.2. Mạng nơ-ron tích chập (Convolutional neural network)

Những năm gần đây, sự phát triển của khoa học công nghệ đã mang lại nhiều thành tựu vượt bậc, đặc biệt là trong lĩnh vực trí tuệ nhân tạo. Trong đó phải kể đến người máy Alphago, AI trợ lý bác sĩ, xe tự hành.

Mạng nơ-ron tích chập (Convolutional Neural Network - CNN là một trong những mô hình học sâu tiên tiến giúp cho chúng ta xây dựng được những hệ thống thông minh với độ chính xác cao như hiện nay. Hình 3.2 dưới đây mô tả các thành phần trong kiến trúc truyền thống của mạng nơ-ron tích chập (CNN).

Hình 3.2: Các thành phần trong kiến trúc truyền thống của CNN

3.1.1. Kiến trúc a. Tích chập (Convolution)

Tích chập được sử dụng đầu tiên trong xử lý tín hiệu số (Signal processing). Nhờ vào nguyên lý biến đổi thông tin, các nhà khoa học đã áp dụng kĩ thuật này vào xử lý ảnh và video số. Để dễ hình dung, ta có thể xem tích chập như một cửa sổ trượt (sliding window) áp đặt lên một ma trận. Bạn có thể theo dõi cơ chế của tích chập qua hình minh họa bên dưới. Hình 3.1 dưới đây minh hoạ đầy đủ về tích chập (Convolution) [11].

HV: Phạm Quang Hiển

23

Hình 3.3: Minh hoạ tích chập (Convolution)

Dưới đây là một vài ví dụ của phép toán tích chập. Ta có thể làm mờ bức ảnh ban đầu bằng cách lấy giá trị trung bình của các điểm ảnh xung quanh cho vị trí điểm ảnh trung tâm. Hình 3.4 thể hiện việc làm mờ ảnh bằng cách lấy giá trị trung bình các điểm ảnh lân cận [5].

Hình 3.4: Làm mờ ảnh bằng cách lấy giá trị trung bình các điểm ảnh lân cận

Ngoài ra, ta có thể (độ dị biệt) giữa các điểm ảnh lân cận. Hình 3.5 dưới đây

thể hiện việc phát hiện biên cạnh bằng cách tính vi phân [5].

Hình 3.5: Phát hiện biên cạnh bằng cách tính vi phân

HV: Phạm Quang Hiển

24

b. Lớp gộp (Pooling Layer)

Lớp gộp (Pooling Layer) hay còn gọi là lớp tổng hợp thường được sử dụng giữa các lớp tích chập, với mục đích làm giảm kích thước dữ liệu nhưng vẫn giữ được các thuộc tính quan trọng. Cụ thể, lớp gộp làm giảm kích thước của dữ liệu bằng cách kết hợp các đầu ra của các cụm nơ-ron ở một lớp thành một nơ-ron duy nhất ở lớp tiếp theo. Lớp gộp có thể lấy giá trị lớn nhất hoặc giá trị trung bình để tính toán:

- Gộp cực đại (Max pooling) sử dụng giá trị lớn nhất từ mỗi cụm nơ-ron ở lớp trước với mục tiêu bảo toàn các đặc trưng đã phát hiện nên được sử dụng thường xuyên. Hình 3.6 dưới đây minh hoạ cho việc sử dụng phương pháp gộp tối đa [12].

Hình 3.6: Ví dụ minh hoạ lấy giá trị lớn nhất (Max pooling)

- Gộp trung bình (Average pooling) sử dụng giá trị trung bình từ mỗi cụm nơ-ron ở lớp trước với mục tiêu giảm kích thước của bản đồ đặc trưng (feature map) nên được sử dụng chủ yếu trong mạng LeNet. Hình 3.7 dưới đây minh hoạ cho việc sử dụng phương pháp gộp trung bình [12].

Hình 3.7: Ví dụ minh hoạ lấy giá trị trung bình (Average pooling)

HV: Phạm Quang Hiển

25

c. Kết nối đầy đủ (Fully connected)

Sau khi dữ liệu được truyền qua các lớp tích chập và lớp gộp, mạng nơ-ron đã học được tương đối các đặc trưng của dữ liệu. Lớp kết nối đầy đủ (fully connected) nhận đầu vào là các dữ liệu về các đặc trưng này và kết hợp lại với nhau để đưa ra được dữ liệu đầu ra của mạng nơ-ron. Trong mô hình mạng CNNs, các lớp kết nối đầy đủ thường được tìm thấy ở cuối mạng và được dùng để tối ưu hóa mục tiêu của mạng ví dụ như độ chính xác của lớp. Hình 3.8 dưới đây minh hoạ về lớp kết nối đầy đủ [13].

Hình 3.8: Minh hoạ về kết nối đầy đủ (Fully connected) trong CNNs

3.1.2. Các siêu tham số của bộ lọc (hyper-parameter)

Các chiều của một bộ lọc Một bộ lọc kích thước F×F áp dụng lên đầu vào chứa C kênh (channels) thì có kích thước tổng kể là F×F×C thực hiện phép tích chập trên đầu vào kích thước I×I×C và cho ra một bản đồ đặc trưng (feature map hay còn gọi là activation map) có kích thước O×O×1.

Hình 3.9: Minh hoạ các chiều của bộ lọc

Độ trượt (Stride) Trong các phép tính toán tích chập hoặc phép gộp, cửa số trượt (sliding windows) sẽ duyệt qua tất cả các ô của ma trận, sau mỗi lần thực hiện phép tính số pixel mà cửa sổ sẽ di chuyển gọi là độ trượt S ký hiệu. Hình 3.10 dưới đây minh hoạ về độ trượt (stride) S.

Hình 3.10: Minh hoạ về độ trượt (Stride)

HV: Phạm Quang Hiển

26

Khoảng cách giữa biên và nội dung (Zero-padding) Khi xử lý dữ liệu với nhiều lớp phức hợp, một vấn đề phát sinh là trong quá trình xử lý, hệ thống có xu hướng mất các pixel trên dữ liệu đầu vào. Đối với bất kỳ tích chập nào, chúng ta có thể chỉ mất một vài pixel, nhưng điều này có thể tăng lên khi chúng ta áp dụng nhiều lớp tích chập liên tiếp. Một giải pháp đơn giản cho vấn đề này là thêm các pixel phụ xung quanh ranh giới của dữ liệu đầu vào, do đó tăng kích thước dữ liệu nhằm khắc phục vấn đề trên. Giá trị thêm vào là khoảng giữa biên và nội dung (padding). Giá trị này có thể được lựa chọn thủ công hoặc một cách tự động bằng một trong ba những phương pháp sau [11]:

Same Full

Giá trị Valid P = 0

Minh Hoạ

Mục đích

- Không sử dụng khoảng trống giữa biên và nội dung.

- Bỏ phép - Sử dụng khoảng cách giữa biên và nội dung để làm cho bản đồ đặc trưng có kích thước I/S.

- Kích thước giữa biên và nội dung tối đa sao cho các phép tích chập có thể được sử dụng ở biên của dữ liệu đầu vào.

tích chập cuối nếu số chiều không khớp - Kích thước đầu ra thuận lợi về mặt toán học. - Bộ lọc thấy được đầu vào từ đầu đến cuối.

3.1.3. Điều chỉnh các siêu tham số

Tính tương thích của tham số trong tầng tích chập: bằng cách ký hiệu ‘I’ là độ dài kích thước đầu vào, ‘F’ là độ dài của bộ lọc, ‘P’ là số lượng ‘Zero padding’, ‘S’ là độ trượt, ta có thể tính được độ dài ‘O’ của bản đồ đặc trưng theo một chiều bằng công thức:

Hình 3. 11: Minh hoạ tính tương thích của các tham số trong tích chập

HV: Phạm Quang Hiển

27

Hiểu về độ phức tạp của mô hình: để đánh giá độ phức tạp của một mô hình, cách hữu hiệu là xác định số tham số mà mô hình đó sẽ có. Trong một lớp của mạng neural tích chập, nó sẽ được tính toán như sau: Gộp Kết nối đầy đủ Tích chập

Minh hoạ

I×I×C

I×I×C

O×O×K

O×O×C

Nin Nout

(F×F×C+1) ×K

Kích thước đầu vào Kích thước đầu ra Số lượng tham số 0 (Nin + 1) × Nout

3.1.4. Những kiến trúc sử dụng thủ thuật tính toán

Mạng đối nghịch tạo sinh (Generative Adversarial Network – GAN): là sự kết hợp giữa mô hình khởi tạo và mô hình phân biệt, khi mà mô hình khởi tạo cố gắng tạo ra hình ảnh đầu ra chân thực nhất, sau đó được đưa vào mô hình phân biệt, mà mục tiêu của nó là phân biệt giữa ảnh được tạo và ảnh thật.

Hình 3.12: Ví dụ minh hoạ về GAN

Mạng phần dư (Residual Network – ResNet): là một kiến trúc Mạng nơ-ron tích chập (CNN), được tạo thành từ một loạt các khối dư (Residual Blocks). ResNet sử dụng phương thức kết nối tắt (skip connections) giữa các lớp nhằm mục đích cho phép việc sao chép giữa các lớp, đồng thời đề xuất kiến trúc lặp lại đặc tính (so với kiến trúc kế thừa).

Hình 3.13: Minh hoạ về phương thức kết nối tắt (Skip connections)

HV: Phạm Quang Hiển

28

Inception Network Kiến trúc này sử dụng những inception module và hướng tới việc thử các tầng tích chập khác nhau để tăng hiệu suất thông qua sự đa dạng của các đặc trưng. Cụ thể, kiến trúc này sử dụng thủ thuật tầng tích chập 1×1 để hạn chế gánh nặng tính toán. 3.3. Unet

U-Net là một mạng nơ-ron tích chập được phát triển để phân đoạn hình ảnh y sinh tại Khoa Khoa học Máy tính của Đại học Freiburg, Đức. Mạng này dựa trên mạng tích tụ hoàn toàn và kiến trúc của nó đã được sửa đổi và mở rộng để hoạt động với ít hình ảnh huấn luyện hơn và mang lại các phân đoạn chính xác hơn. Việc phân đoạn hình ảnh 512×512 mất chưa đến một giây trên GPU hiện đại.

Kiến trúc U-Net bắt nguồn từ cái gọi là “mạng tích tụ đầy đủ” do Long và

Shelhamer đề xuất đầu tiên.

Ý tưởng chính là bổ sung một mạng hợp đồng thông thường bằng các lớp kế tiếp nhau, trong đó các hoạt động gộp được thay thế bằng các nhà khai thác upsampling. Do đó các lớp này làm tăng độ phân giải của đầu ra. Hơn nữa, một lớp tích tụ liên tiếp sau đó có thể học cách tập hợp một đầu ra chính xác dựa trên thông tin này.

Một sửa đổi quan trọng trong U-Net là có một số lượng lớn các kênh tính năng trong phần lấy mẫu lên, cho phép mạng truyền thông tin ngữ cảnh đến các lớp có độ phân giải cao hơn. Do đó, đường mở rộng ít nhiều đối xứng với phần hợp đồng và tạo ra kiến trúc hình chữ u. Mạng chỉ sử dụng phần hợp lệ của mỗi tích chập mà không có bất kỳ lớp nào được kết nối đầy đủ. Để dự đoán các pixel trong vùng biên của hình ảnh, bối cảnh bị thiếu được ngoại suy bằng cách phản chiếu hình ảnh đầu vào. Chiến lược xếp lớp này rất quan trọng để áp dụng mạng cho hình ảnh lớn, vì nếu không độ phân giải sẽ bị giới hạn bởi bộ nhớ GPU.

Mạng bao gồm một đường dẫn hợp nhất và một đường dẫn mở rộng, tạo cho nó kiến trúc hình chữ U. Đường dẫn hợp đồng là một mạng tích chập điển hình bao gồm việc áp dụng lặp đi lặp lại các phép chập, mỗi lần theo sau là một đơn vị tuyến tính được chỉnh lưu (ReLU) và hoạt động tổng hợp tối đa. Trong quá trình co lại, thông tin không gian bị giảm đi trong khi thông tin về tính năng được tăng lên. Đường dẫn mở rộng kết hợp tính năng và thông tin không gian thông qua một chuỗi phức hợp và ghép nối với các tính năng có độ phân giải cao từ đường dẫn hợp đồng.

HV: Phạm Quang Hiển

29

Có nhiều ứng dụng của U-Net trong phân đoạn ảnh y sinh, chẳng hạn như phân đoạn ảnh não ('' BRATS '') và phân đoạn ảnh gan ("siliver07"). Các biến thể của U-Net cũng đã được áp dụng để tái tạo hình ảnh y tế. Dưới đây là một số biến thể và ứng dụng của U-Net như sau:

- Phép hồi quy lần lượt từng phần tử ảnh sử dụng U-Net và ứng dụng của

nó trong kĩ thuật trộn ảnh.

- 3D U-Net: Học từ phân đoạn thể tích hình ảnh và chú thích đơn giản. - U-Net với mã hoá VGG11 được huấn luyện trước trong ImageNet để

phân đoạn hình ảnh.

Kiến trúc mạng U-Net được biểu diễn cụ thể qua hình 3.9 [7]:

Hình 3.14: Kiến trúc mạng U-net

3.4. Trích xuất lớp phủ thực vật sử dụng EO-learn 3.3.1. Độ phủ thực vật

Tỷ lệ che phủ thực vật (độ phủ thực vật) là tỷ lệ phần trăm giữa diện tích thực vật so với tổng diện tích đất tự nhiên trên một phạm vi địa lý nhất định. Để hỗ trợ giám sát lớp phủ thực vật, chúng ta có một số chỉ số thông dụng sau:

a. Chỉ số NDVI

Công thức: NDIV = (IR-R)/(IR+R) Trong đó IR là giá trị bức xạ của bước sóng cận hồng ngoại (near infrared), R là giá trị bức xạ của bước sóng nhìn thấy (visible).Chỉ số thực vật được dùng rất rộng rãi để xác định mật độ phân bố của thảm thực vật, đánh giá trạng thái sinh trưởng và phát triển của cây trồng, làm cơ sở số liệu để dự báo sâu bệnh, hạn hán, diện tích năng suất và sản lượng cây trồng…

HV: Phạm Quang Hiển

30

b. Chỉ số SAVI

Công thức: SAVI = ((NIR - Red) / (NIR + Red + L)) x (1 + L) Trong đó L là hệ số hiệu chỉnh. Giá trị của L nằm trong khoảng từ -1 đến 1, tùy thuộc vào mật độ thực vật xanh có trong khu vực. Để chạy phân tích ảnh các khu vực có mật độ thảm thực vật cao, L được gán giá trị 0 (trong trường hợp đó, giá trị chỉ số SAVI sẽ bằng với NDVI); trong khi các vùng thực vật có mật độ thấp, giá trị của L = 1.

Chỉ số Savi được sử dụng trong trường hợp phân tích các khu vực mới trồng cây (cây non); đối với các khu vực khô cằn với thảm thực vật thưa thớt (ít hơn 15% tổng diện tích) và bề mặt đất trống.

c. Chỉ số ARVI

Công thức: ARVI = (NIR - (2 * Red) + Blue) / (NIR + (2 * Red) + Blue) So với các chỉ số khác, chỉ số ARVI rất hiệu quả trước các hiệu ứng địa hình, điều này khiến nó trở thành một công cụ giám sát chất lượng cho các vùng núi nhiệt đới thường bị ảnh hưởng do muội than đến từ hoạt động đốt nương rẫy.

Chỉ số ARVI nên được sử dụng trong các trường hợp: Đối với các khu vực có hàm lượng aerosol trong khí quyển cao (ví dụ như mưa, sương mù, bụi, khói, ô nhiễm không khí) d. Chỉ số EVI

Công thức: EVI = 2,5*((NIR - Red) / ((NIR) + (C1*Red) - (C2*Blue) + L)) Chỉ số EVI chứa hệ số C1 và C2 để điều chỉnh sự tán xạ aerosol có trong khí quyển và L để điều chỉnh cho nền đất và tán cây. Các kỹ thuật viên GIS tập sự có thể gặp khó khăn khi quyết định giá trị của bộ tham số cũng như làm sao để tính toán EVI từ nhiều loại dữ liệu vệ tinh khác nhau. Theo truyền thống, đối với cảm biến MODIS của NASA, C1 = 6, C2 = 7.5 và L = 1. Trong trường hợp bạn đang tự hỏi làm thế nào để tính toán EVI với Sentinel-2 hoặc Landsat-8, trước mắt hãy cứ áp dụng bộ tham số trên, hoặc đơn giản dùng ứng dụng LandViewer. Công cụ này sẽ giúp bạn tính toán và cho phép tải xuống kết quả. Để có C1, C2 và L chính xác cho từng loại ảnh cụ thể, bạn sẽ cần phải thực hiện các nghiên cứu chuyên sâu hơn. Chỉ số EVI được sử dụng khi: Các phân tích ở những khu vực có mật độ diệp lục cao (như rừng mưa nhiệt đới) và tốt nhất với vùng có ảnh hưởng tối thiểu của địa hình (không phải khu vực miền núi).

e. Chỉ số GCI

Công thức: GCI = (NIR) / (Green) – 1 Chỉ số GCI giúp phân tích tốt hơn về hàm lượng diệp lục với chỉ số thực vật GCI có thể đạt được bằng cách sử dụng các cảm biến vệ tinh có bước sóng rộng ở dải NIR và Green.

HV: Phạm Quang Hiển

31

Sử dụng chỉ số GCI để theo dõi tác động của thời vụ, ức chế từ môi trường

canh tác, thuốc trừ sâu đối với sức khỏe thực vật.

f. Chỉ số NBR

Công thức: NBR = (NIR - SWIR) / (NIR + SWIR) Trên thực tế, để đánh giá diện tích cháy và mức độ nghiêm trọng của đám cháy, việc sử dụng NBR cho phép chỉ ra những thay đổi rõ nét của cảnh quan do hỏa hoạn gây ra. Đó là sự khác biệt giữa NBR được tính từ ảnh của một khu vực trước và sau đám cháy. Ngoài ra, còn có chỉ số NBR Thermal 1 sử dụng dải Nhiệt để tăng cường để chỉ ra sự khác biệt chính xác hơn giữa vùng bị đốt cháy và những vùng khác.

Chỉ số NBR được sử dụng phổ biến trong lĩnh vực nông nghiệp và lâm nghiệp nhằm phát hiện các đám cháy đang hoạt động, phân tích mức độ nghiêm trọng của vụ cháy và theo dõi sự tồn tại của thảm thực vật sau khi đốt.

3.3.2. Quy trình xử lý

Qua quá trình nghiên cứu và tìm hiểu các kiến thức về ảnh vệ tinh và kỹ thuật học sâu, áp dụng vào bài toán giám sát lớp phủ thực vật cho tỉnh Cao Bằng, tác giả đề xuất quy trình xây dựng mạng nơ-ron tích chập theo kiến trúc Unet trích xuất đặc trưng ảnh vệ tinh như sau:

Bước 1. Chọn vùng sẽ tải ảnh vệ tinh tại website https://geojson.io (gọi là input

AOI), đầu ra là file định dạng Geojson.

Hình 3. 15: Chọn vùng tải ảnh vệ tinh

HV: Phạm Quang Hiển

32

Hình 3.16: Cấu trúc file Geojson của vùng chọn tải ảnh vệ tinh

HV: Phạm Quang Hiển

33

Bước 2. Đăng ký tài khoản trên website https://www.sentinel-hub.com/ (website

cho phép tải ảnh vệ tinh)

Hình 3.17: đăng ký tài khoản trên Sentinel-hub để tải ảnh vệ tinh Bước 3. Cấu hình các thông số để tải dữ liệu ảnh vệ tinh phù hợp với bài toán

nghiên cứu

Hình 3.18: Cấu hình các thông số trên Sentinel-hub để tải dữ liệu ảnh vệ tinh

HV: Phạm Quang Hiển

34

Hình 3.19: Cấu hình tính chỉ số NDVI Json file

Hình 3.20: Json file cấu hình tính chỉ số NDVI trên Sentinel-hub

Hình 3.21: Cấu hình các thông số phía Client để tải ảnh vệ tinh Bước 4. Chia nhỏ AOI thành các vùng nhỏ (gọi là Eopatch) có thể quản lý được,

sau đó tiến hành xử lý từng Eopatch

Bước 5. Xử lý đối với từng Eopatch:

- Tải xuống các dải RGB từ các ảnh Sentinel-2 L2A bằng Sentinel-Hub

HV: Phạm Quang Hiển

35

- Lấy dữ liệu thực địa (ground-truth) từ Geopedia - Tính toán các giá trị trung bình cho các dải RGB (Red-Green-Blue) trong

khoảng thời gian

- Lưu dữ liệu - Chia ảnh vệ tinh tải xuống thành các vùng con với kích thước 256x256 với dữ liệu thực địa tương ứng để đào tạo và xác thực mô hình (số lượng ảnh đầu vào phụ thuộc và diện tích của vùng chọn tải ảnh vệ tinh và kích thước của các vùng con được phân chia).

Bước 6. Huấn luyện mô hình và xác nhận với U-net

Hình 3.22: Quy trình xử lý ảnh vệ tinh với mô hình Unet và thư viện Eo-learn

HV: Phạm Quang Hiển

36

Chương 4: THỰC NGHIỆM

Để tiến hành thực nghiệm mô hình được xây dựng của bài toán, tác giả đã

tiến hành các nội dung sau:

- Xác định vùng thực nghiệm: Cao Bằng, Việt Nam (Nội dung 4.1 Vùng

thực nghiệm).

- Tiến hành tải dữ liệu ảnh vệ tinh (Bước 1 đến bước 3 nội dung 3.3.2 Quy trình xử lý) làm dữ liệu đầu vào cho hệ thống, lượng dữ liệu đầu vào (số lượng ảnh vệ tinh) được xác định bởi 2 yếu tố: Kích thước vùng chọn tải ảnh vệ tinh (Bước 1 nội dung 3.3.2 Quy trình xử lý) và kích thước khi chia nhỏ vùng lấy ảnh vệ tinh (bước 5 phần 3.3.2 Quy trình xử lý).

- Xây dựng kiến trúc U-net để xử lý dữ liệu ảnh vệ tinh đầu vào tương ứng

(Bước 6 nội dung 3.3.2 Quy trình xử lý).

- Đưa ra một số kết quả: hiển thị dữ liệu của “Thực vật”, “Đất” và “Nước” sau khi xử lý trích xuất đặc trưng từ 13 kênh ảnh của ảnh vệ tinh Sentinel- 2 (Nội dung 4.2.1 Kết quả chạy thực nghiệm của đề tài).

- Đưa ra ma trận độ chính xác của mô hình xây dựng trong luận văn (Nội

dung 4.2.1 Kết quả chạy thực nghiệm của đề tài).

- Đưa ra một số so sánh về ưu nhược điểm, kết quả (ma trận độ chính xác) của mô hình nghiên cứu trong luận văn so với xử lý trên phần mềm ENVI với cùng bộ dữ liệu đầu vào (Nội dung 4.2.2 So sánh kết quả thực nghiệm với phần mềm ENVI).

4.1. Vùng thực nghiệm

Tỉnh Cao Bằng nằm ở phía đông bắc Việt Nam, có vị trí địa lý: - Phía bắc và đông bắc giáp với khu tự trị dân tộc Choang Quảng Tây

(Trung Quốc) với đường biên giới dài 333,125 km

- Phía tây giáp tỉnh Hà Giang - Phía tây nam giáp tỉnh Tuyên Quang - Phía nam giáp các tỉnh Bắc Kạn và Lạng Sơn. Tỉnh Cao Bằng có diện tích đất tự nhiên 6.690,72 km², là cao nguyên đá vôi xen lẫn núi đất, có độ cao trung bình trên 200 m, vùng sát biên có độ cao từ 600- 1.300 m so với mặt nước biển. Núi non trùng điệp. Rừng núi chiếm hơn 90% diện tích toàn tỉnh. Từ đó hình thành nên 3 vùng rõ rệt: Miền đông có nhiều núi đá, miền tây núi đất xen núi đá, miền tây nam phần lớn là núi đất có nhiều rừng rậm. Cao Bằng có diện tích tự nhiên 6.690,72 km², chiếm 2,12% diện tích cả nước. Phía Bắc và Đông Bắc giáp tỉnh Quảng Tây (Trung Quốc), có đường biên giới dài 311 km, phía Tây giáp tỉnh Hà Giang và Tuyên Quang, phía Nam giáp tỉnh Bắc Kạn, phía Đông Nam giáp tỉnh Lạng Sơn. Là tỉnh miền núi vùng cao biên giới, xa

HV: Phạm Quang Hiển

37

các trung tâm kinh tế lớn của vùng Đông Bắc và cả nước nhưng Cao Bằng lại có ba cửa khẩu là Tà Lùng, Hùng Quốc và Sóc Hà. Đây là lợi thế quan trọng, tạo điều kiện cho tỉnh giao lưu kinh tế với bên ngoài, nhất là Trung Quốc [17].

Địa hình Cao Bằng chia cắt mạnh và phức tạp, hình thành 4 tiểu vùng kinh tế sinh thái: tiểu vùng núi đá vôi ở phía bắc và đông bắc chiếm 32%, tiểu vùng núi đất ở phía tây và tây nam chiếm 18% tiểu vùng núi đất thuộc thượng nguồn sông Hiến chiếm 38%, tiểu vùng bồn địa thị xã Cao Bằng và huyện Hoà An dọc sông Bằng chiếm 12% diện tích tự nhiên của tỉnh [17].

Hiện nay, toàn tỉnh có khoảng 140.942 ha đất có khả năng phát triển nông nghiệp, chiếm 21% diện tích tự nhiên. Phần lớn đất được sử dụng để phát triển cây hàng năm, chủ yếu là cây lương thực, cây ăn quả, cây công nghiệp còn ít. Hiệu quả sử dụng đất còn thấp, hệ số sử dụng đất mới đạt khoảng 1,3 lần. Đất có khả năng phát triển lâm nghiệp có khoảng 408.705 ha, chiếm 61,1% diện tích tự nhiên, trong đó rừng tự nhiên khoảng 248.148 ha, rừng trồng14.448 ha, còn lại là đất trống, đồi núi trọc. Với phương thức nông lâm kết hợp, căn cứ độ dốc và tầng đất mặt đối với diện tích đất trống đồi núi trọc có thể trồng cây công nghiệp, cây ăn quả, cây đặc sản và chăn nuôi gia súc kết hợp với trồng rừng theo mô hình trang trại. Các loại đất chuyên dùng, đất xây dựng khu công nghiệp, đất xây dựng đô thị và đất xây dựng khác còn nhiều. Tỉnh cần có kế hoạch quản lý, sử dụng các loại đất trên cho hiệu quả, tạo thêm nguồn lực quan trọng để phát triển.

Hiện trên địa bàn tỉnh chủ yếu là rừng nghèo, rừng non mới tái sinh, rừng trồng và rừng vầu nên trữ lượng gỗ ít. Rừng tự nhiên còn một số gỗ quý như nghiến, sến, tô mộc, lát nhưng không còn nhiều, dưới tán rừng còn có một số loài đặc sản quý như sa nhân, bạch truật, ba kích, hà thủ ô và một số loài thú quý hiếm như: gấu, hươu, nai, và một số loài chim…Mấy năm gần đây, nhờ có chủ trương và chính sách xã hội hoá nghề rừng, giao đất giao rừng, thực hiện chương trình 327, chương trình 5 triệu ha rừng, PAM 5322 và trồng rừng quốc gia nên tài nguyên rừng đang dần được phục hồi, độ che phủ rừng đạt 40% năm 2000, 45% năm 2002, lập lại thế cân bằng sinh thái. Trữ lượng gỗ, lâm sản tăng lên sẽ có những đóng góp cho nền kinh tế tỉnh trong tương lai.

Cao Bằng có nguồn tài nguyên khoáng sản đa dạng, đến cuối năm1999, trên địa bàn tỉnh đã đăng ký 250 mỏ và điểm quặng với 22 loại khoáng sản. Đáng kể nhất là quặng sắt trữ lượng hàng nghìn triệu tấn, có nhiều công dụng trong sản xuất vật liệu xây dựng. Số liệu điều tra địa chất hiện có đã cho phép Cao Bằng hoạch định quy hoạch phát triển khai thác và chế biến đối với các khoáng sản nêu trên. Đồng thời cần tiếp tục điều tra thăm dò chi tiết hơn đối với các khoáng sản còn tiềm năng như vàng, đôlômít, thạch anh, antimon, vofram…

HV: Phạm Quang Hiển

38

4.2. Kết quả thực nghiệm 4.2.1. Kết quả chạy thực nghiệm của đề tài

Dưới đây là một số kết quả thực nghiệm của đề tài bao gồm “Ảnh vệ tinh” và “Kết quả dự đoán của mô hình” ( Thực vật, Nước, Đất), cũng như ma trận độ chính xác của mô hình đã được chuẩn hoá, với độ chính xác ~ 84.5%.

Satellite Image Prediction Satellite Image Prediction

HV: Phạm Quang Hiển

39

Satellite Image Prediction Satellite Image Prediction

Hình 4.1: Ma trận độ chính xác của mô hình (Confusion matrix)

HV: Phạm Quang Hiển

40

4.2.2. So sánh kết quả thực nghiệm với phần mềm Envi

Bảng 4.1: Bảng so sánh các bước và kết quả xử lý ảnh vệ tinh giữa phần mềm envi và hệ thống sử dụng Unet và Eo-Learn

STT Nội dung

1 Độ chính xác (so sánh với cùng dữ liệu đầu vào) Phần mềm Envi Phụ thuộc vào kinh nghiệm của người xử lý, độ chính xác cao hơn ~ 87,1%

Unet + Eo-Learn Không phụ thuộc vào kinh của nghiệm người xử lý, độ chính xác thấp hơn ~ 84,5% Tự động Bán tự động

Có Có

8 bước xử lý (Đơn giản hơn) 13 bước xử lý (Phức

2 Tự động xử lý trích xuất đặc trưng ảnh vệ tinh 3 Cho phép cấu hình download tự động ảnh vệ tinh 4 Độ phức tạp của quy trình xử lý 5 Trường hợp sử

dụng

Chỉ xử lý 1 cảnh ảnh tại 1 thời điểm nên phù hợp với lượng dữ liệu đầu vào ít

tạp hơn) Xử lý được nhiều cảnh ảnh cùng 1 lúc nên phù hợp với lượng dữ liệu lớn Miễn phí 6 Bản quyền Mất phí

Hình 4.2: Ma trận độ chính xác giữa hệ thống (trái, ~ 84,5%) và phần mềm ENVI (phải, ~ 87,1%) khi thử nghiệm với cùng bộ dữ liệu

HV: Phạm Quang Hiển

41

Chương 5. KẾT LUẬN

Thực vật đóng vai trò vô cùng quan trọng đối với cuộc sống của con người, ngoài việc cung cấp oxi, cân bằng môi trường thì thực vật còn là nguồn cung cấp thực phẩm cho con người gia súc. Chính vì vậy, lớp phủ thảm thực vật ảnh hưởng rất lớn đến môi trường và cuộc sống con người và động vật, từ sự biến đổi khí hậu đến sụt lở và xói mòn đất, đến sự cân bằng hệ sinh thái. Ngoài việc quá trình đô thị hoá ngày càng gia tăng, việc khai thác rừng không hợp lý, trái phép hoặc cháy rừng cũng là những yếu tố gây nên sự thay đổi của lớp phủ thực vật đang diễn ra hàng ngày. Chính vì vậy việc giám sát sự thay đổi của lớp phủ thực vật là nhiệm vụ vô cùng cấp thiết nhằm có những phương án xử lý, khắc phục đối với các tình huống xấu nhất. Với sự phát triển của khoa học kỹ thuật, việc sử dụng ảnh vệ tinh trong công tác giám sát lớp phủ thực vật đã giúp ích rất nhiều trong công tác quản lý, giúp nâng cao hiệu quả, đảm bảm tính chính xác và tiết kiệm thời gian.

Trong quá trình nghiên cứu, nhận thấy việc xử lý trích xuất đặc trưng ảnh trên các phần mềm chuyên dụng như Envi mặc dù đang mang lại các kết quả tích cực nhưng vẫn còn nhiều nhược điểm như: chỉ xử lý được một cảnh ảnh tại một thời điểm, độ chính xác của kết quả phụ thuộc nhiều vào kinh nghiệm của người sử dụng phần mềm. Việc xử lý nhiều dữ liệu ảnh vệ tinh vẫn phải thực hiện bán thủ công, chưa tự động hoàn toàn, dẫn tới mất rất nhiều thời gian khi xử lý số lượng dữ liệu lớn.

Chính vì lý do trên, tác giả đã đề xuất giải pháp ứng dụng trí tuệ nhân tạo trong việc trích xuất đặc trưng ảnh vệ tinh bằng cách sử dụng các kỹ thuật học sâu. Trong quá trình thực hiện luận văn, tôi đã tìm hiểu và trau dồi các kiến thức về xử lý ảnh viễn thám các kiến thức về học máy, các kiến trúc học sâu. Vận dụng những kiến thức trong quá trình học tập và nghiên cứu tại trường Đại học Công nghệ - Đại học quốc gia Hà Nội cũng như những kiến thức tìm hiểu được, tôi đã thực hiện luận văn với mục đích trích xuất đặc trưng ảnh vệ tinh sử dụng các kỹ thuật học sâu. Áp dụng với ảnh vệ tinh sentinel-2, nhằm giám sát lớp thực vật cho tỉnh Cao Bằng.

Với nhiều tính năng vượt trội hơn như không bị ảnh hưởng bởi điều kiện thời tiết, điều kiện ngày đêm, độ phân giải không gian và thời gian. Ảnh vệ tinh Sentinel-2 đã đem lại kết quả phân lớp cao hơn so với ảnh LandSat 8. Do vậy dữ liệu Sentinel-2 được chọn sử dụng cho bài toán giám sát lớp phủ thực vật.

Với công nghệ ngày càng phát triển hiện nay, tác giả đã tiến hành kết hợp các kỹ thuật học sâu và thư viện Eo-Learn để tiến hành xây dựng mô hình mạng nơron tích chập theo kiến trúc U-net để thực hiện việc tự động trích xuất đặc trưng trên ảnh vệ tinh. Với quy trình xử lý tự động, hệ thống hỗ trợ xử lý lượng lớn dữ liệu ảnh vệ tinh đầu vào, giảm thiếu sự tác động từ yếu tố con người, làm tăng hiệu quả trong quá trình xử lý.

HV: Phạm Quang Hiển

42

Tuy nhiên, luận văn vẫn còn một số vấn đề còn tồn tại như: hệ thống xây dựng mới chỉ xử lý ảnh vệ tinh Sentinel-2, độ chính xác chưa thật sự cao hơn so với các phần mềm chuyên dụng về xử lý ảnh vệ tinh, thời gian huấn luyện mô hình và xử lý dữ liệu còn mất nhiều thời gian, chưa xây dựng giao diện hướng tới người dùng.

Tác giả sẽ cố gắng khắc phục những nhược điểm của hệ thống hiện tại. Phát triển hệ thống xử lý với nhiều nguồn ảnh vệ tinh khác nhau như Landsat, Spot, Modis… Khi các kỹ thuật về trí tuệ nhân tạo vẫn đang phát triển mạnh mẽ, hệ thống hứa hẹn sẽ cải thiện nhiều hơn về độ tin cậy của thuật toán. Kết hợp với sự phát triển về sức mạnh phần cứng, tốc độ xử lý bài toán sẽ được đẩy nhanh hơn, giúp cho năng suất làm việc ngày một nâng cao.

Trong tương lai, sự thay đổi về môi trường cũng ảnh hưởng nhiều đến cấu trúc các lớp phủ bề mặt trái đất, đó cũng là một thách thức lớn đối với việc giám sát các lớp phủ mặt đất. Việc cải tiến và nâng cao thuật toán, xây dựng mô hình nhằm đem lại năng suất và độ tin cậy cao là nhu cầu tất yếu. Tác giả cũng mong muốn cải tiến, phát triển và phổ cập hệ thống hướng tới người dùng. Đi kèm đó, áp dụng vào giải quyết các bài toán tương tự cũng trong thực tế là một vấn đề đáng quan tâm.

HV: Phạm Quang Hiển

43

TÀI LIỆU THAM KHẢO

Tài liệu tiếng việt: 1. Quyết định 18/QD-TTg, 15.2.2007, Quyết định phê duyệt chiến lược phát triển lâm nghiệp Việt Nam giai đoạn 2006-2020 của Thủ tướng Chính phủ 2. Luận văn thạc sỹ: “Nghiên cứu về mạng Neural tích chập và ứng dụng cho bài toán nhận dạng biển số xe”, Lê Thị Thu Hằng, Đại học Công nghệ - Đại học Quốc gia Hà Nội 2016

3. Luận văn thạc sỹ: “Nghiên cứu và ứng dụng phương pháp học máy trong phân lớp lúa sử dụng ảnh viễn thám”, Phan Anh, Đại học Công nghệ - Đại học Quốc gia Hà Nội 2019

4. Bài giảng “Xử lý ảnh số và thị giác máy tính”, TS Lê Thành Sách, Đại học

Bách khoa Hà nội

Tài liệu tiếng anh: 5. “Feature Extraction from Satellite Images Using Deep Learning”, Keerthika T - Assistant Professo, Department of CSE, Sri Krishna College of Engineering and Technology,Coimbatore; Ashwini A, Amirta varsni R, Angela princy A, Dinesh kumar S - Department of CSE, Sri Krishna College of Engineering and Technology, Coimbatore

6. “Automatic Feature extraction from satellite images using LVQ Neural network”, Deepakrishna S - Institute of Surveying and Mapping, Diyatalawa, Sri Lanka; Ediriweera S - Faculty of Science and Technology, Uva Wellassa University, Badulla, Sri Lanka; Gunatilake A A J K - Department of Geology, Faculty of Science, University of Peradeniya, Peradeniya, Sri Lanka

7. U-Net: Convolutional Networks for BiomedicalImage Segmentation, Olaf Ronneberger, Philipp Fischer, and Thomas Brox, Computer Science Department and BIOSS Centre for Biological Signalling Studies,University of Freiburg, Germany

8. Tree Detection in Remote Sensing Imagery Baumerkennung

in Fernerkundungs – Bildmateria, Master Thesis of Maximilian Ulrich Freudenberg prepared by Maximilian Ulrich Freudenberg born in Heidelberg, Germanyat the Third Institute of Physicsin the Department of Computational Neurosciencein cooperation with the Chair of Forest Inventory and Remote Sensingfrom the Burckhardt Institute, Faculty of Forest Sciences and Forest Ecology

9. SUHET, 2015, Sentinel-2_User_Handbook, ESA Standard Document,

European Space Agency

HV: Phạm Quang Hiển

44

10. Y.-L. Desnos, P. Potin, M. Foumelis, N. Miranda, B. Rosich-Tell M.

Engdahl, 2015, Copernicus – Sentinel-1

11. “A Convolutional Neural Network for Modelling Sentences”, Nal Kalchbrenner, Edward Grefenstette, Phil Blunsom - Department of Computer Science University of Oxford

12. Alexey Novikov et al. “Fully Convolutional Architectures for Multi-Class Segmentation in Chest Radiographs”. In: IEEE Transactions on Medical Imaging 37 (Mar. 2018). DOI: 10.1109/TMI.2018.2806086 (cited on page 219).

13. Nitish Srivastava et al. “Dropout: A Simple Way to Prevent Neural Networks from Overfit-ting”. In: Journal of Machine Learning Research 15 (June 2014), pages 1929–1958 (cited on page 183).

Trang web: 14. http://tailieu.ttbd.gov.vn:8080/index.php/tai-lieu/chuyen-de-chuyen- sau/item/921-tong-quan-ve-quan-ly-va-bao-ve-tai-nguyen-rung

15. https://eo-learn.readthedocs.io/en/latest/eotasks.html 16. https://nhdp.net/blog/2018/11/tong-quan-don-gian-ve-mang-no-ron-tich-

chap-convolutional-neural-networks/

17. http://tnmtcaobang.gov.vn/index.php/vi/about/Gioi-thieu-khai-quat-ve-tai-

nguyen-va-moi-truong-Cao-Bang/

18. http://www.geoviet.vn/goc-ky-thuat/vn/400/473/301/0/gioi-thieu-chung-ve-

phan-mem-envi.aspx

19. https://cs231n.github.io/convolutional-networks/ 20. https://stanford.edu/~shervine/l/vi/teaching/cs-230/cheatsheet-

convolutional-neural-networks - hyperparameters

HV: Phạm Quang Hiển

45

PHỤ LỤC

Các tác vụ của thư viện Eo-Learn Bảng 2.3: EO tasks Core

AddFeature Thêm một tính năng vào EOPatch nhất định.

CopyTask Tạo một bản sao của EOPatch đã cho

CreateEOPatchTask Tạo mới một EOPatch

DeepCopyTask Tạo bản sao sâu của EOPatch đã cho

DuplicateReature

ExtractBandsTask

IOTask

InitializeFeature Nhân đôi một hoặc nhiều tính năng trong một EOPatch Di chuyển một tập hợp con các kênh từ tính năng này sang tính năng mới Một tác vụ đầu vào / đầu ra trừu tượng có thể xử lý một đường dẫn và một đối tượng hệ thống tệp Khởi tạo các giá trị của một đối tượng địa lý

LoadFromDisk Tải dữ liệu từ ổ cứng

LoadTask Tải EOPatch từ hệ thống tệp

MapFeatureTask

Áp dụng một hàm cho từng tính năng trong đặc trưng đầu vào của một EOPatch và lưu trữ kết quả trong một tập thuộc tính đầu ra.

MergeFeatureTask

MoveFeature

RemoveFeature

RenameFeature Hợp nhất nhiều đối tượng địa lý với nhau bằng cách nối dữ liệu của chúng Tác vụ sao chép / sao chép sâu từ một eopatch này sang eopatch khác. Xóa một hoặc nhiều tính năng khỏi EOPatch nhất định Đổi tên một hoặc nhiều tính năng từ EOPatch đã cho

SaveTask Lưu EOPatch đã cho vào hệ thống tệp

SaveToDisk Lưu dữ liệu vào ổ cứng

ZipFeatureTask

CompositeTask Truyền một tập hợp đặc trưng đầu vào cho một hàm, kết quả là hàm này trả về một tính năng đơn lẻ và lưu trữ nó trong eopatch Tạo một tác vụ bao gồm 2 tác vụ kép

Bảng 2.4: EO tasks Coregistration

ECCRegistration

Nhiệm vụ đăng ký triển khai phương pháp dựa trên cường độ từ OpenCV PointBasedRegistration Lớp đăng ký triển khai đăng ký dựa trên điểm từ gói đóng góp của OpenCV

HV: Phạm Quang Hiển

46

RegistrationTask

ThunderRegistration

Lớp trừu tượng cho đồng đăng ký hình ảnh đa thời gian Tác vụ đăng ký thực hiện đăng ký dịch bằng gói thunder-registration

Bảng 2.5: EO tasks Features

EuclideanNormTask

NormalizedDifferenceIndexTask

BlobTask

DoGBlobTask

LoGBlobTask

sử bằng ClusteringTask

FeatureExtractionTask

FilterTimeSeries

SimpleFilterTask

ValueFilloutTask

HaralickTask HOGTask

AkimaInterpolation

BSplineInterpolation

CubicInterpolation

CubicResampling

Nhiệm vụ tính toán Định mức Euclide Nhiệm vụ tính toán Chỉ số Chênh lệch Chuẩn hóa (NDI) giữa hai dải A và B Nhiệm vụ tính toán các đốm màu Nhiệm vụ tính toán các đốm màu với phương pháp Difference of Gaussian (DoG) Nhiệm vụ tính toán các đốm màu với phương pháp Laplacian of Gaussian (LoG) Task tính toán các cụm trên các tính năng đã chọn dụng cách sklearn.cluster.AgglomerativeClustering. Tác vụ áp dụng một biểu thức đại số trên mỗi giá trị của đối tượng địa lý Loại bỏ tất cả các khung trong chuỗi thời gian có ngày nằm ngoài khoảng thời gian do người dùng chỉ định. Biến đổi một eopatch of hình [n, w, h, d] thành [m, w, h, d] cho m <= n. Ghi đè các lần xuất hiện của một giá trị mong muốn với các giá trị lân cận của chúng theo hướng tiến, lùi hoặc cả hai, dọc theo một trục. Nhiệm vụ tính toán hình ảnh kết cấu Haralick Nhiệm vụ tính toán biểu đồ của gradient Triển khai eolearn.features.InterpolationTask dụng sử scipy.interpolate.Akima1DInterpolator Triển khai eolearn.features.InterpolationTask sử dụng scipy.interpolate.BSpline Triển khai eolearn.features.InterpolationTask dụng sử scipy.interpolate.interp1d(kind=’cubic’) Triển khai eolearn.features.ResamplingTask dụng sử scipy.interpolate.interp1d(kind=’cubic’)

HV: Phạm Quang Hiển

47

InterpolationTask

KrigingInterpolation

LegacyInterpolation

dụng numpy.interp LinearInterpolation

LinearResampling

NearestResampling

ResamplingTask

SplineInterpolation

LocalBinaryPatternTask

BaseCompositing

BlueCompositing HOTCompositing

HistogramMatching

MaxNDVICompositing MaxNDWICompositing MaxRatioCompositing

ReferenceScenes Lớp EOTask chính để nội suy và lấy mẫu lại chuỗi thời gian Triển khai eolearn.features.InterpolationTask sử dụng sklearn.gaussian_process.GaussianProcessR egressor Các quá trình Gaussian (tập siêu số của kriging) đặc biệt được sử dụng trong ước tính dữ liệu thiếu địa chất. Triển khai eolearn.features.InterpolationTask dụng sử scipy.interpolate.interp1d(kind=’linear’) Triển khai eolearn.features.InterpolationTask và sử @numb.jit(nopython=True) Triển khai eolearn.features.ResamplingTask dụng sử scipy.interpolate.interp1d(kind=’linear’) Triển khai eolearn.features.ResamplingTask sử dụng scipy.interpolate.interp1d(kind=’nearest’) Một lớp con của tác vụ InterpolationTask chỉ hoạt động với dữ liệu không có giá trị bị thiếu, bị che hoặc không hợp lệ. Triển khai eolearn.features.InterpolationTask sử dụng scipy.interpolate.UnivariateSpline Tác vụ tính toán hình ảnh Mẫu nhị phân cục bộ Lớp cơ sở để tạo tổng hợp các cảnh tham chiếu Lớp cơ sở để tạo tổng hợp các dải màu xanh Lớp cơ sở để tạo tổng hợp các dải màu nóng Đối sánh biểu đồ của từng dải của mỗi cảnh trong một chuỗi thời gian đối với dải tương ứng của tổng hợp tham chiếu. Phương pháp tổng hợp NDVI tối đa Phương pháp tổng hợp NDWI tối đa Phương pháp tổng hợp Ratio tối đa Tạo một lớp cảnh tham chiếu có tỷ lệ pixel hợp lệ cao nhất.

HV: Phạm Quang Hiển

48

AddMaxMinNDVISlopeIndice sTask

AddMaxMinTemporalIndices Task

AddSpatioTemporalFeaturesT ask Nhiệm vụ tính toán đối số tối đa và giới hạn của độ dốc NDVI Nhiệm vụ tính toán các chỉ số thời gian về mức tối đa và tối thiểu của một đối tượng dữ liệu. Nhiệm vụ triển khai và bổ sung để cập nhật các tính năng không gian-thời gian được đề xuất trong.

Bảng 2.6: EO tasks Geometry

ErosionTask

PointSamplingTask

FelzenszwalbSegmentation Nhiệm vụ thực hiện xói mòn mặt nạ được cung cấp Nhiệm vụ lấy mẫu theo không gian các điểm từ chuỗi thời gian. Phân đoạn siêu pixel sử dụng phương pháp phân đoạn của Felzenszwalb

MarkSegmentationBoundaries

Sử dụng mặt nạ phân đoạn siêu pixel và tạo mặt nạ mới trong đó ranh giới của các siêu pixel được đánh dấu

SlicSegmentation

SuperpixelSegmentation

RasterToVector Phân đoạn siêu pixel sử dụng phương pháp phân đoạn SLIC Nhiệm vụ phân đoạn siêu pixel Nhiệm vụ chuyển tính năng mặt nạ raster thành đối tượng vector.

Bảng 2.7: EO tasks Io

AddGeopediaFeature

BaseLocalIo

ExportToTiff Tác vụ thêm một đặc trưng từ Geopedia vào một EOPatch hiện có. Lớp trừu tượng cơ sở cho các tác vụ IO cục bộ Tác vụ xuất tính năng được chỉ định sang GeoTiff.

ImportFromTiff Tác vụ nhập dữ liệu từ tệp Geo-Tiff vào EOPatch

SentinelHubDemTask Một tác vụ đầu vào API xử lý tải xuống mô hình số độ cao

SentinelHubInputBase Lớp cơ sở để xử lý các tác vụ đầu vào API

HV: Phạm Quang Hiển

49

SentinelHubInputTask

Một tác vụ đầu vào API xử lý tải dữ liệu số nguyên 16 bit và chuyển đổi nó thành tính năng số thực 32 bit.

AddSen2CorClassificationFeature

DEMWCSInput

DEMWMSInput

L8L1CWCSInput

L8L1CWMSInput

S1IWWCSInput

S1IWWMSInput

S2L1CWCSInput

S2L1CWMSInput

S2L2AWCSInput

S2L2AWMSInput

Thêm kết quả phân loại SCL (phân loại cảnh), CLD (xác suất đám mây) hoặc SNW (xác suất tuyết) Sen2Cor vào tính năng MASK hoặc DATA của EOPatch. Thêm DEM vào DATA_TIMELESS đặc trưng của EOPatch. Thêm DEM vào DATA_TIMELESS đặc trưng của EOPatch. Tác vụ tạo các EOPatch và tải dữ liệu Landsat-8 L1C bằng cách sử dụng yêu cầu WCS của Sentinel Hub. Tác vụ tạo các EOPatch và tải dữ liệu Landsat-8 L1C bằng cách sử dụng yêu cầu WMS của Sentinel Hub. Tác vụ tạo các EOPatch và tải dữ liệu Sentinel-1 IW bằng cách sử dụng yêu cầu WCS của Sentinel Hub. Tác vụ tạo các EOPatch và tải dữ liệu Sentinel-1 IW bằng cách sử dụng yêu cầu WMS của Sentinel Hub. Tác vụ tạo các EOPatch và tải dữ liệu Sentinel-2 L1C bằng cách sử dụng yêu cầu WCS của Sentinel Hub. Tác vụ tạo các EOPatch và tải dữ liệu Sentinel-2 L1C bằng cách sử dụng yêu cầu WMS của Sentinel Hub. Tác vụ tạo các EOPatch và tải dữ liệu Sentinel-2 L2A bằng cách sử dụng yêu cầu WCS của Sentinel Hub. Tác vụ tạo các EOPatch và tải dữ liệu Sentinel-2 L2A bằng cách sử dụng yêu cầu WMS của Sentinel Hub.

HV: Phạm Quang Hiển

50

SentinelHubOGCInput

SentinelHubWCSInput

Tác vụ tải dữ liệu theo các EOPatch bằng cách sử dụng yêu cầu OGC của Sentinel Hub. Tác vụ tải dữ liệu theo các EOPatch bằng cách sử dụng yêu cầu WCS của Sentinel Hub.

SentinelHubWMSInput

Tác vụ tải dữ liệu theo các EOPatch bằng cách sử dụng yêu cầu WMS của Sentinel Hub.

Bảng 2.8: EO tasks Mask

AddCloudMaskTask Tác vụ thêm mặt nạ đám mây và bản đồ xác suất đám mây vào EOPatch

AddMultiCloudMaskTask Nhiệm vụ này bao quanh s2 không có đám mây và bộ phân loại đa thời gian dựa trên SSIM.

ClassFrequencyTask Tính toán tần số của mỗi lớp đã cho thông qua thời gian.

AddValidDataMaskTask EOTask để thêm mảng mặt nạ tùy chỉnh được sử dụng để lọc dữ liệu phản xạ

MaskFeature

Che dấu các giá trị của một đối tượng địa lý bằng cách sử dụng các giá trị xác định của một đối tượng địa lý mặt nạ nhất định.

BaseSnowMask Lớp cơ bản để phát hiện và che phủ của tuyết

SnowMask Nhiệm vụ tính toán mặt nạ tuyết bằng cách sử dụng các ngưỡng đã cho.

TheiaSnowMask Tác vụ thêm mặt nạ tuyết vào EOPatch

Bảng 2.9: EO tasks ml_tools

ImageClassificationMaskTask

MorphologicalFilterTask

PostprocessingTask

TrainTestSplitTask

Tác vụ này áp dụng bộ phân loại đơn thời gian dựa trên pixel cho mỗi hình ảnh trong bản vá và thêm vào mỗi hình ảnh mặt nạ phân loại EOTask thực hiện các hoạt động hình thái học trên mặt nạ Lớp cơ sở cho tất cả các tác vụ xử lý sau Chỉ định ngẫu nhiên từng pixel hoặc các nhóm pixel cho nhiều tập hợp con (ví dụ: thử nghiệm / đào tạo / xác thực)

HV: Phạm Quang Hiển