zunia.vn

Tuyển sinh 2023 dành cho Gen-Z

zunia.vn

» Nông - Lâm - Ngư

» Nông nghiệp

Sử dụng công nghệ máy học dự báo giai đoạn tăng trưởng thanh long nghịch mùa bằng cách kết hợp hình ảnh các vệ tinh viễn thám

Chia sẻ: _ _ | Ngày: | Loại File: PDF | Số trang:6

Báo xấu

5
lượt xem 1
download

Download Vui lòng tải xuống để xem tài liệu đầy đủ

Bài viết Sử dụng công nghệ máy học dự báo giai đoạn tăng trưởng thanh long nghịch mùa bằng cách kết hợp hình ảnh các vệ tinh viễn thám được nghiên cứu nhằm mục đích sử dụng và đánh giá sự đóng góp của ảnh vệ tinh thông qua chỉ số NDVI để xác định giai đoạn tăng trưởng của cây thanh long tại huyện Châu Thành – tỉnh Long An.

Chủ đề:

Bình luận(0) Đăng nhập để gửi bình luận!

Lưu

Nội dung Text: Sử dụng công nghệ máy học dự báo giai đoạn tăng trưởng thanh long nghịch mùa bằng cách kết hợp hình ảnh các vệ tinh viễn thám

TẠP CHÍ KINH TẾ - CÔNG NGHIỆP Số 33 – Tháng 9/2022 SỬ DỤNG CÔNG NGHỆ MÁY HỌC DỰ BÁO GIAI ĐOẠN TĂNG TRƯỞNG THANH LONG NGHỊCH MÙA BẰNG CÁCH KẾT HỢP HÌNH ẢNH CÁC VỆ TINH VIỄN THÁM Using machine learning for the prediction of the growth stage of dragon fruit out of season based on the combination of images of remote sensing satellite 1 2 3 Lê Đình Tuấn , Thái Doãn Ngọc và Ngô Văn Linh 1,2,3 Trường Đại học Kinh tế Công nghiệp Long An, Long An, Việt Nam le.tuan@daihoclongan.edu.vn thai.ngoc@daihoclongan.edu.vn ngo.linh@daihoclongan.edu.vn Tóm tắt — Bài báo này nhằm mục đích sử dụng và đánh giá sự đóng góp của ảnh vệ tinh thông qua chỉ số NDVI để xác định giai đoạn tăng trưởng của cây thanh long tại huyện Châu Thành – tỉnh Long An. Đây là vùng đất chủ yếu trồng cây thanh long, công trình hiện tại là nghiên cứu đầu tiên trong lĩnh vực này sử dụng sự kết hợp giữa các hình ảnh vệ tinh Landsat, Modis và Sentinel để xác định giai đoạn tăng trưởng cây thanh long. Thuật toán máy học mạng nơ-ron nhân tạo (ANN) và Time Series Forecasting (TSF), đã được áp dụng để xác định các giai đoạn tăng trưởng của cây thanh long. Abstract — This paper aims to use and evaluate the contribution of satellite images through the NDVI index to determine the growth stage of dragon fruit out of season in Chau Thanh district - Long An province. This is a land mainly growing dragon fruits, the current work is the first in its field to use a combination of Landsat, Modis, and Sentinel satellite images to determine the growth stage of dragon fruit trees. Machine learning algorithms artificial neural network (ANN) and Time Series Forecasting (TSF), were applied to determine the growth stages of dragon fruit trees. Từ khóa — NDVI, prediction of growth stage, dragon fruit trees, satellite. 1. Giới thiệu Thanh long là một loài cây được trồng chủ yếu để lấy quả và cũng là tên của một vài chi của họ xương rồng, tiếng Anh là Pitahaya hay còn gọi là Dragon fruit. Thanh Long được trồng tương đối tập trung trên quy mô thương mại tại Châu Thành – Long An với quy mô hơn 11.000 ha. Tuổi thọ trung bình của thanh long là 10 – 12 năm, nếu đất tốt và được chăm bón chu đáo có thể dài hơn. Hiện nay, do tập quán canh tác thanh long tại các hộ sản xuất theo lối tự chủ động tùy tình hình giá cả thị trường, do đó, các cấp quản lý khó khống chế được sản lượng cung cấp ra thị trường. Tình trạng được mùa mất giá là không tránh khỏi đối với các loại cây trồng đặc biệt là thanh long xuất khẩu với sản lượng lớn. Cùng với sự phát triển nhanh của công nghệ vũ trụ, các nước trên thế giới dần áp dụng công nghệ viễn thám trong nghiên cứu khí tượng nông nghiệp đặc biệt trong giám sát và dự báo năng suất cây trồng [1]. Bài báo này trình bày các bước xây dựng mô hình dự báo thời kỳ tăng trưởng cây thanh long dựa vào ảnh vệ tinh Landsat, Modis và Sentinel nhằm giúp cho cán bộ Phòng Nông nghiệp và người dân trong việc phát triển sản xuất thanh long bền vững trên địa bàn huyện Châu Thành – tỉnh Long An. 2. Số liệu và phương pháp nghiên cứu 2.1. Số liệu Số liệu về giai đoạn tăng trưởng: Phòng Nông nghiệp và Phát triển nông thôn huyện Châu Thành cung cấp. Cụ thể, tại mỗi hộ sản xuất thì mỗi năm sẽ có 3 đợt thu hoạch, đợt 1 là thanh long nghịch mùa bắt đầu xông đèn từ khoảng tháng 1 và thu hoạch khoảng tháng 4, đợt 2 là thanh long thuận mùa, thu hoạch liên tục mỗi 2 tuần từ tháng 5 đến tháng 9, đợt 3 là thanh 3
TẠP CHÍ KINH TẾ - CÔNG NGHIỆP Số 33 – Tháng 9/2022 long nghịch mùa bắt đầu xông đèn từ khoảng tháng 10 và thu hoạch khoảng tháng 12. Trong đó, do chênh lệnh thời gian xông đèn giữa các hợp tác xã và các hộ sản xuất, nên mỗi tháng trong năm đều có thanh long thu hoạch, trong đó thanh long nghịch mùa có năng suất cao hơn thanh long thuận mùa. Dữ liệu về khí tượng: Để phục vụ cho việc sử dụng mô hình thống kê trong dự báo giai đoạn tăng trưởng, các yếu tố khí tượng cơ bản ảnh hưởng đến sự biến động thời kỳ tăng trưởng của cây thanh long là: chỉ số NTL (Night Time Light). Bên cạnh đó, các yếu tố khác cũng được xem xét như chỉ số Temperature, Soil of Moisture để đánh giá mức tác động. Dữ liệu ảnh vệ tinh: Các ảnh vệ tinh được thu thập từ các vệ tinh Landsat-8 (mã ký hiệu LANDSAT/LC08/C02/T1), Sentinel-2 (COPERNICUS/S2), Modis-Terra (MODIS/MOD09GA_006_NDVI), Modis-Aqua (MODIS/MYD09GA_006_NDVI). Dữ liệu NDVI được thu thập từ năm 2017 – 2022 và được tính toán theo từng pixel, sau đó lưu trữ dưới dạng hình ảnh theo từng khu vực và theo chu kỳ. Cụ thể: Bảng 1 – Chu kỳ thu thập ảnh vệ tinh của các vệ tinh viễn thám STT Tên vệ tinh Thời gian lấy ảnh Kích thước pixel 1 Landsat 7, 8, 9 8 – 16 ngày/1 ảnh 30m x 30m 2 Sentinel 2 3 – 6 ngày/1 ảnh 10m x 10m 3 Terra 1 – 2 ngày/1 ảnh 1km x 1km 4 Aqua 1 – 2 ngày/1 ảnh 1km x 1km 2.2. Phương pháp nghiên cứu a. Xác định giai đoạn tăng trưởng thanh long nghịch mùa Đối với thanh long nghịch mùa, gồm có 4 giai đoạn: xông đèn, ra nụ, ra trái, thu hoạch. Vậy có 3 khoảng thời gian chính: (i) Bắt đầu xông đèn cho đến ra nụ khoảng 20 – 25 ngày, (ii) giai đoạn ra nụ đến ra trái khoảng 20 - 25 ngày, (iii) giai đoạn ra trái đến thu hoạch khoảng 30 – 35 ngày. Tổng thời gian cho 1 vụ thanh long nghịch mùa dao động trong khoảng [75 – 85] ngày. (i) Xông đèn (ii) Ra nụ (iii) Ra trái (iv) Thu hoạch b. Thu thập chỉ số vệ tinh xác định giai đoạn tăng trưởng thanh long nghịch mùa Trong phạm vi bài báo này, tác giả sử dụng chỉ số NDVI [2] và NTL để tính toán và dự báo giai đoạn tăng trưởng cây thanh long, từ đó đánh giá độ chính xác của mô hình dự báo. Để tính được chỉ số NDVI, ta có công thức chung như sau: NDVI = (NIR – Red) / (NIR + Red) Tùy vào từng loại vệ tinh mà ta sử dụng các dãy quang phổ (bands) phù hợp, do đó, ta có cách tính chỉ số NDVI theo từng vệ tinh cụ thể như sau:  Vệ tinh Landsat-8: NDVI = (B5 – B4) / (B5 + B4)  Vệ tinh Sentinel-2: NDVI = (B8 – B4) / (B8 + B4)  Vệ tinh Terra và Aqua (thuộc nhóm Modis) có sẵn dãy băng tần NDVI 4
TẠP CHÍ KINH TẾ - CÔNG NGHIỆP Số 33 – Tháng 9/2022 Để có dữ liệu chỉ số NDVI chính xác hơn, chúng tôi nghiên cứu về phương pháp lọc mây để giảm mức ảnh hưởng và loại bỏ các yếu tố nhiễu. Trong đó, đối với vệ tinh Landsat và Sentinel có số lượng ảnh/tháng khá ít, nên được gộp lại để giảm độ nhiễu bằng cách tính trung bình cộng các điểm ảnh, cụ thể chu kỳ thu thập dữ liệu giữa các vệ tinh như sau: ∑𝑛𝑖=1 𝑁𝐷𝑉𝐼𝑝 𝑁𝐷𝑉𝐼𝑝𝑡 = 𝑣ớ𝑖 𝑛 𝑙à 𝑠ố ả𝑛ℎ 𝑡ℎ𝑢 𝑡ℎậ𝑝 đượ𝑐 𝑡𝑟𝑜𝑛𝑔 𝑡ℎá𝑛𝑔 𝑡 𝑛 Sau bước này, dữ liệu NDVI có giá trị [0 -1] tại từng điểm ảnh (mỗi điểm ảnh có diện tích thực tế khoảng 30m x 30m tương ứng 0.1 ha) làm cơ sở cho việc xác định giai đoạn tăng trưởng theo từng điểm ảnh đó. c. Chuẩn hóa dữ liệu Để tăng thêm độ chính xác và tính liên tục của dữ liệu, cần phải dự đoán giá trị NDVI tại những ngày mà điểm ảnh bị che phủ bởi yếu tố khí tượng (cụ thể mây che phủ). Chỉ số NDVI không thu thập được Hình 1 – Chỉ số NDVI tại một điểm ảnh theo từng ngày Hình trên cho thấy, đối với ngày 01/03/2021, tại điểm ảnh này bị che phủ bởi mây, nên chỉ số NDVI không thu thập được, vì thế, để có dữ liệu ở ngày này, tác giả sử dụng thuật toán Time Series Forecasting để dự đoán giá trị [3]. d. Thuật toán xác định giai đoạn tăng trưởng thanh long nghịch mùa Các mô hình máy học hiện nay giúp cho việc phân lớp dữ liệu trở nên dễ dàng, trong phạm vi bài báo, tác giả sử dụng mô hình mạng nơ-ron nhân tạo. Mạng nơ-ron nhân tạo (ANN – Artificial Neural Network) đã được nghiên cứu rất rộng rãi trong nhiều lĩnh vực khoa học để ứng dụng vào thực tế đã mang lại nhiều kết quả khả quan. Đặc biệt, ANN đã đóng vai trò quan trọng và rất thành công trong công tác mô phỏng, dự báo. Hình 2 – Mô hình mạng nơron xác định mùa vụ canh tác thanh long Tương tự như nơ ron sinh học, nơ ron nhân tạo cũng nhận các tín hiệu đầu vào, xử lý (nhân các tín hiệu này với trọng số liên kết, tính tổng các tích thu được rồi gửi kết quả tới hàm truyền), và tái tạo tín hiệu đầu ra (là kết quả của hàm truyền). 5
TẠP CHÍ KINH TẾ - CÔNG NGHIỆP Số 33 – Tháng 9/2022 Như vậy, theo mô hình trên, dữ liệu đầu vào của mô hình Mạng nơron nhân tạo là chỉ số NDVI, NTL của các vệ tinh trong khoảng thời gian (window size) là [75 - 85 ngày] tương ứng với 1 mùa vụ thanh long nghịch mùa. Gọi A = {a1, a2, …, an} là tập dữ liệu NDVI của vệ tinh Aqua T = {t1, t2, …, tn} là tập dữ liệu NDVI của vệ tinh Terra S = {s1, s2, …, sn} là tập dữ liệu NDVI của vệ tinh Sentinel-2 L = {l1, l2, …, ln} là tập dữ liệu NDVI của vệ tinh Landsat-8 N = {n1, n2, …, nn} là tập dữ liệu NTL Như vậy, tập dữ liệu đầu vào 𝐼 = {𝐴 ∪ 𝑇 ∪ 𝑆 ∪ 𝐿 ∪ 𝑁} Thuật toán ANN tác giả xây dựng gồm có nhiều lớp ẩn (Connection Layer): Trước khi được xử lý làm đầu vào cho lớp được kết nối, dữ liệu đầu vào I được chuyển đổi thành hình dạng vectơ, sử dụng hàm kích hoạt và hàm tính sai số. Hàm kích hoạt được sử dụng trong đầu ra là Sigmoid. Bảng 2 – Hàm kích hoạt Sigmoid Pilot Function, g(x) Derivative Range g(x)(1-g(x)) (0,1) Kết quả đầu ra trả về giá trị khẳng định các chỉ số trên có/không biến thiên đúng theo mùa vụ thanh long nghịch mùa (tức là xác định khoảng thời gian đó có phải là mùa vụ thanh long nghịch mùa hay không). Nếu dãy số NDVI, NTL được xác định biến thiên theo mùa vụ, ta có thể xác định các giai đoạn phát triển của cây thanh long, cụ thể: Gọi X là giá trị ngày đầu tiên của dãy số biến thiên theo mùa vụ Ta có:  Ngày bắt đầu xông đèn: X  Ngày thanh long ra nụ: Y = X + [20 – 25 ngày]  Ngày thanh long ra trái: Z = Y + [20 – 25 ngày]  Ngày thu hoạch thanh long: F = Z + [30 – 35 ngày] Dữ liệu huấn luyện bao gồm 20 hộ sản xuất, mỗi hộ có từ 6 – 10 điểm ảnh thu thập từ vệ tinh, thời gian thu thập từ tháng 01/2017 đến tháng 06/2022, mỗi năm có 2 lần xông đèn cho thanh long nghịch mùa. Như vậy, tổng số lượng dữ liệu cung cấp cho việc huấn luyện là 20 (hộ) x 8 (điểm ảnh) x 5 (năm) x 2 (mùa) = 1.600 mẫu dữ liệu. 3. Xây dựng mô hình dự báo thời kỳ tăng trưởng cây thanh long nghịch mùa 3.1. Quy trình xây dựng mô hình dự báo Từ cơ sở phân tích phương pháp dự báo đã trình bày ở trên, việc xây dựng mô hình dự báo giai đoạn tăng trưởng thanh long nghịch mùa dựa trên dữ liệu viễn thám và số liệu khí tượng được cụ thể hóa bằng các bước tiến hành ở quy trình sau đây: 6
TẠP CHÍ KINH TẾ - CÔNG NGHIỆP Số 33 – Tháng 9/2022 3.2. Những yếu tố khí tượng tác động đến thời kỳ tăng trưởng của cây thanh long nghịch mùa Giai đoạn tăng trưởng của cây thanh long tùy thuộc vào nhiều yếu tố (nhiệt độ, ánh sáng, độ ẩm, nước, đất trồng, dinh dưỡng), tuy nhiên ở các giai đoạn sinh trưởng khác nhau thì mức độ ảnh hưởng của các yếu tố này khác nhau. Cây thanh long chịu ảnh hưởng của quang kì, ra hoa trong điều kiện ngày dài vì thế thích hợp ở nơi có cường độ ánh sáng mạnh, điều kiện ánh sáng đầy đủ cây sẽ phát triển tốt. Hiện nay, người nông dân dùng biện pháp xông đèn để kích thích ra nụ, hoa trong ngày ngắn (mùa nghịch). Do vậy, giai đoạn này lượng bức xạ ánh sáng Hình 3 – Chỉ số NDVI tại Châu Thành vào tương đối cao để cây thanh long hấp thụ, đặc điểm ngày 22/01/2020 này có mối quan hệ với chỉ số NTL, Temperature, Soil of Moisture. Trong mùa vụ này, chia làm 4 giai đoạn (xông đèn, ra nụ, ra trái, thu hoạch), khi thanh long ra trái mức độ bức xạ về chất dịp lục (độ phủ xanh) tương đối cao, đặc điểm này có mối quan hệ với chỉ số NDVI. 3.3. Dự báo giai đoạn tăng trưởng thanh long Với dữ liệu NDVI, NTL, Temperature, Soil of Moisture trong quá khứ tới thời điểm hiện tại là cơ sở để dự đoán dữ liệu các chỉ số trên cho những ngày tiếp theo trong tương lai bằng cách sử dụng thuật toán Time Series Forecasting [3]. Với mục đích có bộ dữ liệu đủ 75 – 82 ngày làm đầu vào cho việc sử dụng thuật toán ANN xác định mùa vụ. Ta ký hiệu n là ngày cuối cùng dữ liệu NDVI của ảnh vệ tinh (tương tự với dữ liệu NTL, Temperature, Soil of Moisture). Vậy các ngày ở tương lai lần lượt là n + 1, n + 2, n + 3,… Dữ liệu NDVI (n + 1) = Time Series (Dữ liệu NDVI từ 01/01/2017 đến n) Dữ liệu NDVI (n + 2) = Time Series (Dữ liệu NDVI từ 01/01/2017 đến (n + 1)) Như vậy, ta có đầy đủ dữ liệu cần thiết đưa vào thuật toán ANN để xác định mùa vụ hiện tại và xác định được các giai đoạn tăng trưởng của từng pixel trong tương lai gần. Từ đó, xác định được diện tích thu hoạch thanh long theo từng tháng tiếp theo. 3.4. Kiểm nghiệm đánh giá kết quả dự báo giai đoạn tăng trưởng thanh long nghịch mùa Mô hình dự báo được kiểm chứng, đánh giá dựa trên cơ sở so sánh mức độ phù hợp của các kết quả tính toán so với giai đoạn tăng trưởng của cây thanh long tại các hộ sản xuất. 7
TẠP CHÍ KINH TẾ - CÔNG NGHIỆP Số 33 – Tháng 9/2022 Bảng 3 – Kết quả kiểm chứng dự báo diện tích thanh long thu hoạch tại huyện Châu Thành STT Tháng/năm Diện tích thu hoạch thực Diện tích thu hoạch dự Sai số dự (ha) báo (ha) báo 1 01/2021 3.800 4.750 25% 2 02/2021 3.350 4.288 28% 3 03/2021 2.200 2.684 22% 4 04/2021 1.800 2.124 18% 5 10/2021 1.200 1.536 28% 6 11/2021 1.500 1.860 24% 7 12/2021 3.000 3.870 29% 8 01/2022 3.000 3.810 27% 9 02/2022 2.500 3.250 30% 10 03/2022 1.800 2.304 28% 11 04/2022 700 931 33% Theo bảng trên, mô hình dự báo giai đoạn tăng trưởng thanh long tại huyện Châu Thành cho kết quả tương đối tốt với sai số trong khoảng [18% - 33%]. Kết quả trên phần nào cũng bị ảnh hưởng bởi chất lượng ảnh vệ tính viễn thám, do đó, để mô hình hiệu quả hơn cần hiệu chỉnh các thông số lọc giá trị nhiễu (chẳng hạn sự ảnh hưởng của mây), đồng thời kết hợp nhiều vệ tinh để thu thập được tập dữ liệu đầy đủ hơn. Hình bên cho thấy, phần màu xanh (6.196 ha) là diện tích thanh long đang ở giai đoạn ra nụ và ra trái, và phần màu vàng (2.304 ha) là diện tích Hình 4 – Bản đồ thu hoạch thanh long tại Châu thanh long đang ở giai đoạn thu hoạch. Thành vào tháng 3/2022 5. Kết luận Bài báo đã xây dựng mô hình tính toán và dự báo giai đoạn tăng trưởng của cây thanh long nghịch mùa trên cơ sở dựa vào dữ liệu ảnh viễn thám, dữ liệu khí tượng nông nghiệp. Kết quả của quá trình dự báo đã phản ánh sự tác động của chỉ số NDVI và NTL vào chu kỳ phát triển của cây thanh long nghịch mùa. Về mặt thực tiễn, kết quả của bài báo là nguồn tư liệu rất hữu ích để xây dựng mô hình quy hoạch trồng thanh long, tính toán năng suất và dự báo sản lượng thanh long nghịch mùa để các nhà quản lý có thể chủ động trong việc xây dựng giải pháp xuất khẩu thanh long tránh tình trạng được mùa mất giá do việc sản xuất đồng loạt. TÀI LIỆU THAM KHẢO [1] Dong-Chong Hsiou, Fay Huang, Fu Jie Tey, Tin-Yu Wu, Yi-Chuan Lee, “An Automated Crop Growth Detection Method Using Satellite Imagery Data”. Tạp chí Agriculture, website: https://www.mdpi.com/journal/agriculture, 2022 [2] Dương Văn Khảm, Nguyễn Hồng Sơn, Nguyễn Hữu Quyền, Hoàng Thanh Tùng, Đỗ Thanh Tùng, Trịnh Thị Tâm, “Xây dựng mô hình dự báo năng suất, sản lượng lúa ở Đồng bằng Sông Hồng bằng dữ liệu ảnh Modis”, Viện khoa học khí tượng thủy văn và môi trường, 2011 [3] Nguyễn Công Điều, “Một thuật toán mới cho mô hình chuỗi thời gian mờ Heurictic trong dự báo chứng khoán”. Tạp chí khoa học và Công nghệ, 2010. Ngày nhận: 28/9/2022 Ngày duyệt đăng: 01/10/2022 8

CÓ THỂ BẠN MUỐN DOWNLOAD

THÔNG TIN

TRỢ GIÚP

HỖ TRỢ KHÁCH HÀNG

Theo dõi chúng tôi

Chịu trách nhiệm nội dung:

Nguyễn Công Hà - Giám đốc Công ty TNHH TÀI LIỆU TRỰC TUYẾN VI NA

LIÊN HỆ

Địa chỉ: P402, 54A Nơ Trang Long, Phường 14, Q.Bình Thạnh, TP.HCM

Hotline: 093 303 0098

Email: support@tailieu.vn

Giấy phép Mạng Xã Hội số: 670/GP-BTTTT cấp ngày 30/11/2015 Copyright © 2022-2032 TaiLieu.VN. All rights reserved.