LUẬN án TIẾN sĩ NGÀNH máy TÍNH NGHIÊN cứu PHƯƠNG PHÁP PHÂN LOẠI dữ LIỆU đám mây điểm LIDAR và ỨNG DỤNG

BỘ GIÁO DỤC VÀ ĐÀO TẠO VIỆN HÀN LÂM KHOA HỌC VÀ CÔNG NGHỆ VIỆT NAM HỌC VIỆN KHOA HỌC VÀ CÔNG NGHỆ - NGUYỄN THỊ HỮU PHƯƠNG NGHIÊN CỨU PHƯƠNG PHÁP PHÂN LOẠI DỮ LIỆU ĐÁM MÂY ĐIỂM LIDAR VÀ ỨNG DỤNG LUẬN ÁN TIẾN SĨ NGÀNH MÁY TÍNH HÀ NỘI – 2022 BỘ GIÁO DỤC VÀ ĐÀO TẠO VIỆN HÀN LÂM KHOA HỌC VÀ CÔNG NGHỆ VIỆT NAM HỌC VIỆN KHOA HỌC VÀ CÔNG NGHỆ - Nguyễn Thị Hữu Phương NGHIÊN CỨU PHƯƠNG PHÁP PHÂN LOẠI DỮ LIỆU ĐÁM MÂY ĐIỂM LIDAR VÀ ỨNG DỤNG Chuyên ngành: Hệ thống thông tin Mã số: 48 01 04 LUẬN ÁN TIẾN SĨ NGÀNH MÁY TÍNH NGƯỜI HƯỚNG DẪN KHOA HỌC: PGS.TS Đặng Văn Đức PGS.TS Nguyễn Trường Xuân Hà Nội – Năm 2022 LỜI CẢM ƠN Trong trình thực đề tài “Nghiên cứu phương pháp phân loại liệu đám mây điểm LiDAR ứng dụng”, NCS nhận nhiều giúp đỡ, tạo điều kiện Học viện Khoa học Công nghệ, Viện Công nghệ thông tin, Viện hàn lâm Khoa học Cơng nghệ Việt Nam NCS xin bày tỏ lịng cảm ơn chân thành giúp đỡ NCS xin bày tỏ lòng biết ơn sâu sắc tới PGS.TS Đặng Văn Đức PGS.TS Nguyễn Trường Xuân – người thầy trực tiếp hướng dẫn bảo cho NCS hoàn thành luận án Hai thầy dành cho NCS nhiều thời gian, tâm sức, đóng góp nhiều ý kiến, nhận xét quý báu, chỉnh sửa cho NCS chi tiết nhỏ luận án, giúp luận án NCS hoàn thiện mặt nội dung hình thức NCS xin chân thành cảm ơn bạn bè, đồng nghiệp công tác Bộ môn Công nghệ phần mềm, Khoa Công nghệ thông tin, Trường Đại học Mỏ - Địa chất tạo điều kiện giúp đỡ NCS suốt trình thực hoàn thành luận án Sự cảm ơn sâu sắc NCS xin dành tới gia đình ln chia sẻ, động viên, cảm thông chuỗi ngày dài học tập nghiên cứu, NCS nhận yêu thương từ gia đình để đạt kết ngày hôm TÁC GIẢ LUẬN ÁN NCS Nguyễn Thị Hữu Phương MỤC LỤC LỜI CẢM ƠN MỤC LỤC DANH MỤC CÁC TỪ VIẾT TẮT DANH MỤC HÌNH VẼ DANH MỤC BẢNG BIỂU MỞ ĐẦU CHƯƠNG TỔNG QUAN VỀ PHÂN LOẠI DỮ LIỆU ĐÁM MÂY ĐIỂM LIDAR 15 1.1 Kiến trúc hệ thống LiDAR 15 1.1.1 Khái niệm công nghệ LiDAR 15 1.1.2 Hoạt động hệ thống LiDAR 17 1.2 Dữ liệu LiDAR 19 1.2.1 Thu nhận liệu ĐMĐ theo công nghệ LiDAR 19 1.2.3 Đặc trưng liệu ĐMĐ LiDAR 20 1.2.3 Định dạng liệu LiDAR 21 1.3 Bài toán phân loại liệu ĐMĐ LiDAR 22 1.3.1 Bài toán phân loại liệu Lỗi! Thẻ đánh dấu khơng được xác định 1.3.2 Các tốn phân loại ĐMĐ LiDARLỗi! Thẻ đánh dấu không được xác định 1.4 Các cơng trình nghiên cứu liên quan 28 1.4.1 Trong nước 28 1.4.2 Ngoài nước 29 1.5 Phương pháp đề xuất 35 1.6 Kết luận chương 37 CHƯƠNG PHÁT TRIỂN THUẬT TOÁN NÂNG CAO CHẤT LƯỢNG PHÂN LOẠI ĐMĐ LIDAR 38 2.1 Cải tiến thuật toán EM 38 2.1.1 Mơ tả thuật tốn EM 38 2.1.2 Ý tưởng cải tiến thuật toán EM 42 2.1.3 Thực cải tiến 44 2.1.4 Thử nghiệm đánh giá thuật toán EM - D 52 2.2 Cải tiến thuật toán MCC 60 2.2.1 Mơ tả thuật tốn MCC 60 2.2.2 Ý tưởng cài tiến thuật toán MCC 65 2.2.3 Thực cải tiến 68 2.2.4 Thử nghiệm đánh giá thuật toán MCC - D 76 2.3 Kết luận chương 80 CHƯƠNG ĐỀ XUẤT SỬ DỤNG HIỆU QUẢ ĐÁM MÂY ĐIỂM LIDAR SAU PHÂN LOẠI 81 3.1 Lớp phủ khu vực đô thị khả sử dụng liệu LiDAR phân loại lớp phủ bề mặt khu vực đô thị 81 3.2 Đề xuất phương pháp xử lý liệu LiDAR phân loại lớp phủ bề mặt khu vực đô thị 84 3.2.1 Phân loại lớp phủ bề mặt khu vực đô thị 84 3.2.2 Phương pháp đề xuất 87 3.2.3 Thử nghiệm 88 3.2.4 Tạo liệu đầu vào cho DSS quy hoạch đất đai 94 3.3 Kết luận chương 102 KẾT LUẬN 104 DANH MỤC CÁC CƠNG TRÌNH KHOA HỌC CỦA TÁC GIẢ .106 TÀI LIỆU THAM KHẢO 108 DANH MỤC CÁC TỪ VIẾT TẮT Từ viết tắt Diễn giải 3D Dimensions 4D Dimensions ASPRS American Society for Photogrammetry and Remote Sensing BCAL Boise Center Aerospace Laboratory LiDAR CHM Canopy Height Model CNN Convolutional Neural Network CORS Continous Operating Reference Station DEM Digital Elevation Model ĐMĐ ĐMĐ DSM Digital Surface Model DSS Decision Support System DTM Digital Terrain Model EM Expectation Maximization GMM Gaussian Mixture Model GNSS Global Navigation Sattelite System IDW Inverse Distance Weighting INS Inertial Navigation System k-NN k Nearest Neighbor Laser Light amplification by stimulated emission of radiation LiDAR Light Detection And Ranging MCC Multiscale Curvature Classification MLS Mobile Laser Scanning NN Nereast Neighbor NVC Naïve Bayes Classification OBC Object-Based Classification PCA Principal Component Analysis pPCA Probabilistic Principle Component Analysis RBF Radial Basis Function RCF Random Conditional Field RGB Red – Green - Blue SVM Support Vector Machine TIN Triangulated Irregular Network TLS Terrestrial Laser Scanning TNHH MTV Trách nhiệm hữu hạn thành viên ToF Time of Flight TPS Thin Plate Spline UAV Unmanned Aerial Vehicle WSVM Wavelet Support Vector Machine PS PD ISPRS Point Spacing Point Density International Society for Photogrammetry and Remote Sensing DANH MỤC HÌNH VẼ Hình 1.1 Thành phần hệ thống LiDAR 16 Hình 1.2 Cách hoạt động thành phần hệ thống LiDAR 17 Hình 1.4 Cường độ lượng thu nhận từ tia phản xạ .18 Hình 1.5 Nguyên lý quét LiDAR 18 Hình 1.6 ĐMĐ sau thu nhận xử lý 19 Hình 1.7 Nguyên lý thu thập liệu hệ thống LiDAR 19 Hình 1.8 ĐMĐ chưa xử lý 20 Hình 1.9 Quá trình phân loại liệu tổng quátLỗi! Thẻ đánh dấu khơng được xác định Hình 1.10 Tiến trình xử lý liệu điểm LiDAR 23 Hình 1.11 Các bước thực lọc điểm ground 25 Hình 1.12 Kết tạo DEM nội suy đường bình độ từ liệu điểm LiDAR (Bộ TNMT) 26 Hình 1.13 Quy trình phân loại liệu LiDAR tổng quát 27 Hình 1.14 Các bước thực phương pháp đề xuất 36 Hình 2.1 Tiến trình thuật tốn EM 40 Hình 2.2 Quy trình thực cải tiến thuật toán EM (EM-D) .43 Hình 2.3 Tạo độ x, y, z ĐMĐ 53 Hình 2.4 Hình ảnh hiển thị ĐMĐ 3D 53 Hình 2.5 Độ cao giá trị cường độ phản xạ điểm 54 Hình 2.6 Điểm hiển thị theo độ cao chia thành ĐMĐ nhỏ 55 Hình 2.7 Sự tương quan liệu 55 Hình 2.8 Phân tích thành phần dựa pPCA 56 Hình 2.9 Ma trận thành phần mơ hình 56 Hình 2.10 Bảng tổng hợp giá trị riêng khởi tạo tính tốn lại 57 Hình 2.11 Tổng hợp tổng phương sai thành phần liệu 57 Hình 2.12 Ma trận thành phần sau tính tốn tổng hợp .57 Hình 2.13 Tham số mơ hình cập nhật với liệu 58 Hình 2.14 Tham số cập nhật cho liệu 59 Hình 2.15 Sự phân bố liệu theo hai thành phần 59 Hình 2.16 Sự phân bố liệu với hai thành phần liệu 60 Hình 2.17 Sơ đồ thuật toán MCC 63 Hình 2.18 Quy trình thực phân loại ĐMĐ với MCC - D 66 Hình 2.19 Một TPS qua điểm kiểm sốt 67 Hình 2.20 Bộ liệu thử nghiệm với MCC-D Uông Bí, Quảng Ninh 77 Hình 2.21 Một phần đồ thị Voronoi tạo 77 Hình 2.22 Mật độ điểm liệu 78 Hình 2.23 Giá trị PD liệu 78 Hình 2.24 Kết phân loại với MCC-D 79 Hình 3.1 Quy trình phân loại lớp phủ bề mặt sử dụng ảnh viễn thám 86 Hình 3.2 Phương pháp phân loại lớp phủ bề mặt thành lập mơ hình ứng dụng .87 Hình 3.3 Tọa độ mơ hình 3D ĐMĐ năm 2018 90 Hình 3.4 Kết phân loại với EM – D 91 Hình 3.5 DEM với độ phân giải 1m 92 Hình 3.6 DSM với độ phân giải 1m 93 Hình 3.7 Các thành phần DSS quy hoạch đất 95 Hình 3.8 Tạo liệu đầu vào cho DSS quy hoạch đất đai sử dụng liệu LiDAR 98 Hình 3.9 ĐMĐ sau loại bỏ nhiễu 99 Hình 3.10 Sự phân bố điểm sau phân loại 100 Hình 3.11 Mơ hình DEM 101 Hình 3.12 Mơ hình DSM 101 Hình 3.13 Mơ hình 3D 101 Hình 3.14 Mơ hình mơ khu vực đo vẽ 102 DANH MỤC BẢNG BIỂU Bảng 2.1 Số lượng điểm tập liệu huấn luyện kiểm tra 53 Bảng 2.2 Số lượng điểm tập liệu huấn luyện kiểm tra liệu 53 Bảng 2.3 Sự tương quan tần suất hai thành phần 59 Bảng 2.4 So sánh kết phân loại thuật toán EM - D thuật toán EM [45] 60 Bảng 2.5 Bộ liệu huấn luyện kiểm tra lựa chọn Uông Bí 77 Bảng 2.6 So sánh kết phân loại MCC - D MCC phiên 2.2 (2020).79 Bảng 2.7 Số điểm tập liệu huấn luyện kiểm tra lớp 80 Bảng 2.8 Ma trận nhầm lẫn giá trị OA 80 Bảng 3.1 Giá trị thuộc tính liệu LiDAR sử dụng 89 Bảng 3.2 Số lượng điểm tập liệu huấn luyện kiểm tra 90 Bảng 3.3 Số lượng điểm lớp sau phân loại 91 Bảng 3.4 So sánh kết phân loại EM – D với MCC EM .91 Bảng 3.5 Số lượng điểm thuộc lớp sau phân loại 99 Bảng 3.6 Bảng so sánh độ xác kết phân loại 100 Hình 3.14 Mơ hình mơ khu vực đo vẽ Với liệu ĐMĐ LiDAR tạo sau thu thập, với cơng cụ thuật tốn MCC-D, phần mềm GIS ta hồn tồn tạo liệu đầu vào cần thiết cho DSS quản lý sử dụng đất hiệu với độ xác, chi tiết trực quan Hiện nay, với phát triển khoa học công nghệ đặc biệt công nghệ thông tin với thành tựu mới, quản lý nguồn tài nguyên thiên nhiên bền vững trở nên thuận tiện tốn nguồn tài nguyên thiên nhiên so với trước Trong quản lý sử dụng đất bền vững, DSS cần thiết cho định sách phù hợp kịp thời Tuy nhiên, với DSS có liệu thu thập nhanh chóng có độ xác, trực quan giúp cho nhà quản lý đưa định nhanh hơn, kịp thời xác Với việc ứng dụng liệu LiDAR, cơng nghệ viễn thám hồn tồn chủ động, với quy trình thu thập xử lý liệu LiDAR đề xuất luận án, liệu tạo gồm có ĐMĐ sau phân loại, DSM/DEM với độ phân giải 1m, mơ hình 3D, mơ hình mơ 3D hồn tồn đáp ứng u cầu liệu DSS 3.3 Kết luận chương Đối với khu vực thành thị, lớp phủ bề mặt ln có phân bố phức tạp dao động liên tục theo thời gian tác động người, để nghiên cứu thực quy hoạch đưa sách để ngăn chặn tác động xấu trình thị hóa đến mơi trường, nắm bắt thơng tin đối tượng bề mặt cần thiết Công nghệ LiDAR ngày sử dụng phổ biến lĩnh vực khoa học trái đất khả nhận thông tin khu vực đo rộng lớn, số lượng điểm thường lớn Trong chương NCS ứng dụng thuật toán MCC-D EM-D chương để phân loại ĐMĐ khu vực thị Hà Nội, Bắc Ninh để từ phân loại đối tượng lớp phủ bề mặt khu vực thị từ xây dựng DEM/DSM, mơ hình 3D, mơ hình mơ tạo liệu cho DSS quản lý đất đai Qua kết nghiên cứu thử nghiệm, nhận thấy thuật tốn hồn tồn áp dụng thực tế KẾT LUẬN Trong luận án NCS nghiên cứu tổng quan công nghệ LiDAR, cách thu thập hình thành liệu LiDAR đặc trưng Từ nghiên cứu với cơng trình cơng bố Việt Nam Thế giới toán đề xuất, NCS nêu lên toán cần giải Với nghiên cứu thuật toán MCC EM công bố, NCS nhận thấy thuật toán EM thuật toán nhạy cảm với giá trị khởi tạo dễ có độ hội tụ chậm với liệu lớn, ma trận hiệp phương sai tương ứng với hay nhiều thành phần trở thành điều kiện lỗi Với thuật tốn MCC sử dụng phép nội suy TPS có điểm hạn chế phụ thuộc vào số điểm kiểm soát, nhiều điểm kiểm soát nhiều thời gian để chạy nội suy bề mặt, tham số khởi tạo để thực phân loại khởi tạo từ người dùng Từ nhược điểm đó, NCS thực cải tiến thuật toán EM cho hội tụ tốt hơn, sau sử dụng EM cải tiến để nội suy bề mặt cải tiến phép nội suy TPS sử dụng thuật toán MCC dựa RPM – EM Thuật tốn EM chứng phân loại tốt với liệu phản xạ LiDAR, MCC thuật toán phân loại tốt với tia tán xạ Do đó, kết hợp hai thuật tốn giúp sử dụng toàn liệu LiDAR sau đo quét Điều giúp thông tin sử dụng sau phân loại có giá trị tính ứng dụng cao Với toán ứng dụng thực chương cho thấy với thuật tốn EM – D MCC-D hồn toàn đáp ứng yêu cầu thành lập liệu đầu vào cho DSS quy hoạch đất đai phân loại đối tượng lớp phủ bề mặt khu vực đô thị tạo liệu đáng tin cậy Dựa quy trình đề xuất chương công tác phân loại bề mặt thực đồng bộ, tự động, nhanh chóng, đơn giản để từ có thơng tin đối tượng lớp phủ có độ xác Kiến nghị Dữ liệu LiDAR chứa nhiều thơng tin có ích, khai thác áp dụng thuật toán phân loại phù hợp thu thơng tin có giá trị sử dụng cho nhiều toán khác Trong luận án NCS sử dụng hai thuật toán EM - D MCC – D phân loại liệu ĐMĐ LiDAR, nhiên cịn nhiều thơng tin lớp non – ground ĐMĐ chưa khai thác hết Với liệu điểm hoàn tồn phân loại cho thơng tin không gian bề mặt khu vực khảo sát để thực toán khác nghiên cứu Thêm vào đó, thơng tin mà liệu ĐMĐ LiDAR mang lại lớn, nên với hai toán đề cập đến chương chưa thể nêu hết ưu điểm liệu ĐMĐ LiDAR, cịn nhiều tốn áp dụng thử nghiệm nghiên cứu sau DANH MỤC CÁC CƠNG TRÌNH KHOA HỌC CỦA TÁC GIẢ CT1 Nguyễn Thị Hữu Phương, Đặng Văn Đức, Nguyễn Trường Xuân, Khai phá liệu LiDAR nghiên cứu đối tượng bề mặt địa hình Kỷ yếu Hội nghị Quốc gia Nghiên cứu ứng dụng công nghệ thông tin Pp 309-318, Đà Nẵng, 2017 CT2 Nguyễn Thị Hữu Phương, Nguyễn Trường Xuân, Đặng Văn Đức, Sử dụng thuật toán K-means phân loại ĐMĐ LiDAR Tạp chí Khoa học Cơng nghệ Việt Nam, Bộ Khoa học Công nghệ, Hà Nội, pp 1- 5, 2016 CT3 Nguyễn Thị Hữu Phương Thuật toán K-means k-NN phân loại ĐMĐ LiDAR Tạp chí Khoa học kỹ thuật Mỏ - Địa chất, pp 84-94, 58(5), 2017 CT4 Nguyễn Thị Hữu Phương, Đỗ Anh Tuấn Khả sử dụng liệu LiDAR ước lượng sinh khối rừng Tạp chí Tài ngun Mơi tường, pp22-24, 10(288), 2018 CT5 Nguyễn Thị Hữu Phương, Đặng Văn Đức, Nguyễn Trường Xuân The MCC algorithm in the LiDAR point cloud classification Hội thảo số vấn đề chọn lọc CNTT TT Quy Nhơn, 11/2017 CT6 Nguyễn Thị Hữu Phương, Đặng Văn Đức, Nguyễn Trường Xuân, Trần Mạnh Trường Tham số s t toán phân loại ĐMĐ LiDAR với thuật toán MCC Hội thảo số vấn đề chọn lọc công nghệ thơng tin truyền thơng Thanh Hóa, 7/2018 CT7 Nguyễn Thị Hữu Phương, Đặng Văn Đức, Nguyễn Trường Xuân, Trần Mạnh Trường Nghiên cứu kết hợp thuật toán MCC K-means phân loại ĐMĐ LiDAR Hội thảo khoa học quốc gia Nghiên cứu ứng dụng công nghệ thông tin Hà Nội, 8/2018 CT8 Nguyễn Thị Hữu Phương, Đặng Văn Đức, Nguyễn Trường Xuân Lựa chọn tham số t cho toán phân loại ĐMĐ LiDAR với thuật tốn MCC Tạp chí Chun san Các cơng trình nghiên cứu, phát triển ứng dụng CNTT – TT, 10/2018 CT09 Nguyễn Thị Hữu Phương Thu thập xử lý liệu cho hệ thống hỗ trợ định quản lý sử dụng đất bền vững Tạp chí Tài ngun Mơi trường T11/2020 CT10 Nguyen Thi Huu Phuong Using RPM-GMM for TPS interpolation in MCC algorithm International Journal of Advanced in Computer Sciences, Vol.12, No.2, March – April, 2021 CT11 Nguyễn Thị Hữu Phương, Đặng Văn Đức, Nguyễn Trường Xuân Phương pháp loại bỏ nhiễu liệu LiDAR sử dụng khoảng cách danh nghĩa (Nominal Point Spacing), Hội nghị Khoa học Quốc Gia Nghiên cứu ứng dụng công nghệ thông tin, TPHCM, 2021 TÀI LIỆU THAM KHẢO Pinliang Dong, Qi Chen, LiDAR remote sensing and applications, Boca Raton: CRC Press, 2018 Jie Shan, Charles K Toth, Topographic laser ranging and scanning, CRC Press, 2008 Patrick Chazette, Julien Totems, Laurent Hespel, Jean - Sptepane Bailly, Principle and physics of the LiDAR Measurement, Optical Remote Sensing of Land Surfaces, ISTE Press Ltd Published by Elsevier Ltd, 2016 T Fuj2, Laser remote sensing, CRC Press, 2005 Motaz Khader, Samir Cherian, An Introduction to Automotive LiDAR, Texas Instruments, Texas , 2020 Jamie Carter, Keil Schmid, Kirk Waters, Lindy Betzhold, et al, An Introduction to LiDAR technology, data and applications, NOAA, Mid Atlantic, 2012 Z Chen, The application of Airborne LiDAR data in the modelling of 3D urban Landscape Ecology, UK: Cambridge Scholars Publishing , 2017 Bharat Lohani, Suddhasheel Ghosh, Airborne LiDAR technology A review of data collection and processing systems, Spinger, 2018 Juan Carlos Fernandez Diaz, William E Carter, Ramesh L Shrestha, Craig L.Glennie, LiDAR remote sensing, Handbook of Satellite Application, New York, Springer, 2013 10 Steven K Fillippelli, Micheal A.Lefsky, Monique E.Rocca, Comparison and integration of lidar and photogrammetric point clouds for mapping pre-fire forest structure, Remote Sensing of Environment, 224, 2019 11 David L.Olson, Dursun Delen, Advanced Data Mining Techniques, Springer, 2008 12 ASPRS, las specification, The American Society for Photogrammetry and Remote Sensing, Maryland, 2013 13 M Isenburg, Laszip: the lossless compression of LiDAR data, Photogrammetric Engineering and Remote Sensing, 2013 14 J Gray, Data mining concepts and techniques, The Morgan Kaufman, 2000 15 Demetrios Gatziolis, Hans-Erik Andersen, A guide to LiDAR data acquisition and processing for the forests of the pacific northwest, United states Department of Agriculture, 2008 16 Kevin P.Murphy, Machine Learning A probabilistic Perspective, London: The MIT press, 2012 22 Zhao Kai, Xu Youchun, Wang Rendong, A preprocessing method of 3D point clouds registration n urban environments, Opto Electronic Engineering, vol 45, no 12, 2018 23 Xudong Lai, Min Zheng, A denoising method for LiDAR full-waveform data, Mathematical Problems in Engineering, vol 2015, 2015 24 H.Y Zhang, G.H.Fan, T.H.Zhang, Y,H.Zheng, Wavelet denoising study of laser radar waveform signals, Research and Development, vol 5, no 31, 2012 25 B.Y.Sun, D.S.Huang, Noise reduction in LiDAR signal based on discrete wavelet transform, IEEE Signal Processing Letters, vol 12, no 2, 2005 26 Marie Julie Rakotosaona, Vittorio La Barbera, Paul Guerrero, Noloy J Mitra, Maks Ovsjanikow, PointCleanNet: Learning to denoise and remove outliers from dense point clouds, Computer graphics forum, vol 7, 2019 27 Imran Ashraf, Soojong Hur, Yongwan Park, An Investigation of Interpolation Techniques to generate 2D intensity image from LiDAR data, IEEE Access, 2017 28 Xiao Liu, Zhenyu Zhang, Jim Peterson, Evaluation of the performance of DEM interpolation algorithms for LiDAR data, in Surveying and Spatial Sciences Institute Biennial International Conference, Adelaide, 2009 29 Xudong Lai, Yifei Yuan, Yongxu Li, and Mingwei Wang, Full-Waveform LiDAR Point Clouds Classification Based on Wavelet Support Vector Machine and Ensemble Learning, Sensors (Basel), vol 19, no 14, 2019 30 Trần Đình Luật, Nguyễn Thị Kim Dung, Lưu Thị Thu Thủy, Trần Hồng Hạnh, Khả ứng dụng cơng nghệ LiDAR xây dựng mơ hình số địa hình vũng bãi bồi cửa sơng ven biển điều kiện Việt Nam, Tạp chí Tài ngun Mơi trường, vol 1, 2015 31 Đỗ Tiến Sỹ, Nguyễn Anh Thư, Hoàng Hiệp, Võ Thị Loan, Kết hợp liệu ĐMĐ từ thiết bị 3D Laser scanning phương tiện bay không người lái (UAV) nhằm thu thập thông tin mơ hình cơng trình xây dựng, Tạp chí Xây dựng, 2019 32 Quách Đồng Thắng, Nguyễn Trường Sang, Khưu Minh Cảnh, Nghiên cứu ứng dụng LiDAR cập nhật lớp sở liệu giao thông thành phố Hồ Chí Minh, Đề tài NCKH, TP HCM, 2016 33 Kun Zhang, Weihong Bi, Xiaoming Zhang, Xinghu Fu, Kunpeng Zhu, Li Zhu, A new kmeans clustering algorithm for point cloud, International Journal of Hybrid Information Technology, vol 8, no 9, 2015 34 Renato Cesar dos Santos, Mauricio Galo, Vilma Mayumi Tachibana, Classification LiDAR data over building roofs using K-means and principal component analysis, Bulletin of Geodetic Sciences, vol 24, no 1, 2018 35 R.A Kucak, E Ozdemir, S.Erol, The segmentation of point clouds with Kmeans and ANN (Artifical Neural Network), The International Archives of Photogrammetry, Remote Sensing and Spatial Information Sciences, Hannover, Germany, 2017 36 Maohua Liu, Yue Shao, Ruren Li, et al, Method for extraction of airborne LiDAR point cloud buildings based on segmentation, Plos One, pp 1-11, 2020 37 Bao Yunfei, Li Guoping, Cao Chunxiang, Li Xiaowen, Zhang Hao, Classification of LiDAR point cloud and generation of DTM form LiDAR heigth and intensity data in forest area, The International Archives of the Photogrammetry, RS and Spatial Information Sciences, vol XXXV2, no B3b, 2008 38 Borja Rodriguez - Cuenca, Silverio Garcia Cortes, Celestino Ordonez, Maria C.Alonso, Automatic detection and classification of pole-like objects in urban point cloud data using an anomaly detection algorithm, Remote Sensing, vol 7, 2015 39 Keng FanLin, Chi Pei Wang, Pai Hui Sui, Object-based classification for LiDAR point cloud, Research Gate, 2012 40 N.Yastikli, Z Cetin, Classification of LiDAR data with point based classification method, The International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences, Prague, Czech Republic, 2016 41 Z Hui et al, A threshold-free filtering algorithm for airborne lidar point clouds based on expectation-maximization, The International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences, Beijing, 2018 42 Q Z e al, Robust point cloud classification based on multi-level semantic relationship for urban scenes, ISPRS Journal of photogrammetry anđ Remote Sensing, 2017 43 Autur Maligo et al, Classification of outdoor 3D data based on unsupervised GMM, HalfHall, 2017 44 Suresh K.Lodha, Darren M.Fitzpatrick, David P.Helmbold, Aerial LiDAR data classification using Expectation - Maximization, Research Gate, 2007 45 Zhenyang Hui et al, Automatic DTM extraction from airborne LiDAR based on EM, Optics and laser Technology, 2017 46 Chao Luo, Gunho Sohn, Scene layout compatible CRF for classifying TLS point clouds, Conference Paper, 2014 47 Carlos Cabo, Celestino Ordóđez, Fernando Sáchez-Lasheras, Multiscale Supervised Classification of Point Clouds with Urban and Forest Applications, Sensors, vol 19, pp 1-12, 2019 48 Jeffrey S.Evans, Andrew T.Hudak, A multiscale curvature algorithm for classifying discrete return LiDAR in forested environments, IEEE, vol 45, 2007 49 Sare, R.; Hilley, G E., Supervised, Color-enhanced Multiscale Curvature Classification of Lidar and Structure-from-Motion Point Clouds for Geomorphic Applications, American Geophysical Union, Fall Meeting 2019, 2019 50 Wade T.Tinkham, Hongyu Huang, A comparision of two open source LiDAR surface classification algorithm, Remote Sensing, vol 3, 2011 51 Faten Hamed Nahhas, Helmi Z M Shafri , Maher Ibrahim Sameen, Biswajeet Pradhan, and Shattri Mansor, Deep Learning Approach for Building Detection Using LiDAR–Orthophoto Fusion, Systems and Sensors in Geoscience Applications, 2018 52 Ali Haider, Songxin Tan, Improvement of LiDAR data classification algorithm using the machine learning technique, Polarization Science and Remote Sensing, San Diego, Carlifornia, United States, 2019 53 Zhuqiang Li, Li Qiang Zhang, Xiaohua Tong, A three step approach for TLS point cloud classification, IEEE, 2016 54 Shijun Jang, Pin Liang Dong, Bill P.Buckles, Comparision of two classification methods for feature extraction from LiDAR data in urban areas, Research Gate, 2010 55 J.X.Zhang, X.G.Lin, SVMS-based classification of segmented ALS point cloud in urban areas, 4th GEOBIA, Rio de Janeiro, Bazil, 2012 56 lZdzisław Kowalczuk, Karol Szymański, Classification of objects in the LIDAR point clouds using Deep Neural Networks based on the PointNet model, IFACPapersOnLine, vol 52, no 8, 2019 57 Congcong Wen, Xiang Li, Xiaojing Yao, Ling Peng, Tianhe Chi, Airborne LiDAR point cloud classification with Graph attention CNN, Computer Vision and Pattern Rebognition, 2020 58 Branislav Panic, Jernej Klemenc, Marko Nagodeq, Improved initialization of the EM algorithm for Mixture Model parameter Estimation, Mathemetics, vol 20, no 3, 2020 59 Mauela M.Vesolo, Eric P.Xing, The EM algorithm, Springer, 2017 60 Yang HongLei, Peng JunHuan, Zhang DingXuan, An Improved Em algorithm for remote sensing classification, Chinese Science Bullentin, vol 58, no 9, 2013 61 D Reynolds, Gaussians Mixture Model, Encyclopedia of Biometrics, 2009 62 Bojan Rupnik, Domen Mongus, Borut Zalik, Point density evaluation of ALS dataset, Journal of Universal Computer Science , vol 21, no 4, 2015 63 Micheal E.Tipping, Chritopher M.Bishop, Probabilistic principal component analysis, J.R Statist Soc B, vol 61, no 3, 1999 64 Carlos Alberto Silva, Carine Klauberg, Angela Mari Klein Hentz, Ana Paula Dalla Corte, Uelison Ribeiro, Veraldo Leisenberg, Comparing the performance of Ground filtering algorithms for Terrain Modeling in a forest environment using ALD data, Floresta e Ambiente, vol 25, no 2, 2018 65 Z Afrose, Adaptive methods for point cloud and mesh processing, Old Dominion University, 2018 66 Xudong Lai, Min Zheng, A denoising method for LiDAR full waveform data, Mathematical Problems in Engineering, pp 1-8, 2015 67 W.Keller, Andrzej Borkowski, Thin plate spline interpolation, Journal of Geodesy, vol Feb, 2019 68 Chuanfa Chen, Yanyan Li, Changqing Yan, Honglei Dai, Goulin Liu, A TPS based feature preserving method for reducing elevation points derived from LiDAR, Remote Sensing, vol 7, no 9, 2015 69 M.Lohndorf, J.M Melenk, On thin plate spline interpolation, Arxiv, 2017 70 Henrik Weimer, Joe Warren, Subdivision Schemes for Thin Plate Splines, EUROGRAPHICS, vol 17, no 3, 1998 71 T E.Smith, Notebook for spatial data analysis, Spring, 2016 72 S Kodors, Point distribution as true quality of LiDAR point cloud, Baltic J Modern Computing, vol 5, 2017 73 Wojciech Pokojski, Paulina Pokijska, Voronoi diagrams inventor, method, applications, Polish Cartagraphical Review, vol 50, no 3, 2018 74 B Kalantari, The state of the art of Voronoi diagram research, Transactions on Computational Science, vol XX, 2013 75 D Souvaine, Voronoi Diagrams, Spring, 2005 76 Radu Horaud, Florence Forrbes, Manuel Yguel, , Rigid and Articulated point registration with Expectation Conditional Maximization, IEEE transactions on pattern analysis and machine intelligence, vol 33, no 3, 2011 77 Jereon Hermans, Dirk Smeets, Dirk Vandermeuden, Robust point set registration using EM-ICP with information - theoretically optimal outlier handling, IEEE Computer Society Conference on Computer Vision and Pattern Recoginition, 2011 78 R.K Beatson, W.E.Ong, I.Rychkov, Faster fast evaluation of thin plate splines in two dimensions, Journal of Computational and Applied Mathematics, vol 261, no 1, 2014 79 Haili Chui, Anand Rangajaran, A new point matching algorithm for non - rigid registration, Computer vision and Image Understanding, vol 89, pp 114 - 141, 2003 80 Weigo Xie, Lutz Peter Nolte, Guonyan Zheng, ECM versus ICP for Point Registration, Annual International Conference of the IEEE EMBS, Massachusetts, 2011A 81 Tharwat, “A parameter investigation of SVM classifier with kernel functions,” Knowlegde Information System, tập 3, pp 1-34, 2019 82 Raquel Rodríguez-Perez, Martin Vogt, and Ju ́ , “Support Vector Machine Classification and Regression Prioritize Different Structural Features for Binary Compound Activity and Potency Value Prediction,” American Chemical Science Omega, tập 2, pp 6371-6379, 2017 83 Zhe Min, Jiaole Wang, Max Q.H Meng, Robust Generalized Point cloud registration with orientational data based on EM, IEEE Transactions on Automation Science and Engineering, vol 1545, no 5955, 2019 84 Elena Milanova, Yukio Himiyama, Ivan Bicik, Understanding land use and land cover change in global and regional context, Plymouth: Science Publisher, 2005 85 I.Doughlas, Ecosystems and Human well being, Reference module in Earth Systems and Environmental Sciences, 2018 86 Binhan Lou, Jian Yang, Shalei Song, Shuo Shi, Wei Gong, Ao Wang, Lin Du, Targer classification of Similar Spatial Characteristics in Complex Urban Areas by Using Multispectral LiDAR, Remote Sensing, Tập 14, số 238, 2022 87 Shuo Shi, Sifu Bi, Wei Gong, Biwu Chen, Bowen Chen, Xingtao Tang, Land Cover Classification with Multispectral LiDAR Based on Multi-Scale Spatial and Spectral Feature Selection, Remote Sensing, Tập 13, số 4118, 2021 88 Wai Yeung Yan, Ahmed Shaker, Nagwa El-Ashmawy, Urban land cover classification using airborne LiDAR data: a review, Remote Sensing of Environment, 2015 89 You Mo, Ruofei Zhong, Haili Sun, Qiong Wu, Liming Du, Yuxin Geng, Shisong Cao, Integrated Airborne LiDAR Data and Imagery for Suburban Land Cover Classification Using Machine Learning Methods, Sensors (Basel), Tập 19, số 9, 2019 90 M I Hariyono, Rokhmatuloh, M P Tambunan, R S Dewi, Support Vector Machine for Land Cover Classification using Lidar Data, The 3rd Southeast Asian Conference on Geophysics, IOP Conf Series: Earth and Environmental Science, 2021 91 Nicholas R Goodwin,Nicholas C Coops,Thoreau Rory Tooke,Andreas Christen &James A Voogt, Characterizing urban surface cover and structure with airborne lidar technology, Canadian Journal of Remote Sensing, vol 35, no 3, 2009 92 Yan Shi, Zhixin Qi, Xiaoping Liu, Ning Niu, Hui Zhang, Urban Land Use and Land Cover Classification Using Multisource Remote Sensing Images and Social Media Data, Journal of Remote Sensing, vol 11, no 22, 2019 93 William Anderson (Schoolworkhelper Editorial Team), Urban Land Use, SchoolWorkHelper, 2019 94 Rajni Jain, S S Raju, Decision Support System in Agriculture using uantitative Analysis, Agrotech Publishing Academy , 2015 95 K P Tripathi, Decision support System is a tool for making better decisions in the organization, Indian Journal of Computer Science and Engineering, vol 2, no 1, 2011 96 J Clerk Maxwell, A Treatise on Electricity and Magnetism, 3rd ed., vol Oxford: Clarendon, 1992 97 Andreas Felsberger, Bernhard Oberegger, Gerald Reiner, A review of DSS for manufacturing systems, SamJ40 workshop at i-KNOW 16, Graz, Austria, 2016 98 Mohammad Omidvar, Fariba Bordbar, Advanced decision support systems for managers, European online Journal of Natural and Social Science, vol 2, no 3, 2013 99 H Alshibly, Investiatng Decision Support System success: A partial least quares structural equation modeling approach, Semantic Sholar, 2015 100 Lian Zhi Ho et al, Supervised spatial classification of mutispectral LiDAR data in urban areas, Plos One, 2018 101 Martin Herold, Dar A Roberts, Multispectral satellites - Imaging spectrometry - LiDAR: Spatial - Spectral tradeoffs in urban mapping, 2006 102 Jesús R Gastélum, Juan B Valdés, Steven Stewart, A decision support system to improve water resources management in the conchos basin, Water resource management, vol 23, no 8, 2009 103 Zhe Min, Jiaole Wang, Max Q-H Meng, Robust generalized point cloud registration with orientational data based on Expectation Maximization, IEEE transactions on automation science and engineering, 2019 104 A Dobrin, A review of Properties and Variations of Voronoi diagrams, Mathematics, 2002 105 Li Xiaoli, Yingyi Chen, Li Daoliang, A spatial DSS for Land use structure optimization, WSEAS TRANSACTIONS on COMPUTERS, vol 8, no 3, 2008 106 M Q Huy, Building a DSS fro Agricultural land use planning and sustainable management at the district level in Vietnam, Gottingen: Georg August University, 2010 107 Th.K Ghabour, R.R Ali, M.M Wahba, E.A.El-Naka, S.A.Selim, Spatial DSS for land use management of newly reclaimed areas in arid regions, The Egyptian Journal of Remote Sensing and Space Science, vol 22, no 2, 2019 ... vi nghiên cứu Để hoàn thành mục tiêu nghiên cứu luận án, đối tượng nghiên cứu luận án tập trung vào toán phân loại liệu ĐMĐ LiDAR Đối tượng nghiên cứu luận án cơng nghệ LiDAR, tốn phân loại điểm. .. nghiệm nghiên cứu Ý nghĩa khoa học thực tiễn luận án -Ý nghĩa khoa học: Luận án nghiên cứu sở toán học liệu ĐMĐ LiDAR, toán phân loại ĐMĐ LiDAR, thuật toán phân loại liệu ĐMĐ công bố Từ nghiên cứu. .. Phương pháp nghiên cứu - Phương pháp nghiên cứu phân tích, tổng hợp: Thu thập nghiên cứu các báo, luận án tiến sĩ, sách, tài liệu cơng bố có liên quan đến cơng nghệ LiDAR, tốn phân loại ĐMĐ LiDAR