Bài viết Chuyển đổi số, sản phẩm trí tuệ nhân tạo trong phân loại lớp phủ sử dụng đất toàn cầu, khả năng ứng dụng tại Việt Nam xem xét khả năng ứng dụng của nguồn dữ liệu Dynamic world, ESA’s world cover 2020 và sản phẩm nghiên cứu tại Ba Vì, Hà Nội, Việt Nam. Kết quả nghiên cứu này cho rằng các sản phẩm trên có thể sử dụng cho một số lĩnh vực chuyên ngành tại Việt Nam.
CHUYỂN ĐỔI SỐ, SẢN PHẨM TRÍ TUỆ NHÂN TẠO TRONG PHÂN LOẠI LỚP PHỦ SỬ DỤNG ĐẤT TOÀN CẦU, KHẢ NĂNG ỨNG DỤNG TẠI VIỆT NAM Nguyễn Trọng Trường Sơn Trường Đại học Tài nguyên Môi trường Hà Nội Tóm tắt Chuyển đổi số, ứng dụng trí tuệ nhân tạo phân loại lớp phủ sử dụng đất phục vụ công tác quản lý đất đai xu hướng phát triển mạnh mẽ toàn giới Đã có sản phẩm phân loại lớp phủ tồn cầu có độ phân giải khơng gian 10 m, nguồn liệu có khả đem lại hiệu cao quản lý nghiên cứu, phân tích liệu quản lý đất đai, môi trường Nghiên cứu xem xét khả ứng dụng nguồn liệu Dynamic world, ESA’s world cover 2020 sản phẩm nghiên cứu Ba Vì, Hà Nội, Việt Nam Kết nghiên cứu cho sản phẩm sử dụng cho số lĩnh vực chuyên ngành Việt Nam Từ khóa: Lớp phủ sử dụng đất; Google earth engine; Dynamic world; World cover Abstract Digital tranformation, AI product in global land use land cover and application in Vietnam Digital transformation, application of artificial intelligence in land use land cover is a development trend in the world There are product on global land use land cover with spatial resolution of 10 m, this is a data source capable of bringing high efficiency in land and environmental management This study examines the applicability of Dynamic world, ESA’s world cover and research in Vietnam The results are relatively positive and can be used for specialized fields in Vietnam Keywords: Land use; Land cover; Google earth engine; Dynamic world; World cover Mở đầu Sự phát triển nhanh chóng hệ thống Internet tồn cầu cơng nghệ thơng tin nói chung, lĩnh vực khoa học công nghệ đời sống chuyển đổi mạnh mẽ dần hồn thiện đáp ứng cơng chuyển đổi số có lĩnh vực quản lý đất đai Có nhiều phương pháp áp dụng tỏ hiệu để phục vụ chuyển đổi số phân loại lớp phủ sử dụng đất từ ảnh viễn thám Một phương pháp, công nghệ tiên tiến ứng dụng cơng nghệ trí tuệ nhân tạo (AI - Artificial Intelligence) thuật toán học máy nhằm nâng cao khả tự động hóa khả tự chủ xử lý liệu người dùng, giảm bớt phụ thuộc vào hệ thống phần mềm chuyên dụng có giá thành cao Trên giới Việt Nam có nghiên cứu ứng dụng AI, học máy để tạo sản phẩm hữu ích cơng tác quản lý đất đai [1-3] Các tảng điện toán đám mây xu hướng ngày phát triển hiệu ưu điểm việc sử dụng liệu cảm biến từ xa truy cập miễn phí để lập đồ lớp phủ sử dụng đất khu vực quy mô lớn cách sử dụng liệu địa lý toàn cầu Các loại sản phẩm cung cấp liệu theo mùa, hàng năm thay đổi đề xuất tích hợp thuật tốn học máy phức tạp liệu khảo sát liệu ảnh lớn ảnh thu nhận vệ tinh [2, 4] Cho đến nay, có nhiều thuật tốn ứng dụng cách hiệu việc phân loại lớp phủ bề mặt đất từ ảnh vệ tinh Maximum Likelihood Classifier (MLC), Minimum Distance Classifier (MDC), K - Nearest Neighbor (KNN), Support Vector Machine (SVM), Classification 66 Hội thảo Quốc gia 2022 and regression tree (Cart) Random Forest (RF) Trong đó, thuật tốn Cart, RF SVM thuật toán áp dụng cho việc học máy sử dụng nhiều khai phá sở liệu ảnh vệ tinh trực tryến từ Google Earth Engine (GEE) Hiện nay, có nghiên cứu Việt Nam giới cho thấy tính hiệu việc khai thác thuật toán SVM, Cart RF có đánh giá rõ ràng độ tin cậy thuật toán nêu việc ứng dụng để phân loại lớp phủ bề mặt đất từ ảnh vệ tinh [2, 5, 6] Ứng dụng thuật tốn học máy, trí tuệ nhân tạo giới có sản phẩm LULC phạm vi toàn cầu Các sản phẩm cách mạng hóa nhiều nhờ liệu vệ tinh có độ phân giải trung bình độ phân giải tương đối cao có sẵn Landsat Sentinel Để theo dõi, đánh giá độ tin cậy sản phẩm, người ta so sánh chéo đồ LULC độ phân giải 10 m toàn cầu kết tìm thấy số sai lệch khơng gian cịn tồn chưa thống lớp phủ sản phẩm khác Cụ thể, có so sánh chéo đánh giá độ xác sản phẩm Google’s Dynamic World (DW), ESA’s World Cover (WC) Esri’s Land Cover (Esri) để xem xét việc khả áp dụng sản phẩm tương lai Đối với năm 2020, có ba sản phẩm đồ LULC tồn cầu DW, WC, Esri đánh giá kết cho thấy tương ứng không gian mạnh mẽ (tức ước tính diện tích gần nhau) cho lớp phủ mặt nước, khu vực cơng trình xây dựng, thực phủ số loại trồng Tuy nhiên, kết đánh giá cho thấy sản phẩm WC thiên việc ước tính lớp phủ lớp cỏ, Esri thiên lớp phủ bụi sản phẩm DW thiên lớp phủ băng tuyết [4, 7] Hình 1: Hình ảnh sản phẩm LULC_WC - 2020 khu vực Việt Nam Từ nghiên cứu đưa khuyến nghị cách tổng thể cần đánh giá nghiêm túc sản phẩm LULC, tham chiếu đến mục đích ứng dụng phù hợp Trong nghiên Hội thảo Quốc gia 2022 67 cứu này, sử dụng sản phẩm DW, WC đồng thời so sánh với kết LULC thực kiểm chứng với khu vực huyện Ba Vì, Hà Nội, Việt Nam [2] Ngồi ra, cịn có dự án tập đồn cơng ty thương mại tiếng có truyền thống lâu dài giới, họ xây dựng sản phẩm toàn cầu LULC Trong hãng Microsoft cung cấp đồ cho người dùng toàn giới dựa liệu miễn phí tồn cầu Esri, cơng ty hàng đầu thị trường tồn cầu phần mềm hệ thống thông tin địa lý (GIS - Geographic Infomation System) thông minh, giúp khách hàng khai thác nhiều tiềm liệu viễn thám hệ thống thông tin địa lý nhằm cải thiện hoạt động nghiên cứu, ứng dụng cho chuyên ngành cụ thể khác nhau, có sản phẩm chứng tỏ hiệu cao lĩnh vực quản lý đất đai Dữ liệu nghiên cứu Trong nghiên cứu này, nhóm tác giả sử dụng sản phẩm hai loại liệu LULC toàn cầu (DW VC) sản phẩm phân loại trực tiếp GEE Các lớp phủ phân loại có nguồn gốc liệu ảnh vệ tinh Sentine - với độ phân giải không gian 10 m Sản phẩm DW liệu gần liệu thời gian thực, phương pháp tiếp cận truyền thống để xây dựng liệu lớp phủ sử dụng đất hàng tháng hàng năm để tạo Đây kết việc tận dụng phương pháp học sâu, dựa Sentinel - TOA, DW cung cấp cập nhật lớp phủ toàn cầu từ đến ngày lần tùy thuộc vào vị trí DW thành lập dựa tảng liệu điện toán đám mây Google Earth Engine mơ hình AI Sản phẩm DW xây dựng phù hợp với nguyên tắc AI Google DW phát triển cách sử dụng liệu đào tạo Hiệp hội Địa lý quốc gia (National Geographic Society) Tập liệu thành lập dự án hợp tác Hiệp hội Địa lý Quốc gia Google với Viện Tài nguyên Thế giới (World Resources Institute) Sản phẩm bao gồm loại lớp phủ mô tả Bảng đây: Bảng Mô tả loại lớp phủ DW STT Tên lớp phủ Mặt nước Mô tả Các vùng nước vĩnh viễn theo mùa Bao gồm rừng nguyên sinh rừng thứ sinh, rừng trồng quy Cây cối mô lớn Cỏ Đồng cỏ tự nhiên, đồng cỏ chăn nuôi công viên Thảm thực vật ngập nước Rừng ngập mặn hệ sinh thái ngập nước khác Cây trồng Bao gồm trồng lúa Cây bụi Cây bụi thảm thực vật thưa thớt đến rậm rạp Khu vực xây dựng Các tòa nhà chung cư, đường xá, làng mạc Sa mạc Đất trống đá lộ thiên Tuyết băng Băng, tuyết phủ vĩnh viễn theo mùa Sản phẩm WC (ESA World Cover) xác nhận độc lập Đại học Wageningen Sản phẩm WC 2020 đạt độ xác tổng thể 74,4 % Sản phẩm từ sau hội nghị World Cover 2017 Cơ quan Vũ trụ châu Âu (European Space Agency - ESA) tổ chức liên phủ thành lập năm 1975 tổ chức, với yêu cầu dự án World Cover tạo nhanh xác nhận lớp phủ đất giới dựa liệu ảnh vệ tinh Sentinel - Sentinel - với độ phân giải không gian 10 m Các sản phẩm WC bao gồm 11 lớp phủ mô tả bề mặt trái đất với độ phân giải không gian 10 m Trong đó, bao gồm lớp phủ: “Rừng”, “Cây bụi”, “Đồng cỏ”, “Đất trồng trọt”, “Khu vực xây dựng”, “Cây cối trơ trụi/thưa thớt”, “Băng tuyết” , 68 Hội thảo Quốc gia 2022 “Các vùng nước vĩnh viễn theo mùa”, “Đất ngập nước cỏ”, “Rừng ngập mặn”, “Rêu địa y” Sản phẩm ESA WC xác nhận độc lập Đại học Wageningen (thống kê) IIASA (khơng gian) Trong độ xác tổng thể 74,4 % [7] Tổ chức sản phẩm WC xây dựng dựa nhóm nhà cung cấp dịch vụ tổ chức nghiên cứu lớn châu Âu có nhiều kinh nghiệm sản xuất nghiên cứu, bao gồm tất việc lập đồ lớp phủ sử dụng đất Các lớp phủ mô tả Bảng Bảng Mô tả loại lớp phủ WC STT 10 11 Tên lớp phủ Rừng Vùng bụi Đồng cỏ Đất trồng trọt Tích hợp Cây cối trơ trọi /thưa thớt Băng tuyết Các vùng nước vĩnh viễn Đất ngập nước cỏ Rừng ngập mặn Rêu địa y Mô tả Các loại rừng cây, thực vật tập trung mật độ lớn Cây bụi nhỏ thảm bụi lớn Đồng cỏ tự nhiên, đồng cỏ chăn nuôi công viên Cây trồng lúa Bao gồm loại lớp phủ khác Cây bụi thảm thực vật thưa thớt đến rậm rạp Các tòa nhà chung cư, đường xá, làng mạc Tương tự mặt nước vĩnh viễn Các vùng ngập nước vĩnh viễn theo mùa Rừng ngập mặn Rêu địa y WC đánh giá sản phẩm gồm lớp phủ sử dụng đất toàn cầu độ phân giải 10 m tương ứng với năm 2020 dựa liệu Sentinel - Sentinel - phát triển xác thực thời gian gần thực Ngoài ra, nghiên cứu sử dụng liệu ảnh vệ tinh Sentinel - để phân loại lớp phủ sử dụng đất bao gồm lớp phủ sử dụng đất huyện Ba Vì, Hà Nội, Việt Nam thời điểm 2020 với sản phẩm để so sánh, phân tích khả ứng dụng của sản phẩm nghiên cứu [2] Phương pháp nghiên cứu Tổng quan phương pháp nghiên cứu thể sơ đồ Hình Trước hết, nhóm tác giả sử sụng tảng GEE ngơn ngữ lập trình JavaScrip để trích xuất liệu toàn cầu DW, WC theo khu vực cần nghiên cứu Cụ thể, nhóm tác giả thu nhận liệu LULC khu vực huyện Ba Vì, Hà Nội, Việt Nam sản phẩm toàn cầu DW, WC dựa mơ hình AI Tiếp theo, nhóm tác giả sử dụng thuật tốn SVM phân loại ảnh Sentinel - theo lớp sử dụng đất bản, bao gồm: Đất trống; Mặt nước; Khu vực xây dựng; Rừng; Cây bụi Quy trình nghiên cứu thể Hình Kết nghiên cứu Kết nghiên cứu sử dụng sản phẩm DW WC năm 2020 với phân loại ảnh Sentinel - năm 2020 để so sánh, đánh giá khả sử dụng sản phẩm Các sản phẩm toàn cầu DW WC số nghiên cứu đánh giá có khả sử dụng cho số lĩnh vực cụ thể với mức độ tổng quan [7] Đối với khu vực Ba Vì, nhóm tác giả sử dụng thuật toán SVM để thành lập lớp phủ sử dụng đất với lớp phủ sử dụng đất nêu trên, kết đánh giá độ xác phân loại dựa ma trận nhầm lẫn (Confusion - matrix) với thông số độ xác tổng thể (Overall Accuracy - OA) hệ số Kappa Trong hệ số Kappa có giá trị từ 0,4 đến 0,6 đánh giá đạt kết trung bình, giá trị từ lớn 0,6 đến 0,8 tốt 0,8 đến 1,0 tốt [8] Thực đánh giá GEE với hàm errorMatrix, sử dụng 70 % số lượng mẫu dùng để phân loại ảnh 30 % số lượng mẫu dùng để kiểm tra đánh giá Cụ thể, kết đánh giá độ Hội thảo Quốc gia 2022 69 xác đạt giá trị OA Kapa tương ứng 0,96 0,92 Đây giá trị hồn tồn có khả đáp ứng yêu cầu phân loại lớp phủ sử dụng đất từ liệu ảnh vệ tinh Hình 2: Quy trình thực so sánh sản phẩm Hình thể kết so sánh tỷ lệ lớp phủ là: Mặt nước; Đất trống; Khu vực xây dựng phân loại theo sản phẩm DW, WC - 2020 sản phẩm phân loại tảng GEE với thuật toán học máy SVM (GEE - SVM) Hình 3: So sánh tỷ lệ lớp phủ sử dụng đất Các kết có khác biệt rõ ràng sản phẩm DW, WC nghiên cứu phân loại với thuật toán SVM tảng liệu điện toán đám mây GEE Trong đó, có chênh lệch lớn lớp mặt nước sản phẩm WC năm 2020 so với kết phân loại nhóm tác giả thực 70 Hội thảo Quốc gia 2022 hiện, giá trị khác biệt lớp mặt nước đạt tới 3,58 % so với tổng diện tích tự nhiên khu vực nghiên cứu Bảng Kết khác biệt sản phẩm toàn cầu DW, WC kết phân loại theo thuật toán SVM GEE Loại sản phẩm DW WC Mặt nước (%) 0,3 -3,58 Đất trống (%) 1,13 2,62 Nhà cửa (%) -1,7 -2,82 Sự khác biệt nhìn nhận cách tương đối rõ ràng hình ảnh sản phẩm phân loại lớp phủ sử dụng đất Hình a Sản phẩm DW b Sản phẩm VC-2020 c Sản phẩm GEE-SVM Hình 4: Các sản phẩm LULC tồn cầu kết thực phân loại với thuật tốn SVM theo mơ hình AI tảng liệu điện toán đám mây GEE Các khác biệt kết phân loại sản phẩm nhiều nguyên nhân bao gồm khách quan chủ quan Từ Bảng cho thấy kết tương đối gần sản phẩm DW GEE - SVM Trong đó, khác biệt thể lớn cách rõ ràng sản phẩm WC GEE - SVM Để so sánh kết DW WC đánh giá độ tin cậy sản phẩm tốt với điều kiện khu vực nghiên cứu thời điểm thực cịn nhiều khó khăn Có nhiều ngun nhân tồn việc đánh giá độ tin cậy sản phẩm toàn cầu DW WC để phục vụ công tác nghiên cứu quản lý sử dụng Một nguyên nhân ban đầu sản phẩm hướng đến mục tiêu sử dụng khác nhau, có lớp phủ sử dụng đất khác nên gây khó khăn việc đánh giá độ xác sản phẩm Với lớp phủ sản phẩm DW, 11 lớp phủ sản phẩm WC lớp phủ phân loại ảnh Sentinel - khu vực Ba Vì, Hà Nội, Việt Nam khó khăn đánh giá độ tin cậy phân loại lớp phủ sản phẩm DW WC Tuy nhiên nghiên cứu sử dụng lớp phủ trùng lặp với lớp phủ sản phẩm DW WC để so sánh, đánh giá kết phân tích Kết đánh giá cho thấy số tương đồng sản phẩm Các khác biệt lớn WC GEE - SVM liệu sử dụng sản phẩm WC năm 2020 phân loại tổng hợp từ nhiều nguồn nghiên cứu khác công bố nhà nghiên cứu nên khó đạt thống khó có khả sản phẩm phân loại thời điểm định Trong sản phẩm DW GEE - SVM sản phẩm phân loại từ Hội thảo Quốc gia 2022 71 liệu ảnh vệ tinh Sentinel - thu nhận ngày 21 tháng năm 2020, sản phẩm coi sản phẩm gần thời gian thực (Near Real Time - NRT) nên khả tương đồng kết phân loại có khả cao kết thể Bảng Kết luận đề xuất Việc chuyển đổi phương pháp khai thác, phân tích liệu ảnh vệ tinh trực tuyến sản phẩm tồn cầu phục vụ cơng tác quản lý đất đai ngày tỏ hiệu Điều góp phần tích cực vào cơng chuyển đổi số nói chung ngành quản lý đất đai nói riêng Sản phẩm WC năm 2020 sản phẩm tổng hợp phân loại từ ảnh vệ tinh Sentinel-2 số kết nghiên cứu khác, cần có nghiên cứu đánh giá chi tiết tính thống độ tin cậy sản phẩm sử dụng cho lĩnh vực cụ thể Sản phẩm DW sản phẩm lớp phủ sử dụng đất tồn cầu có nhiều ưu điểm gần thời gian thực, yếu tố quan trọng phân tích, đánh giá phục vụ cơng tác quản lý nhà nước đất đai, môi trường Nghiên cứu cho thấy tương đồng kết tốt sản phẩm DW GEE - SVM so với kết phân loại lớp phủ sử dụng đất từ sản phẩm WC 2020 GEE-SVM Các kết phân loại ảnh đánh giá thể độ tin cậy, nhiên để có chắn nữa, nghiên cứu sau nên có so sánh với loại đồ đồ trạng sử dụng đất qua thời kỳ Ngoài ra, để nâng cao hiệu sử dụng sản phẩm toàn cầu phục vụ công tác nghiên cứu, quản lý đất đai cách nhanh chóng, xác, cần có nghiên cứu đánh giá cụ thể loại sản phẩm DW WC cho loại lớp phủ khu vực khác TÀI LIỆU THAM KHẢO [1] Bùi Thị Hồng Thắm, Trịnh Thị Thu (2020) Phân loại đối tượng chiết tách lớp phủ bề mặt khu vực Cơng viên Địa chất tồn cầu non nước Cao Bằng dựa tảng điện toán đám mây Tạp chí Khoa học Tài ngun Mơi trường, 31, 65 [2] Đặng Thanh Tùng (2021) Khai thác trực tuyến sở liệu ảnh vệ tinh, so sánh thuật toán học máy phân loại lớp phủ Google Earth Engine Kỷ yếu Hội thảo Quốc gia giải pháp kết nối chia sẻ hệ thống sở liệu phục vụ công tác đào tạo, quản lý lĩnh vực tài nguyên môi trường Nxb Khoa học Công nghệ, Hà Nội, tr 192 [3] Lewis, R J (2000) An introduction to classification and regression tree (CART) analysis In Annual meeting of the society for academic emergency medicine in San Francisco, California (Vol 14) Citeseer [4] Mirmazloumi, S M.; Kakooei, M.; Mohseni, F.; Ghorbanian, A.; Amani, M.; Crosetto, M.; Monserrat, O (2022) ELULC - 10, a 10 m European land use and land cover map using Sentinel and Landsat data in Google Earth Engine. Remote Sens. 14, 3041 https://doi.org/10.3390/rs14133041 [5] Breiman L J M (2001) Random forests Kluwer Academic Publishers Manufactured in The Netherlands, 45(5) [6] Cortes C and V Vapnikl (1995) Support - vector networks J Machine learning, Kluwer Academic Publishers, Boston Manufactured in The Netherlands, 20, 273 [7] Venter, Z.S.; Barton, D.N.; Chakraborty, T.; Simensen, T.; Singh, G (2022) Global 10 m land use land cover datasets: A Comparison of Dynamic World, World Cover and Esri Land Cover. Remote Sens 14, 4101 https://doi.org/10.3390/rs14164101 [8] Visa S., B Ramsay, A L Ralescu and E J M Van Der Knaapl (2011) Confusion matrix-based feature selection 710, 120 BBT nhận bài: 20/9/2022; Chấp nhận đăng: 31/10/2022 72 Hội thảo Quốc gia 2022 ... tinh Sentinel - để phân loại lớp phủ sử dụng đất bao gồm lớp phủ sử dụng đất huyện Ba Vì, Hà Nội, Việt Nam thời điểm 2020 với sản phẩm để so sánh, phân tích khả ứng dụng của sản phẩm nghiên cứu... sử dụng Một nguyên nhân ban đầu sản phẩm hướng đến mục tiêu sử dụng khác nhau, có lớp phủ sử dụng đất khác nên gây khó khăn việc đánh giá độ xác sản phẩm Với lớp phủ sản phẩm DW, 11 lớp phủ sản. .. tương đối rõ ràng hình ảnh sản phẩm phân loại lớp phủ sử dụng đất Hình a Sản phẩm DW b Sản phẩm VC-2020 c Sản phẩm GEE-SVM Hình 4: Các sản phẩm LULC tồn cầu kết thực phân loại với thuật toán SVM