Nghiên cứu phương pháp trích xuất khu vực ngập lụt từ ảnh vệ tinh Sentinel-1 trên nền tảng Google Earth Engine

Bài viết Nghiên cứu phương pháp trích xuất khu vực ngập lụt từ ảnh vệ tinh Sentinel-1 trên nền tảng Google Earth Engine trình bày giải pháp phát hiện các khu vực ngập lụt dựa trên việc phân loại các siêu điểm ảnh từ dữ liệu ảnh vệ tinh Sentinel - 1. Phương pháp tạo ngưỡng tự động dựa trên thuật toán phân cụm không lặp lại đơn giản (SNIC) và OTSU được sử dụng để trích xuất vùng ngập nước từ hình ảnh Sentinel - 1 trên nền tảng Google Earth Engine (GEE).

NGHIÊN CỨU PHƯƠNG PHÁP TRÍCH XUẤT KHU VỰC NGẬP LỤT TỪ ẢNH VỆ TINH SENTINEL - TRÊN NỀN TẢNG GOOGLE EARTH ENGINE Trịnh Lê Hùng1, Trần Xuân Biên2, Mai Đình Sinh1, Lê Văn Phú1 Học viện Kỹ thuật quân sự, Hà Nội Phân hiệu Trường Đại học Tài nguyên và Môi trường Hà Nội tỉnh Thanh Hóa Tóm tắt Bài báo trình bày giải pháp phát khu vực ngập lụt dựa việc phân loại siêu điểm ảnh từ liệu ảnh vệ tinh Sentinel - Phương pháp tạo ngưỡng tự động dựa thuật tốn phân cụm khơng lặp lại đơn giản (SNIC) OTSU sử dụng để trích xuất vùng ngập nước từ hình ảnh Sentinel - tảng Google Earth Engine (GEE) Kết thực nghiệm tỉnh Quảng Bình vào tháng 10/2016 cho thấy hiệu phương pháp đề xuất (Thuật toán SNIC kết hợp với thuật tốn OTSU) cho độ xác cao 91 % so với phương pháp sử dụng thuật toán OTSU với khoảng 86 % việc phân loại vùng ngập từ ảnh SAR Kết nhận nghiên cứu cung cấp thơng tin kịp thời khu vực ngập lụt, góp phần ứng phó hiệu giảm thiểu thiệt hại lũ lụt gây Nghiên cứu cho thấy tiềm tảng GEE GEE hỗ trợ việc phân tích xử lý liệu nhanh nhờ nguồn liệu phong phú, đa thời gian, đa dạng liệu đa dạng thuật toán Từ khóa: Viễn thám; Phát vùng ngập lụt; Ảnh SAR; Sentinel - 1; Google Earth Engine Abstract Research on methods of extracting flood area from Sentinel - satellite images on Google Earth Engine platform The paper presents a method to detect flooded areas based on the classification of superpixels from Sentinel - satellite image data The automatic thresholding method based on the Simple Non - Iterative Clustering (SNIC) and the OTSU algorithm extracts flooded areas from Sentinel - images on the Google Earth Engine platform Experimental results in Quang Binh province in October 2016 show the efficiency of the proposed method (Simple Non - Iterative Clustering algorithm combined with the OTSU algorithm) The proposed method accuracy is 91 % higher than the OTSU algorithm, with about 86 % in classifying flooded areas in SAR images The results obtained in the study area can provide timely information about the flooded area, contributing to effective response and reduction of damage caused by floods The study also shows the power of the Google Earth Engine platform Google Earth Engine has supported rapid data analysis and processing thanks to rich data sources, multi - time, diverse data and various algorithms Keywords: Remote sensing; Flood area detection; SAR image; Sentinel - 1; Google Earth Engine Giới thiệu Lũ lụt thảm họa thiên nhiên gây thiệt hại nặng nề giới, với quốc gia ven biển có hệ thống sơng ngịi dày đặc Việt Nam Trong năm gần đây, ảnh hưởng biến đổi khí hậu, lũ lụt diễn phức tạp, có xu hướng gia tăng tần suất cường độ Ở Việt Nam, lũ lụt không tập trung vào mùa mưa mà xuất vào mùa khô, gây thiệt hại lớn người tài sản Trích xuất phân loại khu vực ngập lụt từ liệu viễn thám vấn đề có tính thực tiễn, cung cấp thông tin đầu vào khách quan kịp thời cho 366 Hội thảo Quốc gia 2022 mơ hình quản lý ứng phó với lũ lụt, hỗ trợ cơng tác tìm kiếm cứu nạn, giúp giảm thiểu thiệt hại lũ lụt gây Do thời tiết xảy lũ lụt thường không thuận lợi, liệu ảnh viễn thám quang học không hiệu phân loại phát khu vực ngập lụt Những hạn chế khắc phục sử dụng ảnh viễn thám radar xung radar bị ảnh hưởng điều kiện thời tiết Một số thuật toán phát khu vực ngập lụt liệu ảnh SAR đề xuất phương pháp phân loại có giám sát khơng giám sát [4, 18], phương pháp sử dụng ngưỡng [7, 9, 14, 19], phân tích hình ảnh dựa đối tượng [16] phương pháp kết hợp [7] Trong số phương pháp tiếp cận này, phương pháp phân ngưỡng thuật toán phân cụm áp dụng phổ biến để phân tích hình ảnh SAR nhằm phân tách vùng nước vùng khơng có nước Phương pháp tiếp cận dựa chênh lệch tán xạ ngược đối tượng Trên ảnh SAR, giá trị tán xạ ngược đối tượng nước thấp nhiều so với với đối tượng xung quanh Thuật toán OTSU thuật toán phân cụm sử dụng nhiều đơn giản mặt tính tốn dễ dàng thực Ở Việt Nam, thuật toán OTSU áp dụng nhiều lĩnh vực xử lý ảnh để trích xuất thơng tin từ giấy chứng minh nhân dân [8], xử lý ảnh y học hỗ trợ chẩn đoán bệnh [11], xử lý ảnh viễn thám [17] Hiện nay, Google Earth Engine tảng miễn phí cho phép thu thập phân tích liệu khơng gian địa lý dựa điện tốn đám mây Do đó, hình ảnh vệ tinh Sentinel - sử dụng tảng GEE để xác định khu vực ngập lụt [3, 10, 19] Bên cạnh đó, ảnh Sentinel - tiền xử lý bao gồm loại bỏ sai số hình học, lọc nhiễu trình thu nhận ảnh Trước hết, quỹ đạo xác vệ tinh tính tốn liên tục trước tạo sản phẩm trang web Cơ quan Vũ trụ châu Âu [6] Ngoài ra, việc loại bỏ nhiễu nhiệt thực cách tính tốn dựa bảng tra nhiễu có sẵn với ảnh Sentinel - mức [13], đồng thời, hiệu chỉnh ảnh hưởng của địa hình thực mơ hình số độ cao SRTM Cuối cùng, giá trị các pixel của ảnh Sentinel - chuyển đổi thành hệ số tán xạ ngược [15] Bài báo này trình bày kết quả sử dụng thuật toán phân ngưỡng OTSU liệu ảnh Sentinel - nhằm trích xuất khu vực bị ảnh hưởng lũ lụt Quảng Bình đợt lũ lụt tháng 10 năm 2016 tảng Google Earth Engine 04 cảnh ảnh Sentinel - chụp tháng và 10 năm 2016 được sử dụng để trích xuất thông tin vùng ngập lụt, sau đó so sánh, đánh giá kết quả Cơ sở khoa học Phân ngưỡng ảnh số kỹ thuật xử lý ảnh số Một thuật toán phân ngưỡng thuật toán OTSU OTSU tên nhà nghiên cứu người Nhật nghĩ ý tưởng cho việc tính ngưỡng cách tự động dựa giá trị điểm ảnh ảnh đầu vào nhằm thay cho việc sử dụng ngưỡng cố định Phương pháp tạo ngưỡng OTSU dựa tiêu chí phân biệt tuyến tính, cho hình ảnh bao gồm tiền cảnh hậu cảnh OTSU thiết lập ngưỡng để cố gắng làm giảm thiểu chồng chéo lớp [12] Lược đồ xám (Histogram) đồ thị biểu diễn tần số xuất mức độ xám ảnh Thuật tốn OTSU tính tốn thông số dựa lược đồ xám ảnh Đầu tiên, thuật toán sử dụng lược đồ xám biểu diễn tần số xuất mức xám, mức xám i đại điện cho số giá trị điểm ảnh, tính theo cơng thức (1): ni i =0 P L −1 pi = ∑ (1) Hội thảo Quốc gia 2022 367 đó, pi tần suất xuất mức xám giá trị i, ni số lượng điểm ảnh giá trị i, P tổng số giá trị điểm ảnh ảnh, L số khoảng mà giá trị điểm ảnh chia Tiếp theo, chọn ngưỡng Tk=k, (0 < k < L-1) để phân ảnh đầu vào thành lớp: Lớp C1 (Tập hợp điểm ảnh có giá trị ≤k) Tỉ số số lượng điểm ảnh lớp C1 với tổng số lượng điểm ảnh ký hiệu P1(k), tương tự lớp C2 ký hiệu P2(k), giá trị P1(k) P2(k) tính theo cơng thức (2) (3): k P1 (k ) = ∑ pi i =0 P2 (k ) = L −1 ∑ p= i= k +1 i − P1 (k ) (2) (3) Sau đó, tính giá trị trung bình m1 lớp C1 theo công thức (4): k ∑ ipi P1 (k ) i =0 m1 (k ) = (4) Tương tự tính m2 theo cơng thức (5): m2 (k ) = L −1 ∑ ipi P2 (k ) i= k +1 (5) Về mặt thuật toán, OTSU tìm ngưỡng k* mà giá trị đó, chênh lệch lớp đạt giá trị cực đại, ký hiệu σ B2 (k *) , tính theo công thức (6): σ B2 (k *) = Max σ B2 (k ) ≤ k ≤ L −1 (6) Trong đó, σB phương sai hai lớp C1 C2 Giá trị σB tính theo cơng thức (7): σ B2 (k ) = [mG P1 (k ) − m(k )]2 P1 (k )[1 − P1 (k )] (7) Với mG giá trị trung bình ảnh, tính theo cơng thức (8): = mG L −1 ip ∑= i =0 i Pm 1 + P2 m2 (8) Nếu có nhiều giá trị σ B2 lớn nhau, ta chọn k có giá trị lớn làm ngưỡng k*, sau đó, ta thực biến đổi nhị phân theo ngưỡng theo công thức (9): 1, f ( x, y ) ≤ k *  g ( x, y ) =   0, f ( x, y ) > k * (9) Mã giả thuật tốn OTSU trình bày sau: Thuật tốn Thuật tốn phân ngưỡng OTSU Đầu vào: Hình ảnh đầu vào I, lược đồ xám hình ảnh đầu vào I Số khoảng chia lược đồ xám L Đầu ra: Giá trị phân ngưỡng tối ưu t 1: Khởi tạo P[ : 2] = 2: Khởi tạo m[ : 2] = 368 Hội thảo Quốc gia 2022 3: For k ∈ [0, 1, L-1] do: 4: Tính P1 (k ) P2 (k ) theo cơng thức (2) (3) 5: Tính m1 (k ) m2 (k ) theo công thức (4) (5) 6: End 7: Khởi tạo t = L / 8: Tính σ B2 (t ) theo cơng thức (7) 9: Tính mG theo cơng thức (8) 10: For k ∈ [0, 1, L-1] do: 11: Tính σ B2 (k ) theo công thức (7) 12: If σ B2 (k ) > σ B2 (t ) then: 13: Gán σ B2 (t ) = σ B2 (k ) 14: Gán t = k 15: End 16: End 17: Trả t Thuật toán SNIC (Simple Non - Iterative Clustering) [2] thuật toán xây dựng tảng GEE Về mặt lý thuyết, SNIC thuật toán phân cụm điểm ảnh xây dựng dựa thuật toán SLIC (Simple Linear Iterative Clustering) [1] SLIC thực phân cụm k means hình ảnh với tâm cụm chọn khoảng cách không gian màu sắc chuẩn hoá điểm ảnh với tâm cụm Giống SLIC, SNIC tiến hành khởi tạo tâm cụm điểm ảnh chọn mặt phẳng hình ảnh Mối quan hệ điểm ảnh với tâm cụm đo khoảng cách không gian đa chiều bao gồm màu sắc toạ độ khơng gian Khoảng cách tính tốn dựa khoảng cách khơng gian màu sắc chuẩn hố Với vị trí khơng gian x màu sắc c, khoảng cách điểm ảnh j tới tâm cụm siêu điểm ảnh thứ k thực theo công thức: (10) Trong đó, s m hệ số chuẩn hố cho khoảng cách khơng gian màu sắc Đối với hình ảnh có N điểm ảnh, siêu điểm ảnh tổng số K siêu điểm ảnh mong đợi chứa N/K điểm ảnh Giá trị s cơng thức (10) tính N / K Giá trị m công thức (10) người sử dụng cung cấp Giá trị cao tương ứng với việc tạo siêu điểm ảnh nhỏ ngược lại Trong lần lặp k - means, SLIC tính tốn lại tâm cụm cách tính giá trị trung bình tất điểm ảnh gần mặt d tính theo cơng thức (10) đó, điểm ảnh có nhãn với tâm cụm Chính vậy, SLIC cần phải yêu cầu số lần lặp lại k - means để cập nhật tâm cụm Do đó, không giống với SLIC, yêu cầu nhiều số lần lặp k - means để cập nhật tâm cụm, SNIC cập nhật tâm cụm lần lặp Các tâm cụm cập nhật trực tiếp sau thay đổi điểm ảnh cụm Các điểm ảnh gán nhãn so với số lượng tâm cụm ban đầu Thuật tốn kết thúc tồn điểm ảnh gán nhãn Mã giả thuật toán SNIC: Hội thảo Quốc gia 2022 369 Thuật tốn Thuật tốn phân cụm SNIC Đầu vào: Hình ảnh đầu vào I, K tâm cụm ban đầu Các thơng số C[k] = {xk, ck} lấy hình ảnh đầu vào, hệ số chuẩn hoá màu m Đầu ra: Hình ảnh L bao gồm cụm điểm ảnh 1: Khởi tạo L[ : ] = 2: For k ∈ [1, 2, K ] do: { xk , ck , k , 0} 3: Gán e = 4: Đưa e vào hàng đợi Q 5: End 6: While Q ∉ φ do: 7: 8: Pop Q để lấy phần tử ei If L [ xi ] = then: 9: L [ xi ] = ki 10: Cập nhật tâm cụm C[ki] với xi ci For lân cận liên kết xj xi do: 11: { Tạo phần tử e j = x j , c j , ki , d j ,ki If L  x j  §= then: 12: 13: 14: End 15: Đưa ej vào hàng đợi Q End 16: 17: } End 18: End 19: Trả L Dữ liệu phương pháp 3.1 Dữ liệu Quảng Bình tỉnh nằm miền Trung Việt Nam Đây nơi có thời tiết khắc nghiệt phải hứng chịu gió phơn Tây Nam Gió mang ẩm nhiều nên thường gây mưa Hằng năm, bão biển gió mùa Đơng Bắc thường gây nên trận mưa lớn tỉnh Quảng Bình tỉnh miền Trung Khu vực nghiên cứu xác định có toạ độ địa lý 17°2’50.25” 17°48’44.86” vĩ độ Bắc, 106°11’26.65” - 107° 2’ 2.17” kinh độ Đông Bảng Thông số kỹ thuật liệu vệ tinh Sentinel - liệu sử dụng nghiên cứu Thông số kỹ thuật Thời gian chụp Chế độ quan Độ phân giải Dữ liệu Băng tần Phân cực ảnh sát không gian 13-09-2016 Dữ liệu Chế độ giao Band C (5.405 Kép 07-10-2016 Sentinel - thoa kế rộng 10 m × 10 m 19-10-2016 GHz) (VV + VH) GRD (IW) 31-10-2016 Trong đợt bão tháng 10 năm 2016, tỉnh Quảng Bình phải chịu thiệt hại nặng nề bão lớn gây Có hàng chục người bị chết bị thương mưa lũ, hàng chục nghìn ngơi nhà bị ngập, tốc 370 Hội thảo Quốc gia 2022 mái, thiệt hại hàng nghìn hecta rau màu hàng vạn gia súc, gia cầm bị chết trôi Các hạng mục khác bị ảnh hưởng nghiêm trọng Một số hình ảnh lũ lụt gây trình bày Hình Hình ảnh 2a miêu tả khu vực Quảng Bình chưa có lũ lụt Các Hình 2b, 2c, 2d miêu tả khu vực Quảng Bình thời gian xảy lũ lụt (a) (b) (c) (d) Hình 1: Hình ảnh Sentinel - GRD khu vực tỉnh Quảng Bình sử dụng nghiên cứu: (a) 13-09-2016, (b) 07-10-2016, (c) 19-10-2016, (d) 31-10-2016 Hình 2: Một số hình ảnh tỉnh Quảng Bình đợt lũ tháng 10/2016 (Nguồn: Internet) 3.2 Phương pháp Hình 3: Mơ hình nghiên cứu Hội thảo Quốc gia 2022 371 Trong nghiên cứu này, liệu ảnh Sentinel - xử lý tảng GEE, tảng đám mây hỗ trợ xử lý liệu khơng gian địa lý nhằm phân tích bề mặt Trái đất Ngồi ra, GEE cung cấp trình chỉnh sửa mã dựa ngơn ngữ Javascript, đó, mã phát triển với chức tiền xử lý ảnh, phân tích hình ảnh lập đồ khu vực ngập lụt Phương pháp nghiên cứu mô tả cách chi tiết Hình Từng bước xử lý cụ thể sau: Bước 1: Tiền xử lý ảnh Các ảnh Sentinel - GRD thu thập bao gồm các thông số loại ảnh, thời gian chụp ảnh, chế độ quan sát hình ảnh Các bước tiền xử lý ảnh thực ảnh, bao gồm hiệu chỉnh hình học, chuyển đổi giá trị điểm ảnh sang giá trị tán xạ ngược Các hình ảnh Sentinel - xử lý trước tảng đám mây Google Earth Engine Đầu tiên, hiệu chỉnh quỹ đạo vệ tinh thực nhằm điều chỉnh xác thơng số quỹ đạo vệ tinh Bên cạnh đó, nhiễu nhiệt xuất cách ngẫu nhiên hình ảnh gây sai lệch nhiễu chuẩn đốn đọc hình ảnh SAR Loại bỏ nhiễu nhiệt việc làm cần thiết kênh phân cực chéo so với kênh đồng phân cực kênh phân cực chéo có cơng suất tán xạ ngược thấp so cới kênh đồng phân cực Ở bước tiếp theo, hiệu chuẩn đo xạ thực hệ số tán xạ tính tốn Ngồi ra, hình ảnh SAR có xuất nhiễu gây sai lệch việc chuẩn đốn phân loại hình ảnh Trong nghiên cứu, tác giả áp dụng kỹ thuật làm mịn để làm giảm nhiễu Sau đó, hiệu chỉnh địa hình thực SRTM để mơ hình ảnh SAR Cuối cùng, giá trị cho điểm ảnh vị trí hình ảnh chuyển đổi thành hệ số tán xạ ngược Hệ số tính dB theo cơng thức (11): σ dB = 10 log abs ( DN ) (11) Bước 2: Phân mảnh ảnh Trước phân mảnh ảnh, liệu hình ảnh SAR áp dụng lọc Gaussian Hiệu ứng nhiễu nhỏ, lốm đốm ảnh SAR gốc gây lỗi dẫn đến q trình phân mảnh ảnh hiểu sai khu vực bóng mờ liên quan tới địa hình, sườn núi bị hiểu nhầm thành vùng nước nhỏ Đồng thời, vùng nước tạo lũ bị chia làm nhiều mảnh nhiễu Để làm giảm hiệu ứng này, trước hết, hình ảnh SAR cần làm mịn ảnh cách áp dụng lọc Gaussian Tập liệu ảnh SAR tiến hành phân mảnh ảnh, tất điểm ảnh hình ảnh nhóm lại thành cụm siêu điểm ảnh Trong đó, tâm siêu điểm ảnh gọi tâm cụm Số tâm cụm K đầu vào thuật tốn (2) xác định thơng qua tham số seeds Kích thước phân mảnh xác định dựa giá trị seeds Giá trị seeds nhỏ tương ứng với số lượng phân mảnh lớn thời gian tính tốn lâu, đồng thời, vùng nước bị chia tách làm nhiều phần Tuy vậy, giá trị seeds lớn, điều làm cho kích thước phân mảnh lớn, vùng nước ngập lụt bị nhiễu với đối tượng xung quanh Trong nghiên cứu, giá trị seeds 80, xác định thông qua thực nghiệm khu vực nghiên cứu Giá trị tương ứng với việc tâm cụm ban đầu cách 80 điểm ảnh Trong trình phân mảnh ảnh SNIC, thuật tốn tính tốn đưa giá trị trung bình cụm Hình ảnh phân mảnh ảnh bao gồm cụm có xu hướng khơng Điều phù hợp với đặc điểm tự nhiên khu vực nghiên cứu quan sát thời gian lũ lụt 372 Hội thảo Quốc gia 2022 Bước 3: Phân ngưỡng tự động thuật toán OTSU Trên ảnh SAR, vùng nước thường nằm bề mặt phẳng, nhẵn so với đối tượng bề mặt gồ ghề khác Bên cạnh đó, tín hiệu sóng điện từ SAR phát bị phản xạ trở lại bề mặt Vì vậy, giá trị xám điểm ảnh vùng nước ảnh SAR thấp hơn, hiển thị màu đen xám đen ảnh Do nguyên lý đơn giản dễ sử dụng, phương pháp phân ngưỡng sử dụng rộng rãi việc trích xuất nước từ ảnh radar Giá trị ngưỡng phân loại ảnh hưởng đến độ xác việc khai thác nước ảnh SAR SRTM Trong nghiên cứu, phương pháp phân ngưỡng dựa thuật toán OTSU sử dụng để xác định ngưỡng OTSU thuật toán sử dụng rộng rãi để xác định tự động giá trị ngưỡng phân loại Ưu điểm thuật tốn OTSU khơng bị ảnh hưởng độ tương phản độ sáng hình ảnh Nghiên cứu sử dụng thuật tốn OTSU nhằm tách vùng nước vùng khơng nước hình ảnh SAR Nguyên tắc sử dụng ý tưởng thuật tốn OTSU, chia hình ảnh thành phần theo mức xám cho hiệu phần lớn Q trình tính tốn ngưỡng tối ưu t thuật toán OTSU nghiên cứu sau: = M Pnw M nw + Pw M w = σ Pnw ( M nw − M ) + Pw ( M w − M ) (12) (13) Pnw + Pw = (14) t = ArgMax {σ } (15) ≤t ≤ L −1 Trong đó, σ công thước (13) (15) phương sai lớp nước không nước Mw Mnw trình bày cơng thức (12) (13) giá trị trung bình điểm ảnh đối tượng nước không nước tương ứng Giá trị điểm ảnh giá trị tâm cụm ảnh phân cụm Pw Pnw trình bày công thức (13) (14) giá trị khả điểm ảnh nước hay không nước Giá trị M công thức (12) đại diện cho mức độ trung bình giá trị xám tồn hình ảnh Bước 4: Thành lập đồ khu vực ngập lụt Dựa vào giá trị ngưỡng tối ưu t cơng thức (15), hình ảnh SAR chia tách làm phần dựa giá trị siêu điểm ảnh Việc xác định phạm vi ngập lụt cần phải thu ảnh trước sau lũ Chính vậy, sau chiết xuất phần nước phương pháp phân ngưỡng dựa thuật toán OTSU, cần tiến hành chồng lớp đối tượng nước trước sau ngập lụt nhằm hình thành khu vực ngập lụt Bước 5: Đánh giá độ xác Trong nghiên cứu, tác giả trích xuất điểm nước không nước ngẫu nhiên ảnh gốc nhằm đánh giá độ xác thuật tốn OTSU trình chiết xuất phần nước Các mẫu chọn cách ngẫu nhiên ảnh Mỗi mẫu ảnh đại diện cho điểm ảnh ảnh gốc Đồng thời, tập liệu mẫu dùng để so sánh độ xác phân tích hình ảnh dựa điểm ảnh phân tích hình ảnh dựa siêu điểm ảnh Phần lớn, khu vực nước dựa điểm ảnh rời rạc Đây điểm khác biệt so với vùng nước trích xuất dựa siêu điểm ảnh Chính vậy, mẫu lấy ảnh hưởng đến độ xác kết phân loại Đặc biệt, khu vực sườn núi thường bị nhiễu, dễ gây nhầm lẫn trình lấy mẫu Số lượng mẫu sử dụng hình ảnh ngày 13-09-2016, 07-10-2016, 19-10-2016, 31-10-2016 456, 453, 472, 481 mẫu Hội thảo Quốc gia 2022 373 Thực nghiệm 4.1 Kết Hình kết phân loại nước mặt sử dụng thuật toán OTSU thời điểm: Thời điểm chưa có lũ lụt (a) ba thời điểm xảy lũ lụt (b, c, d) Hình thay đổi khu vực ngập lụt, thể màu đỏ ảnh Tương tự Hình Hình kết phân loại thuật toán OTSU cải tiến thay đổi nước mặt thời điểm xảy lũ lụt so với thời điểm chưa xảy lũ lụt (a) (b) (c) (d) Hình 4: Hình ảnh chiết tách nước mặt sử dụng thuật toán OTSU dựa điểm ảnh: (a) 13-09-2016, (b) 07-10-2016, (c) 19-10-2016, (d) 31-10-2016 (a) (b) (c) Hình 5: Sự thay đổi khu vực ngập lụt theo thời gian sử dụng thuật toán OTSU dựa điểm ảnh Khu vực màu đỏ biểu diễn khu vực ngập lụt thời gian chụp ảnh: (a) Ngày 1309-2016 tới 07-10-2016, (b) Ngày 13-09-2016 tới 19-10-2016, (c) Ngày 13-09-2016 tới 31-102016 (a) (b) (c) (d) Hình 6: Hình ảnh chiết tách nước mặt sử dụng thuật toán OTSU dựa siêu điểm ảnh: (a) 13-09-2016, (b) 07-10-2016, (c) 19-10-2016, (d) 31-10-2016 374 Hội thảo Quốc gia 2022 (a) (b) (c) Hình 7: Sự thay đổi khu vực ngập lụt theo thời gian sử dụng thuật toán OTSU dựa siêu điểm ảnh Khu vực màu đỏ biểu diễn khu vực ngập lụt thời gian chụp ảnh: (a) Ngày 13-09-2016 tới 07-10-2016, (b) Ngày 13-09-2016 tới 19-10-2016, (c) Ngày 13-09-2016 tới 31-10-2016 Bảng Độ xác phương pháp phân loại Dữ liệu Ảnh 13-09-2016 Ảnh 07-10-2016 Ảnh 19-10-2016 Ảnh 31-10-2016 Phân loại dựa siêu điểm ảnh Số lượng Số lượng Độ mẫu mẫu sai xác 417 39 91,48 % 416 37 91,81 % 437 35 92,58 % 449 32 93,15 % Phân loại dựa điểm ảnh Số lượng Số lượng Độ mẫu mẫu sai xác 420 36 92,71 % 401 52 88,52 % 416 56 88,14 % 418 63 86,90 % Bảng Diện tích khu vực ngập lụt theo thời gian thu nhận ảnh Dữ liệu ảnh Tổng diện tích nước mặt (km2) Diện tích ngập lụt (km2) Phần trăm diện tích nước mặt 13-09-2016 240,53 5,77 % 07-10-2016 495,21 254,68 11,88 % 19-10-2016 539,48 298,95 12,94 % 31-10-2016 557,59 317,06 13,37 % 4.2 Thảo luận Việc sử dụng thuật toán dựa siêu điểm ảnh kết hợp với thuật toán OTSU nhằm tiến hành phân ngưỡng lớp nước mặt lớp khơng nước hình ảnh khu vực tỉnh Quảng Bình vào tháng 10 năm 2016 cho thấy kết tốt so với phương pháp phân loại dựa điểm ảnh Đối với thời gian chưa xảy lũ lụt, trình phân loại lớp nước cho kết đạt 90 % phương pháp Tuy nhiên, trình lũ lụt xảy ra, thuật toán phân loại dựa siêu điểm ảnh đạt kết tốt so với thuật toán phân loại dựa điểm ảnh Đồng thời, diện tích nước mặt hình ảnh SAR ngày lớn, chênh lệch độ xác phương pháp ngày rõ rệt Nguyên nhân dẫn tới kết dựa liên kết điểm ảnh gần trình tạo siêu điểm ảnh Với thuật toán dựa điểm ảnh, phần lớn số lượng điểm ảnh sai rơi vào phần biên, phần rìa khu vực nước mặt Trên Bảng 3, diện tích nước mặt có thay đổi rõ rệt trước sau lũ lụt xảy Trước xảy lũ lụt, phần diện tích nước mặt khu vực nghiên cứu 240 km2 Tuy nhiên, thời điểm đầu lũ lụt, diện tích phần nước mặt tăng gấp lần so với trước xảy lũ lụt, đạt tới 495,21 km2, tương đương với 11,88 % diện tích khu vực nghiên cứu Trong giai đoạn sau lũ lụt, diện tích phần ngập lụt tăng nhẹ, đạt 557,59 km2 thời điểm ngày 31 tháng 10 năm Hội thảo Quốc gia 2022 375 2016 Điều cho thấy diện tích phần nước hình thành lũ lụt lớn so với diện tích phần nước mặt ban đầu thời điểm chưa có lũ Phần lớn khu vực ngập lụt tập trung phần rìa, tiếp giáp với biển Đây nơi có địa hình phẳng, độ cao thấp Chính vậy, có lũ lụt xảy ra, nơi tập trung phần lớn nước mặt hình thành trình diễn lũ lụt Đồng thời, phần phía Tây khu vực nghiên cứu, giai đoạn trước xảy lũ lụt, khu vực rừng với phần lớn lớp thân gỗ cao Chính vậy, có lũ lụt xảy ra, phần lớn khu vực ngập lụt hình thành có dạng hố nước trũng, nằm chân đồi núi Diện tích ngập lụt khu vực nhiều so với khu vực đồng Ngoài ra, số phần nước mặt hình thành trình nước sông, hồ dâng cao, gây tượng ngập úng cho khu vực xung quanh Kết luận Bài báo trình bày phương pháp thành lập đồ ngập nước từ liệu ảnh SAR cách sử dụng thuật toán phân ngưỡng tự động OTSU Hơn để giảm thời gian tính tốn tăng cường độ xác kết phân loại, báo cải tiến phương pháp OTSU cách sử dụng kỹ thuật phân cụm SNIC Theo đó, thay phân loại trực tiếp điểm ảnh thuật tốn SNIC tạo siêu điểm ảnh, từ giúp thuật tốn OTSU phân loại trực tiếp siêu điểm ảnh Điều giúp thuật toán OTSU chạy nhanh đảm bảo mặt độ xác Các kết thực nghiệm cho thấy, phương pháp sử dụng OTSU kết hợp với thuật toán SNIC cho độ xác cao 91 % so với phương pháp sử dụng thuật toán OTSU với độ xác đạt từ 86 % trở lên Với kết nghiên cứu này, sử dụng toán phân loại nhanh khu vực lũ lụt từ liệu ảnh SAR nhằm hỗ trợ công tác tìm kiếm cứu hộ cứu nạn, giảm thiểu thiên tai TÀI LIỆU THAM KHẢO [1] Achanta R., Shaji A., Smith K., Lucchi A., Fua P., Susstrunk S (2012) SLIC superpixels compared to state-of-the-art superpixel methods IEEE Transactions on Pattern Analysis and Machine Intelligence, 34(11), 2274 - 2282 [2] Achanta R., Susstrunk S (2017) Superpixels and polygons using simple non-iterative clustering IEEE Conference on Computer Vision and Pattern Recognition (CVPR), 4651 - 4660, 10.1109/CVPR.2017.520 [3] Amitrano D., Martino G., Iodice A., Riccio D., Ruello G (2018) Unsupervised rapid flood mapping using Sentinel - GRD SAR images IEEE Transactions on Geoscience and Remote Sensing, 56(6), 3290 3299 Doi: 10.1109/TGRS.2018.2797536 [4] Chapman B., McDonald K., Shimada M., Rosenqvist A., Schroeder R., Hess L (2015) Mapping regional inundation with spaceborne L-Band SAR. Remote Sensing, 7, 5440 - 5470 [5] Cao H., Zhang H., Wang C Zhang B (2019) Operational flood detection using Sentinel - SAR data over large areas Water, 11(4) https://doi.org/10.3390/w11040786 [6] Elfadaly A., Abate N., Masini N., Lasaponara R (2020) SAR Sentinel imaging and detection of palaeolandscape features in the Mediterranean area Remote Sensing 12(16), 2611 [7] Gasparovic M., Klobucar D (2021) Mapping floods in lowland forest using Sentinel - and Sentinel data and an object - based approach Forests 12, 553 https://doi.org/ 10.3390/f12050553 [8] Ha Chu Huy (2020) Nghiên cứu phương pháp xử lý ảnh để trích xuất thơng tin từ giấy chứng minh nhân dân phục vụ cho việc chi trả bảo hiểm thất nghiệp Khoa học máy tính, Cơng nghệ Thơng tin http:// tvugate.tvu.edu.vn/jspui/handle/TVU_123456789/1314 [9] Li J.,  Wang  J., Ye H (2021) Rapid flood mapping based on remote sensing cloud computing and Sentinel - Journal of Physics: Conference Series, 1952, 022051 [10] Moothedan A., Dhote P., Thakur P., Garg V., Aggarwal S., Mohapatra M (2020) Automatic flood 376 Hội thảo Quốc gia 2022 mapping using Sentinel - GRD Sar images and Google Earth Engine: A case study of Darbhangah, Bihar The Proceedings of National seminar on recent advances in Geospatial Technology & Applications, March 02, IIRS Dehradun, India [11] Nguyen Le Mai Duyen, Truong Minh Thuan (2019) A combination of threshold and Graphcut method in medical image analysis to assist diagnosis DTU Journal of Science and Technology 01(32), 88 - 99 [12] Otsu N (1979) A threshold selection methodfrom gray level histograms IEEE Transactions on Systems, Man, and Cybernetics: Systems, 9, 62 - 66 [13] Park J., Korosov A., Babiker M., Sandven S., Won, J (2017) Efcient thermal noise removal for Sentinel - TOPSAR cross - polarization channel IEEE Transactions on Geoscience and Remote Sensing, 56(3), 1555 - 1565 [14] Qiu J., Cao B., Park E., Yang X., Zhang W., Tarolli P (2021) Flood monitoring in rural areas of the Pearl river basin (China) using Sentinel - SAR Remote Sensing 13, 1384, https://doi.org/10.3390/ rs13071384 [15] Richards J A (2009) Remote sensing with imaging radar Springer, 380 pp., ISBN: 9783642020193 [16] Simon R., Tormos T., Danis P (2014) Geographic object based image analysis using very high spatial and temporal resolution radar and optical imagery in tracking water level fluctuations in a freshwater reservoir. South - Eastern European Journal of Earth observation and Geomatics, 3, 287 [17] Trần Thanh Tùng, Mai Duy Khanh (2020) Nghiên cứu quy luật diễn biến doi cát ven bờ khu vực cửa Tiên Châu ảnh vệ tinh Landsat Khoa học Kỹ thuật Thủy lợi Môi trường - Số 71 (12/2020) [18] Trinh Le Hung, Andrade E, Pham Tuan Anh (2015) Application of remote sensing to extract flood areas using ENVISAT ASAR data Journal of Sciences, Orel State Agrarian University, 1(52), 36 - 42 [19] Uddin K., Matin M., Meyer F (2019) Operational flood mapping using multi - temporal Sentinel - SAR images: A case study from Bangladesh Remote Sensing, 11(13), 1581, https://doi.org/10.3390/ rs11131581 [20] https://developers.google.com/earthengine/datasets/catalog/COPERNICUS_S1_GRD BBT nhận bài: 20/9/2022; Chấp nhận đăng: 31/10/2022 Hội thảo Quốc gia 2022 377 ... với chức tiền xử lý ảnh, phân tích hình ảnh lập đồ khu vực ngập lụt Phương pháp nghiên cứu mô tả cách chi tiết Hình Từng bước xử lý cụ thể sau: Bước 1: Tiền xử lý ảnh Các ảnh Sentinel - GRD thu... trình diễn lũ lụt Đồng thời, phần phía Tây khu vực nghiên cứu, giai đoạn trước xảy lũ lụt, khu vực rừng với phần lớn lớp thân gỗ cao Chính vậy, có lũ lụt xảy ra, phần lớn khu vực ngập lụt hình thành... dụng thuật toán phân ngưỡng OTSU liệu ảnh Sentinel - nhằm trích xuất khu vực bị ảnh hưởng lũ lụt Quảng Bình đợt lũ lụt tháng 10 năm 2016 tảng Google Earth Engine 04 cảnh ảnh Sentinel - chụp