GIỚI THIỆU CHUNG
Đặt vấn đề
Sản xuất lúa gạo là một trong những nhân tố cốt lõi trong chiến lược phát triển kinh tế nông nghiệp ở nhiều quốc gia Châu Á, việc đẩy mạnh quản lý sản xuất lúa gạo giữ vai trò đặc biệt quan trọng trong công tác đảm bảo an ninh lương thực trong tương lai [1] Với bối cảnh diện tích đất nông nghiệp ngày càng giảm cùng với biến đổi khí hậu diễn ra trên phạm vi toàn cầu đã ảnh hưởng trực tiếp đến quá trình canh tác nông nghiệp nói chung và sản xuất lúa gạo nói riêng Nhu cầu cấp thiết hiện tại là cần tìm ra phương pháp hiệu quả để quản lý công tác sản xuất lúa gạo, nhằm tạo điều kiện cho việc nâng cao năng suất, chất lượng cây trồng, góp phần làm giảm giá thành sản phẩm
Theo các nghiên cứu trước đây, để đánh giá được tình hình phát triển của cây lúa, các chỉ số về chiều cao cây, sinh khối, diện tích và màu sắc lá sẽ được giám sát, theo dõi trong suốt quá trình sinh trưởng của cây [2–4] Trong đó, việc xác định chiều cao được xem là một trong những phương pháp đơn giản nhưng hiệu quả để đánh giá quá trình sinh trưởng của cây [5] Giám sát được chỉ số này trong suốt quá trình phát triển của cây cho phép người nông dân có những biện pháp can thiệp kịp thời vào quá trình sản xuất cũng như ước tính được năng suất của cây trồng vào cuối mùa vụ Tại một số quốc gia, phương pháp thu thập thông tin sinh trưởng của cây lúa dựa vào cách quan sát sự thay đổi về chiều cao cây được thực hiện trực tiếp trên đồng ruộng theo chu kỳ Tuy nhiên vẫn còn một số hạn chế trong phương pháp này, đặc biệt khi áp dụng cho các cánh đồng có diện tích lớn, khi mà dữ liệu chỉ được thu thập bằng cách đo đạc thủ công từ thực địa Dữ liệu thu được chỉ đại diện cho một khu vực nhỏ và quá trình thu thập đòi hỏi phải tốn nhiều chi phí về nhân lực cũng như thời gian thực hiện, đồng thời độ chính xác của kết quả cũng bị ảnh hưởng rất nhiều bởi việc lựa chọn không gian mẫu cũng như một số sai sót chủ quan xảy ra trong quá trình thu thập dữ liệu Để khắc phục được các nhược điểm này, việc áp dụng các kỹ thuật canh
2 tác cao, giảm thiểu sự tác động trực tiếp của con người vào quá trình sản xuất là một yêu cầu rất cần thiết
Ngày nay với sự phát triển mạnh mẽ của khoa học kỹ thuật, đặc biệt là các công nghệ thu thập dữ liệu tự động với độ chính xác cao xuất hiện ngày càng nhiều trên thị trường Nổi bật trong các công nghệ này có thể kể đến LiDAR (Light Detection and Ranging), đây là công nghệ này cho phép thu thập dữ liệu về bề mặt của các vật thể trong thời gian ngắn với độ chính xác rất cao và có thể ứng dụng trong nhiều lĩnh vực Cụ thể trong lĩnh vực nông nghiệp đã có nhiều nghiên cứu ứng dụng công nghệ này để giám sát quá trình sinh trưởng của cây thông qua việc đo đạc chiều cao và bước đầu đã cho thấy có sự hiệu quả [7–10] Tuy nhiên, trong các nghiên cứu này vẫn tồn tại một số khuyết điểm như vẫn còn yêu cầu sự tham gia của con người khá nhiều trong quá trình thu thập dữ liệu hay các phương pháp xác định chiều cao vẫn chưa hiệu quả trong các trường hợp độ cao mặt đất chưa thể xác định Vì thế, việc tìm ra phương pháp tối ưu hơn trong việc thu thập chiều cao cây, hạn chế chế sự tham gia trực tiếp của con người vào quá trình thu thập, đồng thời nâng cao độ chính xác của kết quả dự đoán là một yêu cầu cần thiết để áp dụng rộng rãi kỹ thuật này trong tương lai.
Mục tiêu và nội dung nghiên cứu
Trong bài nghiên cứu lần này, diện tích khu vực khảo sát được mở rộng bằng cách sử dụng một hệ thống bao gồm máy quét laser Velodyne VLP-16 được gắn trên thiết bị bay không người lái DJI MATRICE M600 UAV để thu thập dữ liệu trên cánh đồng Nội dung của bài luận sẽ tập trung vào hai nhiệm vụ chính Thứ nhất là xây dựng quy trình tính toán tọa độ mây điểm dựa vào dữ liệu thu được từ máy quét LiDAR gắn trên thiết bị bay không người lái Thứ hai là từ dữ liệu mây điểm tính được sẽ tiến hành ước tính chiều cao cây dựa trên hai phương pháp: phân tích tuân theo quy luật phân phối chuẩn và phương pháp phân tích percentile Với hai phương pháp đề xuất này, chiều cao của cây sẽ được xác định dựa vào giá trị độ cao tại các vị trí tham chiếu và không cần xác định thông tin về độ cao mặt đất
3 Sản phẩm của cuối cùng của bài nghiên cứu là mô hình bề mặt cây trồng (CSM) được xây dựng dựa trên chiều cao cây ước tính được tại các thời điểm thu thập dữ liệu Mô hình bề mặt cây trồng tại các thời điểm này sẽ được so sánh với nhau để đưa ra đánh giá về nhịp độ sinh trưởng của cây trong giai đoạn thực hiện nghiên cứu.Với các nội dung nghiên cứu trên, bài luận mong muốn góp phần cho thấy được tiềm năng của việc áp dụng công nghệ LiDAR vào nền nông nghiệp hiện đại, góp phần hỗ trợ cho công tác giám sát sản xuất và đánh giá năng suất cây trồng cuối mùa vụ.
Phạm vi nghiên cứu
Trong bài luận này, cây lúa được gieo trồng theo phương pháp cấy công nghiệp là đối tượng được nghiên cứu để xây dựng mô hình bề mặt Bài luận sẽ không đi sâu vào quy trình thu thập dữ liệu Dữ liệu sử dụng trong bài luận này được cung cấp bởi một nhóm nghiên cứu thuộc Đại học kỹ thuật Nagaoka, Nhật Bản Nội dung chính sẽ tập trung vào mục tiêu xử lý dữ liệu mây điểm để đưa ra quy trình ước tính chiều cao của cây hiệu quả, góp phần giám sát được nhịp độ phát triển trong giai đoạn sinh trưởng sinh dưỡng của cây.
Nội dung luận văn
Với nội dung và mục tiêu nghiên cứu đã được nêu ở phần trên, bài luận sẽ được trình bày trong 6 chương:
• Chương 1: Đặt vấn đề Nội dung của chương này sẽ trình bày về lý do lựa chọn đề tài, kết thúc chương sẽ trình bày về mục tiêu, nội dung và phạm vi nghiên cứu của đề tài
• Chương 2: Tổng quan về nghiên cứu Nội dung chương 2 sẽ trình bày tổng quan về các nghiên cứu trong và ngoài nước có liên quan, đồng thời đưa ra các cơ sở lý thuyết về công nghệ và hệ thống thu thập dữ liệu được sử dụng trong nghiên cứu
• Chương 3: Giới thiệu về dữ liệu thực nghiệm Chương 3 sẽ trình bày tổng quan về dữ liệu nghiên cứu như giới thiệu về khu vực thu dữ liệu, cách thức thu thập dữ liệu và kết quả dữ liệu thu được
• Chương 4: Phương pháp thực hiện Nội dung chính của chương 4 sẽ trình bày về cách thức đồng bộ hóa dữ liệu để tạo ra được dữ liệu mây điểm, bên cạnh đó 2 phương pháp ước tính chiều cao cây lúa và cách thức xây dựng mô hình bề mặt cây trồng cũng được giới thiệu trong chương này
• Chương 5: Kết quả nghiên cứu Chương 5 sẽ trình bày về các kết quả đạt được trong nghiên cứu cùng với các phân tích và bàn luận các kết quả này
• Chương 6: Kết luận và kiến nghị
TỔNG QUAN VỀ NGHIÊN CỨU
Tổng quan về tình hình nghiên cứu
Theo báo cáo của Viện nghiên cứu Lúa gạo Quốc tế (IRRI) công bố, cùng với lúa mì và ngô thì lúa gạo được xem là một trong những nguồn cung cấp lương thực chính cho dân số thế giới [1] Gạo có thành phần giá trị dinh dưỡng cao khi so sánh với các loại ngũ cốc khác, ngoài ra gạo còn cung cấp thêm các vitamin và khoáng chất cần thiết khác cho cơ thể Ở một số các quốc gia châu Á như Bangladesh, Việt Nam, Myanmar trung bình mỗi người dân tiêu thụ từ 100-200 kg gạo hằng năm, con số này chiếm đến hai phần ba lượng calories và đóng góp hơn 50% lượng protein cung cấp cho cơ thể hằng ngày Về mặt kinh tế, sản xuất lúa gạo được xem là một trong những nhân tố chủ đạo trong nền kinh tế nông nghiệp của nhiều quốc gia châu Á như Việt Nam, Thái Lan, Lào, … Bên cạnh việc đóng góp vào nền kinh tế, sản xuất lúa gạo còn giữ vai trò vô cùng quan trọng trong nhiệm vụ đảm bảo an ninh lương thực trong bối cảnh dân số ngày càng tăng cao Trong tương lai, sản lượng lúa gạo bắt buộc phải giữ được mức độ tăng trưởng bằng hoặc cao hơn tốc độ gia tăng dân số Tuy nhiên, do ảnh hưởng của biến đổi khí hậu cùng với việc mở rộng môi trường sống cũng như đặt sự quan tâm phát triển nhiều hơn cho các ngành kinh tế khác đã làm cho diện tích đất sản xuất lúa gạo ngày có xu hướng ngày càng giảm Vì thế, để đảm bảo được tính ổn định trong hoạt động sản xuất lúa gạo thì việc áp dụng các công nghệ hiện đại vào sản xuất cần phải được quan tâm đầu tư nghiên cứu
Theo các nghiên cứu [2–4] đã chỉ ra rằng các chỉ số về chiều cao cây, chỉ số sinh khối lúa, độ ẩm của đất, chỉ số về diện tích và màu sắc lá sẽ có mối liên hệ trực tiếp đến tình trạng phát triển của cây lúa Giám sát được các chỉ số này sẽ tạo điều kiện cho người nông dân đưa ra các biện pháp phù hợp nhằm tác động vào quá trình sinh trưởng để đảm bảo được năng suất và chất lượng của lúa vào cuối mùa vụ Trong các chỉ số nêu trên thì chỉ số về chiều cao cây được xem là một trong những nhân tố quan trọng, phản ánh được tình trạng phát triển của cây trồng [5], vì trong điều kiện bình
6 thường ở một giai đoạn nhất định, chiều cao cây sẽ đạt đến một giá trị nhất định, trong trường hợp nếu cây mắc bệnh hoặc đồng ruộng bị thiếu nước sẽ dẫn đến nhịp độ sinh trưởng của cây bị giảm làm cho chiều cao của cây cũng bị giảm theo [10]
Tại Việt Nam, công tác giám sát chiều cao cây lúa cũng đã được hướng dẫn trong tiêu chuẩn ngành 10 TCN 394-99 “Quy phạm khảo nghiệm trên đồng ruộng hiệu lực của các thuốc điều hòa sinh trưởng đối với cây lúa” Trong quy phạm này thì chiều cao cây lúa được giám sát bằng cách lấy mẫu trực tiếp trên đồng ruộng theo nguyên tắc 5 cây/điểm, 5 điểm cố định/ô; chiều cao được tính từ mặt đất đến chóp lá cao nhất (trước khi trỗ) và đến chóp bông cao nhất (sau khi trỗ) Bên cạnh đó, trong các nghiên cứu khác về việc đánh giá sinh trưởng và năng suất của các giống lúa [14 - 15] thì chiều cao cây cũng là một trong những yếu tố quan trọng để giám sát Tuy nhiên, trong các nghiên cứu này, công tác đo đạc chiều cao cây lúa đều được thực hiện theo phương pháp thủ công, lấy mẫu trực tiếp trên đồng ruộng Nhược điểm của phương pháp này là chiều cao cây lúa chỉ mang tính chất cục bộ tại vị trí lấy mẫu và chưa thể đại diện được cho toàn bộ ruộng lúa Bên cạnh đó, việc lấy mẫu đòi hỏi người thực hiện phải đến trực tiếp ruộng lúa để lấy mẫu, điều này gây tốn nhiều thời gian và nhân lực để thực hiện Để giải quyết được các khuyết điểm này thì việc áp dụng các giải pháp công nghệ vào công tác lấy mẫu là điều cần thiết
Ngày nay, công nghệ viễn thám đã được ứng dụng rộng rãi trong sản xuất nông nghiệp vì khả năng tiết kiệm cả về thời gian lẫn nhân lực [13] Đặc biệt đối trong công tác giám sát sự phát triển của cây lúa, tác giả Thuy Le Toan và các cộng sự để đề xuất phương pháp áp dụng công nghệ viễn thám RADAR từ các vệ tinh ERS-1 [14] để theo dõi sự thay đổi về chiều cao và sinh khối của cây lúa Với phương pháp này, quá trình sinh trưởng của cây lúa có thể được giám sát gián tiếp thông qua dữ liệu vệ tinh mà không cần phải ra trực tiếp cánh đồng để lấy mẫu, ngoài ra phương pháp này còn có thể áp dụng được cho một khu vực rộng lớn Tuy nhiên, phương pháp này vẫn có nhược điểm là bị phụ thuộc vào thời gian thu tín hiệu của vệ tinh cũng như độ chính xác của phương pháp chỉ mang tính chất toàn cục cho khu vực rộng lớn và chưa thể sử dụng được cho các ứng dụng của kỹ thuật nông nghiệp chính xác
7 Trong những thập kỹ gần đây, cùng với sự phát triển của viễn thám quang, viễn thám RADAR thì công nghệ viễn thám LiDAR cũng đang phát triễn rất mạnh mẽ và được ứng dụng trong nhiều lĩnh vực Đặc biệt đối với lĩnh vực nông nghiệp, công nghệ quét laser đã được chứng minh khả năng có thể sử dụng cho các ứng dụng nông nghiệp chính xác nhằm thu thập một lượng lớn thông tin về mùa vụ trong khoảng thời gian tương đối ngắn [7–10] Trong một nghiên cứu trước đây, Ehlert và các đồng nghiệp [15] đã đề xuất phương pháp giám sát chiều cao cây trồng trên một nền đất phẳng, máy quét laser sẽ được treo trên một bộ khung giá đỡ cách mặt đất một khoảng (h S ), giá trị độ cao này sẽ được giữ cố định trong suốt quá trình thu dữ liệu Độ cao của điểm phản xạ (h R ) sẽ được tính bằng cách lấy giá trị độ cao của máy quét trừ đi tích giữa cự ly đo được với cosin của góc nghiêng tạo bởi tia quét và phương thẳng đứng của máy quét so với mặt đất (𝜑): ℎ ! = ℎ " – 𝑙 ! cos(𝜑)
Hình 2-1 Tính độ cao của điểm phản xạ từ phương pháp đề xuất của Ehlert [15] Ở một nghiên cứu khác, Kaizu và các cộng sự [16] đã đề xuất một phương pháp đơn giản để ước tính chiều cao của cây sử dụng máy quét laser mặt đất (TLS) được đặt trên chân ba bên ngoài cánh đồng ruộng, chiều cao của cây được tính bằng cách lấy giá trị độ cao của phần ngọn cây trừ đi độ cao của mặt đất, giá trị độ cao mặt đất được trích từ dữ liệu tại các vị trí có phần mặt đất không bị che phủ bởi cây
8 Cũng thông qua việc thu thập dữ liệu bằng TLS, tác giả Hoffmeister và các cộng sự [17] đã đề xuất xây dựng mô hình bề mặt đại diện cho tầng trên của cây trồng (CSM)
Mô hình này được nội suy từ dữ liệu mây điểm Trong phương pháp này, dữ liệu của bề mặt đất sẽ được ghi nhận trước khi mùa vụ bắt đầu, giá trị độ cao của cây sẽ được tính bằng độ lệch giữa CSM và độ cao tuyệt đối của mặt đất đã thu trước đó
Các phương pháp đề cập ở trên đã cho thấy khả năng có thể sử dụng TLS để ước tính độ cao cây trồng Tuy nhiên vẫn còn một số hạn chế tồn tại trong các phương pháp này Thứ nhất, các phương pháp được đề cập đa số đều đặt vị trí máy quét ở bên ngoài đồng ruộng, điều này có nghĩa chiều cao thiết lập ban đầu của máy quét sẽ ảnh hưởng trực tiếp đến kết quả xử lý sau cùng Nếu máy quét được đặt quá thấp thì khả năng cao các tia quét sẽ không đến được phần diện tích bên trong của ruộng lúa, gây thiếu hụt dữ liệu Thứ hai, có một yêu cầu bắt buộc để xác định được độ cao của cây trồng là cần phải xác định được cao độ của mặt đất hoặc một bề mặt gần với mặt đất, tuy nhiên các bề mặt này không phải lúc nào cũng có thể xác định được, nhất là đối với các bề mặt ẩm ướt hoặc bị che phủ bởi mật độ cây trồng dày đặc Thứ ba, chi phí hoạt động cho các hệ thống giám sát bằng TLS thường rất cao, điều này sẽ góp phần làm tăng giá thành sản phẩm khi đến với người tiêu dùng Vì thế, nghiên cứu và phát triển một hệ thống có thể khắc phục các hạn chế trên, đồng thời đảm bảo được chi phí đầu tư và vận hành ở mức có thể chấp nhận được là một nhu cầu cần thiết Để giải quyết các yêu cầu trên, trong một báo cáo trước đây [18], nhóm nghiên cứu đã đề xuất một phương pháp ước tính chiều cao cây lúa mà không cần xác định giá trị độ cao của bề mặt đất, thông qua dữ liệu mây điểm được thu thập bằng máy quét laser HOKUYO UTM30LX Đây là loại máy quét có kích thước nhỏ và nhẹ (xấp xỉ 0.37 kg) với footprint hình chữ nhật Thiết bị này có phép thu thập dữ liệu chính xác với tốc độ cao trong khoảng cự ly 30m Trong nghiên cứu này, máy quét được treo ở độ cao 3m cách mặt đặt trên bộ khung giá đỡ Thiết bị này có thể được điều khiển di chuyển trong khoảng cách 8m trên một đường ray có gắn motor điện Máy quét sẽ thu thập dữ liệu theo phương đứng với trường nhìn 60 o , độ dài bước sóng của tia chiếu là 905mm Độ phân giải góc quét được cài đặt ở mức 0.25 o để đảm bảo được
9 vấn đề về mật độ điểm Với khoảng cách đo 3 m, kích thước footprint của thiết bị HOKUYO UTM 30LX là 0.8 × 4 cm a) Thu thập dữ liệu thực tế bằng máy quét UTM 30LX b) Mặt cắt dọc mô phỏng trong quá trình quét
Hình 2-2 Hệ thống thu dữ liệu trong nghiên cứu trước đây [18]
Khoảng cách nhận được từ máy quét sẽ chuyển đổi sang khoảng cách đứng (D) tương ứng với giá trị độ lệch về chiều cao giữa điểm quét được với chiều cao của máy quét (Hình 2-2) Giá trị này được tính theo công thức sau
Với 𝐷 # : khoảng cách đứng từ điểm quét được đến máy quét
𝑟 # : khoảng cách nghiêng từ điểm quét được đến máy quét
𝜃 # : góc nghiêng của tia quét so với phương thẳng đứng
Chiều cao của cây lúa trong nghiên cứu này được tính dựa trên hai vị trí tham chiếu đại diện cho phần ngọn và phần gốc của cây lúa Hai vị trí này được trích xuất từ dữ liệu mây điểm nhờ vào kỹ thuật phân tích Percentile (bách phân vị)
Hình 2-3 Sự tương quan của các giá trị khoảng cách trong hàm phân phối tích lũy đến chiều cao của cây
Như có thể thấy trong hình 2-3, giữa các giá trị khoảng cách trong hàm phân phối tích lũy và chiều cao cây có sự tương quan với nhau Đại diện cho vị trí tham chiếu ở phần ngọn (p t ) khi áp dụng kỹ thuật phân tích Percentile sẽ là giá trị độ cao ở bách phân vị thứ nhất (p 1 ) và đại diện cho vị trí tham chiếu ở phần gốc (p b ) sẽ lần lượt là các giá trị độ cao tại các bách phân vị thứ 70 (p 70 ), 80 (p 80 ) và 95(p 95 ) Khoảng cách sử dụng trong bài nghiên cứu là giá trị đã được chuyển đổi sang khoảng cách đứng Độ cao của cây lúa sẽ được tính bằng giá trị khoảng cách đo được tại phần gốc trừ đi khoảng cách đo được tại phần ngọn Kết quả của bài nghiên cứu cho thấy có sự tương quan lớn giữa độ cao được ước tính từ phương pháp đề xuất so với độ cao có được từ phương pháp đo đạc thủ công với hệ số tương quan thấp nhất là 𝑟 $ ≥ 0.86
Kết quả nghiên cứu trên đã cho thấy khả năng sử dụng công nghệ quét laser để giám sát chiều cao cây lúa Tuy nhiên, vẫn còn một số hạn chế trong nghiên cứu này Thứ nhất, để máy quét có thể hoạt động thì cần phải lắp đặt một bộ khung giá đỡ trên cánh đồng, máy quét chỉ có thể hoạt động trong phạm vi của bộ khung này với một độ cao cố định, yếu tố này dẫn đến khả năng triển khai hệ thống trên một khu vực rộng lớn hơn là rất khó khăn Thứ hai, nghiên cứu cũng cho thấy sử dụng phương pháp Percentile để ước tính chiều cao cây bị phụ thuộc vào số lượng điểm trong mẫu dữ liệu nếu số lượng điểm ít hay tồn tại nhiều điểm nhiễu thì sẽ ảnh hưởng đến việc xác định vị trí ngọn và gốc lúa Để mở rộng được diện tích khảo sát, trong một nghiên cứu gần đây [19], một hệ thống tích hợp bao gồm 2 bộ phận chính là thiết bị bay không người lái DJI MATRICE
Công nghệ đo LiDAR
LiDAR – Light Detection And Ranging là thuật ngữ chỉ về một công nghệ đo Viễn thám chủ động, nhằm xác định khoảng cách từ thiết bị đến các đối tượng trong không gian, bằng cách chủ động phát ra các loại tia sáng Sự khác biệt về thời gian và bước sóng của các tia sáng khi được phát ra và phản xạ về có thể được sử dụng để tái tạo lại mô hình bề mặt của các đối tượng trong không gian ba chiều
Hình 2-5 Đối tượng thực tế được mô phỏng bằng công nghệ LiDAR (Nguồn [20])
Nguyên lý làm việc của công nghệ LiDAR cũng tương tự như các công nghệ Viễn thám chủ động khác, bằng cách phát ra một chùm tia sáng rồi thu nhận lại tín hiệu phản hồi, với tốc độ ánh sáng (c) đã biết trước và độ trễ phản hồi (t) ghi nhận được, khoảng cách giữa máy phát và vật thể (d) có thể được xác định theo công thức:
Công nghệ LiDAR có thể sử dụng nhiều loại tia sáng có bước sóng khác nhau như tia cực tím, khả kiến hoặc gần hồng ngoại để do khoảng cách đến vật thể trong không gian, tùy thuộc vào tầm hoạt động của hệ thống Bên cạnh việc đo khoảng cách, một hệ thống sử dụng công nghệ LiDAR còn ghi nhận lại góc phương vị của tia phát (dựa vào góc xoay của thiết bị và góc quay của gương quét) kết hợp với hệ thống định vị tại thời điểm quét mà tọa độ của các điểm trên bề mặt vật thể có thể được tính toán lại với độ chính xác cao
Hình 2-6 Hệ thống sử dụng công nghệ LiDAR phát ra các tia sáng đến vật thể và nhận lại tia phản xạ để tạo ra mô hình mây điểm mô phỏng lại bề mặt vật thể [20]
Một hệ thống sử dụng công nghệ LiDAR được cấu thành từ ba bộ phận chính là hệ thống thiết bị quét Laser, hệ thống thu tính hiệu định vị vệ tinh GNSS (Global Navigation Satellite System) và bộ đo lường quán tính IMU (Inertial Navigation System) Bằng cách kết hợp kết quả của các hệ thống đo đạc mà dữ liệu mây điểm được tạo thành có thể mô phỏng lại chính xác bề mặt của các vật thể mà hệ thống này thu được trong một hệ quy chiếu xác định LiDAR thường được sử dụng với mục đích thành lập các mô hình độ cao số hay các bản đồ số có độ phân giải cao, có thể ứng dụng trong nhiều lĩnh vực như khảo sát, trắc địa, địa chất, khảo cổ học, vật lý khí quyển [21], ngoài ra công nghệ ngày nay còn được ứng dụng trong các hệ thống điểu khiển và điều hướng cho một số loại ô tô tự hành [22] và cho cả các máy bay trực thăng hoạt động trên địa hình sao Hỏa [23].
Hệ thống quét Laser
Trong lĩnh vực đo đạc, hệ thống quét Laser là một hệ thống sử dụng công nghệ LiDAR để thu thập lại dữ liệu về bề mặt của các đối tượng trong không gian Trong hệ thống này, tia sáng được phát ra dưới dạng đơn tia hoặc một chùm tia có bước sóng giống nhau, các bước sóng thường được thiết kế nằm trong vùng gần hồng ngoại để đảm bảo an toàn với con người
Hình 2-7 Dữ liệu thu được từ máy quét Laser VLP-16 (Nguồn [24])
Dựa vào đối tượng vật mang, có thể phân chia hệ thống quét laser thành 3 loại, bao gồm: hệ thống quét trên không ALS (airborne laser scanning), hệ thống quét mặt đất TLS (Terrestrial laser scanning) và hệ thống quét di động MLS (mobile laser scanning)
• Hệ thống quét laser trên không ALS: đây là hệ thống bao gồm một máy quét laser được gắn trên một thiết bị bay để tạo ra mô hình mây điểm của các đối tượng bên dưới mặt đất Đây là phương pháp tạo mô hình độ cao số với độ chi tiết và chính xác cao trong thời gian ngắn, có thể thay thế cho kỹ thuật đo quang học Hệ thống quét laser trên không thường bao gồm 3 bộ phận chính là máy quét laser để thu thập dữ liệu mây điểm, máy thu tín hiệu định vị để ghi nhận lại vị trí của hệ thống trong quá trình hoạt động và bộ đo lường quán tính để lưu trữ các giá trị hiệu chỉnh cân bằng cho hệ thống Ngoài việc thu thập dữ liệu bề mặt của các đối tượng trên mặt đất, hệ thống ALS với các máy quét chuyên dụng phát ra các chùm tia laser trong dãy quang phổ màu xanh lá (532nm) [25] còn thu thập được dữ liệu về độ sâu tại các khu vực gần bờ biển mang lại nhiều lợi ích cho việc thành lập các bản đồ bờ biển
• Hệ thống quét laser mặt đất TLS: đây là hệ thống bao gồm một máy quét phát ra tia laser theo mọi hướng, được gắn chân ba tĩnh và giữ yên trong suốt thời gian thu dữ liệu Sau quá trình quét một khu vực, hệ thống được di chuyển đến một vị trí khác để quét từ một góc độ khác hoặc thu thập dữ liệu từ một khu
15 vực mới Kết thúc quá trình thu thập dữ liệu, các trạm quét được kết nối với nhau thông qua các điểm đánh dấu đã được chọn trước trên khu vực khảo sát hoặc có thể liên kết thông qua sự tương quan về vị trí mây điểm giữa các trạm quét Hệ thống TLS thường được sử dụng để thu thập dữ liệu của các công trình kiến trúc, nội thất của các tòa nhà, các địa điểm khai thác mỏ hoặc trong lĩnh vực khảo cổ
• Hệ thống quét laser di động MLS: đây là một hệ thống khảo sát trên mặt đất sử dụng máy quét laser gắn trên các phương tiện di chuyển Phương pháp khảo sát này thu thập nhanh chóng dữ liệu cảnh quang theo dạng tuyến, thay thế cho các phương pháp đo đạc truyền thồng để xây dựng các bản đồ địa hình, bản đồ trong không gian ba chiều Trong quá trình hoạt động, máy thu tín hiệu định vị ghi nhận lại vị trí của hệ thống trong suốt quá trình di chuyển, cùng với các giá trị hiệu chỉnh cân bằng mà dữ liệu mây điểm thu được từ hệ thống có thể liên kết với nhau để mô phỏng lại chính xác vị trí của các đối tượng trong không gian xung quanh tuyến khảo sát.
Tổng quan về hệ thống thu thập dữ liệu
Trong nghiên cứu này, hệ thống thu thập dữ liệu đề xuất hoạt động tương tự như một hệ thống ALS, bao gồm hai thành phần chính là máy quét laser Velodyne VPL-16 và dụng kỹ thuật định vị D-RTK do hãng DJI phát triển Hai bộ phận này được kết nối
Hình 2-8 Hệ thống thu thập dữ liệu
16 với nhau thông qua bộ giá đỡ DJI Ronin-MX Ngoài ra, hai thiết bị ghi hình là Camera Gopro Hero 3 và Survey3 Cameras – Mapir Camera cũng được lắp vào máy bay với mục đích ghi nhận lại hình ảnh thực tế trong suốt qua trình hoạt động của hệ thống
2.4.1 Thiết bị bay không người lái DJI M600
DJI MATRICE M600 là thiết bị bay không người lái sử dụng trong công nghiệp, được thiết kế cho mục đích thu thập ảnh hàng không chuyên dụng Với động cơ 6 Motor, DJI MATRICE M600 có khả năng nhấc vật thể 6kg cất cánh Khung máy bay được trang bị các công nghệ hiện đại bao gồm: bộ điều khiển bay A3, hệ thống truyền dẫn Lightbridge 2 HD, pin và hệ thống quản lý pin thông minh Độ cao bay tối đa của thiết bị là 2500m cách mặt đất Trong điều kiện không có gió, ở độ cao cách mặt đất 10m, thiết bị có thể bay ở vận tốc 18 m/s trong 16 phút với tải trọng tối đa a) b) c) d)
Hình 2-9 DJI MATRICE M600 a) Khung máy bay b) Gimbal Ronin-MX c) Bộ điều khiển A3 d) Lightbridge 2
Bộ não của DJI MATRICE M600 là hệ thống kiểm soát bay A3 với khả năng điều khiển máy bay theo quỹ đạo được thiết lập sẵn Hệ thống này bao gồm 3 thiết bị thu tính hiệu định vị (GPS và Glonass hoặc GPS và Beidou) và 3 bộ đo quán tính IMU Ngoài ra, nếu được trang bị thêm bộ định vị RTK, thiết bị này sẽ có khả năng di chuyển với độ chính xác đến centimet Hệ thống truyền tải tín hiệu hình ảnh từ máy bay về trạm điều khiển Lightbridge 2 cho phép tín hiệu được truyền theo thời gian
17 thực với độ nét cao lên đến 1080p/60fps, độ trễ thấp và cự ly hoạt động tối đa lên đến
5 km Để gắn lên máy bay các thiết bị thu dữ liệu, DJI đã cung cấp hệ thống chống rung Ronin-MX chuyên dùng cho các máy quay khổ lớn Hệ thống này có khả năng xoay tròn 360 o không giới hạn với bộ điều khiển riêng biệt Cấu hình chi tiết của DJI MATRICE M600 được ghi ở bảng 2-1
Bảng 2-1 Thông số chi tiết của DJI MATRICE M600 UAV (Nguồn [26])
Aircraft Dimensions • 1668 mm x 1518 mm x 759 mm (Propellers, frame arms and GPS mount unfolded)
• 640 mm x 582 mm x 623 mm (Frame arms and GPS mount folded)
Operating Frequency 920.6 MHz to 928 MHz (Japan)
Video Output Port HDMI, SDI, USB
Hovering Accuracy (P-Mode with GPS) Vertical: ± 0.5 m, Horizontal ± 1.5 m
Max Angular Velocity Pitch: 300 o /s, Yaw: 150 o /s
Max Fight Altitude above Sea Level 2500m
Hovering Time No payload: 35 min, 6kg payload: 16 min
2.4.2 Máy quét laser Velodyne VPL-16
Hình 2-10 Máy quét laser Velodyne VLP-16 Puck (Nguồn [24])
Velodyne VLP-16 là thiết bị quét laser nhỏ gọn, phát và thu tín hiệu trong không gian
360 o theo phương ngang và 30 o theo phương đứng (15 o chia đều cho hai phần trên và dưới) Cự ly thu tín hiệu tối đa là 100 m Thiết bị này sử dụng bộ cảm biến gồm 16 kênh hồng ngoại (IR) bước sóng 903 nm để xác định khoảng cách từ máy đến vật thể Mỗi giây thiết bị có thể đo đạc gần 300,000 điểm xung quanh với độ chính xác ±3 cm Cấu hình chi tiết của Velodyne VLP-16 được thể hiện trong bảng 2
Bảng 2-2 Thông số chi tiết của Velodyne VLP-16 Puck (Nguồn [24])
Range Measurement Up to 100 meters
Field of view • Horizontal: 360 o , Angular Resolution: 0.1 o – 0.4 o
Output Up to 0.3 million points/second
Dimensions 103 mm diameter x 72 mm height
19 Trong thí nghiệm này máy quét Velodyne VPL-16 được treo trên máy bay thông qua bộ phận chống rung Ronin-MX
2.4.3 Dữ liệu vị trí và các giá trị hiệu chỉnh cân bằng
Vị trí của máy bay được định vị bằng bộ thu tín hiệu GNSS, thời điểm thu tín hiệu sẽ được lưu lại theo hệ thời gian GPS để đồng bộ với dữ liệu quét, độ chênh lệch thời gian giữa 2 lần thu tín hiệu là 0.1 giây Bên cạnh đó các trị hiệu chỉnh cân bằng từ bộ đo lường quán tính IMU và bộ giá đỡ Ronin MX sẽ ghi nhận lại các góc xoay của hệ tọa độ như hình 2-5
Hình 2-5 Các trục xoay của hệ tọa độ
Nội dung của tập dữ liệu này bao gồm tất cả các thông số của hệ thống ghi nhận được trong quá trình hoạt động, bao gồm: tọa độ của máy thu GNSS, thời gian ghi nhận tín hiệu, chiều cao bay, tốc độ bay, độ xoay của các trục tọa độ có góc đặt tại tâm của hệ thống IMU, độ xoay của các trục tọa độ có góc đặt tại tâm của bộ chống rung, các thông số về pin, các thống số giám sát bay,… Tuy nhiên, trong bài nghiên cứu này chỉ giữ lại các thuộc tính liên quan đến quá trình tính toán tọa độ mây điểm, các thuộc tính này gồm có:
● Kinh độ, vĩ độ và độ cao của máy bay
● Thời gian thu nhận tín hiệu
● Các góc xoay trên hệ tọa độ IMU
● Các góc xoay trên hệ tọa độ Gimbal
DỮ LIỆU THỰC NGHIỆM
Khu vực thí nghiệm
Dữ liệu sử dụng trong bài luận này được thu thập tại một cánh đồng gần Đại học kỹ thuật Nagaoka, tỉnh Niigata, Nhật Bản.Vụ mùa được bắt đầu từ tháng 5 và kết thúc vào tháng 9 năm 2019 Ruộng lúa được canh tác theo tập quán truyền thống của địa phương với bề mặt ruộng được cày xới và dẫn nước vào trước mùa vụ Quá trình bón lót được thực hiện vào giữa tháng 5 trước khi gieo mạ Dữ liệu quan sát được thu thập trong suốt quá trình sinh trưởng sinh dưỡng của cây tức từ giai đoạn gieo mạ đến giai đoạn phân hóa hoa lúa (cây lúa đẻ nhánh tới số nhánh tối đa) Các khóm lúa được cấy bằng máy, khoảng cách giữa các hàng là 30cm với mật độ 15.1 khóm/m 2 Giống lúa được sử dụng trong nghiên cứu là giống Koshihikari
Hình 3-1 Khu vực khảo sát
Quá trình thu dữ liệu
Trước khi thu thập dữ liệu, nhóm nghiên cứu đã bố trí 4 điểm mốc trên khu vực khảo sát nhằm hiệu chỉnh vị trí của dữ liệu mây điểm sau khi tính toán tọa độ Tọa độ của các điểm mốc này được đo bằng công nghệ RTK và đo trực tiếp bằng máy toàn đạc Giá trị tọa độ và độ cao của 4 điểm mốc được thể hiện trong bảng sau
Bảng 3-1 Tọa độ các điểm gốc đánh dấu khu vực khảo sát Điểm gốc X (m) Y (m) H (m)
Hệ thống được thiết lập bay ở độ cao là 10 m Một trạm base cũng được thiết lập cho kỹ thuật định vị DRTK trên máy bay DJI MATRICE M600 Khi hệ thống bắt đầu hoạt động, máy quét VLP-16 được bật và thu dữ liệu thông qua phần mềm VeloView Sau khi thí nghiệm hoàn thành, dữ liệu về hành trình bay từ bộ điều khiển DJI-A3 sẽ được tải xuống bằng phần mềm DJI assistant 2, sau đó được tải lên Website PhantomHelp để tạo ra file tọa độ Trong suốt hành trình bay, hệ thống điều khiển bay và máy quét VLP-16 hoạt động riêng lẻ với nhau vì thế có sự chênh lệch về thời gian thu dữ liệu giữa hai hệ thống này, cần đồng bộ hai nguồn dữ liệu này trước khi tính toán ra tọa độ của dữ liệu mây điểm cuối cùng.
Dữ liệu thu thập từ hệ thống
Dữ liệu thu được từ hệ thống bao gồm hai phần chính Thứ nhất là dữ liệu mây điểm thu được từ máy quét Velodyne VLP-16 Thứ hai là dữ liệu định vị từ máy thu GNSS cùng với các giá trị hiệu chỉnh cân bằng từ bộ đo lường quán tính IMU và bộ giá đỡ DJI Ronin-MX
3.3.1 Dữ liệu mây điểm từ máy quét VLP-16
Theo thông số được cung cấp bởi nhà sản xuất [27], máy quét VLP-16 phát ra lần lượt 16 tia laser ở bước sóng 903nm, chia theo góc đứng 𝜔 của tia quét (bảng 3-2) trong một chu kỳ quột (55.296 às), mỗi tia phỏt cỏch nhau 2.304 às Thời gian nghỉ giữa lần quột cuối cựng của chu kỳ trước so với chu kỳ tiếp theo là 18.432 às Mỗi
22 tia laser khi chạm vào được bề mặt của vật thể và phản xạ lại máy quét thành công thì sẽ tạo ra một điểm dữ liệu
Bảng 3-2 Giá trị góc đứng của mỗi tia quét tương ứng trên mỗi kênh (Nguồn[27])
Laser ID Góc đứng 𝜔 Laser ID Góc đứng 𝜔
Hình 3-2 Thời gian phát tín hiệu trên 1 chu kỳ quét của máy thu VLP-16
Dữ liệu quét được lưu lại bằng mã nhị phân theo định dạng PCAP (Data Packet), mỗi packet chứa dữ liệu của 24 chu kỳ quét Trong mỗi giây máy quét VLP-16 có thể lưu được 753.5 packets, đại điện là giá trị này được gọi là frame Thông tin về vị trí của các điểm dữ liệu trong các data packet được ghi nhận lại trong hệ tọa độ cầu (khoảng cách r , góc đứng ω và góc phương vị α) mô tả ở hình 3-2 cùng với khung thời gian ghi nhận tín hiệu và các thông tin phụ trợ khác
23 a) Hệ tọa độ cầu b) Góc đứng ω c) Góc phương vị α
Hình 3-3 Hệ tọa độ máy quét
Tọa độ của một điểm dữ liệu sẽ được chuyển về hệ tọa độ Cartesian trong không gian
3 chiều với góc tọa độ đặt tại tâm của máy quét, nơi cách phần đế của máy quét một khoảng 37.7 mm Trục Z của hệ tọa độ được định nghĩa là trục trung tâm có chiều hướng lên, vuông góc với máy quét Trục Y của hệ tọa độ định nghĩa cho hướng của góc phương vị 0 o , trục X được xác định theo quy tắc bàn trái phải theo công thức sau
Với (𝑥 %" 𝑦 %" 𝑧 %" ) & : tọa độ 3 chiều của điểm dữ liệu trong hệ tọa độ máy quét
Hiện nay có nhiều bộ thư viện hỗ trợ chuyển đổi tọa độ của máy quét Velodyne cho các ngôn ngữ lập trình như C++, Matlab,… Ngoài ra các phần mềm do Velodyne hoặc các bên thứ 3 cung cấp cũng hỗ trợ chức năng chuyển đổi này
3.3.2 Dữ liệu định vị GNSS và các giá trị hiệu chỉnh cân bằng
Dữ liệu về vị trí của hệ thống bay trong suốt thời gian hoạt động được đo đạc bằng công nghệ D-RTK với độ lệch thời gian giữa hai lần đo là 0.1 giây, dữ liệu này được lưu trữ và quản lý bởi bộ điều khiển bay DJI-A3 Ngoài ra, bộ điều khiển bay còn quản lý các giá trị hiệu chỉnh cân bằng từ bộ đo quán tính IMU và bộ giá đỡ DJI-Ronin MX Thời gian ghi nhận các giá trị cân bằng cũng được đồng bộ với thời gian định vị thiết bị bay Kết thúc quá trình khảo sát, các dữ liệu trên được tải từ bộ điều
Hình 3-4 Dữ liệu về hành trình bay sau khi được xử lý khiển bay về máy tính thông qua phần mềm DJI Asistant 2 dưới dạng file log, tập tin này tiếp tục được upload lên website PhantomHelp để tạo ra file dữ liệu về hành trình bay có thể sử dụng được
File dữ liệu về hành trình bay sau khi xử lý chứa rất nhiều trường thuộc tính (mục 2.3.3) Tuy nhiên để thuận tiện cho việc tính toán ở các bước sau thì chỉ các đại lượng cần thiết mới được giữ lại như thời gian thu tính hiệu định vị, tọa độ định vị cùng các giá trị hiệu chỉnh góc xoay của IMU và GIMBAL
Hình 3-5 Dữ liệu về hành trình bay sau khi lượt bỏ các thuộc tính không cần thiết
Trong suốt quá trình quét dữ liệu, giữa máy quét VLP-16 và bộ điều khiển bay không được kết nối với nhau, hai hệ thống này hoạt động hoàn toàn độc lập vì thế thời gian thu dữ liệu giữa hai hệ thống có sự khác biệt Để tạo ra được mô hình mây điểm cần có sự đồng bộ về thời gian giữa 2 hệ thống này.
Kết quả thu thập dữ liệu
Dữ liệu được thu thập từ đầu tháng 6/2019 đến cuối tháng 7/2019 với tổng cộng 5 lần thu, độ cao bay thiết kế là 10 m Kết quả chi tiết được tổng hợp trong bảng sau:
Bảng 3-3 Dữ liệu point cloud thô
Ngày thu Tổng thời gian thực hiện (giây) Số lượng
Dữ liệu độ cao cây lúa được đo trực tiếp
Theo nghiên cứu trước đây [28], dựa trên kết quả đo thủ công cho thấy chiều cao của cây lúa tăng tuyến tính theo thời gian và giá trị này không có sự khác biệt lớn giữa các năm khi mà các biện pháp trồng trọt và bón phân được thực hiện giống nhau Bên cạnh đó, sự chênh lệch đô cao cây lúa giữa các ô ruộng là không đáng kể, sự khác biệt lớn nhất là 4cm với độ chệch chuẩn là 3cm Vì thế trong nghiên cứu lần này giả định chiều cao cây lúa giữa các ô được là như nhau Dữ liệu độ cao cây lúa được đo trực tiếp trên cánh đồng ruộng bằng cách lấy mẫu dọc theo tuyến bay tại các thời điểm thu dữ liệu, kết quả đo đạc được ghi nhận trong bảng sau:
Bảng 3-4 Kết quả đo trực tiếp chiều cao cây lúa tại các thời điểm thu du liệu
Số lượng nhánh trên cụm 28.7 33 25.1 24.2
PHƯƠNG PHÁP THỰC HIỆN
Quy trình tổng quát
Quy trình tổng quát để xây dựng mô hình bề mặt cây trồng được thực hiện theo sơ đồ sau:
Hình 4-1 Quy trình tổng quát để xây dựng mô hình bề mặt cây trồng
Bước đầu tiên trong quy trình thực hiện là trích xuất tọa độ mây điểm từ tập dữ liệu thô thu được trên máy quét VLP-16, giá trị này ban đầu được lưu trữ dưới dạng hệ tọa độ cầu có gốc đặt tại tâm của máy quét trên mỗi frame dữ liệu Sau khi có được
27 tọa độ mây điểm trên hệ tọa độ máy quét, tiến hành nội suy các giá trị tọa độ thu được từ bộ đinh vị GNSS và các giá trị hiệu chỉnh của hệ thống dựa vào 2 khoảng thời gian ghi nhận tín hiệu từ bộ điều khiển bay và thời gian thu được các điểm dữ liệu trên máy quét Dựa vào các giá trị vừa tính được, áp dụng các công thức chuyển tọa từ hệ tọa độ máy quét sang hệ tọa độ Gimbal, sau đó tiếp tục chuyển kết quả vừa tính sang hệ tọa độ IMU và cuối cùng là hệ tọa độ địa phương Sau khi có dữ liệu mây điểm đã được đồng bộ theo thời gian trên hệ tọa độ địa phương, tiếp tục tiến hành chia khu vực nghiên cứu thành các ô lưới có kích thước 1 m x 1 m để ước tính chiều cao cây theo
2 phương pháp đề xuất là phương pháp Percentile và phương pháp tuân theo quy luật phân phối chuẩn Chiều cao ước tính dựa trên hai phương pháp được so sánh để lựa chọn kết quả có độ chính xác tốt hơn để làm dữ liệu xây dựng mô hình bề mặt cây trồng Cuối cùng, mô hình bề mặt cây trồng được xây dựng dựa trên trung bình chiều cao ước tính trên mỗi ô lưới của khu vực nghiên cứu Các bước thực hiện sẽ được trình bày chi tiết các mục sau.
Tính toán tọa độ mây điểm
Hệ thống thu dữ liệu được cấu thành từ nhiều bộ phận khác nhau, mỗi bộ phân đều có một hệ tọa độ tham chiếu khác nhau Vì thế, để tính toán ra tọa độ cuối cùng cần có những bước chuyển đổi giữa các hệ tọa độ tham chiếu để tạo ra được một tập dữ liệu mây điểm có tọa độ nhất quán
Hình 4-2 Sơ đồ tính toán
28 Các hệ tọa độ tham chiếu bao gồm:
• Hệ tọa độ có gốc đặt tại tâm của máy quét VLP-16,
• Hệ tọa độ có gốc đặt tại tâm của bộ phận chống rung Ronin-MX
• Hệ tọa độ có gốc đặt tại tâm của hệ thống IMU
• Hệ tọa độ địa phương
Quá trình trính toán tọa độ mây điểm được thực hiện theo lưu đồ sau:
Hình 4-3 Lưu đồ tính toán tọa độ mây điểm
4.2.1 Tạo dữ liệu mây điểm từ tập tin PCAP trên hệ tọa độ máy quét
Bước đầu tiên để có được dữ liệu mây điểm trong không gian 3 chiều từ tập dữ liệu thô ở định dạng PCAP, phần mềm Veloview được cung cấp bởi hãng ParaView được sử dụng để truy xuất Veloview là phần mềm dùng để trực quan hóa dữ liệu mây điểm trong không gian 3 chiều, hỗ trợ dữ liệu đa định dạng Dữ liệu mây điểm được hiển thị trên phần mềm theo từng khung thời gian, Veloview cũng cung cấp chức năng lặp tự động qua các khung thời gian này để mô phỏng lại quá trình thu dữ liệu của hệ thống
Hình 4-4 Giao diện phần mềm Veloview
Sau khi đưa dữ liệu vào phần mềm, công cụ điều chỉnh khung thời gian được sử dụng để mô phỏng lại quá trình thu dữ liệu Dữ liệu thu được trong suốt một chu kỳ bay là khá lớn và đòi hỏi phải tốn nhiều thời gian để xử lý Vì thế, để giảm khối lượng tính toán thì chỉ giữ lại các điểm gần khu vực nghiên cứu
Hình 4-5 Thời điểm vào khu vực thí nghiệm
Hình 4-6 Thời điểm ra khỏi khu vực thí nghiệm
Sau khi xác định các khung thời gian vào và ra khỏi khu vực thí nghiệm, dữ liệu mây điểm được xuất ra ở định dạng CSV
Hình 4-7 Kết quả xuất dữ liệu từ phần mềm VeloView trong mỗi khung giờ gian
Dữ liệu xuất ra từ phần mềm bao gồm các giá trị:
• Cường độ tín hiệu (intensity)
• Kênh tín hiệu (laser_id)
• Khoảng cách từ tâm máy thu đến điểm va chạm (distance_c)
• Thời gian hiệu chỉnh (adjustedtime)
• Thời gian thu tính hiệu ở micro giây (timestamp)
• Tọa độ trong không gian 3 chiều XYZ
Dữ liệu xuất ra từ phần mềm chứa rất nhiều giá trị thuộc tính, tuy nhiên để sử dụng cho mục đích ước tính chiều cao cây thì chỉ các trường thuộc tính cần thiết mới được giữ lại như kênh tín hiệu, thời gian thu tín hiệu và giá trị tọa độ trong không gian 3 chiều Các trường thuộc tính còn lại được loại bỏ để cải thiện hiệu quả tính toán cho các bước sau
4.2.2 Chuyển tọa độ từ hệ tọa độ máy quét sang hệ tọa độ địa phương
Vị trí của máy bay sẽ được ghi lại trong suốt thời gian hoạt động thông qua bộ thu GNSS, tọa độ này được lưu lại ở dạng kinh độ và vĩ độ, sau đó sẽ được chuyển về hệ tọa độ địa phương trong không gian 3 chiều Trong quá trình đo đạc, các góc xoay tương ứng trên từng trục tọa độ X, Y, Z của máy bay sẽ được ghi nhận nhờ vào bộ đo quán tính (IMU), các giá trị này thể hiện cho mối quan hệ giữa hệ tọa độ IMU và hệ tọa độ địa phương
Máy quét VLP-16 được kết nối với UAV thông qua bộ phận chống rung Ronin-MX Các trục trong hệ tọa độ của bộ phận chống rung được căn chỉnh có hướng trùng với hướng của các trục của hệ tọa độ IMU như hình 4-7 Trục Y của hệ tọa độ IMU trùng với hướng bay, trong khi trục Z của hệ tọa độ này được giả định trùng với hướng với trục Z trong hệ tọa độ địa phương Trục X của hệ tọa độ IMU được xác định theo quy tắc bàn tay phải a) Mặt trước b) Mặt bên c) Mặt trên
Hình 4-8 Vị trí gốc tọa của hai hệ tọa độ Gimbal và IMU
32 Tất cả giá trị về độ lệch tọa độ giữa các gốc trong các hệ tọa độ tham chiếu của từng bộ phận sẽ được đo đạc để hiệu chỉnh vào tọa độ cuối cùng của dữ liệu mây điểm, kết quả đo đạc được thể hiện trong Hình 4-9 a) Máy quét và IMU b) Máy quét và Gimbal c) Hình ảnh đo thực tế
Hình 4-9 Đo đạc giá trị đo lệch giữa các hệ tọa độ
Sau khi có được tọa độ mây điểm với gốc đặt tại tâm máy quét ở từng thời điểm phát tín hiệu, ta tiến hành nội suy tọa độ định vị và các giá trị hiệu chỉnh của hệ thống tương ứng với từng điểm dữ liệu dựa vào thời gian thu tín hiệu
Hình 4-10 Nội suy tọa độ mây điểm từ tọa độ định vị
Tọa độ định vị và các giá trị hiệu chỉnh của hệ thống đối với một điểm dữ liệu được nội suy theo phương thức nội suy tuyến tính, dựa vào điểm thời gian mà tín hiệu laser được phát ra trên máy quét so với hai điểm thời gian gần nhất mà bộ điều khiển bay ghi nhận tính hiệu định vị và các giá trị hiệu chỉnh cân bằng Các giá trị này được tính theo công thức (4-1)
Với: X: tọa độ định vị hoặc các giá trị hiệu chỉnh của hệ thống tại thời điểm ghi nhận tín hiệu quét
X0: tọa độ định vị hoặc các giá trị hiệu chỉnh của hệ thống lưu trong bộ phận điều khiển bay tại thời điểm gần nhất trước khi ghi nhận tín hiệu quét
X1: tọa độ định vị hoặc các giá trị hiệu chỉnh của hệ thống lưu trong bộ phận điều khiển bay tại thời điểm gần nhất sau khi ghi nhận tín hiệu quét t: điểm thời gian ghi nhận tín hiệu quét t0 , t1 : hai thời điểm gần nhất được lưu trong bộ điều khiển bay, trước và sau khi ghi nhận tín hiệu quét
Cuối cùng, tọa độ của điểm trong hệ tọa độ địa phương được tính theo công thức
Với 𝑃 = (𝑋, 𝑌, 𝑍) & : tọa độ điểm trong hệ tọa độ địa phương
𝑅 2 : ma trận xoay của gimbal
𝑃 %" = (𝑥 %" , 𝑦 %" , 𝑧 %" ) & : tọa độ điểm trong hệ tọa độ máy quét
𝐵 2 %" : độ lệch tọa độ giữa hai hệ máy quét và Gimbal
𝑅 %" : ma trận xoay của máy quét
𝐵 345 2 : độ lệch tọa độ giữa hai hệ Gimbal và IMU
𝑅 345 : ma trận xoay của IMU
𝐵26"" 345 : độ lệch tọa độ giữa hai hệ IMU và máy thu GNSS
𝑃 578 = (𝑥 578 𝑦 578 𝑧 578 ) & : tọa độ UAV trong hệ tọa độ địa phương được tính từ kết quả định vị
Ma trận xoay R trong không gian 3 chiều được tính theo công thức:
Với: u,v,w lần lượt là 3 góc xoay Euler (roll, pitch, yaw) tương ứng trên 3 trục tọa độ x, y, z
𝑐(), 𝑠() lần lượt là từ viết tắt của công thức cosin và sin
Các giá đo đạc độ lệch của các hệ tọa độ được thể hiện trong bảng sau:
Bảng 4-1 Kết quả đo đạc độ lệch giữa các hệ tọa độ trên hệ thống Độ lệch giữa 2 hệ tọa độ ∆𝑋 (cm) ∆𝑌(cm) ∆𝑍(𝑐𝑚)
IMU và bộ thu GNSS 𝑩 𝑮𝑵𝑺𝑺 𝑰𝑴𝑼 -1 11.8 23
4.2.3 Nắn chuyển độ cao cho các kênh dữ liệu của máy quét VLP-16
Máy quét Velodyne VLP-16 thu dữ liệu trên 16 kênh tín hiệu với các góc quét khác nhau (hình 4-10) Tuy nhiên, qua quá trình khảo sát cho thấy dữ liệu về độ cao của mây điểm có sự khác biệt giữa các kênh Cụ thể, giá trị độ cao trên cùng một điểm mốc có sự chênh lệch với nhau khi so sánh giữa các kênh, giá trị này dao động trong khoảng từ vài centimet đến vài decimet Vì thế cần có sự nắn chuyển độ cao đo được tại các kênh về cùng một điểm mốc Khu vực nghiên cứu có diện tích khoảng 112m 2 vì thế mặt đẳng thế tại khu vực này được giả định là mặt phẳng, bỏ qua ảnh hưởng của độ cong trái đất Để nắn chuyển độ cao trên các kênh chỉ cần sử dụng 1 điểm mốc được thiết lặp sẵn trên khu vực đo với chất liệu có độ tương phản cao và được đo trước độ cao Sau khi thực hiện thu dữ liệu bằng hệ thống quét, điểm mốc này được trích xuất cách lọc giá trị Intensity từ bộ dữ liệu thu được Độ cao của điểm mốc thu
Hình 4-11 Các kênh tín hiệu trên máy quét Velodyne VLP-16 được từ bộ dữ liệu được so sánh với độ cao đo đạc trước đó để tính ra hằng số chênh lệch độ cao trên từng kênh Hằng số chênh lệch này sẽ được thêm vào từng điểm dữ liệu của mỗi kênh Kết thúc quá trình nắn chuyển độ cao, dữ liêu mây điểm thuộc các kênh khác nhau đã được đưa về cùng một hệ quy chiếu độ cao.
Phương pháp ước tính chiều cao cây trồng
Sau khi tạo được dữ liệu mây điểm từ các tập dữ liệu thô, bước tiền xử lý dữ liệu được thực hiện để lọc các điểm nhiễu trong không gian và chia lưới trên khu vực thí nghiệm để chuẩn bị cho bước ước tính chiều cao Chiều cao của cây sẽ được ước tính dựa trên hai phương pháp đề xuất là Percentile và ước tính theo quy luật phân phối chuẩn
4.3.1 Lọc dữ liệu theo độ cao
Dữ liệu mây điểm sau khi tính toán từ dữ liệu thô vẫn còn tồn lại một số điểm nhiễu trong không gian Qua khảo sát nhận thấy đa số các nhiễu xuất hiện lơ lửng trong không gian với độ cao lớn hơn chiều cao của cây lúa Với giống lúa trong khu vực khảo sát chỉ có chiều cao giới hạn trong khoảng 2 m , vì thế trong bài nghiên cứu này sẽ giả định tất cả các điểm có độ cao lớn hơn 2 m tính từ điểm có độ cao thấp nhất trong tập mây điểm sẽ được xem là điểm nhiễu và được loại khỏi tập dữ liệu
Hình 4-12 Quá trình lọc nhiễu và trích xuất dữ liệu trong khu vực khảo sát
Dữ liệu mây điểm sau khi nắn chuyển tọa độ vẫn còn tồn tại các điểm nhiễu trong không gian (hình a), các điểm nhiễu này được lọc (hình b) dựa vào chiều cao tối đa của cây lúa (< 2m), dữ liệu khu vực nghiên cứu sau khi lọc nhiễu được trích xuất dựa vào tọa độ 4 gốc khung (hình c), cuối cùng dữ liêu mây điểm của khu vực nghiên cứu được thể hiện tại (hình d)
Sau khi lọc các điểm nhiễu trong không gian, dữ liệu được trích xuất trong khu vực thí nghiệm dựa trên tọa độ của 4 góc khung bao quanh khu vực Công đoạn cuối cùng trong bước tiền xử lý là tiến hành chia khu vực nghiên cứu thành những ô vuông nhỏ có kích thước 1 m x 1 m để thực hiện ước tính chiều cao cây trong từng ô này Các ô lưới được lựa chọn với kích thước 1 m x 1 m để đảm bảo được tiêu chí về sự sinh trưởng cây lúa trong một ô là đồng đều như nhau Bên cạnh đó, theo khuyến nghị trong nghiên cứu trước [18] đây để áp dụng phương pháp Percentile cho việc ước tính chiều cao cây lúa thì khu vực ước tính chỉ nên giới hạn trong một phạm vi nhỏ 1m 2 Ngoài ra kích thước ô được lựa chọn này cần phải phù hợp với độ chính xác của hệ thống định vị cũng như khả năng áp dụng kết quả nghiên cứu cho các ứng dụng nông nghiệp chính xác trong tương lai
37 Các ô lưới được chia theo nguyên tắc sử dụng vị trí gốc tại điểm phía dưới bên trái của khu vực nghiên cứu, trục chính là trục bắt đầu từ điểm gốc trùng với phần cạnh ngắn hơn, các ô lưới được chia theo hướng từ trái qua phải từ dưới lên trên, giá trị tọa độ mặt bằng tại 4 điểm gốc của mỗi ô lưới được lưu trữ lại để sử dụng cho các bước tính toán sau
Hình 4-13 Chia lưới trên khu vực thí nghiệm 4.3.2 Phương pháp phân tích Percentile [29]
Trong thống kê, các số phân vị được dùng để xác định vị trí tương đối của một giá trị so với các giá trị khác trong một tập hợp số Một trong những số phân vị được sử dụng phổ biến nhất là Percentile (bách phân vị), đây là phương pháp ước tính tỷ lệ dữ liệu trong một tập số liệu rơi vào vùng cao hơn hoặc vùng thấp hơn một giá trị cho trước Cụ thể, giá trị A tại phân vị P th của một dãy số được sắp xếp theo giá trị tăng dần là một giá trị mà tại đó có nhiều nhất P% số trường hợp quan sát trong tập dữ liệu có giá trị bé hơn hoặc bằng A và nhiều nhất (100 - P)% số trường hợp có giá trị lớn hơn giá trị A Giá trị A có thể thuộc hoặc không thuộc dãy số
Hình 4-14 Phân vị phần trăm thứ P của một dãy số
38 Các số phân vị có giá trị từ 1 đến 99 Ví dụ:
• Phân vị 10 th là giá trị mà tại đó có nhiều nhất 10% số quan sát có giá trị nhỏ hơn hoặc bằng giá trị này, đồng thời cũng sẽ có 90% số quan sát có giá trị lớn hơn hoặc bằng giá trị này
• Phân vị 25 th là giá trị mà tại đó có nhiều nhất 25% số quan sát có giá trị nhỏ hơn hoặc bằng giá trị này, đồng thời cũng sẽ có 75% số quan sát có giá trị lớn hơn hoặc bằng giá trị này
• Phân vị 90 th là giá trị mà tại đó có nhiều nhất 90% số quan sát có giá trị nhỏ hơn hoặc bằng giá trị này, đồng thời cũng sẽ có 10% số quan sát có giá trị lớn hơn hoặc bằng giá trị này
• Phân vị 50 th còn được gọi là trung vị
Cho đến nay, trong lĩnh vực thống kê vẫn chưa được ra được một định nghĩa chính xác về Percentile, đồng thời cũng tồn tại nhiều phương pháp để xác định giá trị tại vị trí phân vị của một tập hợp số Cụ thể có 4 phương pháp chính để xác định giá trị của một phân vị:
• Phương pháp chọn giá trị gần nhất
• Phương pháp nội suy tuyến tính
• Phương pháp nội suy có sử dụng trọng số
• Phương pháp nội suy phi tuyến
Trong bài luận này, phương pháp nội suy tuyến tính sẽ được sử dụng để tính giá trị tại các vị trí phân vị, cụ thể là giá trị cao độ trong tập hợp mây điểm đại diện cho bề mặt ruộng lúa thu được từ máy quét laser
Gọi 𝑨 là một tập dữ liệu gồm 𝒏 điểm
39 Phân vị 𝒑 𝒊 của một điểm dữ liệu 𝒗 𝒊 sẽ được tính theo công thức sau:
Với: 𝒊 là chỉ số vị trí của điểm dữ liệu trong tập mây điểm có n giá trị đã được sắp theo thứ tự tăng dần
Giá trị 𝒗(𝒑) tại số phân vị 𝒑 sẽ được tính bằng cách nội suy từ một cặp giá trị trong tập dữ liệu có số phân vị gần với phân vị cần tìm nhất
Với: • ⌊ 𝒑 ⌋ , ⌈𝒑⌉ lần lượt là 2 phân vị nhỏ hơn và lớn hơn gần nhất với phân vị cần tìm trong tập dữ liệu đã được tính theo công thức (4-3)
• 𝒗 ⌈𝒑⌉ , 𝒗 ⌊𝒑⌋ là 2 giá trị của phân vị ⌈𝒑⌉, ⌊𝒑⌋ Áp dụng phương thức tương tự với nghiên cứu trước [18], vị trí đại điện cho phần đỉnh lá (p t ) được giả định sẽ trùng với vị trí của phân vị thứ nhất (p 1 ) tức vị trí có khoảng cách gần nhất đến máy quét Vị trí đại diện cho mặt đất (p b ) sẽ được lựa chọn trong các phân vị 70 th , 80 th , 90 th , 99 th Cuối cùng, khoảng cách đứng tương đối đại diện cho chiều cao của cây lúa sẽ được tính bằng hiệu của hai giá trị phân vị tương ứng với vị trí đỉnh lá và vị trí mặt đất
Trong nghiên cứu trước đây, chiều cao ước tính theo phương pháp này có giá trị luôn nhỏ hơn giá trị chiều cao thực (D) vì bản chất vị trí lựa chọn để đại diện cho mặt đất thường không trùng với vị trí mặt đất Tuy nhiên giữa hai đại lượng này có mối tương quan rất lớn với nhau, với độ dốc của đường hồi quy xấp xỉ bằng 1, r 2 =0.96 khi phân vị thứ 99 được chọn đại điện cho vị trí mặt đất
4.3.3 Phương pháp ước tính tuân theo quy luật phân phối chuẩn [30]
Hình 4-15 Đồ thị hàm mật độ xác suất của phân phối chuẩn
Trong lý thuyết xác suất thống kê, khái niệm phân phối xác suất dùng để miêu tả mức độ (hay xác suất) xảy ra các khả năng có thể có của một đại lượng ngẫu nhiên, nhằm giúp người nghiên cứu dễ dàng nhận biết khả năng nào hay xảy ra nhất và với giá trị là bao nhiêu
Xây dựng mô hình bề mặt cây trồng
Xây dựng mô hình bề mặt cây trồng (Crop Surface Model - CSM) sử dụng kỹ thuật quét laser được giới thiệu bởi tác giả D.Hoffmeister [17], bằng cách tạo lập một mạng lưới các tam giác không đều, dựa trên chiều cao của cây tính được bằng cách lấy chênh lệch độ cao của tập dữ liệu mây điểm thu được từ máy quét mặt đất (TLS) so với độ cao của mặt đặt đã được đo đạc trước Trong bài luận này, mô hình bề mặt cây trồng không được xây dựng bằng cách tính trực tiếp từ độ cao mặt đất và độ cao của dữ liệu mây điểm, mà sẽ được xây dựng dựa vào độ cao của mỗi ô lưới được ước tính bằng một trong hai phương pháp đề xuất Chiều cao tại vị trí tại tâm của mỗi ô lưới sẽ đại diện cho chiều cao của cả ô lưới để tiến hành xây dựng mô hình Phần mềm Matlab được sử dụng để xây dựng mạng các tam giác không đều mô phỏng lại mô hình bề mặt cây trồng ước tính được Các mô hình bề mặt cây trồng tại các thời điểm
43 thu thập dữ liệu được so sánh với nhau để cho thấy được tình hình phát triển của cây trong các khoảng thời gian đó
Hình 4-18 Mô hình bề mặt cây trồng trong nghiên cứu [17]
KẾT QUẢ NGHIÊN CỨU
Kết quả tính toán dữ liệu mây điểm từ dữ liệu thu được ban đầu
Kết quả tính toán dữ liệu mây điểm cũng như các kết quả ước tính chiều cao cây và xây dựng mô hình bề mặt cây trồng đều được thực hiện bằng các chương trình xây dựng dựa trên các thuật toán đã nêu ở chương 4, bằng ngôn ngữ lập trình Matlab Dữ liệu ban đầu là tập hợp các khung thời gian chứa dữ liệu mây điểm thu được từ máy quét trong suốt quá trình di chuyển của hệ thống Trong mỗi khung thời gian sẽ chứa một tập hợp điểm có cùng gốc tọa độ đặt tại tâm của máy quét
Hình 5-1 Mây điểm trích xuất từ một khung thời gian trong tập dữ liệu thô Áp dụng phương pháp chuyển tọa độ đã trình bày ở mục 4.2.2 vào bộ dữ liệu thô để thu được tập dữ liệu mây điểm có vị trí nhất quán Tuy nhiên, dữ liệu thu được từ các kênh tín hiệu khác nhau vẫn còn tồn tại sự chệnh lệch độ cao Cụ thể, khi xét bộ dữ liệu thu được vào ngày 20-6, tại cùng một điểm được đánh dấu trên cách đồng nhưng các kênh tín hiệu lại thu được các giá trị độ cao khác nhau, các giá trị này được mô tả chi tiết trong bảng sau:
Bảng 5-1 Khác biệt độ cao giữa kênh trên cùng một điểm đánh dấu tại cánh đồng vào ngày 20-6
Từ bảng số liệu cho thấy, độ lệch khi so sánh chiều cao của một điểm thu được từ một kênh so với các kênh khác có giá trị dao dộng từ 6cm cho đến hơn 40cm Khoảng giá trị này cũng tương ứng với các ngày thu dữ liệu còn lại Vì thế, để giá trị độ cao của dữ liêu mây điểm được đồng nhất thì cần thực hiện bước căn chỉnh giá trị này giữa các kênh với nhau thông qua điểm mốc đã trình bày ở mục 4.2.3
Kết quả tính toán tọa độ mây điểm được thể hiện chi tiết trong bản sau:
Bảng 5-2 Kết quả tính toán mây điểm từ dữ liệu thu được ban đầu
Ngày Hướng đi Hướng về
Như có thể thấy trong bảng kết quả trên, dữ liệu sau khi thực hiện các bước tính toán, chuyển đổi qua các hệ tọa độ vẫn còn tồn tại các điểm nhiễu, đa số các điểm nhiễu này được tạo thành do tia quét gặp phải các phần tử lơ lững trong không khí, các điểm này thường có độ cao lớn hơn độ cao của cây lúa (hình 5-2) vì thế cần thực hiện bước lọc nhiễu trước khi thực hiện bước ước tính chiều cao
Hình 5-2 Các điểm nhiễu từ bộ dữ liệu mây điểm tính toán được
Bên cạnh các điểm nhiễu xuất hiện ngẫu nhiên bên trong tập dữ liệu thì các điểm nhiễu khác còn xuất hiện do nguyên nhân từ hệ thống thu dữ liệu Cụ thể khi so sánh
2 tập dữ liệu bay đi và bay về trên cùng một khu vực của cùng một ngày thu dữ liệu, tập dữ liệu bay về cho thấy xuất nhiều điểm nhiễu hơn bên trong khu vực ruộng lúa
47 a) Mây điểm của dữ liệu bay đi b) Mây điểm của dữ liệu bay về Hình 5-3 So sánh kết quả dữ liệu mây điểm của 2 bộ dữ liệu bay đi và bay về
Trong hình 5-3 tập mây điểm của liệu bay về xuất hiện các điểm nhiễu làm cho các đường cấy lúa không xuất hiện rõ như ở tập dữ liệu bay đi, điều này có thể được giải thích bởi nguyên nhân khi thực hiện hành động xoay trở về, thiết bị bay đã xuất hiện hiện tượng rung lắc trong quá trình quét tạo ra các điểm nhiễu trong tập dữ liệu Vì vậy, trong bài nghiên cứu này chỉ thực hiện khảo sát trên tập dữ liệu bay đi Kết quả tính toán tọa độ mây điểm được so sánh với hình ảnh thực tế của ruộng lúa ở các thời điểm kháo sát tại bảng
Bảng 5-3 Kết quả mây điểm tính toán so với thực tế
Ngày Point cloud Ảnh thực tế
Sau khi thực hiện các bước lọc nhiễu, quá trình chia nhỏ khu vực nghiên cứu thành các ô có kích thước 1 m x 1 m được thực hiện Có tất cả 112 ô lưới được chia trên khu vực Vị trí các ô được đánh số theo thứ tự từ trái sang phải, từ dưới lên trên để tiện cho việc nghiên cứu Khảo sát dữ liệu mây điểm của một ô lưới ngẫu nhiên cho thấy mặc dù đã thực hiện bước lọc nhiễu sơ bộ nhưng vẫn còn khả năng các điểm nhiễu vẫn xuất hiện trong khu vực giới hạn Điều này làm cho việc xác định vị trí điểm dữ liệu nào đại diện cho phần đỉnh lá và vị trí nào đại diện cho phần mặt đất để tính toán chiều cao cây là rất khó khăn
Hình 5-4 Kết quả chia lưới trên khu vực khảo sát
Dựa vào sự phân bố của mây điểm trong không gian có thể thấy nếu lựa chọn điểm dữ liệu có giá trị độ cao lớn nhất và nhỏ nhất trong ô để ước tính chiều cao cây thì kết quả tính được sẽ có sai số rất lớn so với chiều cao thực tế Vì thế, cần sử dụng các phương pháp thống kê phù hợp hơn để ước tính chiều cao cây
Hình 5-5 Dữ liệu mây điểm trong ô lưới khảo sát
Kết quả ước tính chiều cao cây lúa theo hai phương pháp
5.2.1 Chiều cao được ước tính theo phương pháp Percentile
Dựa trên kết quả trong nghiên cứu trước đây [18], sử dụng phương pháp Percentile với vị trí phân vị thứ 1 đại diện cho vị trí đỉnh của lá lúa và vị trí phân vị thứ 99 đại diện cho vị trí mặt đất thì chiều cao ước tính đạt được độ tương quan tốt nhất (r 2 ≥ 0.96) khi so sánh với chiều cao đo trực tiếp, phương trình hồi quy tuyến tính khi so sánh 2 kết quả có hệ số góc rất gần với 1 (𝑦 = 1.07𝑥 + 18.47) Phương trình hồi quy chỉ ra mối quan hệ giữa chiều cao ước tính và chiều cao thực, đây là cơ sở để người nông dân có thể chuyển đổi chiều cao ước tính từ dữ liệu thu được bởi hệ thống quét sang chiều cao thực tế của cây ngoài đồng ruộng Nếu giá trị hệ số góc của phương trình hồi quy càng gần bằng 1 thì ảnh hưởng của sai số tồn tại trong kết quả ước tính lên kết quả chuyển đổi càng nhỏ Bên cạnh đó, qua việc khảo sát giá trị hệ số góc của phương trình hồi quy giữa chiều cao ước tính và chiều cao đo thực tế trong nghiên cứu lần này cho thấy giá trị này cũng dao động xung quanh 1, đồng thời khi so sánh giữa 2 mô hình hồi quy 𝒚 = 𝒙 + 𝒃𝒊𝒂𝒔 và 𝒚 = 𝒂𝒙 + 𝒃 trên cùng một vị ô mẫu thì giá trị sai số RMSE và hệ số xác định R 2 của hai mô hình là không có sự khác biệt lớn
Vì thế trong bài luận này phương trình hồi quy 𝒚 = 𝒙 + 𝒃𝒊𝒂𝒔 được dùng chung để đánh giá sự tương quan giữa kết quả ước tính và kết quả đo trực tiếp
Dựa trên đồ thị hàm mật độ tích lũy về độ cao của cây (hình 5-6) cho thấy các giá trị phân vị thứ 95 và 99 không còn trùng nhau để phần cuối đồ thị, vì thế trong nghiên cứu này giá trị phân vị đại diện cho vị trí mặt đất được kiểm tra lại bằng cách lựa chọn lần lượt tại các phân vị p b = {75, 80, 90, 95, 99} để chọn ra vị trí phân vị phù hợp nhất Vị trí ô khảo sát được lựa chọn tại điểm nằm giữa của khu vực thí nghiệm Kết quả ước tính được để hiện ở hình 5-8
Hình 5-6 Biểu đồ tần suất tích lũy dựa trên chiều cao đứng của dữ liệu mây điểm thu được qua các thời điểm
Hình 5-7 Vị trí ô mẫu để đánh giá kết quả chiều cao ước tính theo phương pháp
Hình 5-8 Kết quả so sánh các giá trị phân vị đại diện cho vị trí mặt đất để ước tính chiều cao cây
Dựa vào kết quả hình 5-8 cho thấy, chiều cao ước tính bằng phương pháp Percentile với các giá trị phân vị 75, 80, 90, 95 và 99 đại diện cho vị trí mặt đất cho kết quả biến thiên khá tương đồng với nhau, xu hướng này cũng tương đồng với sự thay đổi độ cao được đo trực tiếp trên đồng ruộng Kiểm tra sự tương quan giữa kết quả ước tính và kết quả đo trực tiếp thông qua mô hình hồi quy (hình 5-9) cho thấy độ cao mặt đất được đại diện bằng giá trị tại phân vị thứ 99 thì chiều cao ước tính cho kết quả tương đồng nhất với trị đo trực tiếp với sai số toàn phương trung bình RMSE = 4cm và hệ số quyết định R 2 = 0.97 Vì vậy, trong các khảo sát tiếp theo vị trí phân vị thứ 99 được lựa chọn để ước tính chiều cao cây cho các khu vực khác
Hình 5-9 Sự tương quan giữa kết quả ước tính chiều cao bằng phương pháp Percentile sử dụng các vị trí phân vị khác nhau đại diện cho vị trí mặt đất với kết quả đo trực tiếp Để khảo sát sự thay đổi độ cao tại các ô còn lại trên khu vực nghiên cứu cũng như kiểm tra mức độ ảnh hưởng của trường quét (Field of View - FOV) đến kết quả ước tính, lần lượt các 3 dãy ô ruộng ở 3 vị trí đầu (I), giữa (II) và cuối (III) của khu vực khảo sát (hình 5-10) được lựa chọn để ước tính chiều cao
Hình 5-10 Các dãy ô ruộng được lựu chọn để ước tính độ cao
Hình 5-11 Kết quả ước tính chiều cao cho dãy I
Hình 5-12 Sự tương quan giữa chiều cao ước tính tại các ô trong dãy I so với chiều cao đo trực tiếp Đồ thị biểu diễn sự thay đổi độ cao qua các thời điểm thu dữ liệu tại các ô trong dãy
I khá tương đồng với nhau Tuy nhiên, vẫn có sự khác biệt vào thời điểm thu dữ liệu cuối cùng tại ô 14 khi giá trị độ cao ước tính vào thời điểm này không thay đổi so với thời gian thu trước đó Xét về độ tương quan với chiều cao đo trực tiếp thì tại ô 14 cũng có hệ số R 2 thấp nhất và giá trị sai số RMSE cao nhất so với các ô còn lại (hình 5-12), 2 ô có giá trị hệ số quyết định R 2 cao nhất và giá trị sai số RMSE thấp nhất nằm ở vị trí trung tâm của dãy, vị trí này cũng trùng với đường di chuyển của máy bay khi quét dữ liệu Đồ thị biểu diễn sự thay đổi độ cao ước tính tại các ô trong dãy II (hình 5-13) có sự khác biệt so với các ô đã khảo sát Cụ thể, tại thời điểm quét cuối cùng, độ cao ước tính tại tất cả các ô trong dãy II đều có giá trị thấp hơn giá trị ước tính tại thời điểm thu trước đó Thời điểm thu dữ liệu này cách thời điểm cấy lúa vào khoảng 71 ngày Theo báo cáo về quá trình tăng trưởng của giống lúa Koshihikari [31], sau thời gian cấy khoảng 60 ngày thì cây lúa bắt đầu trổ hoa, tại thời điểm này lá lúa xuất hiện hiện tượng trĩu xuống Tuy nhiên, đối với phương pháp quét từ trên cao để thu dữ liệu, khoảng cách thu được là khoảng cách đứng tính từ máy quét đến điểm va chạm trên bề mặt vật thể, vì thế khi so sánh chiều cao ước tính từ khoảng cách này so với chiều
57 cao đo trực tiếp bằng cách kéo thẳng lá lúa sẽ dẫn đến sai lệch kết quả Đây là điểm hạn chế của phương pháp đo đạc này, khi chiều cao cây lúa chỉ có thể ước tính tốt nhất trong thời gian sinh trưởng sinh dưỡng, tức trước thời điểm cây lúa trổ bông
Hình 5-13 Kết quả ước tính chiều cao cho dãy II
Hình 5-14 Sự tương quan giữa chiều cao ước tính tại các ô trong dãy II so với chiều cao đo trực tiếp
58 Khi so sánh các thời điểm còn lại thì sự biến thiên của chiều cao ước tính khá tương đồng với chiều cao đo trực tiếp, độ tương đồng vẫn tốt nhất ở các ô trung tâm với R 2
= 0.96 và sai số RMSE = 5cm, các giá trị này sẽ kém dần tại các ô ở vùng biên
Hình 5-15 Kết quả ước tính chiều cao cho dãy III
Hình 5-16 Sự tương quan giữa chiều cao ước tính tại các ô trong dãy III so với chiều cao đo trực tiếp
59 Đồ thị biểu diễn sự thay đổi độ cao ước tính tại các ô trong dãy III (hình 5-15) cũng có sự tương đồng với đồ thị ở dãy 2, khi thời điểm thu dữ liệu cuối cùng có kết quả chiều cao ước tính nhỏ hơn kết quả ở lần thu trước đó Khi xét các giá trị hệ số quyết định và sai số RMSE cũng cho thấy các ô nằm ở khu vực trung tâm nơi hướng máy bay đi qua cho kết quả ước tính tốt hơn các ô ở vùng biên
Qua kết quả khảo sát ở 3 dãy ruộng tại vị trí đầu, giữa và cuối của khu vực quan sát cho thấy độ tương quan giữa kết quả của chiều cao ước tính so với chiều cao đo đạc trực tiếp tại 2 ô ở vị trí trung tâm nơi được hướng quét thẳng đứng của hệ thống quét qua có độ tương quan tốt hơn so với các vị trí khác Cụ thể giá trị của hệ số quyết định R 2 tại 4 ô trung tâm luôn lớn hơn 0.90 và giá trị sai số RMSE luôn thấp hơn 6cm Bên cạnh đó, khảo sát cũng cho thấy càng xa các ô trung tâm về vị trí biên thì sự khác biệt giữa kết quả ước tính và kết quả đo thực tế càng lớn Để kiểm tra mức độ tương quan giữa chiều cao ước tính và chiều cao đo trực trên toàn bộ khu vực khảo sát, tất cả các ô ruộng trong khu vực này được áp dụng mô hình hồi quy 𝑦 = 𝑥 + 𝑏𝑖𝑎𝑠 để tính các giá trị RMSE và R 2 Kết quả tính toán được thể hiện tại hình 5-17 và hình 5-18
Hình 5-17 Sai số trung bình toàn phương trên toàn khu vực ước tính theo phương pháp Percentile
Hình 5-18 Hệ số quyết định R 2 trên toàn khu vực ước tính theo phương pháp Percentile
Từ kết quả tính toán sai số trung bình toàn phương RMSE và hệ số quyết định R 2 trên toàn bộ khu vực nghiên cứu cho thấy kết quả này cũng gần tương tự với kết quả ước tính cho 3 dãy dầu, giữa và cuối của khu vực nghiên cứu Cụ thể chiều cao ước tính tại các ô ở 4 đường trung tâm cho kết quả tốt hơn các ô ở vị trí biên của khu vực khảo sát Đa số các ô ở khu vực trung tâm có giá trị sai số RMSE bé hơn 8cm, hệ số quyết định R 2 lớn hơn 0.85 và giá trị bias trung bình trong mô hình hồi quy dao động trong khoảng từ 9cm So sánh kết quả này với kết quả của nghiên cứu trước đây [28] khi khảo sát trên khu vực nhỏ, với hệ thống quét được di chuyển cố định trên đường ray của bộ khung giá đỡ lắp đặt trước trên đồng ruộng thì hai hệ số quyết định R 2 của nghiên cứu này và nghiên cứu trước đây lần lượt là 0.85 và 0.86, giá trị sai số RMSE của nghiên cứu này là 8cm lớn hơn gấp đôi so nghiên cứu trước, tuy nhiên giá trị sai số này vẫn tốt hơn kết quả nghiên cứu của các tác giả Zhang [32], Kaizu [16] với sai số ước tính chiều cao lần lượt là 14cm, 10cm Bên cạnh đó, khi so sánh giá trị bias của mô hình hồi quy từ kết quả của nghiên cứu này so với nghiên cứu trước đây [28]
61 có thể thấy giá trị bias đã được giảm đi rất nhiều từ 16cm về 9cm Giá trị bias càng thấp cho thấy kết quả ước tính càng gần với kết quả đo trực tiếp Điều này có thể lý giải được từ hệ thống thu dữ liệu khi máy quét laser sử dụng trên hệ thống lần này là máy quét đa tia và có thể quét theo góc xuyên, so với máy quét đơn tia theo hướng quét thẳng đứng ở nghiên cứu trước đây Với máy quét đa tia và có thể quét theo góc xuyên thì số lượng điểm thu được trên cây lúa càng nhiều hay số lượng điểm chứa thông tin cây lúa càng lớn, vì vậy kết quả ước tính càng gần với kết quả đo trực tiếp hơn Dù vậy độ tương quan của kết quả ước tính chiều cao tại các ô ruộng trong nghiên cứu này này chỉ đảm bảo ở khu vực trung tâm, các ô ở vị trí biên có sai số RSME lớn hơn và hệ số quyết đinh R 2 thấp hơn các nghiên cứu vừa nêu Vì thế, để đảm bảo được độ chính xác của kết quả ước tính cần giới hạn lại trường quét của hệ thống khi thu dữ liệu
Trong thí nghiệm lần này, thiết bị bay được thiết kế ở độ cao bay 10 m , kết quả ước tính cho thấy trong khoảng 4 ô lưới (1 m x1 m ) ở khu vực có hướng quét thẳng đứng đi qua sẽ cho kết quả ước tính có độ tương quan cao nhất, khu vực này cũng tương với trường quét là 20 o khi máy hoạt động ở độ cao 10 m
Hình 5-19 Trường quét giới hạn của hệ thống thu dữ liệu
5.2.2 Chiều cao được ước tính theo phương pháp tuân theo quy luật phân phối chuẩn
Chiều cao cây lúa ước tính theo phương pháp tuân theo quy luật phân phối chuẩn được tính toán dựa vào số nguyên lần độ lệch chuẩn Để khảo sát giá trị này, vị trí ô lưới thứ 39 cũng được sử dụng để ước tính chiều cao tương tự như phương pháp Percentile Kết quả ước tính được thể hiện trong biểu đồ sau
Hình 5-20 Kết quả ước tính độ cao dựa vào các số nguyên lần độ lệch chuẩn
Hình 5-21 Sự tương quan của kết quả ước tính theo phương pháp phân phối chuẩn so với kết quả đo trực tiếp
Dựa vào biểu đồ kết quả cho thấy chiều cao được ước tính từ các khoảng giá trị 2 và
Mô hình bề mặt cây trồng
Giá trị độ cao ước tính bằng phương pháp Percentile tại các ô được sử dụng để xây dựng mô hình bề mặt cây trồng Kết quả xây dựng mô hình bề mặt cây trồng vào các thời điểm thu dữ liệu được thể hiện trong bảng :
Bảng 5-4 Kết quả xây dựng mô hình bề mặt cây trồng tại các thời điểm thu dữ liệu
71 Dựa vào mô hình bề mặt cây trồng có thể thấy có sự chêch lệch độ cao ước tính tại các vị trí khác nhau trên khu vực khảo sát Cụ thể giá trị độ cao ước tính trung bình trên toàn khu vực nghiên cứu và độ lệch chuẩn của giá trị độ cao này qua các ngày thu dữ liệu được tổng hợp tại bảng 5-5
Bảng 5-5 Giá trị độ cao ước tính trung bình và độ lệch chuẩn trên toàn bộ khu vực
Ngày Độ cao ước tính trung bình trên toàn khu vực (cm) Độ lệch chuẩn (cm) Độ cao đo trực tiếp
Bảng 5-6 So sánh sự chênh lệch độ cao giữa các thời điểm thu dữ liệu
Từ ngày Đến ngày Số ngày
Chênh lệch độ cao giữa 2 thời điểm (cm) Ước tính trung bình trên toàn khu vực Đo trực tiếp
72 Để so sánh tốc độ phát triển của cây lúa qua các giai đoạn thì giá trị chênh lệch độ cao giữa các thời điểm cần được xem xét Từ kết quả tổng hợp về sự chênh lệch độ cao giữa 2 ngày thu dữ liệu gần nhất (bảng 5-6) cho thấy giá trị này khi được tính từ chiều cao ước tính so với giá trị được tính từ chiều cao đo trực tiếp, đa số chỉ lệch trong khoảng dưới 2cm, chỉ duy nhất giai đoạn từ ngày 1/7 đến ngày 18/7 thì độ chênh lệch này lên đến 6.8cm Xét mô hình bề mặt tại ngày 18/7 (hình 5-32) có thể thấy giá trị độ cao của ô lưới trong ngày này có sự biến động lớn hơn các ngày khác Cụ thể tại một số dãy ô lưới theo phương ngang vuông góc với hướng di chuyển của máy bay hay trùng với hướng thu dữ liệu của máy quét laser (hình 5-33), có độ cao ước tính lớn hơn các ô lưới lân cận Trường hợp này có thể bị ảnh hưởng bởi các yếu tố ngẫu nhiên như gió làm cho ngọn lúa dao động hay bộ phận ghi nhận giá trị hiệu chỉnh cân bằng của hệ thống xuất hiện sai số làm cho độ cao ước tính trên một dãy quét bị tăng hay giảm đột ngột Sai số này có thể được phát hiện thông qua bước đo lặp hoặc giảm thiểu bằng cách tăng kích thước mẫu
Hình 5-32 Mô hình bề mặt ruộng lúa ngày 18/7
Hình 5-33 Hướng di chuyển của máy bay và hướng thu dữ liệu của máy quét laser trên khu vực nghiên cứu