Đồng bằng sông Hồng (ĐBSH) là một trong bốn khu vực có diện tích canh tác lúa lớn nhất nước ta. Hàng năm, hai vụ lúa chính thường được gieo trồng trên khu vực ĐBSH và lúa là cây nông nghiệp chính được canh tác trên khu vực này. Tuy nhiên, với điều kiện khí hậu đặc trưng, lũ lụt và mưa bão hàng năm thường gây ra ảnh hưởng nghiêm trọng đến diện tích lúa gieo trồng. Hiện nay, việc sử dụng công nghệ viễn thám trong các bài toán giám sát, quan trắc các loại bề mặt lớp phủ trên trái đất nói chung và giám sát lúa nói riêng đã được áp dụng rất phổ biến và rộng rãi. Dữ liệu vệ tinh được sử dụng bao gồm hai loại dữ liệu quang học và radar
ĐẠI HỌC QUỐC GIA HÀ NỘI TRƯỜNG ĐẠI HỌC CÔNG NGHỆ PHAN ANH NGHIÊN CỨU VÀ ỨNG DỤNG HỌC MÁY TRONG PHÂN LỚP LÚA SỬ DỤNG ẢNH VIỄN THÁM LUẬN VĂN THẠC SĨ HỆ THỐNG THÔNG TIN Hà Nội - 2019 ĐẠI HỌC QUỐC GIA HÀ NỘI TRƯỜNG ĐẠI HỌC CÔNG NGHỆ PHAN ANH NGHIÊN CỨU VÀ ỨNG DỤNG HỌC MÁY TRONG PHÂN LỚP LÚA SỬ DỤNG ẢNH VIỄN THÁM NGÀNH: HỆ THỐNG THÔNG TIN CHUYÊN NGÀNH: HỆ THỐNG THÔNG TIN MÃ SỐ: 8480104.01 LUẬN VĂN THẠC SĨ HỆ THỐNG THÔNG TIN GIẢNG VIÊN HƯỚNG DẪN: PGS TS NGUYỄN THỊ NHẬT THANH Hà Nội - 2019 MỤC LỤC LỜI CẢM ƠN LỜI CAM ĐOAN TÓM TẮT LUẬN VĂN CHƯƠNG GIỚI THIỆU CHUNG 1.1 Đặt vấn đề 1.2 Mục tiêu, đóng góp cấu trúc luận văn CHƯƠNG 2: CƠ SỞ LÝ THUYẾT 2.1 Giới thiệu viễn thám 2.1.1 Giới thiệu chung 2.1.2 Phân loại viễn thám 2.2 Ảnh viễn thám 10 2.2.1 Ảnh Landsat 10 2.2.2 Ảnh Sentinel 1A 11 2.3 Phương pháp học máy toán phân lớp lúa 12 2.3.1 Support Vector Machine 12 2.3.2 XGBoost 13 CHƯƠNG ĐỀ XUẤT PHƯƠNG PHÁP PHÂN LỚP LÚA SỬ DỤNG HỌC MÁY 15 3.1 Khu vực nghiên cứu 15 3.2 Thu thập liệu 15 3.2.1 Dữ liệu tham chiếu 15 3.2.2 Ảnh vệ tinh Landsat 16 3.2.3 Ảnh vệ tinh Sentinel 1A 16 3.3 Đề xuất phương pháp 18 3.4 Đánh giá kết 21 3.4.1 Đánh giá với liệu kiểm tra 21 3.4.2 Đánh giá với số liệu thống kê 22 3.4.3 Đánh giá đồ trực quan 22 3.4.4 Đánh giá với nghiên cứu liên quan 23 CHƯƠNG THỰC NGHIỆM VÀ KẾT QUẢ 24 4.1 Kết phân lớp 24 4.1.1 Phân lớp lúa sử dụng ảnh Landsat 24 4.1.2 Phân lớp lúa sử dụng ảnh Sentinel 1A 26 4.1.3 Nhận xét phân lớp lúa sử dụng Landsat Sentinel 1A 29 4.2 Đánh giá trực quan 30 4.3 Đánh giá độ xác dựa nghiên cứu liên quan 33 CHƯƠNG KẾT LUẬN 35 DANH MỤC BẢNG BIỂU Bảng 1 Thống kê diện tích khu vực trồng lúa lớn nước ta Bảng Thông tin ảnh vệ tinh Landsat sử dụng nghiên cứu 16 Bảng Số lượng ảnh liệu đặc trưng từ ảnh vệ tinh Sentinel 1A 17 Bảng Mơ tả cơng thức tính số đánh giá độ xác phân lớp 22 Bảng Dữ liệu huấn luyện kiểm tra với toán phân lớp lúa sử dụng ảnh Landsat 24 Bảng Kết phân lớp lúa sử dụng ảnh vệ tinh Landsat với phân lớp XGBoost 25 Bảng Kết độ xác hồi tưởng mơ hình phân lớp lúa sử dụng ảnh vệ tinh Landsat 25 Bảng 4 Kết so sánh diện tích đồ phân lớp lúa số liệu thống kê 25 Bảng Số lượng liệu huấn luyện kiểm tra với liệu Sentinel 1A 26 Bảng Kết phân lớp lúa với liệu Sentinel 1A phân lớp SVM 27 Bảng Kết độ xác độ hồi tưởng mơ hình phân lớp lúa với liệu Sentinel 1A 27 Bảng Kết so sánh với số liệu thống kê số liệu ước tính đồ vụ xuân 2018 28 Bảng Bộ liệu huấn luyện kiểm tra để so sánh hiệu quản phân lớp ảnh Sentinel 1A Landsat 29 Bảng 10 Kết so sánh hiệu phân lớp lúa hai loại liệu Sentinel 1A Landsat 29 Bảng 11 Kết phân lớp lúa theo tháng sử dụng ảnh Sentinel 1A 30 Bảng 12 So sánh số liệu với nghiên cứu liên quan 33 DANH MỤC HÌNH ẢNH Hình Viễn thám bị động (hình trên) viễn thám chủ động (hình dưới) 10 Hình 2 Vệ tinh địa tĩnh (bên trái) vệ tinh quỹ đạo cực (bên phải) 10 Hình Ảnh ghép Landsat khu vực ĐBSH 11 Hình Ảnh ghép vệ tinh Sentinel 1A khu vực ĐBSH 12 Hình Khu vực Đồng sông Hồng 15 Hình Workflow phương pháp phát giám sát lúa liên tục khu vực ĐBSH 18 Hình 3 Phương pháp ghép ảnh theo tháng 20 DANH MỤC TỪ VIẾT TẮT STT Từ viết tắt ĐBSH SVM VI EVI NDVI NDWI OLI TIRS LSWI Ý nghĩa Đồng Bằng Sông Hồng Support Vector Machine Vegetation Index Enhanced Vegetation Index Normalized difference vegetation index Normalized difference water index Operational Land Imager Thermal Infrared Sensor Land Surface Water Index LỜI CẢM ƠN Đầu tiên tơi xin chân thành bày tỏ lòng cảm ơn đến PGS TS Nguyễn Thị Nhật Thanh Người tận tình giúp đỡ hướng dẫn tơi q trình hồn thành luận văn Tơi xin gửi lời cảm ơn sâu sắc đến Thầy, Cô Trung tâm Công nghệ Giám sát Hiện trường (FIMO) Thầy, Cô công tác khoa Công nghệ thông tin, trường Đại học Công nghệ - ĐHQGHN hỗ trợ, giảng dạy, truyền đạt kiến thức giúp tơi hồn thành khóa học Cuối cùng, muốn gửi lời cảm ơn sâu sắc đến bố mẹ em trai đồng hành tơi q trình học tập Cơng trình tài trợ phần từ đề tài KHCN, cấp ĐHQGHN, Mã số đề tài: QG.18.36 Hà Nội, ngày 28 tháng 03 năm 2019 Học viên Phan Anh LỜI CAM ĐOAN Tôi xin cam đoan luận văn “Nghiên cứu ứng dụng học máy phân lớp lúa sử dụng ảnh viễn thám” thực hướng dẫn PGS TS Nguyễn Thị Nhật Thanh Tham khảo từ nghiên cứu liên quan trích dẫn cách rõ ràng danh mục tài liệu tham khảo Khơng có việc chép tài liệu, cơng trình nghiên cứu người khác mà khơng rõ tài liệu tham khảo Hà Nội, ngày 28 tháng năm 2019 Học viên Phan Anh NGHIÊN CỨU VÀ ỨNG DỤNG HỌC MÁY TRONG PHÂN LỚP LÚA SỬ DỤNG ẢNH VIỄN THÁM Phan Anh Khóa học ngành học: K24 – Hệ thống thơng tin Tóm tắt luận văn thạc sĩ: Đồng sông Hồng (ĐBSH) bốn khu vực có diện tích canh tác lúa lớn nước ta Hàng năm, hai vụ lúa thường gieo trồng khu vực ĐBSH lúa nơng nghiệp canh tác khu vực Tuy nhiên, với điều kiện khí hậu đặc trưng, lũ lụt mưa bão hàng năm thường gây ảnh hưởng nghiêm trọng đến diện tích lúa gieo trồng Hiện nay, việc sử dụng công nghệ viễn thám toán giám sát, quan trắc loại bề mặt lớp phủ trái đất nói chung giám sát lúa nói riêng áp dụng phổ biến rộng rãi Dữ liệu vệ tinh sử dụng bao gồm hai loại liệu quang học radar Tuy có số nghiên cứu sử dụng liệu viễn thám phục vụ cho việc giám sát lúa khu vực ĐBSH Tuy nhiên nghiên cứu hạn chế liệu ảnh phạm vi thực Chính vậy, luận văn này, tơi tìm hiểu nghiên cứu ứng dụng học máy phân lớp lúa sử dụng ảnh viễn thám tiến hành thực nghiệm khu vực ĐBSH Nội dung luận văn trình bày sở lý thuyết viễn thám, phương pháp học máy ứng dụng toán phân lớp lúa Từ tiến hành đánh giá hiệu loại liệu viễn thám phương pháp học máy để xây dựng phương pháp giám sát lúa liên tục khu vực ĐBSH Từ khóa: Lúa, ĐBSH, Sentinel 1A, giám sát liên tục CHƯƠNG THỰC NGHIỆM VÀ KẾT QUẢ 4.1 Kết phân lớp Các kết phân lớp từ liệu ảnh Sentinel 1A Landsat đánh giá Sau đó, kết phân lớp đánh giá liệu ảnh Landsat ảnh Sentinel 1A để chọn liệu ảnh phù hợp cho việc giám sát lúa định kỳ Cuối cùng, kết phân lớp tốt sử dụng để so sánh với nghiên cứu liên quan để đánh giá chất lượng đồ lúa 4.1.1 Phân lớp lúa sử dụng ảnh Landsat Dữ liệu huấn luyện kiểm tra sử dụng cho phân lớp lúa sử dụng ảnh Landsat thể Bảng 4.1 Bản đồ phân bố liệu huấn luyện kiểm tra ảnh Landsat thể Hình 4.1 Bảng 4.1 Dữ liệu huấn luyện gồm có 530 điểm lúa 747 điểm lúa Dữ liệu kiểm tra có 108 điểm lúa 270 điểm lúa Dữ liệu gán nhãn ảnh vệ tinh độ phân giải cao Google Earth Hình Bản đồ phân bố điểm mẫu cho liệu huấn luyện kiểm tra ảnh Landsat Bảng Dữ liệu huấn luyện kiểm tra với toán phân lớp lúa sử dụng ảnh Landsat Lúa Không phải lúa Dữ liệu huấn luyện 530 (điểm) 747 (điểm) Dữ liệu kiểm tra 108 (điểm) 270 (điểm) 24 Kết phân lớp lúa sử dụng ảnh vệ tinh Landsat đánh giá với liệu kiểm tra thể Bảng 4.2, Bảng 4.3 Độ xác mơ hình phân lớp lúa với liệu năm 2016 89.42%, năm 2015 90.48% Bảng Kết phân lớp lúa sử dụng ảnh vệ tinh Landsat với phân lớp XGBoost Năm OA (%) Kappa F1 2015 90.48 0.78 0.91 2016 89.42 0.76 0.90 Bảng Kết độ xác hồi tưởng mơ hình phân lớp lúa sử dụng ảnh vệ tinh Landsat Chỉ số Lúa Không phải lúa Lúa 2015 Không phải lúa 2016 Độ xác (%) 79 96 75 97 Độ hồi tưởng (%) 91 90 94 88 Kết phân lớp lúa đánh giá với số liệu thống kê thể Bảng 4.4 Hình 4.2 Sự khác biệt so với số liệu thống kê đồ lúa năm 2015 khoảng 38,261 (~7%), năm 2016 khoảng 80,554 (~15.42 %) Độ tương quan số liệu thống kê đồ lúa năm 2015 số liệu thống kê 0.9807 năm 2016 0.9624 tỉnh thuộc khu vực ĐBSH Bảng 4 Kết so sánh diện tích đồ phân lớp lúa số liệu thống kê Năm Số liệu thống kê Số liệu ước tính Khác biệt (ha) Khác biêt (%) 2015 542,100 580,361 38,261 7,06 2016 522,496 603,050 80,554 15,42 25 a) Độ tương quan số liệu thống kê b) Độ tương quan số liệu thống đồ lúa năm 2015 SLTK kê đồ lúa năm 2016 SLTK Hình Độ tương quan số liệu diện tích ước tỉnh từ đồ lúa sô liệu thống kê 4.1.2 Phân lớp lúa sử dụng ảnh Sentinel 1A Bản đồ phân bố điểm mẫu huấn luyện vào kiểm tra với liệu Sentinel 1A thể Hình 4.3 Hình Bản đồ phân bố điểm mẫu huấn luyện kiểm tra với liệu Sentinel 1A Bảng Số lượng liệu huấn luyện kiểm tra với liệu Sentinel 1A Dữ liệu Lúa Không phải lúa 26 Huấn luyện Kiểm tra 23,794 (điểm) 13,886 (điểm) 549 (điểm) 849 (điểm) Kết đánh giá mơ hình phân lớp lúa với liệu kiểm tra thể Bảng 4.6 Bảng 4.7 Có thể thấy rằng, liệu kênh VH có độ xác cao VV việc phân lớp lúa Tuy nhiên, việc kết hợp liệu VV VH đem lại độ xác cao kết hợp phân tách đối tượng lúa rõ ràng (Bảng 4.7) Bảng Kết phân lớp lúa với liệu Sentinel 1A phân lớp SVM Bộ liệu đặc trưng OA (%) Kappa F1 VV 82.9 0.64 0.83 VVVH 90.5 0.80 0.90 VH 88.5 0.76 0.88 (VV-VH)/(VV+VH) 78.4 0.55 0.78 Bảng Kết độ xác độ hồi tưởng mơ hình phân lớp lúa với liệu Sentinel 1A Bộ liệu đặc trưng VV VH (VV-VH)/(VV+VH) VVVH Chỉ số Lúa Khơng phải lúa Độ xác (%) 81 74 Độ hồi tưởng (%) 84 89 Độ xác (%) 86 90 Độ hồi tưởng (%) 85 91 Độ xác (%) 71 83 Độ hồi tưởng (%) 75 81 Độ xác (%) 91 90 Độ hồi tưởng (%) 84 94 Kết đánh giá mô hình phân lớp lúa với số liệu thống kê thể Bảng 4.8 Sự khác biệt diện tích lúa ước tính từ đồ lúa so với thống kê khoảng 27 2,536 ~ (0,47%) Tuy nhiên sai số hai tỉnh Quảng Ninh Hải Dương lại nằm khoảng lớn 10,000 Độ tương quan số liệu thống kê số liệu ước tính từ đồ theo cấp tỉnh 0.9491 (Hình 4.4) Bảng Kết so sánh với số liệu thống kê số liệu ước tính đồ vụ xuân 2018 Số liệu thống Số liệu nhận dạng Khác kê đồ (ha) 79,319 80,320 1,001 Tỉnh Thai Binh Quang Ninh Vinh Phuc Bac Ninh Ha Noi Nam Đinh Ninh Binh Hai Phong Hung Yen Hai Duong Ha Nam Tổng biệt Khác (%) 1.26 16,500 27,165 10,665 64.64 30,837 37,890 93,314 73,936 40,600 34,163 33,374 68,472 31,270 539,675 29,574 34,306 90,675 78,868 44,615 34,355 32,433 56,449 33,451 542,211 -1,263 -3,584 -2,639 4,932 4,015 192 -941 -12,023 2,181 2,536 -4.09 -9.40 -2.82 6.67 9.88 0.56 -2.81 -17.55 6.97 0.47 biệt 100000 y = 0.9131x + 4492.6 R² = 0.9491 90000 80000 70000 60000 50000 40000 30000 20000 10000 0 10000 20000 30000 40000 50000 60000 70000 80000 90000 100000 Hình 4 Độ tương quan giữ số liệu thống kê số liệu ước tính đồ năm 2018 vụ xuân 28 4.1.3 Nhận xét phân lớp lúa sử dụng Landsat Sentinel 1A Để so sánh kết phân lớp lúa ảnh Landsat ảnh Sentinel 1A, cần thực đánh giá liệu huấn luyện kiểm tra Bộ liệu huấn luyện kiểm tra để so sánh chất lượng phân lớp sử dụng ảnh Sentinel 1A Landsat thể Bảng 4.9 sử dụng phương pháp lấy mẫu tích hợp 75 polygons chọn để gán nhãn cho khu vực lúa, 75 polygons sử dụng để gán nhãn cho khu vực lúa liệu huấn luyện Trong liệu kiểm tra, 549 điểm chọn cho lớp lúa, 849 điểm chọn cho lớp lúa Dữ liệu năm 2015 năm 2016 sử dụng để đánh giá chất lượng hai loại liệu ảnh Bảng Bộ liệu huấn luyện kiểm tra để so sánh hiệu phân lớp ảnh Sentinel 1A Landsat Dữ liệu Lúa Không phải lúa Huấn luyện 75 polygons 75 polygons Kiểm tra 549 điểm 849 điểm Kết so sánh chất lượng phân lớp lúa hai loại liệu Sentinel 1A Landsat thể Bảng 4.10 Dữ liệu Sentinel 1A có độ xác cao liệu Landsat Bảng 10 Kết so sánh hiệu phân lớp lúa hai loại liệu Sentinel 1A Landsat Năm 2015 2016 OA (%) 70.52 84.04 Landsat Kappa 0.38 0.66 Sentinel 1A OA (%) Kappa 91.12 0.81 90.98 0.81 F1 0.63 0.79 Dựa vào thực nghiệm thấy rằng: - - Độ xác mơ hình phân lớp lúa phụ thuộc vào o Phương pháp lấy mẫu cho liệu huấn luyện o Số lượng liệu huấn luyện o Mơ hình học máy Sentinel 1A có kết tốt Landsat : o Vượt trội độ phân giải thời gian không gian o Dữ liệu LS8 bị thưa ảnh hưởng điều kiện môi trường 29 F1 0.89 0.88 Do liệu Sentinel 1A chọn để giám sát lúa định kỳ theo th khu vực ĐBSH Bảng 11 Kết phân lớp lúa theo tháng sử dụng ảnh Sentinel 1A Thời gian tháng tháng tháng Số lượng ảnh Đặc trưng VVVH VVVH VVVH OA (%) 83.98 87.30 89.1 F1 0.79 0.83 0.85 Kappa 0.66 0.73 0.77 Bảng 4.11 thể kết phân lớp lúa theo tháng sử dụng ảnh Sentinel 1A Có thể thấy rằng, kết phân lớp lúa theo tháng tăng dần từ tháng đến tháng (83,98% - 89,10 %) Điều lý giải đặc trưng phổ lúa thể rõ ràng theo thời gian Dựa vào Hình 4.5, thấy rằng, phổ tán xạ lúa biến đổi mạnh theo quy tăng theo thời gian từ đầu vụ trước sau giảm đột ngột tượng nước dẫn ruộng đầu vụ sau 4.2 Đánh giá trực quan Mơ hình phân lớp lúa có độ xác cao với liệu đặc trưng VVVH chọn để lập đồ lúa định kỳ khu vực ĐBSH Bản đồ lúa khu vực ĐBSH vụ xn 2018 thể Hình 4.6 Có thể thấy rằng, lúa trồng hầu hết tỉnh khu vực Tỉnh Quảng Ninh có diện tích lớn lúa lại canh tác khu vực Lúa trồng nông nghiệp trồng nhiều khu vực Đồng Bằng Sơng Hồng Hình 4.7 thể đồ lúa tỉnh Bắc Ninh định kỳ theo tháng Có thể thấy rằng, đồ lúa tháng dễ bị nhầm lẫn với loại lớp phủ khác (Hình 4.7) Tuy nhiên, từ tháng trở đi, lúa phát xác Có thể thấy rằng, khơng phải tất khu vực trồng lúa ĐBSH trồng gieo cấy hai vụ Đơng Xn Hè Thu (Hình 4.8) Việc kết hợp đồ vụ đồ lúa toàn khu vực năm 2018 (Hình 4.8) Việc chạy mơ hình phân lớp lúa sử dụng ảnh Sentinel 1A thực từ bắt đầu vụ Đông-Xuân kết thúc vụ lúa Hè-Thu khu vực ĐBSH Việc tổng hợp đồ theo tháng kết hợp với q trình chạy mơ hình từ đầu mùa vụ thứ (Đông-Xuân) đến kết thúc vụ thứ hai (Hè-Thu) thu kết quả: đồ lúa sớm (Hình 4.7), đồ lúa đơn (Hình 4.6), đồ lúa theo vụ (Hình 4.8) Điều giải vấn đề đặt phần 1.2 – Mục tiêu luận văn 30 Hình Biến đổi phổ loại bề mặt lớp phủ năm 2018 với liệu kênh VH Hình Bản đồ lúa vụ đơng xuân khu vực ĐBSH 31 Hình Bản đồ lúa theo tháng tỉnh Bắc Ninh vụ xuân 2018 Hình Bản đồ lúa tổng hợp lúa năm khu vực ĐBSH năm 2018 32 4.3 Đánh giá độ xác dựa nghiên cứu liên quan Chất lượng đồ lúa đánh giá thêm cách so sánh với số liệu thống kê từ GSO cấp tỉnh (Bảng 4.8) Kết so sánh diện tích lúa cấp tỉnh thể Bảng 4.8 với sai số toàn vùng khoảng 0,47%, (~ 2,536 ha) Có thể thấy rằng, diện tích lúa ước tính giống hầu hết tỉnh thuộc RDD Bản đồ lúa Hải Dương Quảng Ninh gây khác biệt lớn so với liệu thống kê (lần lượt 12.023 10.665 ha) Bảng 12 So sánh số liệu với nghiên cứu liên quan Nghiên cứu Lasko cộng [18] Duy cộng [21] Năm 2016 Khu vực Loại nghiên cứu liệu Số liệu nhận Khác Số liệu dạng đồ biệt TK (ha) (ha) (ha) Độ Phương pháp sử xác dụng (%) VP, HY, BN, SAR HN1, HN2 216,784 235,700 SVM 1,182,600 1,115,100 67,500 Threshold 83.90 based 542,211 539,675 SVM ĐBSH 2007 - không SAR 2011 bao gồm QN Kết 2018 luận văn ĐBSH SAR 18,916 2,536 93.50 90.50 Như đề cập trên, liệu quang học radar sử dụng để lập đồ lúa gạo khu vực ĐBSH Sự khác biệt đặc trưng liệu (ảnh quang học, ảnh radar) phương pháp huấn luyện mơ phương pháp lấy mẫu chọn liệu huấn luyện kiểm tra ảnh hưởng nhiều đến độ xác mơ hình phân lớp Đối với liệu SAR, Duy cộng báo cáo diện tích trồng tối đa cho tất mùa năm từ 2007 - 2011 cho 10 tỉnh không bao gồm tỉnh Quảng Ninh với tổng chênh lệch so với sở liệu thống kê 67.500 [21] Trong nghiên cứu, đồ lúa lấy từ liệu ảnh WMS sử dụng phương pháp tiếp cận dựa ngưỡng để phân loại lúa với độ xác OA 83,9% Năm 2016, Lasko cộng sử dụng phân lớp SVM với liệu ảnh S1A cho tỉnh khu vực ĐBSH(Vĩnh Yên, Hưng Yên, Bắc Ninh, Hà Nội, Hà Nam), đạt kết phân lớp cao với OA 93,5% với đặc trưng VVVH [18] Diện tích lúa ước tính báo cáo nghiên cứu 216.784 cho năm 2016 So với liệu thống kê, khác biệt khoảng 18.916 33 Có thể thấy rằng, độ xác đồ gạo phụ thuộc nhiều vào cách chọn liệu huấn luyện kiểm tra đặc tính liệu ảnh vệ tinh Dựa kết nghiên cứu liên quan, phương pháp học máy chứng minh tính hiệu so với phương pháp tách ngưỡng truyền thống sử dụng liệu ảnh vệ tinh radar 34 CHƯƠNG KẾT LUẬN Trong q trình thực luận văn, tơi tìm hiểu trau dồi kiến thức xử lý ảnh viễn thám quang học, radar, kiến thức học máy Vận dụng kiến thức tìm hiểu được, tơi thực luận văn với mục đích so sánh đánh giá hiệu việc phân lớp lúa sử dụng ảnh vệ tinh Landsat ảnh vệ tinh Sentinel 1A sử dụng phương pháp học máy Từ đó, đề xuất phương pháp giám sát lúa định kỳ khu vực Đồng sơng Hồng Với nhiều tính vượt trội không bị ảnh hưởng điều kiện thời tiết, điều kiện ngày đêm, độ phân giải không gian thời gian Ảnh vệ tinh Sentinel 1A đem lại kết phân lớp cao so với ảnh LandSat Do liệu Sentinel 1A chọn sử dụng cho toán giám sát lúa liên tục khu vực ĐBSH Kết độ xác đồ lúa vụ sử dụng liệu đặc trưng VVVH 90.5% Cũng với đặc trưng VVVH, đồ lúa tháng, hai tháng ba tháng thành lập để giám sát định kỳ với độ xác 83,98%, 87,3% 89.1% Nội dung nghiên cứu luận văn rằng, phương pháp lấy mẫu, liệu huấn luyện phương pháp phân lớp đặc tính liệu ảnh vệ tinh ảnh hưởng mạnh mẽ đến kết phân lớp kết đồ lúa Kết luận văn sử dụng báo nộp vào tạp chí Remote Sensing trình review với tiêu đề “Rapid assessment of flooding inundation affected rice in Red River Delta using Sentinel 1A Imagery” Tuy nhiên, luận văn số vấn đề tồn như: đồ lúa sớm (1 tháng) bị nhầm lẫn với khu vực nước khoảng thời gian bắt đầu trồng lúa, nước dẫn vào ruộng Điều giải việc sử dụng kết hợp đồ lúa vụ trước, đồ trồng nông nghiệp đồ nước để giúp lập đồ lúa sớm xác Thêm vào đó, việc lập đồ lúa tỉnh Quảng Ninh sai số cao (hơn 10,000 ha), điều nguyên nhân việc lấy mẫu thơng qua ảnh vệ tinh Google Earth có sai số khu vực này, cần thực địa lấy mẫu để đồ lúa có độ xác cao Trong tương lai, việc sử dụng kết hợp hai loại liệu vệ tinh (quang học radar) áp dụng phương pháp học máy tiên tiến học sâu (deep learning) cân nhắc sử dụng nghiên cứu để đánh giá so sánh hiệu việc phân lớp lúa Ngoài ra, việc giám sát loại nông nghiệp công nghiệp khác thách thức đặt việc giám sát định kỳ sử dụng công nghệ viễn thám 35 Tham chiếu [1] K Okamoto and H Kawashima, “Estimation of rice-planted area in the tropical zone using a combination of optical and microwave satellite sensor data,” Int J Remote Sens., 1999, vol 20, no 5, pp 1045-1048 [2] T Le Toan et al., “Rice crop mapping and monitoring using ERS-1 data based on experiment and modeling results,” IEEE Trans Geosci Remote Sens., 1997, VOL 35, NO 1, pp 41 - 56 [3] I W Nuarsa, F Nishio, C Hongo, and I G Mahardika, “Using variance analysis of multitemporal MODIS images for rice field mapping in Bali Province, Indonesia,” Int J Remote Sens., 2012, Vol 33, No 17, pp 5402 - 5417 [4] X Xiao et al., “Mapping paddy rice agriculture in southern China using multitemporal MODIS images,” Remote Sens Environ., 2005, pp 480 - 492 [5] G Manfron, A Crema, M Boschetti, and R Confalonieri, “Testing automatic procedures to map rice area and detect phenological crop information exploiting time series analysis of remote sensed MODIS data,” in SPIE Remote Sensing, 2012, Vol 8531, pp 85301 - 85311 [6] H K Hoang, M Bernier, S Duchesne, and Y M Tran, “Rice Mapping Using RADARSAT-2 Dual- and Quad-Pol Data in a Complex Land-Use Watershed: Cau River Basin (Vietnam),” IEEE J Sel Top Appl Earth Obs Remote Sens., 2016, VOL 9, NO 7, pp 8082 - 3096 [7] Q Li, H Zhang, X Du, N Wen, and Q Tao, “County-level rice area estimation in southern China using remote sensing data,” J Appl Remote Sens., 2014 Vol 8, pp 083657-1 - 083657-16 [8] S Park, J Im, S Park, C Yoo, H Han, and J Rhee, “Classification and mapping of paddy rice by combining Landsat and SAR time series data,” Remote Sens., 2018, pp 447 - 469 [9] H Tian, M Wu, L Wang, and Z Niu, “Mapping early, middle and late rice extent using Sentinel-1A and Landsat-8 data in the poyang lake plain, China,” Sensors (Switzerland), 2018, pp 185 - 200 [10] D Mandal, V Kumar, A Bhattacharya, Y S Rao, P Siqueira, and S Bera, “Sen4Rice: A processing chain for differentiating early and late transplanted rice using time-series sentinel-1 SAR data with google earth engine,” IEEE Geosci Remote Sens Lett., 2018 [11] T Sakamoto, C Van Phung, A Kotera, K D Nguyen, and M Yokozawa, “Analysis of rapid expansion of inland aquaculture and triple rice-cropping areas in a coastal area of the Vietnamese Mekong Delta using MODIS time-series imagery,” Landsc Urban Plan., 2009, pp 34 - 46 36 [12] C Kontgis, A Schneider, and M Ozdogan, “Mapping rice paddy extent and intensification in the Vietnamese Mekong River Delta with dense time stacks of Landsat data,” Remote Sens Environ., 2015, pp 255 - 269 [13] A Bouvet and T Le Toan, “Remote Sensing of Environment Use of ENVISAT / ASAR wide-swath data for timely rice fields mapping in the Mekong River Delta,” Remote Sens Environ., vol 115, no 4, pp 1090–1101, 2011 [14] D B Nguyen, K Clauss, S Cao, V Naeimi, C Kuenzer, and W Wagner, “Mapping Rice Seasonality in the Mekong Delta with multi-year envisat ASAR WSM Data,” Remote Sens., 2015, pp 15868–15893 [15] N T Son, C F Chen, C R Chen, H N Duc, and L Y Chang, “A phenology-based classification of time-series MODIS data for rice crop monitoring in Mekong Delta, Vietnam,” Remote Sens., 2013, pp 135-156 [16] N Torbick, W Salas, D Chowdhury, P Ingraham, and M Trinh, “Mapping rice greenhouse gas emissions in the Red River Delta, Vietnam,” Carbon Manag., 2017 pp 3004 - 3012 [17] M D Chuc, N H Anh, N T Thuy, B Q Hung, and N T N Thanh, “Paddy rice mapping in red river delta region using landsat images: Preliminary results,” in Proceedings - 2017 9th International Conference on Knowledge and Systems Engineering, KSE 2017, 2017 pp 209 - 214 [18] K Lasko, K P Vadrevu, V T Tran, and C Justice, “Mapping Double and Single Crop Paddy Rice with Sentinel-1A at Varying Spatial Scales and Polarizations in Hanoi, Vietnam,” IEEE J Sel Top Appl Earth Obs Remote Sens., 2018, VOL 11, NO 2, pp 498 - 512 [19] K H Hoang, M Bernier, S Duchesne, and M Y Tran, “Classification of rice fields in a complex land-use watershed in Northern Vietnam using RADARSAT-2 data,” in International Geoscience and Remote Sensing Symposium (IGARSS), 2014, pp 1501 - 1503 [20] K Clauss, M Ottinger, and C Kuenzer, “Mapping rice areas with Sentinel-1 time series and superpixel segmentation,” Int J Remote Sens., 2018, pp 1399 - 1420 [21] D Nguyen, W Wagner, V Naeimi, and S Cao, “Rice-plandted area extraction by time series analysis of ENVISAT ASAR WS data using a phenology-based classification approach: A case study for Red River Delta, Vietnam,” in International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences - ISPRS Archives, 2015., pp 77 - 83 [22] J G Liu and P J Mason, Essential image processing and GIS for remote sensing 2013 [23] C Cortes and V Vapnik, “Support-Vector Networks,” Mach Learn., 1995, pp 273 - 297 37 [24] T Chen, T He, and M Benesty, “Extreme Gradient Boosting,” arXiv, 2016, pp 785 - 794 [25] S Park, J Im, S Park, C Yoo, H Han, and J Rhee, “Classification and mapping of paddy rice by combining Landsat and SAR time series data,” Remote Sens., 2018, 10, 447, pp - 22 [26] T Chen and C Guestrin, “XGBoost : Reliable Large-scale Tree Boosting System,” in Conference on Knowledge Discovery and Data Mining, 2016 pp 1- 38 ...ĐẠI HỌC QUỐC GIA HÀ NỘI TRƯỜNG ĐẠI HỌC CÔNG NGHỆ PHAN ANH NGHIÊN CỨU VÀ ỨNG DỤNG HỌC MÁY TRONG PHÂN LỚP LÚA SỬ DỤNG ẢNH VIỄN THÁM NGÀNH: HỆ THỐNG THÔNG TIN CHUYÊN NGÀNH: HỆ THỐNG THÔNG TIN... vậy, luận văn này, tơi tìm hiểu nghiên cứu ứng dụng học máy phân lớp lúa sử dụng ảnh viễn thám tiến hành thực nghiệm khu vực ĐBSH Nội dung luận văn trình bày sở lý thuyết viễn thám, phương pháp học. .. trình nghiên cứu người khác mà không rõ tài liệu tham khảo Hà Nội, ngày 28 tháng năm 2019 Học viên Phan Anh NGHIÊN CỨU VÀ ỨNG DỤNG HỌC MÁY TRONG PHÂN LỚP LÚA SỬ DỤNG ẢNH VIỄN THÁM Phan Anh Khóa học