Nghiên cứu phương pháp trích xuất đặc trưng trên ảnh vệ tinh sử dụng các kỹ thuật học sâu

ĐẠI HỌC QUỐC GIA HÀ NỘI TRƯỜNG ĐẠI HỌC CÔNG NGHỆ PHẠM QUANG HIỂN NGHIÊN CỨU PHƯƠNG PHÁP TRÍCH XUẤT ĐẶC TRƯNG TRÊN ẢNH VỆ TINH SỬ DỤNG CÁC KỸ THUẬT HỌC SÂU LUẬN VĂN THẠC SĨ CÔNG NGHỆ THÔNG TIN Hà Nội, 10/2020 ĐẠI HỌC QUỐC GIA HÀ NỘI TRƯỜNG ĐẠI HỌC CÔNG NGHỆ PHẠM QUANG HIỂN NGHIÊN CỨU PHƯƠNG PHÁP TRÍCH XUẤT ĐẶC TRƯNG TRÊN ẢNH VỆ TINH SỬ DỤNG CÁC KỸ THUẬT HỌC SÂU Ngành: Công nghệ Thông tin Chuyên ngành: Kỹ thuật Phần mềm Mã số: 8480103.01 LUẬN VĂN THẠC SĨ CÔNG NGHỆ THÔNG TIN NGƯỜI HƯỚNG DẪN KHOA HỌC TS LÊ HỒNG ANH PSG.TS TRƯƠNG NINH THUẬN Hà Nội, 10/2020 LỜI CẢM ƠN Đầu tiên, tơi xin bày tỏ lịng cảm ơn chân thành sâu sắc đến TS Lê Hồng Anh PGS.TS Trương Ninh Thuận hướng dẫn bảo tận tình hai thầy suốt trình em theo học làm luận văn tốt nghiệp Những định hướng, lời khuyên kiến thức vô quý giá hai Thầy giúp em nhiều q trình hồn thành luận văn tốt nghiệp Tôi xin gửi lời cảm ơn sâu sắc tới Thầy Cô khoa Công nghệ thông tin - trường Đại học Công Nghệ - Đại học Quốc gia Hà Nội nói chung thầy mơn Cơng nghệ Phần mềm nói riêng tận tình giảng dạy, trang bị cho tơi kiến thức q báu suốt q trình tơi học tập khoa Đây tiền đề giúp tơi hồn thiện luận văn thạc sỹ Cuối cùng, xin gửi lời cảm ơn chân thành đến anh chị em đồng nghiệp gia đình, bạn bè, người thân giúp đỡ tơi vật chất lẫn tinh thần để tơi hồn thành luận văn Mặc dù cố gắng luận văn chắn không tránh khỏi thiếu sót, tơi mong nhận ý kiến nhận xét đánh giá từ phía Thầy Cơ để luận văn hồn thiện Tơi xin chân thành cảm ơn! Hà Nội, tháng 10 năm 2020 Học viên Phạm Quang Hiển HV: Phạm Quang Hiển LỜI CAM ĐOAN Tôi xin cam đoan luận văn “Nghiên cứu phương pháp trích xuất đặc trưng ảnh vệ tinh sử dụng kỹ thuật học sâu” thực hướng dẫn TS Lê Hồng Anh PGS.TS Trương Ninh Thuận 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 không rõ tài liệu tham khảo HV: Phạm Quang Hiển MỤC LỤC LỜI CAM ĐOAN MỤC LỤC DANH MỤC CÁC KÝ HIỆU VÀ CHỮ VIẾT TẮT DANH MỤC CÁC BẢNG DANH MỤC CÁC HÌNH VẼ, ĐỒ THỊ CHƯƠNG GIỚI THIỆU 1.1 Tính cấp thiết lý chọn đề tài 1.2 Mục tiêu phạm vi nghiên cứu 1.3 Nội dung nghiên cứu 1.4 Cấu trúc luận văn CHƯƠNG CÁC KIẾN THỨC VÀ CÔNG NGHỆ NỀN TẢNG 2.1 Ảnh vệ tinh Sentinel-2 2.2.1 Thiết kế kỹ thuật vệ tinh Sentinel-2 2.2.2 Thiết kế kỹ thuật cảm MSI vệ tinh Sentinel-2 2.2.3 Thiết kế khả lấy mẫu cảm quang phổ MSI 2.2.4 Khả cung cấp thông tin dải phổ giám sát rừng 11 2.2 Thư viện Eo-Learn 11 2.3 Phần mềm Envi 13 CHƯƠNG MƠ HÌNH MẠNG NƠRON TÍCH CHẬP TRÍCH XUẤT LỚP PHỦ THỰC VẬT TỪ ẢNH VỆ TINH SENTINEL 19 3.1 Giới thiệu học sâu 19 3.2 Mạng nơ-ron tích chập (Convolutional neural network) 22 3.1.1 Kiến trúc 22 3.1.2 Các siêu tham số lọc (hyper-parameter) 25 3.1.3 Điều chỉnh siêu tham số 26 3.1.4 Những kiến trúc sử dụng thủ thuật tính tốn 27 3.3 Unet 28 3.4 Trích xuất lớp phủ thực vật sử dụng EO-learn 29 3.3.1 Độ phủ thực vật 29 3.3.2 Quy trình xử lý 31 Chương 4: THỰC NGHIỆM 36 4.1 Vùng thực nghiệm 36 4.2 Kết thực nghiệm 38 4.2.1 Kết chạy thực nghiệm đề tài 38 4.2.2 So sánh kết thực nghiệm với phần mềm Envi 40 Chương KẾT LUẬN 41 TÀI LIỆU THAM KHẢO 43 PHỤ LỤC 45 HV: Phạm Quang Hiển DANH MỤC CÁC KÝ HIỆU VÀ CHỮ VIẾT TẮT Viết tắt Giải thích RGB Tổ hợp màu Red, Green, Blue AOI Area-of-interest CNNs Convolutional neural network DL Deep Learning (Học sâu) PNR Vườn tự nhiên cấp vùng EU European RNN Recurrent Neural Network LSTM Long Short-Term Memory GRU Gated Recurrent Unit CNN Convolutional Neural Network DBN Deep Belief Network DSN Deep Stacking Network HV: Phạm Quang Hiển DANH MỤC CÁC BẢNG Bảng 2.1: Đặc tính kỹ thuật hệ thống Sentinel-2 Bảng 2.2: Bước sóng kênh phổ ứng dụng liệu Sentinel-2 Bảng 2.3: EO tasks Core 45 Bảng 2.4: EO tasks Coregistration 45 Bảng 2.5: EO tasks Features 46 Bảng 2.6: EO tasks Geometry 48 Bảng 2.7: EO tasks Io 48 Bảng 2.8: EO tasks Mask 50 Bảng 2.9: EO tasks ml_tools 50 Bảng 4.1: Bảng so sánh bước kết xử lý ảnh vệ tinh phần mềm envi hệ thống sử dụng Unet Eo-Learn 40 HV: Phạm Quang Hiển DANH MỤC CÁC HÌNH VẼ, ĐỒ THỊ Hình 2.1: Dải phổ độ phân giải không gian liệu Sentinel-2 10 Hình 2.2: Ví dụ quy trình xử lý ảnh thư viện Eo-Learn 12 Hình 2.3: Xử lý ảnh với Mơ-đun Rigorous Orthorectification 14 Hình 2.4: Xử lý ảnh với Mô-đun Envi Feature Extraction 15 Hình 2.5: Xử lý ảnh với Mô-đun Envi Dem 15 Hình 2.6: Xử lý ảnh với Mô-đun Envi Atmospheric Correction module 16 Hình 2.7: Xử lý ảnh với Mơ-đun Envi NITF [6] 16 Hình 2.8: Xử lý ảnh với sản phẩm chuyên dụng Envi Lidar 17 Hình 2.9: Xử lý ảnh với sản phẩm chuyên dụng Envi SARScape 17 Hình 2.10: Quy trình xử lý ảnh với phần mềm Envi 18 Hình 3.1: Mối quan hệ AI, Machine Learning Deep Learning 20 Hình 3.2: Các thành phần kiến trúc truyền thống CNN 22 Hình 3.3: Minh hoạ tích chập (Convolution) 23 Hình 3.4: Làm mờ ảnh cách lấy giá trị trung bình điểm ảnh lân cận 23 Hình 3.5: Phát biên cạnh cách tính vi phân 23 Hình 3.6: Ví dụ minh hoạ lấy giá trị lớn (Max pooling) 24 Hình 3.7: Ví dụ minh hoạ lấy giá trị trung bình (Average pooling) 24 Hình 3.8: Minh hoạ kết nối đầy đủ (Fully connected) CNNs 25 Hình 3.9: Minh hoạ chiều lọc 25 Hình 3.10: Minh hoạ độ trượt (Stride) 25 Hình 11: Minh hoạ tính tương thích tham số tích chập 26 Hình 3.12: Ví dụ minh hoạ GAN 27 Hình 13: Minh hoạ phương thức kết nối tắt (Skip connections) 27 Hình 3.14: Kiến trúc mạng U-net 29 Hình 15: Chọn vùng tải ảnh vệ tinh 31 Hình 3.16: Cấu trúc file Geojson vùng chọn tải ảnh vệ tinh 32 Hình 3.17: đăng ký tài khoản Sentinel-hub để tải ảnh vệ tinh 33 Hình 3.18: Cấu hình thơng số Sentinel-hub để tải liệu ảnh vệ tinh 33 Hình 3.19: Cấu hình tính số NDVI Json file 34 Hình 3.20: Json file cấu hình tính số NDVI Sentinel-hub 34 Hình 3.21: Cấu hình thơng số phía Client để tải ảnh vệ tinh 34 Hình 3.22: Quy trình xử lý ảnh vệ tinh với mơ hình Unet thư viện Eo-learn 35 Hình 4.1: Ma trận độ xác mơ hình (Confusion matrix) 39 Hình 4.2: Ma trận độ xác hệ thống (trái, ~ 84,5%) phần mềm ENVI (phải, ~ 87,1%) thử nghiệm với liệu 40 HV: Phạm Quang Hiển CHƯƠNG GIỚI THIỆU 1.1 Tính cấp thiết lý chọn đề tài Năm 1943 giai đoạn manh nha ý tưởng trí tuệ nhân tạo, trải qua giai đoạn hình thành phát triển đến trí tuệ nhân tạo ngồi việc trở thành lĩnh vực nghiên cứu chủ chốt viện nghiên cứu trường đại học, việc ứng dụng trí tuệ nhân tạo vào lĩnh vực khoa học, kỹ thuật, sản xuất trở nên vô khả thi Từ ứng dụng học tiếng anh, phân tích liệu, vận hành hệ thống sản xuất, xe tự hành, y tế, nơng lâm nghiệp … có ứng dụng trí tuệ nhân tạo, nhằm nâng cao hiệu suất kết hoạt động nhằm phục vụ nhu cầu người ngày tốt Trí tuệ nhân tạo góp phần giải tốn với quy mơ lớn, việc mà trước với sức người khơng thể khó khăn để giải Đi với giai đoạn phát triển trí tuệ nhân tạo, lĩnh vực nghiên cứu khoa học vũ trụ phát triển mạnh mẽ, năm 1957 Liên Xơ phóng thành cơng vệ tinh Sputnik lên khơng gian, có hàng trăm vệ tinh hoạt động không gian, với nhiệm vụ thu thập liệu viễn thám để phục vụ nhu cầu nghiên cứu khoa học Nguyên lý hoạt động viễn thám nhờ vào phản xạ bề mặt vật thể, đối tượng bề mặt Trái Đất sử dụng dải phổ nguồn lượng khác Do đó, loại bề mặt có kết cấu đặc trưng khác phản xạ/ tán xạ lại giá trị khác Đối với nguồn lượng khác nhau, liệu viễn thám lại mang đặc trưng riêng Tín hiệu phản xạ lại từ bề mặt lớp phủ Trái Đất sau thu thập xử lý trạm thu liệu ảnh vệ tinh để sử dụng nghiên cứu cho miền ứng dụng khác [1] Với phát triển mạnh mẽ khoa học, loại ảnh viễn thám thông dụng Modis, Landsat 8, Spot 5, Venus, Sentinel 2A… sử dụng nhiều lĩnh vực như: - Khí tượng: dùng để dự báo thời tiết, dự báo thiên tai liên quan đến biến đổi nhiệt độ bề mặt đất, mây - Bản đồ: công cụ đắc lực phục vụ cho ngành đồ, thành lập loại đồ địa hình đồ chuyên đề nhiều tỉ khác - Nông-Lâm nghiệp: theo dõi mức độ biến đổi thảm phủ thực vật, độ che phủ rừng - Địa chất: Theo dõi tốc độ sa mạc hoá, tốc độ xâm thực bờ biển, phân tích cấu trúc địa chất mặt bên lòng đất (vỏ trái đất) HV: Phạm Quang Hiển - Mơi trường: Giám sát biến động nhiễm, rị rỉ dầu mặt (thông qua thị thực vật), nghiên cứu quản lý biến động thị hóa, nghiên cứu tượng đảo nhiệt đô thị Thảm thực vật đóng vai trị quan trọng việc trì tính đa dạng sinh học hệ sinh thái Lớp phủ rừng ảnh hưởng tới sinh tồn loài sinh vật q hiếm, lồi đóng vai trị quan trọng hệ sinh thái, theo thời gian, tác động tự nhiên người, lớp phủ thực vật có thay đổi định Ngày với phát triển mạnh mẽ công nghệ Internet, việc sử dụng công nghệ viễn thám toán giám sát, quan trắc loại bề mặt lớp phủ trái đất nói chung giám sát lớp phủ thực vật nói riêng áp dụng phổ biến rộng rãi Công nghệ Viễn thám hệ thông tin địa lý (GIS – Geographical Information System) ứng dụng nhiều nghiên cứu, điều tra xây dựng đồ lớp phủ thực vật Ứng dụng công nghệ việc nghiên cứu đánh giá biến động lớp phủ thực vât đảm bảo tính khách quan, độ xác cao, tiết kiệm thời gian Tuy nhiên, vài năm gần với bùng nổ trí tuệ nhân tạo (AI Artificial Intelligence), đưa việc áp dụng công nghệ vào mặt đời sống xã hội lên tầm cao Với việc áp dụng kỹ thuật học sâu (DL – Deep Learning) vào công nghệ viễn thám, giúp cho giải nhiều tốn khó khăn, mà công nghệ trước phải nhiều thời gian xử lý Chính lý trên, hướng dẫn TS Lê Hồng Anh PSG.TS Trương Ninh Thuận lựa chọn đề tài “Nghiên cứu phương pháp trích xuất đặc trưng ảnh vệ tinh sử dụng kỹ thuật học sâu”, áp dụng việc trích xuất đặc trưng ảnh vệ tinh nhằm giám sát lớp phủ thực vật, hỗ trợ cho công tác quản lý nông nghiệp lâm nghiệp Việt Nam 1.2 Mục tiêu phạm vi nghiên cứu Thảm thực vật có vai trò quan trọng sống người môi trường như: cung cấp nguồn gỗ, điều hịa khơng khí, tạo oxy, nơi cư trú động thực vật, ngăn chặn gió bão, chống xói mòn đất, đảm bảo cho sống, hạn chế biến đổi khí hậu… Chính việc giám sát lớp phủ thực vật điều vơ quan trọng Có nhiều nguyên nhân ảnh hưởng đến biến đổi lớp phủ thực vật như: khai thác trái phép, đốt nương làm rẫy, cháy rừng… làm cho việc giám sát lớp phủ thực vật trở nên khó khăn Với công nghệ phát triển, việc ứng dụng công nghệ thông tin vào việc giảm sát lớp phủ thực vật nhu cầu vô cấp thiết HV: Phạm Quang Hiển 36 Chương 4: THỰC NGHIỆM Để tiến hành thực nghiệm mơ hình xây dựng tốn, tác giả tiến hành nội dung sau: - Xác định vùng thực nghiệm: Cao Bằng, Việt Nam (Nội dung 4.1 Vùng thực nghiệm) - Tiến hành tải liệu ảnh vệ tinh (Bước đến bước nội dung 3.3.2 Quy trình xử lý) làm liệu đầu vào cho hệ thống, lượng liệu đầu vào (số lượng ảnh vệ tinh) xác định yếu tố: Kích thước vùng chọn tải ảnh vệ tinh (Bước nội dung 3.3.2 Quy trình xử lý) kích thước chia nhỏ vùng lấy ảnh vệ tinh (bước phần 3.3.2 Quy trình xử lý) - Xây dựng kiến trúc U-net để xử lý liệu ảnh vệ tinh đầu vào tương ứng (Bước nội dung 3.3.2 Quy trình xử lý) - Đưa số kết quả: hiển thị liệu “Thực vật”, “Đất” “Nước” sau xử lý trích xuất đặc trưng từ 13 kênh ảnh ảnh vệ tinh Sentinel2 (Nội dung 4.2.1 Kết chạy thực nghiệm đề tài) - Đưa ma trận độ xác mơ hình xây dựng luận văn (Nội dung 4.2.1 Kết chạy thực nghiệm đề tài) - Đưa số so sánh ưu nhược điểm, kết (ma trận độ xác) mơ hình nghiên cứu luận văn so với xử lý phần mềm ENVI với liệu đầu vào (Nội dung 4.2.2 So sánh kết thực nghiệm với phần mềm ENVI) 4.1.Vùng thực nghiệm Tỉnh Cao Bằng nằm phía đơng bắc Việt Nam, có vị trí địa lý: - Phía bắc đông bắc giáp với khu tự trị dân tộc Choang Quảng Tây (Trung Quốc) với đường biên giới dài 333,125 km - Phía tây giáp tỉnh Hà Giang - Phía tây nam giáp tỉnh Tuyên Quang - Phía nam giáp tỉnh Bắc Kạn Lạng Sơn Tỉnh Cao Bằng có diện tích đất tự nhiên 6.690,72 km², cao ngun đá vơi xen lẫn núi đất, có độ cao trung bình 200 m, vùng sát biên có độ cao từ 6001.300 m so với mặt nước biển Núi non trùng điệp Rừng núi chiếm 90% diện tích tồn tỉnh Từ hình thành nên vùng rõ rệt: Miền đơng có nhiều núi đá, miền tây núi đất xen núi đá, miền tây nam phần lớn núi đất có nhiều rừng rậm Cao Bằng có diện tích tự nhiên 6.690,72 km², chiếm 2,12% diện tích nước Phía Bắc Đơng Bắc giáp tỉnh Quảng Tây (Trung Quốc), có đường biên giới dài 311 km, phía Tây giáp tỉnh Hà Giang Tuyên Quang, phía Nam giáp tỉnh Bắc Kạn, phía Đơng Nam giáp tỉnh Lạng Sơn Là tỉnh miền núi vùng cao biên giới, xa HV: Phạm Quang Hiển 37 trung tâm kinh tế lớn vùng Đông Bắc nước Cao Bằng lại có ba cửa Tà Lùng, Hùng Quốc Sóc Hà Đây lợi quan trọng, tạo điều kiện cho tỉnh giao lưu kinh tế với bên ngồi, Trung Quốc [17] Địa hình Cao Bằng chia cắt mạnh phức tạp, hình thành tiểu vùng kinh tế sinh thái: tiểu vùng núi đá vơi phía bắc đơng bắc chiếm 32%, tiểu vùng núi đất phía tây tây nam chiếm 18% tiểu vùng núi đất thuộc thượng nguồn sông Hiến chiếm 38%, tiểu vùng bồn địa thị xã Cao Bằng huyện Hồ An dọc sơng Bằng chiếm 12% diện tích tự nhiên tỉnh [17] Hiện nay, tồn tỉnh có khoảng 140.942 đất có khả phát triển nơng nghiệp, chiếm 21% diện tích tự nhiên Phần lớn đất sử dụng để phát triển hàng năm, chủ yếu lương thực, ăn quả, cơng nghiệp cịn Hiệu sử dụng đất thấp, hệ số sử dụng đất đạt khoảng 1,3 lần Đất có khả phát triển lâm nghiệp có khoảng 408.705 ha, chiếm 61,1% diện tích tự nhiên, rừng tự nhiên khoảng 248.148 ha, rừng trồng14.448 ha, lại đất trống, đồi núi trọc Với phương thức nông lâm kết hợp, độ dốc tầng đất mặt diện tích đất trống đồi núi trọc trồng cơng nghiệp, ăn quả, đặc sản chăn nuôi gia súc kết hợp với trồng rừng theo mơ hình trang trại Các loại đất chuyên dùng, đất xây dựng khu công nghiệp, đất xây dựng đô thị đất xây dựng khác cịn nhiều Tỉnh cần có kế hoạch quản lý, sử dụng loại đất cho hiệu quả, tạo thêm nguồn lực quan trọng để phát triển Hiện địa bàn tỉnh chủ yếu rừng nghèo, rừng non tái sinh, rừng trồng rừng vầu nên trữ lượng gỗ Rừng tự nhiên cịn số gỗ q nghiến, sến, tơ mộc, lát khơng cịn nhiều, tán rừng cịn có số lồi đặc sản quý sa nhân, bạch truật, ba kích, hà thủ số lồi thú q như: gấu, hươu, nai, số loài chim…Mấy năm gần đây, nhờ có chủ trương sách xã hội hoá nghề rừng, giao đất giao rừng, thực chương trình 327, chương trình triệu rừng, PAM 5322 trồng rừng quốc gia nên tài nguyên rừng dần phục hồi, độ che phủ rừng đạt 40% năm 2000, 45% năm 2002, lập lại cân sinh thái Trữ lượng gỗ, lâm sản tăng lên có đóng góp cho kinh tế tỉnh tương lai Cao Bằng có nguồn tài ngun khống sản đa dạng, đến cuối năm1999, địa bàn tỉnh đăng ký 250 mỏ điểm quặng với 22 loại khoáng sản Đáng kể quặng sắt trữ lượng hàng nghìn triệu tấn, có nhiều cơng dụng sản xuất vật liệu xây dựng Số liệu điều tra địa chất có cho phép Cao Bằng hoạch định quy hoạch phát triển khai thác chế biến khoáng sản nêu Đồng thời cần tiếp tục điều tra thăm dò chi tiết khống sản cịn tiềm vàng, đơlơmít, thạch anh, antimon, vofram… HV: Phạm Quang Hiển 38 4.2 Kết thực nghiệm 4.2.1 Kết chạy thực nghiệm đề tài Dưới số kết thực nghiệm đề tài bao gồm “Ảnh vệ tinh” “Kết dự đốn mơ hình” ( Thực vật, Nước, Đất), ma trận độ xác mơ hình chuẩn hố, với độ xác ~ 84.5% Satellite Image Prediction Satellite Image Prediction HV: Phạm Quang Hiển 39 Satellite Image Prediction Satellite Image Prediction Hình 4.1: Ma trận độ xác mơ hình (Confusion matrix) HV: Phạm Quang Hiển 40 4.2.2 So sánh kết thực nghiệm với phần mềm Envi Bảng 4.1: Bảng so sánh bước kết xử lý ảnh vệ tinh phần mềm envi hệ thống sử dụng Unet Eo-Learn STT Nội dung Phần mềm Envi Unet + Eo-Learn Độ xác (so Phụ thuộc vào kinh nghiệm Không phụ thuộc vào sánh với người xử lý, độ kinh nghiệm liệu đầu vào) xác cao ~ 87,1% người xử lý, độ xác thấp ~ 84,5% Tự động xử lý Bán tự động Tự động trích xuất đặc trưng ảnh vệ tinh Cho phép cấu Có Có hình download tự động ảnh vệ tinh Độ phức tạp bước xử lý (Đơn giản hơn) 13 bước xử lý (Phức quy trình xử lý tạp hơn) Trường hợp sử Chỉ xử lý cảnh ảnh Xử lý nhiều dụng thời điểm nên phù hợp với cảnh ảnh lúc lượng liệu đầu vào nên phù hợp với lượng liệu lớn Bản quyền Mất phí Miễn phí Hình 4.2: Ma trận độ xác hệ thống (trái, ~ 84,5%) phần mềm ENVI (phải, ~ 87,1%) thử nghiệm với liệu HV: Phạm Quang Hiển 41 Chương KẾT LUẬN Thực vật đóng vai trị vơ quan trọng sống người, việc cung cấp oxi, cân mơi trường thực vật cịn nguồn cung cấp thực phẩm cho người gia súc Chính vậy, lớp phủ thảm thực vật ảnh hưởng lớn đến môi trường sống người động vật, từ biến đổi khí hậu đến sụt lở xói mịn đất, đến cân hệ sinh thái Ngồi việc q trình thị hố ngày gia tăng, việc khai thác rừng không hợp lý, trái phép cháy rừng yếu tố gây nên thay đổi lớp phủ thực vật diễn hàng ngày Chính việc giám sát thay đổi lớp phủ thực vật nhiệm vụ vơ cấp thiết nhằm có phương án xử lý, khắc phục tình xấu Với phát triển khoa học kỹ thuật, việc sử dụng ảnh vệ tinh công tác giám sát lớp phủ thực vật giúp ích nhiều công tác quản lý, giúp nâng cao hiệu quả, đảm bảm tính xác tiết kiệm thời gian Trong q trình nghiên cứu, nhận thấy việc xử lý trích xuất đặc trưng ảnh phần mềm chuyên dụng Envi mang lại kết tích cực cịn nhiều nhược điểm như: xử lý cảnh ảnh thời điểm, độ xác kết phụ thuộc nhiều vào kinh nghiệm người sử dụng phần mềm Việc xử lý nhiều liệu ảnh vệ tinh phải thực bán thủ cơng, chưa tự động hồn tồn, dẫn tới nhiều thời gian xử lý số lượng liệu lớn Chính lý trên, tác giả đề xuất giải pháp ứng dụng trí tuệ nhân tạo việc trích xuất đặc trưng ảnh vệ tinh cách sử dụng kỹ thuật học sâu Trong q trình thực luận văn, tơi tìm hiểu trau dồi kiến thức xử lý ảnh viễn thám kiến thức học máy, kiến trúc học sâu Vận dụng kiến thức trình học tập nghiên cứu trường Đại học Công nghệ - Đại học quốc gia Hà Nội kiến thức tìm hiểu được, tơi thực luận văn với mục đích trích xuất đặc trưng ảnh vệ tinh sử dụng kỹ thuật học sâu Áp dụng với ảnh vệ tinh sentinel-2, nhằm giám sát lớp thực vật cho tỉnh Cao Bằng Với nhiều tính vượt trội khơng bị ảnh hưởng điều kiện thời tiết, điều kiện ngày đêm, độ phân giải không gian thời gian Ảnh vệ tinh Sentinel-2 đem lại kết phân lớp cao so với ảnh LandSat Do liệu Sentinel-2 chọn sử dụng cho toán giám sát lớp phủ thực vật Với công nghệ ngày phát triển nay, tác giả tiến hành kết hợp kỹ thuật học sâu thư viện Eo-Learn để tiến hành xây dựng mơ hình mạng nơron tích chập theo kiến trúc U-net để thực việc tự động trích xuất đặc trưng ảnh vệ tinh Với quy trình xử lý tự động, hệ thống hỗ trợ xử lý lượng lớn liệu ảnh vệ tinh đầu vào, giảm thiếu tác động từ yếu tố người, làm tăng hiệu trình xử lý HV: Phạm Quang Hiển 42 Tuy nhiên, luận văn số vấn đề tồn như: hệ thống xây dựng xử lý ảnh vệ tinh Sentinel-2, độ xác chưa thật cao so với phần mềm chuyên dụng xử lý ảnh vệ tinh, thời gian huấn luyện mơ hình xử lý liệu nhiều thời gian, chưa xây dựng giao diện hướng tới người dùng Tác giả cố gắng khắc phục nhược điểm hệ thống Phát triển hệ thống xử lý với nhiều nguồn ảnh vệ tinh khác Landsat, Spot, Modis… Khi kỹ thuật trí tuệ nhân tạo phát triển mạnh mẽ, hệ thống hứa hẹn cải thiện nhiều độ tin cậy thuật toán Kết hợp với phát triển sức mạnh phần cứng, tốc độ xử lý toán đẩy nhanh hơn, giúp cho suất làm việc ngày nâng cao Trong tương lai, thay đổi môi trường ảnh hưởng nhiều đến cấu trúc lớp phủ bề mặt trái đất, thách thức lớn việc giám sát lớp phủ mặt đất Việc cải tiến nâng cao thuật toán, xây dựng mơ hình nhằm đem lại suất độ tin cậy cao nhu cầu tất yếu Tác giả mong muốn cải tiến, phát triển phổ cập hệ thống hướng tới người dùng Đi kèm đó, áp dụng vào giải toán tương tự thực tế vấn đề đáng quan tâm HV: Phạm Quang Hiển 43 TÀI LIỆU THAM KHẢO Tài liệu tiếng việt: Quyết định 18/QD-TTg, 15.2.2007, Quyết định phê duyệt chiến lược phát triển lâm nghiệp Việt Nam giai đoạn 2006-2020 Thủ tướng Chính phủ Luận văn thạc sỹ: “Nghiên cứu mạng Neural tích chập ứng dụng cho toán nhận dạng biển số xe”, Lê Thị Thu Hằng, Đại học Công nghệ - Đại học Quốc gia Hà Nội 2016 Luận văn thạc sỹ: “Nghiên cứu ứng dụng phương pháp học máy phân lớp lúa sử dụng ảnh viễn thám”, Phan Anh, Đại học Công nghệ - Đại học Quốc gia Hà Nội 2019 Bài giảng “Xử lý ảnh số thị giác máy tính”, TS Lê Thành Sách, Đại học Bách khoa Hà nội Tài liệu tiếng anh: “Feature Extraction from Satellite Images Using Deep Learning”, Keerthika T - Assistant Professo, Department of CSE, Sri Krishna College of Engineering and Technology,Coimbatore; Ashwini A, Amirta varsni R, Angela princy A, Dinesh kumar S - Department of CSE, Sri Krishna College of Engineering and Technology, Coimbatore “Automatic Feature extraction from satellite images using LVQ Neural network”, Deepakrishna S - Institute of Surveying and Mapping, Diyatalawa, Sri Lanka; Ediriweera S - Faculty of Science and Technology, Uva Wellassa University, Badulla, Sri Lanka; Gunatilake A A J K - Department of Geology, Faculty of Science, University of Peradeniya, Peradeniya, Sri Lanka U-Net: Convolutional Networks for BiomedicalImage Segmentation, Olaf Ronneberger, Philipp Fischer, and Thomas Brox, Computer Science Department and BIOSS Centre for Biological Signalling Studies,University of Freiburg, Germany Tree Detection in Remote Sensing Imagery Baumerkennung in Fernerkundungs – Bildmateria, Master Thesis of Maximilian Ulrich Freudenberg prepared by Maximilian Ulrich Freudenberg born in Heidelberg, Germanyat the Third Institute of Physicsin the Department of Computational Neurosciencein cooperation with the Chair of Forest Inventory and Remote Sensingfrom the Burckhardt Institute, Faculty of Forest Sciences and Forest Ecology SUHET, 2015, Sentinel-2_User_Handbook, ESA Standard Document, European Space Agency HV: Phạm Quang Hiển 44 10 Y.-L Desnos, P Potin, M Foumelis, N Miranda, B Rosich-Tell M Engdahl, 2015, Copernicus – Sentinel-1 11 “A Convolutional Neural Network for Modelling Sentences”, Nal Kalchbrenner, Edward Grefenstette, Phil Blunsom - Department of Computer Science University of Oxford 12 Alexey Novikov et al “Fully Convolutional Architectures for Multi-Class Segmentation in Chest Radiographs” In: IEEE Transactions on Medical Imaging 37 (Mar 2018) DOI: 10.1109/TMI.2018.2806086 (cited on page 219) 13 Nitish Srivastava et al “Dropout: A Simple Way to Prevent Neural Networks from Overfit-ting” In: Journal of Machine Learning Research 15 (June 2014), pages 1929–1958 (cited on page 183) Trang web: 14 http://tailieu.ttbd.gov.vn:8080/index.php/tai-lieu/chuyen-de-chuyensau/item/921-tong-quan-ve-quan-ly-va-bao-ve-tai-nguyen-rung 15 https://eo-learn.readthedocs.io/en/latest/eotasks.html 16 https://nhdp.net/blog/2018/11/tong-quan-don-gian-ve-mang-no-ron-tichchap-convolutional-neural-networks/ 17 http://tnmtcaobang.gov.vn/index.php/vi/about/Gioi-thieu-khai-quat-ve-tainguyen-va-moi-truong-Cao-Bang/ 18 http://www.geoviet.vn/goc-ky-thuat/vn/400/473/301/0/gioi-thieu-chung-vephan-mem-envi.aspx 19 https://cs231n.github.io/convolutional-networks/ 20 https://stanford.edu/~shervine/l/vi/teaching/cs-230/cheatsheetconvolutional-neural-networks - hyperparameters HV: Phạm Quang Hiển 45 PHỤ LỤC AddFeature Các tác vụ thư viện Eo-Learn Bảng 2.3: EO tasks Core Thêm tính vào EOPatch định CopyTask Tạo EOPatch cho CreateEOPatchTask Tạo EOPatch DeepCopyTask Tạo sâu EOPatch cho DuplicateReature InitializeFeature Nhân đơi nhiều tính EOPatch Di chuyển tập hợp kênh từ tính sang tính Một tác vụ đầu vào / đầu trừu tượng xử lý đường dẫn đối tượng hệ thống tệp Khởi tạo giá trị đối tượng địa lý LoadFromDisk Tải liệu từ ổ cứng LoadTask Tải EOPatch từ hệ thống tệp MapFeatureTask RenameFeature Áp dụng hàm cho tính đặc trưng đầu vào EOPatch lưu trữ kết tập thuộc tính đầu Hợp nhiều đối tượng địa lý với cách nối liệu chúng Tác vụ chép / chép sâu từ eopatch sang eopatch khác Xóa nhiều tính khỏi EOPatch định Đổi tên nhiều tính từ EOPatch cho SaveTask Lưu EOPatch cho vào hệ thống tệp SaveToDisk Lưu liệu vào ổ cứng ZipFeatureTask Truyền tập hợp đặc trưng đầu vào cho hàm, kết hàm trả tính đơn lẻ lưu trữ eopatch Tạo tác vụ bao gồm tác vụ kép ExtractBandsTask IOTask MergeFeatureTask MoveFeature RemoveFeature CompositeTask Bảng 2.4: EO tasks Coregistration ECCRegistration Nhiệm vụ đăng ký triển khai phương pháp dựa cường độ từ OpenCV PointBasedRegistration Lớp đăng ký triển khai đăng ký dựa điểm từ gói đóng góp OpenCV HV: Phạm Quang Hiển 46 RegistrationTask ThunderRegistration Lớp trừu tượng cho đồng đăng ký hình ảnh đa thời gian Tác vụ đăng ký thực đăng ký dịch gói thunder-registration Bảng 2.5: EO tasks Features EuclideanNormTask Nhiệm vụ tính tốn Định mức Euclide Nhiệm vụ tính tốn Chỉ số Chênh lệch Chuẩn NormalizedDifferenceIndexTask hóa (NDI) hai dải A B BlobTask Nhiệm vụ tính tốn đốm màu Nhiệm vụ tính tốn đốm màu với phương DoGBlobTask pháp Difference of Gaussian (DoG) Nhiệm vụ tính tốn đốm màu với phương LoGBlobTask pháp Laplacian of Gaussian (LoG) Task tính tốn cụm tính ClusteringTask chọn cách sử dụng sklearn.cluster.AgglomerativeClustering Tác vụ áp dụng biểu thức đại số FeatureExtractionTask giá trị đối tượng địa lý Loại bỏ tất khung chuỗi thời gian FilterTimeSeries có ngày nằm ngồi khoảng thời gian người dùng định Biến đổi eopatch of hình [n, w, h, d] thành SimpleFilterTask [m, w, h, d] cho m