4.3 Kết quả thực nghiệm
Ảnh UAV sử dụng trong phần thực nghiệm là ảnh trực giao thu đƣợc sau khi xử lý ảnh UAV với 5 điểm KCANN. Đƣờng biên sơ bộ của các đối tƣợng đƣợc xác định từ ảnh UAV sau khi chạy đoạn mã gPb trên MATLAB đƣợc minh họa nhƣ Hình 4.3. Trên Hình 4.3, ảnh bên trái (ảnh UCM) là các đƣờng đẳng trị thể hiện xác suất thuộc về lớp đƣờng biên của mỗi điểm ảnh, và ảnh bên phải (ảnh gPb) là đƣờng biên thể hiện các điểm ảnh sau khi đã đƣợc gán vào lớp đƣờng biên (giá trị 1) và không phải đƣờng biên (giá trị 0).
Xác định đường biên sơ bộ bằng phương pháp gPB Ảnh UAV Xác định các siêu pixel SLIC Tính các thuộc tính và gán nhãn cho đường SLIC Phân loại RF Lựa chọn đỉnh Chỉnh sửa đường ranh giới (nếu cần) Chấp nhận ranh giới DSM Bản đồ địa chính cũ, điểm đo GNSS-RTK Đánh giá độ chính xác
46
Hai ảnh này sau đó đƣợc chuyển sang định dạng shapefile để sử dụng cho các bƣớc tiếp theo.
Hình 4.3 Kết quả chạy gPb trên ảnh UAV: (Trái) đƣờng đẳng trị; (Phải) đƣờng biên
Ở bƣớc tiếp theo, thuật toán SLIC đƣợc chạy bằng công cụ Python Console-GRASSGIS với dữ liệu đầu vào là ảnh trực giao. Kết quả thu đƣợc là các siêu pixel SLIC nhƣ Hình 4.4. Đƣờng biên của các siêu pixel này sau đó cũng đƣợc chuyển sang định dạng shapefile để làm dữ liệu đầu vào cho các bƣớc sau.
47
Khi chuyển sang định dạng shapefile, các đƣờng SLIC đã đƣợc tách thành các đối tƣợng đƣờng riêng biệt (khơng phải là đối tƣợng polygon khép kín nữa), mỗi đƣờng là một đƣờng gấp khúc có điểm đầu và điểm cuối là điểm giao giữa các vùng siêu pixel. Sau đó, các thuộc tính của mỗi đƣờng SLIC đƣợc tính và cập nhật vào bảng thuộc tính của đƣờng. Các thuộc tính này đƣợc tính dựa trên ảnh gPb, ảnh UCM, ảnh trực giao UAV, DSM, và các thơng tin về hình học, quan hệ topology của các đƣờng. Bƣớc này đƣợc thực hiện trên QGIS-Python Console bằng đoạn code có sẵn trong thƣ viện của công cụ BoundaryDelineation. Ngồi ra, mỗi đƣờng sẽ đƣợc thêm thuộc tính “boundary” bằng phƣơng pháp thủ cơng có giá trị là 1-Là đƣờng biên, hoặc 0-Không phải đƣờng biên. Bƣớc này đƣợc thực hiện để làm dữ liệu mẫu cho bƣớc phân loại RF. Sau khi có các mẫu huấn luyện (training set), bƣớc phân loại đƣờng SLIC theo phƣơng pháp RF đƣợc thực hiện bằng đoạn mã Python có sẵn trong thƣ viện của cơng cụ BD. Sau khi phân loại, xác suất thuộc về đƣờng biên đối tƣợng của các đƣờng SLIC đƣợc cập nhật lại. Kết quả sau khi phân loại đƣợc nhập vào cơng cụ BD (xem Hình 4.5) cùng với ảnh trực giao để thực hiện Bƣớc I trên công cụ BD.
Hình 4.5 Nhập dữ liệu vào cơng cụ BD để thực hiện bƣớc 1
Sau khi thực hiện Bƣớc I, các đƣờng SLIC sẽ đƣợc đơn giản hóa bằng cách nối các điểm nút nơi các đƣờng SLIC giao nhau, để tạo thành đƣờng
48
biên sơ bộ của đối tƣợng nhƣ Hình 4.6. Có thể thấy các đƣờng biên sơ bộ đã đƣợc đơn giản hóa của các đối tƣợng nhân tạo (Hình 4.6 (Trái)) nhƣ đƣờng bê tông, nhà gạch, tƣơng đối sát với đƣờng biên trên ảnh. Tuy nhiên, đối với các đối tƣợng ở khu vực có nhiều thực vật che phủ nhƣ ruộng lúa, vƣờn thì các đƣờng biên có nhiều đoạn bị sai lệch. Lý do chủ yếu là do ở thời điểm chụp ảnh cây trồng trên các thửa đất đều đã lớn, che khuất một phần đƣờng phân cách giữa các thửa đất. Nhƣ vậy, nếu chụp ảnh ở thời điểm vừa thu hoạch cây nông nghiệp thì có thể đƣờng biên giữa các thửa sẽ đƣợc phân định rõ ràng hơn.
Hình 4.6 Đƣờng biên sơ bộ đã đƣợc đơn giản hóa: Trái-Khu vực dân cƣ; Phải-Khu vực đất nông nghiệp
Ở bƣớc II, ngƣời thực hiện sẽ phải chọn điểm đầu và điểm cuối của đƣờng biên tốt nhất, phần mềm sẽ tự động lựa chọn các đƣờng có khoảng cách ngắn nhất giữa 2 điểm để tạo thành đƣờng biên (đƣờng màu vàng trên Hình 4.7). Ngƣời thực hiện có thể bấm Accept để chấp nhận đƣờng biên hoặc Edit để chỉnh sửa đƣờng biên. Đƣờng biên sau khi đƣợc chấp nhận sẽ chuyển thành màu xanh đậm nhƣ Hình 4.7.
49
Hình 4.7 Tạo đƣờng biên bằng cách chọn điểm đầu và điểm cuối
Kết quả đƣờng biên tách bằng công cụ BD (tự động hoặc đƣợc chỉnh sửa) đƣợc chấp nhận sau khi đã so sánh đƣờng biên với ảnh trực giao bằng mắt thƣờng. Do đó, nó có độ chính xác tƣơng đƣơng với đƣờng biên số hóa thủ cơng.Tuy nhiên, số lƣợng các đƣờng biên đƣợc chấp nhận tự động mà không cần chỉnh sửa hầu hết là các đƣờng biên của đƣờng giao thông, hoặc nhà độc lập. Các khu vực nhƣ ruộng lúa, vƣờn, hoặc nhà ở khu vực đơng dân, bị thực vật che phủ một phần thì phải chỉnh sửa đƣờng biên trƣớc khi đƣợc chấp nhận.
Hình 4.8 minh họa kết quả đƣờng ranh giới thu đƣợc từ cơng cụ BD và bản đồ địa chính. Có thể thấy rằng, ở khu vực địa vật nhân tạo (Hình 4.8 (ảnh dƣới)) thì các đƣờng ranh giới của đối tƣợng tách bằng công cụ BD (màu đỏ) và bản đồ địa chính cũ (màu xanh lá cây) tƣơng đối trùng khớp, riêng một số đối tƣợng nhà trên đất có độ lệch khá lớn, nguyên nhân có thể là do bản đồ địa chính cũ đƣợc thành lập bằng phƣơng pháp tồn đạc nên gặp nhiều khó
50
khăn khi đo các đối tƣợng này nên có thể các điểm đo chi tiết ở khu vực này đã bị sai. Đối với khu vực đất nơng nghiệp (Hình 4.8 (ảnh trên)), các đƣờng ranh giới trên bản đồ địa chính cũ (màu xanh đậm) ở một số khu vực lệch khá nhiều so với trên ảnh UAV, lý do có thể là do bản đồ địa chính đƣợc thành lập từ năm 2012, nên khu vực đƣờng đất đã bị thay đổi nhiều. Hơn nữa, ở các khu vực này đƣờng phân cách thửa đất thƣờng là đƣờng đất nên rất khó xác định chính xác ranh giới thửa.
51
Hình 4.8 So sánh giữa bản đồ địa chính cũ (màu xanh đậm hoặc xanh lá cây) và đƣờng biên xác định bằng công cụ BD (màu đỏ)
Để đánh giá độ chính xác của đƣờng biên xác định từ ảnh UAV, 6 điểm kiểm tra đƣợc xác định tọa độ trên thực tế bằng GNSS-RTK, đã đƣợc bố trí nhƣ Hình 4.9. Điểm 1-5 là các điểm ở mép đƣờng bê tông (đƣợc đánh dấu sơn, hoặc đo ở góc đƣờng cắt bê tơng), riêng điểm số 8 đƣợc xác định bằng dấu mốc in sẵn. Do đó, các điểm này cũng chính là các điểm đƣờng ranh giới xác định bằng GNSS-RTK, vì vậy có thể coi kết quả trong Bảng 4.1 cũng chính là kết quả so sánh giữa ranh giới xác định bằng GNSS-RTK và ranh giới số hóa trên ảnh. Sai số vị trí điểm mặt bằng của các điểm kiểm tra đƣợc tính theo cơng thức:
𝑚𝑃= 𝑑𝑥2 + 𝑑𝑦2 (4.1) Với:
52
𝑑𝑥= 𝑋đ𝑜 - 𝑋𝑈𝐴𝑉 (4.2) 𝑑𝑦= 𝑌đ𝑜 - 𝑌𝑈𝐴𝑉 (4.3)
Bảng 4.1 Thống kê kết quả đánh giá độ chính xác ảnh UAV
Điểm Ảnh UAV GNSS-RTK Độ lệch Mp (cm) X (m) Y (m) X (m) Y (m) X (m) Y (m) 1 2315647.119 568556.804 2315647.124 568556.781 0.005 -0.023 2.4 2 2315670.899 568608.663 2315670.909 568608.657 0.010 -0.006 1.2 3 2315681.088 568642.433 2315681.066 568642.449 -0.022 0.016 2.7 4 2315691.590 568664.510 2315691.566 568664.521 -0.024 0.011 2.6 5 2315692.691 568687.678 2315692.677 568687.665 -0.014 -0.013 1.9 8 2315724.591 568620.921 2315724.606 568620.948 0.015 0.027 3.1
53
Hình 4.9 Vị trí các điểm kiểm tra
Bảng 4.1 cho thấy, sai số vị trí điểm của điểm trên ảnh UAV so với kết quả đo GNSS-RTK tƣơng đối nhỏ, chỉ từ 1.2-3.1 cm, điều này là hoàn toàn phù hợp với các nghiên cứu về độ chính xác của ảnh UAV. Nhƣ vậy, so với quy định về độ chính xác bản đồ địa chính trong TT 25/2014/TT-BTNMT (quy định độ chính xác của điểm bất kỳ trên ranh giới thửa đất không vƣợt quá 5cm đối với tỷ lệ 1:200; đối với đất nông nghiệp đo vẽ bản đồ địa chính ở tỷ lệ 1:1000, 1:2000 thì sai số vị trí điểm cịn đƣợc phép tăng 1,5 lần tức là độ chính xác của điểm nằm trên đƣờng ranh giới ở khu vực này là 22.5cm ở tỷ lệ 1:1000 và 45cm ở tỷ lệ 1:2000. Nên việc xác định ranh giới các thửa ruộng
54
trên ảnh UAV là hoàn toàn khả thi (chi tiết xem mục 1.4.2), thì độ chính xác của điểm xác định trên ảnh UAV cao hơn nhiều, nói cách khác có thể sử dụng ảnh UAV để số hóa các thửa đất có đƣờng biên rõ ràng (xác định đƣợc chính xác trên ảnh) để thành lập bản đồ địa chính ở mọi tỷ lệ. Tuy nhiên, những thửa đất nhƣ thế này thƣờng không nhiều, giải pháp đặt ra đối với các thửa đất khơng có ranh giới rõ ràng là có thể dùng dấu mốc bằng sơn, kết hợp với sự hỗ trợ của ngƣời dân khi tiến hành số hóa ranh giới, khi đƣa kết quả ranh giới thửa đất để ngƣời dân xác nhận cần cơng khai hình ảnh chồng xếp ảnh UAV và ranh giới thửa đất để ngƣời dân có cái nhìn trực quan về thửa đất của mình. Trong trƣờng hợp khơng xác định đƣợc ranh giới thửa đất trên ảnh UAV thì cũng có thể sử dụng ảnh UAV để số hóa các đối tƣợng địa vật cần thể hiện nhƣ giao thông, thủy hệ, dân cƣ.
55
KẾT LUẬN VÀ KIẾN NGHỊ
Luận văn đã thử nghiệm và đánh giá công cụ BoundaryDelineation tách ranh giới đối tƣợng từ ảnh chụp bằng UAV để phục vụ công tác thành lập bản đồ địa chính. Kết quả thử nghiệm cơng cụ BD ở nƣớc ngoài cho thấy đƣờng biên đối tƣợng đƣợc chiết tách rất tốt. Tuy nhiên, khi áp dụng công cụ này cho khu vực nhỏ ở thôn Đông Giao, xã Lƣơng Điền, huyện Cẩm Giàng, tỉnh Hải Dƣơng thì kết quả khơng đƣợc nhƣ ý muốn, nguyên nhân có thể là do đặc điểm các đối tƣợng trên ảnh ở nƣớc ta có nhiều khác biệt so với ở khu vực mà công cụ BD đã đƣợc thử nghiệm ở nƣớc ngoài và bản đồ địa chính đƣợc thành lập cách thời gian chụp ảnh đã lâu (06 năm).
Kết quả thực nghiệm cho thấy, nếu đƣờng ranh giới có thể xác định đƣợc rõ ràng trên ảnh thì kết quả ranh giới thu đƣợc bằng cơng cụ BD có độ chính xác cao. Ở khu vực ranh giới không rõ ràng nhƣ các thửa đất nơng nghiệp thì việc xác định các đƣờng ranh giới này ở trên ảnh gặp nhiều khó khăn, do đó độ chính xác giảm đi nhiều; tuy nhiên ở khu vực đất nơng nghiệp thì quy định về độ chính xác điểm ranh giới ở tỷ lệ 1:1000, 1:2000 đƣợc phép giảm đi 1.5 lần nên ranh giới xác định từ ảnh UAV hồn tồn có thể sử dụng để lập bản đồ địa chính tỷ lệ 1:1000, 1:2000 ở những khu vực này.
Mặc dù độ chính xác vị trí điểm mặt bằng của một điểm xác định rõ nét trên ảnh UAV có độ chính xác rất cao, có thể đạt từ 2-3cm, hồn tồn thỏa mãn độ chính xác của bản đồ địa chính tỷ lệ lớn nhất là 1:200. Nhƣng vấn đề khó khăn khi thành lập bản đồ địa chính là xác định đƣợc đâu là ranh giới của thửa đất. Vì vậy, tác giả chỉ kiến nghị thử nghiệm ứng dụng công cụ BD để hỗ trợ công tác lập bản đồ địa chính ở tỷ lệ 1:2000 hoặc lớn hơn là 1:1000, đối với thửa đất khơng có ranh giới rõ ràng thì có thể dùng dấu mốc bằng sơn, kết hợp với sự hỗ trợ của ngƣời dân khi tiến hành số hóa ranh giới. Trong trƣờng hợp đƣờng ranh giới các thửa đất thu đƣợc khơng đảm bảo độ chính xác thì đƣờng biên của các đối tƣợng địa vật nhƣ giao thông, thủy hệ,
56
nhà trên đất thƣờng đƣợc xác định trên ảnh với độ chính xác cao hơn, do đó các dữ liệu này vẫn có thể đƣợc sử dụng để lập bản đồ địa chính, giúp giảm đáng kể cơng tác đo đạc ngoại nghiệp. Ngồi ra, khi cần thiết có thể sử dụng phƣơng pháp đo trực tiếp để đo những khu vực bị thực vật hoặc địa vật cao che khuất trên ảnh UAV.
Qua quá trình thực nghiệm, tác giả cũng thấy rằng, bƣớc xác định đƣờng biên sơ bộ ban đầu là rất quan trọng, quyết định tới độ chính xác của kết quả cuối cùng. Do đó, trong tƣơng lai cần tiếp tục thử nghiệm để tìm ra bộ tham số đầu vào cho thuật toán gPb và SLIC phù hợp với các khu vực ở nƣớc ta, từ đó có thể tăng khả năng ứng dụng cơng cụ BD trong số hóa đƣờng biên đối tƣợng hoặc ranh giới thửa đất trong cơng tác lập bản đồ địa chính cũng nhƣ lập bản đồ địa hình và các bản đồ chuyên đề khác.
57
TÀI LIỆU THAM KHẢO
1. Bộ Tài nguyên và Môi trƣờng (2014), Thông tư 25/2014/TT-BTNMT- Quy định về bản đồ địa chính.
2. Trần Thùy Dƣơng, Nguyễn Thị Kim Yến, Đặng Thị Hoàng Nga, Phạm Thị Kim Thoa (2016), Hệ thống thông tin đất đai 2, Trƣờng Đại học Mỏ -
Địa chất.
3. [Trƣơng Anh Kiệt] (1990), Giáo trình trắc địa ảnh: Phần Cơ sở đo ảnh,
Trƣờng Đại học Mỏ - Địa chất.
4. [Nguyễn Trọng San] (2008), Địa chính đại cương, Trƣờng Đại học Mỏ -
Địa chất.
5. Phạm Vọng Thành (2000), Trắc địa ảnh: Phần đoán đọc điều vẽ ảnh,
NXB Giao thông vận tải.
6. Lê Thanh (2010), “Chế tạo thành công máy bay quan trắc môi trƣờng”,
Báo Người lao động, http://nld.com.vn/khoa-hoc/che-tao-thanh-cong- may-bay-quan-trac-moi-truong-20100120103155238.htm.
7. Đỗ Trọng Tuấn (2015), Nghiên cứu khả năng sử dụng ảnh hàng không chụp bằng máy bay không người lái (UAV) trong thành lập bản đồ địa chính, Luận văn Thạc sỹ khoa học, Đại học Quốc gia Hà Nội, Trƣờng
Đại học khoa học tự nhiên.
8. Achanta R., Shaji A., Smith K., Lucchi A., Fua P., Süsstrunk S. (2010),
SLIC superpixels, Technical Report, 149300 EPFL.
9. Achanta R., Shaji A., Smith K., Lucchi A., Fua P., Susstrunk S. (2012), “SLIC superpixels compared to state-of-the-art superpixel methods”,
IEEE Transactions on Pattern Analysis and Machine Intelligence, 34,
pp. 2274-2282.
10. Arbelaez P., Maire M., Fowlkes C., Malik J. (2011), “Contour detection and hierarchical image segmentation”, Pattern Analysis and Machine Intelligence, 33, pp. 898-916.
58
11. Arbeláez P., Fowlkes C., Martin D. (2018), “Berkeley segmentation
dataset and benchmark”, Available online:
https://www2.eecs.berkeley.edu/Resea-rch/Projects/CS/vision/bsds/ (accessed on 10 Aug. 2018).
12. Barnhart R. K., Hottman S. B., Marshall G. M., & Shappee E. (Eds.) (2012), Introduction to Unmanned Aircraft Systems, CRC Press.
13. Civil UAV Assessment Team (2006), Earth Observations and the Role of
UAVs: A Capabilities Assessment, NASA.
14. Colomina I., Blázquez M., Molina P., Parés M. E., Wis M. (2008), “Towards a new paradigm for high-resolution low-cost photogrammetry and remote sensing”, Institute of Geomatics Generalitat de Catalunya &
The International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences, 37, pp.1201-1206.
15. Cramer M., Bovet S., Gültlinger M., Honkavaara E., McGill A., Rijsdijk M., Tabor M., Tournadre V. (2013), In On the use of RPAS in national mapping - the EuroSDR point of view, ISPRS - International Archives
of the Photogrammetry, Remote Sensing and Spatial Information Sciences, Rostock, Germany, Copernicus Publications, XL-1/W2, pp.
93-99.
16. Crommelinck S., Bennett R., Gerke M., Koeva M., Yang M.Y., Saalfeld A. (1999), “Topologically consistent line simplification with the Douglas-Peuckeralgorithm”, Cartography and Geographic Information Science, 26, pp. 7-18.
17. Crommelinck S., Bennett R., Gerke M., Yang M.Y., Vosselman G. (2017), “Contour detection for UAV-based cadastral mapping”, Remote
59
18. Csillik O. (2016),“Superpixels: the end of pixels in OBIA. A comparison of stat-of-the-artsuperpixel methods for remote sensing data”, GEOBIA,
Enschede, the Netherlands, pp. 1-5.
19. Hwang F., Richards D.S. (1992),“Steiner tree problems”, Networks, 22,
pp. 55-89.
20. Keane J. F., & Carr S. S. (2013),“A Brief History of Early Unmanned Aircraft”, Johns Hopkins APL Technical Digest, 32(3), pp. 558-571. 21. Manyoky M., Theiler P., Steudler D., Eisenbeiss H. (2011),“Unmanned
aerial vehicle in cadastral applications”, International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences,
XXXVIII1/C22, pp. 1-6.
22. Meha M., Kelm K., Caka M., Sinani Q., Ahmetaj K. (2016), “UAV Technology and Open Source Software for Systematic Registration in the Republic of Kosovo”, World Bank Conference on Land and Poverty,The World Bank - Washington DC.
23. Mumbone M., Bennett R., Gerke M., Volkmann W. (2015), “In