Trong chương này đã giới thiệu tổng quan về DEM và về mạng neuron. Trong đó, phần tổng quan về DEM gồm: các khái niệm và định nghĩa về DEM, các cấu trúc của DEM, các phương pháp thành lập, độ chính xác bề mặt DEM, các ứng dụng của DEM, các nghiên cứu trong và ngoài nước về DEM hiện nay. Đặc biệt, luận án đã giới thiệu một số các nghiên cứu tiêu biểu về cải thiện, đánh giá độ chính xác DEM. Trong phần tổng quan về mạng neuron, luận án đã giới thiệu tổng quan về cấu tạo, nguyên lý hoạt động của neuron sinh học và cấu trúc, đặc điểm, nguyên lý hoạt động, phân loại, ứng dụng của mạng neuron nhân tạo. Bên cạnh đó, luận án
cũng đã giới thiệu một cách tổng quan về nguyên lý ứng dụng mạng neuron nhân tạo Hopfiled trong thuật tốn tăng độ phân giải khơng gian và độ chính xác của mơ hình grid DEM.
Trên cơ sở những vấn đề đã được nghiên cứu nhưng chưa được giải quyết triệt để, trong luận án này đề xuất các nội dung nghiên cứu như sau:
- Khảo sát về khả năng tăng độ chính xác của grid DEM bằng các thuật toán tái chia mẫu phổ biến như: Bilinear, Bi-cubic và Kriging.
- Đề xuất, thử nghiệm và đánh giá độ chính xác việc sử dụng thuật tốn tăng độ phân giải và độ chính xác của DEM bằng mạng neuron Hopfield bằng các hàm mục tiêu và điều kiện.
Chương 2 KHẢO SÁT VỀ KHẢ NĂNG TĂNG ĐỘ CHÍNH XÁC CỦA GRID DEM BẰNG CÁC THUẬT TOÁN TÁI CHIA MẪU
Trong xử lý dữ liệu raster, việc tái chia mẫu (resampling) được sử dụng khá nhiều trong những trường hợp cần dữ liệu có kích thước pixel nhỏ hơn hoặc lớn hơn kích thước pixel gốc. Việc tái chia mẫu được kỳ vọng sẽ cải thiện về độ chính xác/mức độ chi tiết của dữ liệu. Các thuật toán tái chia mẫu phổ biến nhất được sử dụng là Bilinear và Bi-cubic. Đối với dữ liệu mơ hình số độ cao DEM dạng grid, việc tái chia mẫu được sử dụng khá nhiều và đã có các đánh giá cho thấy tái chia mẫu bằng các phương pháp như Bilinear, Bi-cubic và Kringing có thể nâng cao độ chính xác của mơ hình số độ cao. Đặc biệt là phương pháp Kriging đã cho phép tạo ra DEM với độ chính xác cao hơn DEM gốc khi so sánh giá trị sai số trung phương RMSE (Root Mean Square Error) [56, 49].
Để đánh giá một cách đầy đủ, toàn diện hơn về khả năng nâng cao độ chính xác mơ hình số độ cao DEM dạng grid bằng các thuật toán tái chia mẫu, trong chương này đề xuất các phương pháp đánh giá độ chính xác các grid DEM theo một cách tiếp cận mới, sau đó sẽ áp dụng các phương pháp này để tiến hành đánh giá độ chính xác của các phương pháp tái chia mẫu được sử dụng hiện nay để đánh giá khả năng nâng cao độ chính xác bằng tái chia mẫu một cách tồn diện.
Việc đánh giá độ chính xác của dữ liệu bao gồm các phương pháp đánh giá trực quan và đánh giá định lượng. Các phương pháp trực quan được thực hiện bằng cách so sánh trực tiếp và so sánh biểu đồ phân tán của dữ liệu độ cao grid. Đánh giá định lượng thì ngồi đại lượng được sử dụng nhiều để đánh giá độ chính xác là sai số trung phương, trong chương này đề xuất sử dụng các tham số m, b của đường phân bố khi sử dụng hồi quy tuyến tính và hệ số tương quan R giữa các tập dữ liệu DEM chuẩn và DEM được tái chia mẫu.