Sử dụng ảnh vệ tinh và không gian ảnh kết hợp với công nghệ trí tuệ nhân tạo trong giám sát biến động hiện trạng bề mặt – Thực nghiệm tại Quảng Nam và Hà Nội

1. Công tác giám sát biến động bề mặt

Ngành khoa học quan trắc bề mặt trái đất (earch observation) được hiểu là ngành khoa học thu thập thông tin các đặc tính lý, hoá và sinh học của bề mặt Trái đất thông qua các công nghệ viễn thám – thông thường là các vệ tinh và/ hoặc các thiết bị bay có chức năng chụp và thu nhận ảnh của bề mặt quan trắc (định nghĩa của Cộng đồng Châu Âu). Khoa học quan trắc dựa trên phân tích ảnh không gian đã được ứng dụng rộng rãi trong các ngành nghiên cứu và phân tích khí hậu, đại dương, ngư nghiệp, lâm nghiệp, địa lý, địa chất, quản lý khoáng sản, quy hoạch đô thị, hạ tầng,… Quy mô và phạm vi hoạt động của ngành khoa học này trên thế giới ngày càng phát triển do những tiến bộ của khoa học máy tính và tiến bộ vượt bậc của công nghệ thu thập hình ảnh đã làm giảm đi đáng kể chi phí sử dụng ảnh vệ tinh, không ảnh và các thiết bị bay không người lái (UAV – Unmanned Aerial Vehicle). Sau khi thu nhận được ảnh từ các nguồn này, ảnh sẽ được phân tích sử dụng các phần mềm chuyên dụng và thao tác thủ công nên công tác phân tích và tổng hợp dữ liệu mất rất nhiều thời gian. Trong 5 năm trở lại đây, công nghệ trí tuệ nhân tạo (Artificial Intelligence – AI) được áp dụng ngày càng rộng rãi vào ngành khoa học quan trắc bề mặt trái đất do các lợi thế của AI mang lại như giảm chi phí nhân công, đầu tư hạ tầng, rút ngắn thời gian tổng hợp dữ liệu/ phân tích đối với các mô hình dữ liệu lớn (big data)…

2. Phân loại một số dữ liệu ảnh đầu vào

Gồm 2 nguồn chủ yếu là ảnh vệ tinh và không ảnh:

2.1. Ảnh vệ tinh

Ảnh vệ tinh được hiểu là các ảnh bề mặt Trái đất được thu thập bằng các thiết bị lắp đặt trên các vệ tinh bay quanh Trái đất do các chính phủ hoặc các đơn vị tư nhân thực hiện. Ảnh vệ tinh có 2 loại chính là ảnh quang học (thực hiện bằng các thiết bị thu ảnh tương tự như các máy ảnh quang học thông thường) và ảnh radar (thực hiện bằng các thiết bị thu ảnh bằng các chùm tia sóng điện từ như nguyên lý radar). Việc thu ảnh vệ tinh quang học phụ thuộc rất nhiều vào các điều kiện thời tiết (mây mù, mưa to,…) nên ảnh vệ tinh quang học không thể đáp ứng được các yếu tố thời sự và cần thiết khi làm nghiên cứu. Khác với ảnh vệ tinh quang học, ảnh vệ tinh radar có thể được thu trong bất kỳ điều kiện thời tiết nào, đáp ứng được các yêu cầu thu ảnh có tính thời sự (có thể đặt hàng thu ảnh vào một thời điểm xác định).

Các loại ảnh vệ tinh này có độ phân giải và khả năng sử dụng như sau:

2.2. Không ảnh

Không ảnh được hiểu là ảnh chụp bề mặt Trái đất được thực hiện từ các phương tiện bay như máy bay truyền thống, trực thăng, khí cầu, hoặc các thiết bị bay không người lái (UAV – unmanned erial vehicles). Việc thu không ảnh cũng phụ thuộc vào các điều kiện thời tiết như mây mù, nắng, gió… Tuy nhiên, không ảnh lại cho ảnh với độ phân giải rất lớn ở mức độ mm hoặc cm. Do đó, chất lượng dữ liệu sinh ra từ không ảnh có độ chính xác cao (có thể trên 99% tùy độ phân giải). Từ dữ liệu không ảnh, người ta có thể xây dựng và tạo lập các bản đồ đường đồng mức của bề mặt, mô hình số, mô hình 3D của toàn bộ khu vực giám sát, sử dụng trong các công tác tính toán đền bù – giải phóng mặt bằng, dự toán chi phí phá dỡ hoặc san lấp bề mặt, quản lý công tác thi công (đào đắp), quản lý khai thác tài nguyên khoáng sản…

Ví dụ việc sử dụng không ảnh trong việc xây dựng dữ liệu hiện trường cho mô hình thông tin công trình (BIM – Building Information Modelling) và tính toán khối lượng san lấp cho dự án. (nguồn: Vircon Hong Kong Ltd.)

3. Mô hình áp dụng trí tuệ nhân tạo (Artificial Intelligence) kết hợp với ảnh vệ tinh và không ảnh trong việc giám sát biến động bề mặt ở Việt Nam

Việc sử dụng AI và ảnh vệ tinh/ không ảnh trong việc giám sát biến động bề mặt nói chung được thực hiện theo một lưu đồ như sau:

Theo lưu đồ này, cách ảnh vệ tinh/ không ảnh sẽ được thu thập và lưu trữ, sau đó sử dụng các công cụ phân tích phân tích giải đoán ảnh sử dụng AI để tự động trích xuất và tạo lập cơ sở dữ liệu của các đối tượng nghiên cứu (ví dụ: Mặt nước, mảng cây xanh, thảm cỏ, diện tích xây dựng, hạ tầng giao thông…), sau đó các dữ liệu này sẽ được hiển thị trên các màn báo báo (dashboard) ở dạng dễ dàng truy cập trên các thiết bị điện thoại thông minh, máy tính bảng, máy tính… Phương pháp phân tích truyền thống yêu cầu nhiều nhân sự tham gia quá trình phân tích (nếu diện tích cần phân tích lớn), sự hiểu biết của nhân sự phân tích đối với địa hình phân tích (đôi khi phải bỏ chi phí rất lớn để tiến hành các công tác kiểm tra đối chiếu thực địa). Việc sử dụng AI sẽ góp phần làm giảm chi phí nhân công cho nhiều thao tác lặp lại với số lượng dữ liệu lớn.

Một số thử nghiệm như sau:

Ảnh vệ tinh nhìn bằng mắt thường không thể phân biệt được sân cỏ nhân tạo, mái tôn… với thảm thực vật, nhưng phần mềm và công cụ phân tích đã cho thấy sự phân biệt rõ ràng khi sử dụng công cụ phân tích thì thảm thực vật chuyển thành màu đỏ. Mái tôn, sân cỏ nhân tạo sẽ không chuyển màu khi sử dụng công cụ phân tích
Đối tượng nghiên cứu phân tích: cây có tán, cây bụi (cỏ) và mặt nước

4. Ứng dụng thực nghiệm giám sát biến động bề mặt tại tỉnh Quảng Nam

Nguồn ảnh: Ảnh vệ tinh các năm 2017 đến 2020 với độ phân giải 10m, mỗi năm lấy 1 ảnh được thu nhận trong cùng thời gian tháng 12, diện tích thu ảnh trên quy mô toàn tỉnh.

4.1. Tự động phát hiện thay đổi khi so sánh 2 ảnh chụp được thu ở các thời điểm khác nhau:

a. Biến động cây xanh

b. Biến động mặt nước

c. Hiển thị kết quả phân tích

Dữ liệu biến động của đối tượng nghiên cứu (cây có tán, cây bụi và mặt nước) được trích xuất và tự động cập nhật vào các màn báo cáo quản trị (dashboard) được thiết kế theo yêu cầu quản lý/ giám sát (có thể truy cập qua điện thoại thông minh, máy tính bảng) và bổ sung thêm các lớp dữ liệu bên ngoài (như thông tin các quận huyện).

Toàn bộ nội dung thử nghiệm đối với tỉnh Quảng Nam đã được báo cáo tại Hội nghị trao đổi các biện pháp theo dõi, giám sát và phòng chống lũ quét, sạt lở đất, sạt lở bờ sông cho tỉnh Quảng Nam – do UBND tỉnh Quảng Nam và Tổng hội Xây dựng Việt Nam phối hợp tổ chức vào tháng 1/2021.

5. Ứng dụng thực nghiệm theo dõi biến động bề mặt sông Hồng tại Hà Nội

Nguồn ảnh: Ảnh vệ tinh các năm 2017 (ngày thu ảnh 20/12/2017) và 2022 (19/12/2022) với độ phân giải 10m (được tăng cường độ phân giải lên 2.5m), diện tích thu ảnh trên khu vực nghiên cứu là 17 quận/ huyện ở Hà Nội tiếp giáp với Sông Hồng (Ba Vì, Sơn Tây, Phúc Thọ, Đan Phượng, Bắc Từ Liêm, Tây Hồ, Ba Đình, Hoàn Kiếm, Hai Bà Trưng, Hoàng Mai, Thanh Trì, Thường Tín, Phú Xuyên, Mê Linh, Đông Anh, Long Biên, Gia Lâm).

Ảnh vệ tinh Hà Nội ngày 20/12/2017, toàn bộ khu vực Hà Nội
Ảnh vệ tinh ngày 19/12/2022, toàn bộ khu vực Hà Nội.
So sánh tự động 2 ảnh sau khi sử dụng AI để tự động phát hiện thay đổi giữa 2 thời điểm: 20/12/2017 bên trái và 19/12/2022 bên phải, ví dụ quận Bắc Từ Liêma
AI tự động giải đoán các đối tượng thảm thực vật (xanh lá), mặt nước (xanh nước biển) và đối tượng khác (cam) trên ảnh ngày 20/12/2017 (trên khu vực nghiên cứu là 17 quận/ huyện tiếp giáp sông Hồng). Đối tượng khác được hiểu là các đối tượng không phải là thảm thực vật và mặt nước.
AI tự động giải đoán các đối tượng thảm thực vật (xanh lá), mặt nước (xanh nước biển) và đối tượng khác (cam) trên ảnh ngày 19/12/2022 (trên khu vực nghiên cứu là 17 quận/ huyện tiếp giáp sông Hồng). Đối tượng khác được hiểu là các đối tượng không phải là thảm thực vật và mặt nước.
Dữ liệu do AI giải đoán và trích xuất từ ảnh vệ tinh thu ngày 20/12/2017
Dữ liệu do AI giải đoán và trích xuất từ ảnh vệ tinh thu ngày 19/12/2022
Số liệu được hiển thị trên một báo cáo quản trị (dashboard) bằng các công cụ phân tích dữ liệu như Microsoft Power BI (lấy thời điểm làm gốc để so sánh là số liệu xuất ra từ ảnh thu được vào ngày 20/12/2017 so với ảnh gần nhất thu được là ngày 19/12/2022).

Kết luận và đề xuất sau khi thực nghiệm theo dõi biến động bề mặt sông Hồng tại Hà Nội:

  • Thời điểm thu dữ liệu ảnh không liên tục, nên dữ liệu có thể phản ánh không khách quan biến động hiện trạng thực tế, nên cần chuỗi thời gian thu ảnh dài hơn hoặc loại ảnh có độ phân giải lớn hơn (phát sinh thêm chi phí) để dữ liệu có tính liên tục có thể tạo ra các kết quả phân tích tốt hơn.
  • Cần kết hợp với các nguồn thông tin tham khảo khác (như kinh tế – xã hội) trong thời gian phân tích để kết quả tổng hợp dữ liệu và phân tích được rõ ràng và khách quan. Ví dụ: Diện tích thảm thực vật có thể tăng lên rất nhiều trong thời gian diện tích canh tác nông nghiệp (lúa, hoa màu, rau) chưa được thu hoạch; sau khi diện tích canh tác nông nghiệp được thu hoạch mà chưa tiến hành canh tác tiếp thì phần diện tích này sẽ được tính vào “Đối tượng khác”.
  • Nếu có thời gian thập ảnh vệ tinh đủ dài, các số liệu biến động của diện tích mặt nước sẽ cung cấp được các thông tin, dữ liệu phục vụ cho công tác quy hoạch sử dụng nước mặt sông Hồng tại Hà Nội.
  • Công tác thực nghiệm này có thể sử dụng làm tiền đề cho các khảo sát, thu thập số liệu hiện trạng bề mặt phục vụ các nghiên cứu chuyên sâu trong lĩnh vực quy hoạch đô thị, giao thông, an sinh xã hội, giáo dục.

Hoàng Anh Tuấn/ Giám đốc Công ty AT.COM
(Hội thảo khoa học Đề án xây dựng Công viên văn hóa cảnh quan Bãi Giữa sông Hồng Tầm nhìn và giải pháp)


Ghi Chú

1) Mr. Hoàng Anh Tuấn (Giám đốc Công ty AT.COM – www.atcom.vn – e-mail: tuan.hoanganh@atcom.vn). Ông Tuấn đã có hơn 20 năm làm việc trong lĩnh vực đầu tư phát triển BĐS, cung cấp dịch vụ và các giải pháp BĐS với vai trò quản lý tại các đơn vị như Sumitomo Corporation (phát triển Khu công nghiệp Thăng Long 1 và 2), Knight Frank Việt Nam (nhượng quyền của kNight Frank toàn cầu), Archibus Việt Nam (được cấp phép bởi Archibus toàn cầu). Hiện nay, ông Tuấn và các đồng nghiệp đang đẩy mạnh công nghệ điện toán đám mây và BIM tại Việt Nam. AT.COM hiện là đại diện của Vircon Hong Kong cho các giải pháp BIM ở thị trường Việt Nam.