Tuy nhiên, luận văn vẫn còn một số vấn đề còn tồn tại như: hệ thống xây dựng mới chỉ xử lý ảnh vệ tinh Sentinel-2, độ chính xác chưa thật sự cao hơn so với các phần mềm chuyên dụng về xử lý ảnh vệ tinh, thời gian huấn luyện mô hình và xử lý dữ liệu còn mất nhiều thời gian, chưa xây dựng giao diện hướng tới người dùng.
Tác giả sẽ cố gắng khắc phục những nhược điểm của hệ thống hiện tại. Phát triển hệ thống xử lý với nhiều nguồn ảnh vệ tinh khác nhau như Landsat, Spot, Modis… Khi các kỹ thuật về trí tuệ nhân tạo vẫn đang phát triển mạnh mẽ, hệ thống hứa hẹn sẽ cải thiện nhiều hơn về độ tin cậy của thuật toán. Kết hợp với sự phát triển về sức mạnh phần cứng, tốc độ xử lý bài toán sẽ được đẩy nhanh hơn, giúp cho năng suất làm việc ngày một nâng cao.
Trong tương lai, sự thay đổi về môi trường cũng ảnh hưởng nhiều đến cấu trúc các lớp phủ bề mặt trái đất, đó cũng là một thách thức lớn đối với việc giám sát các lớp phủ mặt đất. Việc cải tiến và nâng cao thuật toán, xây dựng mô hình nhằm đem lại năng suất và độ tin cậy cao là nhu cầu tất yếu. Tác giả cũng mong muốn cải tiến, phát triển và phổ cập hệ thống hướng tới người dùng. Đi kèm đó, áp dụng vào giải quyết các bài toán tương tự cũng trong thực tế là một vấn đề đáng quan tâm.
TÀI LIỆU THAM KHẢO Tài liệu tiếng việt:
1. Quyết định 18/QD-TTg, 15.2.2007, Quyết định phê duyệt chiến lược phát triển lâm nghiệp Việt Nam giai đoạn 2006-2020 của Thủ tướng Chính phủ 2. Luận văn thạc sỹ: “Nghiên cứu về mạng Neural tích chập và ứng dụng cho
bài toán nhận dạng biển số xe”, Lê Thị Thu Hằng, Đại học Công nghệ - Đại học Quốc gia Hà Nội 2016
3. Luận văn thạc sỹ: “Nghiên cứu và ứng dụng phương pháp học máy trong phân lớp lúa sử dụng ảnh viễn thám”, Phan Anh, Đại học Công nghệ - Đại học Quốc gia Hà Nội 2019
4. Bài giảng “Xử lý ảnh số và thị giác máy tính”, TS Lê Thành Sách, Đại học Bách khoa Hà nội
Tài liệu tiếng anh:
5. “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
6. “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
7. 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
8. 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
9. SUHET, 2015, Sentinel-2_User_Handbook, ESA Standard Document, European Space Agency
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-chuyen- sau/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-tich- chap-convolutional-neural-networks/
17. http://tnmtcaobang.gov.vn/index.php/vi/about/Gioi-thieu-khai-quat-ve-tai- nguyen-va-moi-truong-Cao-Bang/
18. http://www.geoviet.vn/goc-ky-thuat/vn/400/473/301/0/gioi-thieu-chung-ve- phan-mem-envi.aspx
19. https://cs231n.github.io/convolutional-networks/
20. https://stanford.edu/~shervine/l/vi/teaching/cs-230/cheatsheet- convolutional-neural-networks - hyperparameters
PHỤ LỤC
Các tác vụ của thư viện Eo-Learn Bảng 2.3: EO tasks Core
AddFeature Thêm một tính năng vào EOPatch nhất định.
CopyTask Tạo một bản sao của EOPatch đã cho CreateEOPatchTask Tạo mới một EOPatch
DeepCopyTask Tạo bản sao sâu của EOPatch đã cho
DuplicateReature Nhân đôi một hoặc nhiều tính năng trong một EOPatch
ExtractBandsTask Di chuyển một tập hợp con các kênh từ tính năng này sang tính năng mới
IOTask Một tác vụ đầu vào / đầu ra trừu tượng có thể xử lý một đường dẫn và một đối tượng hệ thống tệp InitializeFeature Khởi tạo các giá trị của một đối tượng địa lý LoadFromDisk Tải dữ liệu từ ổ cứng
LoadTask Tải EOPatch từ hệ thống tệp
MapFeatureTask Áp dụng một hàm cho từng tính năng trong đặc trưng đầu vào của một EOPatch và lưu trữ kết quả trong một tập thuộc tính đầu ra.
MergeFeatureTask Hợp nhất nhiều đối tượng địa lý với nhau bằng cách nối dữ liệu của chúng
MoveFeature Tác vụ sao chép / sao chép sâu từ một eopatch này sang eopatch khác.
RemoveFeature Xóa một hoặc nhiều tính năng khỏi EOPatch nhất định
RenameFeature Đổi tên một hoặc nhiều tính năng từ EOPatch đã cho SaveTask Lưu EOPatch đã cho vào hệ thống tệp
SaveToDisk Lưu dữ liệu vào ổ cứng
ZipFeatureTask Truyền một tập hợp đặc trưng đầu vào cho một hàm, kết quả là hàm này trả về một tính năng đơn lẻ và lưu trữ nó trong eopatch
CompositeTask Tạo một tác vụ bao gồm 2 tác vụ kép Bảng 2.4: EO tasks Coregistration
ECCRegistration Nhiệm vụ đăng ký triển khai phương pháp dựa trên cường độ từ OpenCV
PointBasedRegistration Lớp đăng ký triển khai đăng ký dựa trên điểm từ gói đóng góp của OpenCV
RegistrationTask Lớp trừu tượng cho đồng đăng ký hình ảnh đa thời gian
ThunderRegistration Tác vụ đăng ký thực hiện đăng ký dịch bằng gói thunder-registration
Bảng 2.5: EO tasks Features
EuclideanNormTask Nhiệm vụ tính toán Định mức Euclide
NormalizedDifferenceIndexTask Nhiệm vụ tính toán Chỉ số Chênh lệch Chuẩn hóa (NDI) giữa hai dải A và B
BlobTask Nhiệm vụ tính toán các đốm màu
DoGBlobTask Nhiệm vụ tính toán các đốm màu với phương pháp Difference of Gaussian (DoG)
LoGBlobTask Nhiệm vụ tính toán các đốm màu với phương pháp Laplacian of Gaussian (LoG)
ClusteringTask
Task tính toán các cụm trên các tính năng đã
chọn bằng cách sử dụng
sklearn.cluster.AgglomerativeClustering.
FeatureExtractionTask Tác vụ áp dụng một biểu thức đại số trên mỗi giá trị của đối tượng địa lý
FilterTimeSeries Loại bỏ tất cả các khung trong chuỗi thời gian có ngày nằm ngoài khoảng thời gian do người dùng chỉ định.
SimpleFilterTask Biến đổi một eopatch of hình [n, w, h, d] thành [m, w, h, d] cho m <= n.
ValueFilloutTask Ghi đè các lần xuất hiện của một giá trị mong muốn với các giá trị lân cận của chúng theo hướng tiến, lùi hoặc cả hai, dọc theo một trục.
HaralickTask Nhiệm vụ tính toán hình ảnh kết cấu Haralick HOGTask Nhiệm vụ tính toán biểu đồ của gradient AkimaInterpolation
Triển khai eolearn.features.InterpolationTask
sử dụng
scipy.interpolate.Akima1DInterpolator
BSplineInterpolation Triển khai eolearn.features.InterpolationTask sử dụng scipy.interpolate.BSpline
CubicInterpolation
Triển khai eolearn.features.InterpolationTask
sử dụng
scipy.interpolate.interp1d(kind=’cubic’) CubicResampling
Triển khai eolearn.features.ResamplingTask
sử dụng
scipy.interpolate.interp1d(kind=’cubic’)
InterpolationTask Lớp EOTask chính để nội suy và lấy mẫu lại chuỗi thời gian
KrigingInterpolation
Triển khai eolearn.features.InterpolationTask
sử dụng
sklearn.gaussian_process.GaussianProcessR egressor Các quá trình Gaussian (tập siêu số của kriging) đặc biệt được sử dụng trong ước tính dữ liệu thiếu địa chất.
LegacyInterpolation
Triển khai eolearn.features.InterpolationTask
sử dụng
scipy.interpolate.interp1d(kind=’linear’) LinearInterpolation
Triển khai eolearn.features.InterpolationTask
sử dụng numpy.interp và
@numb.jit(nopython=True) LinearResampling
Triển khai eolearn.features.ResamplingTask
sử dụng
scipy.interpolate.interp1d(kind=’linear’) NearestResampling
Triển khai eolearn.features.ResamplingTask
sử dụng
scipy.interpolate.interp1d(kind=’nearest’) ResamplingTask Một lớp con của tác vụ InterpolationTask chỉ
hoạt động với dữ liệu không có giá trị bị thiếu, bị che hoặc không hợp lệ.
SplineInterpolation Triển khai eolearn.features.InterpolationTask sử dụng scipy.interpolate.UnivariateSpline LocalBinaryPatternTask Tác vụ tính toán hình ảnh Mẫu nhị phân cục
bộ
BaseCompositing Lớp cơ sở để tạo tổng hợp các cảnh tham chiếu
BlueCompositing Lớp cơ sở để tạo tổng hợp các dải màu xanh HOTCompositing Lớp cơ sở để tạo tổng hợp các dải màu nóng HistogramMatching Đối sánh biểu đồ của từng dải của mỗi cảnh
trong một chuỗi thời gian đối với dải tương ứng của tổng hợp tham chiếu.
MaxNDVICompositing Phương pháp tổng hợp NDVI tối đa MaxNDWICompositing Phương pháp tổng hợp NDWI tối đa MaxRatioCompositing Phương pháp tổng hợp Ratio tối đa
ReferenceScenes Tạo một lớp cảnh tham chiếu có tỷ lệ pixel hợp lệ cao nhất.
AddMaxMinNDVISlopeIndice sTask
Nhiệm vụ tính toán đối số tối đa và giới hạn của độ dốc NDVI
AddMaxMinTemporalIndices Task
Nhiệm vụ tính toán các chỉ số thời gian về mức tối đa và tối thiểu của một đối tượng dữ liệu.
AddSpatioTemporalFeaturesT ask
Nhiệm vụ triển khai và bổ sung để cập nhật các tính năng không gian-thời gian được đề xuất trong.
Bảng 2.6: EO tasks Geometry
ErosionTask Nhiệm vụ thực hiện xói mòn mặt nạ được cung cấp
PointSamplingTask Nhiệm vụ lấy mẫu theo không gian các điểm từ chuỗi thời gian.
FelzenszwalbSegmentation Phân đoạn siêu pixel sử dụng phương pháp phân đoạn của Felzenszwalb
MarkSegmentationBoundaries Sử dụng mặt nạ phân đoạn siêu pixel và tạo mặt nạ mới trong đó ranh giới của các siêu pixel được đánh dấu
SlicSegmentation Phân đoạn siêu pixel sử dụng phương pháp phân đoạn SLIC
SuperpixelSegmentation Nhiệm vụ phân đoạn siêu pixel
RasterToVector Nhiệm vụ chuyển tính năng mặt nạ raster thành đối tượng vector.
Bảng 2.7: EO tasks Io
AddGeopediaFeature Tác vụ thêm một đặc trưng từ Geopedia vào một EOPatch hiện có.
BaseLocalIo Lớp trừu tượng cơ sở cho các tác vụ IO cục bộ
ExportToTiff Tác vụ xuất tính năng được chỉ định sang GeoTiff.
ImportFromTiff Tác vụ nhập dữ liệu từ tệp Geo-Tiff vào EOPatch
SentinelHubDemTask Một tác vụ đầu vào API xử lý tải xuống mô hình số độ cao
SentinelHubInputBase Lớp cơ sở để xử lý các tác vụ đầu vào API
SentinelHubInputTask Một tác vụ đầu vào API xử lý tải dữ liệu số nguyên 16 bit và chuyển đổi nó thành tính năng số thực 32 bit.
AddSen2CorClassificationFeature
Thêm kết quả phân loại SCL (phân loại cảnh), CLD (xác suất đám mây) hoặc SNW (xác suất tuyết) Sen2Cor vào tính năng MASK hoặc DATA của EOPatch.
DEMWCSInput Thêm DEM vào DATA_TIMELESS đặc
trưng của EOPatch.
DEMWMSInput Thêm DEM vào DATA_TIMELESS đặc
trưng của EOPatch.
L8L1CWCSInput
Tác vụ tạo các EOPatch và tải dữ liệu Landsat-8 L1C bằng cách sử dụng yêu cầu WCS của Sentinel Hub.
L8L1CWMSInput
Tác vụ tạo các EOPatch và tải dữ liệu Landsat-8 L1C bằng cách sử dụng yêu cầu WMS của Sentinel Hub.
S1IWWCSInput
Tác vụ tạo các EOPatch và tải dữ liệu Sentinel-1 IW bằng cách sử dụng yêu cầu WCS của Sentinel Hub.
S1IWWMSInput
Tác vụ tạo các EOPatch và tải dữ liệu Sentinel-1 IW bằng cách sử dụng yêu cầu WMS của Sentinel Hub.
S2L1CWCSInput
Tác vụ tạo các EOPatch và tải dữ liệu Sentinel-2 L1C bằng cách sử dụng yêu cầu WCS của Sentinel Hub.
S2L1CWMSInput
Tác vụ tạo các EOPatch và tải dữ liệu Sentinel-2 L1C bằng cách sử dụng yêu cầu WMS của Sentinel Hub.
S2L2AWCSInput
Tác vụ tạo các EOPatch và tải dữ liệu Sentinel-2 L2A bằng cách sử dụng yêu cầu WCS của Sentinel Hub.
S2L2AWMSInput
Tác vụ tạo các EOPatch và tải dữ liệu Sentinel-2 L2A bằng cách sử dụng yêu cầu WMS của Sentinel Hub.