Trong thời gian từ năm 2020 đến năm 2023, PGS. TS. Bùi Quang Thành và các cộng sự tại Trường Đại học Khoa học Tự nhiên thực hiện đề tài: “Mạng nơ-ron tích chập sâu (CNN) trong phân loại lớp phủ mặt đất sử dụng đất bằng ảnh vệ tinh và dữ liệu từ thiết bị bay không người lái”.

Đề tài nhằm thực hiện các mục tiêu sau: nghiên cứu đặc điểm cấu trúc về mẫu dạng, đặc tính phổ các loại hình lớp phủ, sử dụng đất tại khu vực đô thị và ven đô từ ảnh vệ tinh và tư liệu từ máy bay không người lái (lấy ví dụ tại Hà Nội và Quảng Ninh); nghiên cứu, đề xuất cấu trúc mô hình nơ-ron tích chập sâu mới (Deep Convolutional neural network), với mục đích nâng cao độ chính xác phân loại lớp phủ mặt đất/sử dụng đất (LULC) từ ảnh vệ tinh và dữ liệu từ thiết bị bay không người lái; và thành lập bản đồ lớp phủ mặt đất/sử dụng đất (LULC) bằng mô hình nơ-ron tích chập tại khu vực nghiên cứu, phục vụ quản lý phát triển đô thị

Lớp phủ bề mặt là chỉ số quan trọng trong khoanh vùng khu vực có khả năng thấm nước (bề mặt nước - water body, đất trống - baresoil, thực vật - vegetation) và khu vực không có khả năng thấm (đất xây dựng - impervious surface). Đây là lớp bản đồ quan trọng trong đánh giá hiện trạng phát triển của khu vực nghiên cứu ở các tỷ lệ khác nhau. Trong nghiên cứu này, mô hình Generative Adversarial Network được xây dựng nhằm nâng độ phân giải của tư liệu ảnh Landsat 8 từ (15m kênh Panchromatic, 30m kênh đa phổ) thành 10m (đa phổ). Độ chính xác của phương pháp này được đánh giá thông qua bộ mẫu Eurosat (được xây dựng từ ảnh vệ tinh Sentinel 2). Với mô hình này, các nghiên cứu trong lĩnh vực khoa học trái đất có thể sử dụng để tận dụng tối đa các nguồn dữ liệu độ phân giải trung bình sẵn có (đặc biệt là tư liệu từ vệ tinh Landsat).

Nghiên cứu Quốc tế uy tín, được công bố trên tạp chí Remote Sensing (Kèm theo Quyết định số 151/QĐ-HĐQL-NAFOSTED ngày 09 tháng 8 năm 2019). Trong nghiên cứu này, các mô hình tích hợp các phương pháp học máy (Gradient boosting Algorithm) và tối ưu hóa (meta-heuristic optimization algorithms) được sử dụng để phân loại chính xác hơn từ tư liệu ảnh SPOT 7. Mô hình được huấn luyện có thể được sử dụng nhằm nâng cao độ chính xác phân loại lớp phủ mặt đất.

Bên cạnh đó, các tác giả còn thử nghiệm các mô hình mạng tích chập (CNN) trong phân loại lớp phủ dung ảnh UAV, phân loại lớp phủ tự động đa thời gian, giám sát thay đổi lúa tại khu vực được thử nghiêm. Các mô hình này được công bố trong 2 bài báo tạp chí trong nước và 02 bài báo hội nghị trong nước.

Có thể tìm đọc toàn văn Báo cáo kết quả nghiên cứu (mã số 23323/2023) tại Cục Thông tin khoa học và công nghệ quốc gia.

N.P.D (NASATI)