- Ảnh vệ tinh Sentinel-2. - Quy trình xử lý. - Bảng 2.2: Bước sóng của các kênh phổ và các ứng dụng của dữ liệu Sentinel-2. - Hình 2.1: Dải phổ và độ phân giải không gian của các dữ liệu Sentinel-2. - Hình 3.18: Cấu hình các thông số trên Sentinel-hub để tải dữ liệu ảnh vệ tinh. - 87,1%) khi thử nghiệm với cùng bộ dữ liệu. - Đối với mỗi nguồn năng lượng khác nhau, dữ liệu viễn thám lại mang các đặc trưng riêng. - Tín hiệu phản xạ lại từ các bề mặt lớp phủ trên Trái Đất sau đó được thu thập và xử lý tại các trạm thu dữ liệu ảnh vệ tinh để sử dụng nghiên cứu cho các miền ứng dụng khác nhau. - Để xử lý vấn đề này, các phần mềm chuyên dụng được phát triển, kết hợp với dữ liệu viễn thám nhằm trích xuất đặc trưng của ảnh vệ tinh để giám sát lớp phủ thực vật, giúp cho công tác quản lý rừng trở nên dễ dàng hơn. - Các phần mềm này hỗ trợ người dùng tương đối đầy đủ các tính năng để xử lý ảnh vệ tinh nhưng đòi hỏi người dùng phải có chuyên môn cao về viễn thám và xử lý ảnh vệ tinh, đồng thời việc xử lý nhiều dữ liệu mất tương đối nhiều thời gian.. - Trọng phạm vi luận văn này sẽ tập trung nghiên cứu về mô hình mạng Nơ-ron phức hợp U-Net để tiến hành giám sát lớp phủ thực vật của tỉnh Cao Bằng dựa trên dữ liệu ảnh vệ tinh Sentinel- 2. - Dữ liệu viễn thám: Là dữ liệu ảnh thu được từ các bộ cảm đặt trên mặt đất, máy bay hoặc vệ tinh. - Dữ liệu ảnh có thể ở dạng ảnh tương tự hoặc ảnh số. - Kỹ thuật học sâu: học máy dựa trên một tập hợp các thuật toán để cố gắng mô hình dữ liệu trừu tượng hóa ở mức cao bằng cách sử dụng nhiều lớp xử lý với cấu trúc phức tạp, hoặc bằng cách khác bao gồm nhiều biến đổi phi tuyến. - Thư viện EO-Learn: là một tập hợp các gói mã nguồn mở được viết bằng ngôn ngữ python, hỗ trợ rất tốt trong việc xử lý và khai thác dữ liệu có giá trị của ảnh vệ tinh. - Trong khuôn khổ luận văn, tác giả đã trình bày những khái niệm tổng quan về lớp phủ rừng, dữ liệu viễn thám, ảnh vệ tinh sentinel-2, kỹ thuật học sâu và các kiến trúc mạng nơ-ron tích chập. - Trình bày về việc tải dữ liệu ảnh vệ tinh, xây dựng mô hình U-net để thực hiện ứng dụng kỹ thuật học sâu trong việc trích xuất đặc trưng ảnh vệ tinh nhằm tính toán lớp phủ rừng áp dụng tại tỉnh Cao Bằng. - Vệ tinh Sentinel-2 được thiết kế là một cặp vệ tinh song sinh gắn thiết bị thu ảnh đa phổ tiếp nối việc cung cấp dữ liệu vệ tinh phục vụ giám sát tài nguyên thiên nhiên của các dòng vệ tinh LANDSAT và SPOT thực hiện. - Tuy nhiên, trong trường hợp khẩn cấp vệ tinh có thể thu nhận dữ liệu và cung cấp cho người sử dụng trong vòng 3 giờ đồng hồ sau khi thu nhận.. - Dữ liệu được nén bằng thuật toán nén đa độ phân giải dựa trên sự phân tách sóng.. - Vệ tinh Sentinel-2 phóng lên vũ trụ mang nhiệm vụ cung cấp tính liên tục cho các dịch vụ giám sát trái đất bằng dữ liệu quang học độ phân giải không gian cao. - Dữ liệu ảnh Sentinel-2 cung cấp 3 loại độ phân giải không gian gồm: Độ phân giải 10 m ở 4 kênh từ dải hồng ngoại nhìn thấy và cận hồng ngoại. - Từ khía cạnh quan sát Trái đất, các nhà nghiên cứu luôn mong muốn có thể sử dụng nguồn dữ liệu mở và miễn phí như các dòng vệ tinh Landsat và Sentinel.. - Do đó, khi kết hợp ảnh các vệ tinh Landsat 5-8 với dữ liệu ảnh Sentinel-2 sẽ đạt tần suất chụp lặp 3 ngày tại một điểm trên mặt đất. - Do đó, dữ liệu Sentinel-2 có thể mang lại kết quả mong muốn nếu áp dụng phương pháp phù hợp.. - Mặc dù các đầu thu này có độ phân giải không gian ở mức trung bình (30m đối với Landsat và 10m đối với Sentinel-2) khi so sánh với các dữ liệu. - Hiệu chỉnh sol khí chính xác dữ liệu thu nhận trong cấu hình Sentinel-2 được thiết kể bao gồm cả dải phổ trong vùng xanh lam ở bước sóng 443 nm (Kênh 1). - Hiệu chỉnh dữ liệu đối với các đám mây voan mỏng có thể được thực hiện bằng cách sử dụng thông tin của dải phổ cận hồng ngoại. - Bảng 2.2 dưới đây mô tả cụ thể các bước sóng của kênh phổ của dữ liệu ảnh vệ tinh Sentinel-2 [9].. - Bảng 2.2: Bước sóng của các kênh phổ và các ứng dụng của dữ liệu Sentinel-2 Số. - Bốn kênh phổ ở độ phân giải không gian 10m đáp ứng yêu cầu của người sử dụng cho cho mục đích giám sát độ che phủ đất trên toàn cầu và đảm bảo các khả năng tương thích với dữ liệu vệ tinh SPOT 4 và 5, landsat 8. - Hình 2.1 dưới dây mô tả giải phổ và độ phân giải không gian của dữ liệu ảnh Sentinel-2 [4].. - Hình 2.1: Dải phổ và độ phân giải không gian của các dữ liệu Sentinel-2 Độ hẹp của dải phổ 8a với bước sóng 865 nm trong vùng cận hồng ngoại được thiết kế để tránh ảnh hưởng từ hơi nước nhưng vẫn có khả năng thể hiện được vùng bằng phẳng ở dải cận hồng ngoại cho thảm thực vật và cũng nhạy cảm với hàm lượng oxit sắt trong đất.. - Dữ liệu hiệu chỉnh sol khíchính xácđược thu nhậncả dải phổ trong vùng xanh lam ở bước sóng 443 nm trong cấu hình Sentinel-2.. - Với lượng lớn dữ liệu có độ phân giải không gian cao với tần suất truy cập lại cao, các kỹ thuật có thể tự động trích xuất các mẫu phức tạp trong dữ liệu không gian-thời gian như vậy là cần thiết.. - Thư viện được viết bằng Python và sử dụng mảng NumPy để lưu trữ và xử lý dữ liệu viễn thám. - Eo-learn-features: Tập hợp các tiện ích để trích xuất thuộc tính dữ liệu và thao tác với tính năng.. - Eo-learn-io: Gói con đầu vào / đầu ra liên quan đến việc lấy dữ liệu từ các dịch vụ của Sentinel Hub hoặc lưu và tải dữ liệu cục bộ.. - Eo-learn-mask: Gói con được sử dụng để che dữ liệu và tính toán mặt nạ đám mây.. - http://exelisvis.com – kết hợp các kỹ thuật chuyên sâu về xử lý dữ liệu ảnh số (bao gồm dữ liệu viễn thám, DEM và GIS/GPS) với công nghệ phân tích địa không gian nhằm khai thác những thông tin có giá trị hỗ trợ ra quyết định chính xác và kịp thời. - Đọc, hiển thị và phân tích nhiều định dạng (format) ảnh vệ tinh, ảnh thông dụng, dữ liệu raster và DEM;. - Khả năng làm việc với dữ liệu vector (các định dạng shapefile, MIF, DXF và GPS) và kết nối trực tiếp với phần mềm ArcGIS cho phép dễ dàng tích hợp kết quả phân tích ảnh vào cơ sở dữ liệu và quy trình ứng dụng bản đồ GIS;. - Tự động hóa quá trình nắn chỉnh hình học và chuyển kết quả dễ dàng vào cơ sở dữ liệu GIS.. - Định dạng NITF chứa dữ liệu ảnh với dữ liệu đồ thị và metadata theo chuẩn JITC (Joint Interoperability Test Command). - Đây là định dạng tối ưu có khả năng nén ảnh tốt, tính bảo mật cao nên thường được dùng đối với dữ liệu quốc gia và quốc phòng… Hình 2.7 dưới đây thể hiện xử lý ảnh với mô-đun Envi Atmospheric Correction của phần mềm Envi [18].. - Sản phẩm chuyên dụng ENVI LIDAR: Xử lý chuyên sâu dữ liệu lidar nhằm xác định và chiết tách các đối tượng 3D và tạo lập cơ sở dữ liệu GIS 3D cho các ứng dụng đô thị hoặc ngành lâm nghiệp. - Sản phẩm chuyên dụng ENVI SARScape: Xử lý chuyên sâu dữ liệu ảnh radar, phân tích và tạo lập bản đồ DEM và bản đồ biến động bề mặt, được thể hiện ở hình 2.9 dưới đây [18].. - Phần mềm ENVI SARscape cho phép người dùng xử lý và diễn giải dữ liệu radar khó hiểu thành thông tin có ý nghĩa phù hợp với bối cảnh. - Các kỹ thuật học máy thông thường bị hạn chế về khả năng xử lý dữ liệu tự nhiên ở dạng thô. - Học sâu (DL - deep learning) là một chi của ngành học máy dựa trên một tập hợp các thuật toán để cố gắng mô hình dữ liệu trừu tượng hóa ở mức cao bằng cách sử dụng nhiều lớp xử lý với cấu trúc phức tạp, hoặc bằng cách khác bao gồm nhiều biến đổi phi tuyến.. - Học sâu là một phần của một họ các phương pháp học máy rộng hơn dựa trên đại diện học của dữ liệu. - Điều này có nghĩa là LSTM có thể xử lý không chỉ các điểm dữ liệu đơn lẻ (chẳng hạn như hình ảnh) mà còn toàn bộ chuỗi dữ liệu (chẳng hạn như tệp âm thanh hoặc video). - Cổng quên kiểm soát khi một phần thông tin có thể bị quên, cho phép ô xử lý dữ liệu mới. - GRU được sử dụng cho các bộ dữ liệu nhỏ hơn, nơi chúng thể hiện hiệu suất tốt hơn.. - Đây là cách thức hoạt động của CNN: Đầu tiên, mạng nhận dữ liệu đầu vào, mỗi đầu vào (ví dụ: hình ảnh) sẽ đi qua một loạt các lớp tích chập với các bộ lọc khác nhau. - Mỗi mạng bên trong DSN có các lớp ẩn riêng để xử lý dữ liệu. - Lớp gộp (Pooling Layer) hay còn gọi là lớp tổng hợp thường được sử dụng giữa các lớp tích chập, với mục đích làm giảm kích thước dữ liệu nhưng vẫn giữ được các thuộc tính quan trọng. - Sau khi dữ liệu được truyền qua các lớp tích chập và lớp gộp, mạng nơ-ron đã học được tương đối các đặc trưng của dữ liệu. - Lớp kết nối đầy đủ (fully connected) nhận đầu vào là các dữ liệu về các đặc trưng này và kết hợp lại với nhau để đưa ra được dữ liệu đầu ra của mạng nơ-ron. - Khi xử lý dữ liệu với nhiều lớp phức hợp, một vấn đề phát sinh là trong quá trình xử lý, hệ thống có xu hướng mất các pixel trên dữ liệu đầu vào. - Kích thước giữa biên và nội dung tối đa sao cho các phép tích chập có thể được sử dụng ở biên của dữ liệu đầu vào.. - Các kỹ thuật viên GIS tập sự có thể gặp khó khăn khi quyết định giá trị của bộ tham số cũng như làm sao để tính toán EVI từ nhiều loại dữ liệu vệ tinh khác nhau. - Cấu hình các thông số để tải dữ liệu ảnh vệ tinh phù hợp với bài toán nghiên cứu. - Lấy dữ liệu thực địa (ground-truth) từ Geopedia. - Lưu dữ liệu. - Chia ảnh vệ tinh tải xuống thành các vùng con với kích thước 256x256 với dữ liệu thực địa tương ứng để đào tạo và xác thực mô hình (số lượng ảnh đầu vào phụ thuộc và diện tích của vùng chọn tải ảnh vệ tinh và kích thước của các vùng con được phân chia).. - Xây dựng kiến trúc U-net để xử lý dữ liệu ảnh vệ tinh đầu vào tương ứng (Bước 6 nội dung 3.3.2 Quy trình xử lý).. - Đưa ra một số kết quả: hiển thị dữ liệu của “Thực vật”, “Đất” và “Nước”. - Đưa ra một số so sánh về ưu nhược điểm, kết quả (ma trận độ chính xác) của mô hình nghiên cứu trong luận văn so với xử lý trên phần mềm ENVI với cùng bộ dữ liệu đầu vào (Nội dung 4.2.2 So sánh kết quả thực nghiệm với phần mềm ENVI).. - sánh với cùng dữ liệu đầu vào). - 2 Tự động xử lý trích xuất đặc trưng ảnh vệ tinh. - 8 bước xử lý (Đơn giản hơn) 13 bước xử lý (Phức tạp hơn). - Chỉ xử lý 1 cảnh ảnh tại 1 thời điểm nên phù hợp với lượng dữ liệu đầu vào ít. - Xử lý được nhiều cảnh ảnh cùng 1 lúc nên phù hợp với lượng dữ liệu lớn. - Việc xử lý nhiều dữ liệu ảnh vệ tinh vẫn phải thực hiện bán thủ công, chưa tự động hoàn toàn, dẫn tới mất rất nhiều thời gian khi xử lý số lượng dữ liệu lớn.. - Do vậy dữ liệu Sentinel-2 được chọn sử dụng cho bài toán giám sát lớp phủ thực vật.. - Với quy trình xử lý tự động, hệ thống hỗ trợ xử lý lượng lớn dữ liệu ảnh vệ tinh đầu vào, giảm thiếu sự tác động từ yếu tố con người, làm tăng hiệu quả trong quá trình xử lý.. - 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.. - 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. - MergeFeatureTask Hợp nhất nhiều đối tượng địa lý với nhau bằng cách nối dữ liệu của chúng. - SaveToDisk Lưu dữ liệu vào ổ cứng. - chọn bằng cách sử dụng. - 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.. - hoạt động với dữ liệu không có giá trị bị thiếu, bị che hoặc không hợp lệ.. - Nhiệm vụ tính toán các chỉ số thời gian về mức tối đa và tối thiểu của một đối tượng dữ liệu.. - ImportFromTiff Tác vụ nhập dữ liệu từ tệp Geo-Tiff vào EOPatch. - 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.. - Tác vụ tạo các EOPatch và tải dữ liệu Landsat-8 L1C bằng cách sử dụng yêu cầu WCS của Sentinel Hub.. - Tác vụ tạo các EOPatch và tải dữ liệu Landsat-8 L1C bằng cách sử dụng yêu cầu WMS của Sentinel Hub.. - Tác vụ tạo các EOPatch và tải dữ liệu Sentinel-1 IW bằng cách sử dụng yêu cầu WCS của Sentinel Hub.. - Tác vụ tạo các EOPatch và tải dữ liệu Sentinel-1 IW bằng cách sử dụng yêu cầu WMS của Sentinel Hub.. - Tác vụ tạo các EOPatch và tải dữ liệu Sentinel-2 L1C bằng cách sử dụng yêu cầu WCS của Sentinel Hub.. - Tác vụ tạo các EOPatch và tải dữ liệu Sentinel-2 L1C bằng cách sử dụng yêu cầu WMS của Sentinel Hub.. - Tác vụ tạo các EOPatch và tải dữ liệu Sentinel-2 L2A bằng cách sử dụng yêu cầu WCS của Sentinel Hub.. - Tác vụ tạo các EOPatch và tải dữ liệu Sentinel-2 L2A bằng cách sử dụng yêu cầu WMS của Sentinel Hub.. - Tác vụ tải dữ liệu theo các EOPatch bằng cách sử dụng yêu cầu OGC của Sentinel Hub.. - Tác vụ tải dữ liệu theo các EOPatch bằng cách sử dụng yêu cầu WCS của Sentinel Hub.. - SentinelHubWMSInput Tác vụ tải dữ liệu theo các EOPatch bằng cách sử dụng yêu cầu WMS của Sentinel Hub.. - AddValidDataMaskTask EOTask để thêm mảng mặt nạ tùy chỉnh được sử dụng để lọc dữ liệu phản xạ
Xem thử không khả dụng, vui lòng xem tại trang nguồn hoặc xem
Tóm tắt