- ĐỀ TÀI: PHÁT HIỆN MẤT RỪNG VEN BIỂN TỪ ẢNH VỆ TINH DỰA TRÊN MẠNG NƠ-RON. - “Phát hiện mất rừng ven biển từ ảnh vệ tinh dựa trên mạng nơ-ron”.. - Đầu vào cho thuật toán gồm: (1) Dữ liệu ảnh vệ tinh được khai thác từ Google Earth Engine;. - (2) Dữ liệu hiện trạng rừng khai thác từ Hệ thống thông tin quản lý ngành Lâm nghiệp - FORMIS. - Mạng CNN học và phân loại dữ liệu đầu vào để dự đoán điều kiện khí quyển, địa hình (đất, núi, sông, rừng, đồng bằng..vv) hoặc các hoạt động của con người. - Nghiên cứu ảnh vệ tinh và các đặc trưng ảnh vệ tinh.. - Nghiên cứu các đặc trưng của ảnh vệ tinh quang học.. - Nguồn dữ liệu sử dụng:. - Ảnh vệ tinh: Sử dụng ảnh vệ tinh quang học Sentinal-2.. - Hiện trạng rừng: Sử dụng dữ liệu hiện trạng rừng từ Hệ thống thông tin quản lý ngành Lâm nghiệp - FORMIS.. - Các đặc trưng ảnh vệ tinh và dữ liệu hiện trạng rừng.. - Lựa chọn phương pháp xử lý và thực nghiệm trên bộ dữ liệu huấn luyện.. - Chương 2: Phát hiện mất rừng ven biển từ ảnh vệ tinh dựa trên mạng nơ-ron.. - nguồn dữ liệu khai thác, cách thức dây dựng các hàm xử lý, huấn luyện và dự đoán ảnh. - Nhiều nhà khoa học đồng ý rằng nên tập trung hệ thống hóa các quy trình khai thác hình ảnh vệ tinh, khai thác cơ sở dữ liệu hiện trạng rừng và đồng thời tối ưu các thuật toán thông minh là giải pháp cốt lỗi nâng cao năng lực theo dõi giám sát bảo vệ rừng.. - 1.2 Tổng quan về rừng ven biển và biến động rừng ven biển.. - 1.2.3 Nguyên nhân biến động rừng ven biển.. - Một số nguyên nhân biến động diện tích RVB:. - Biến động mất rừng (giảm rừng). - Biến động tằng rừng. - 1.3 Các nghiên cứu liên quan phát hiện biến động rừng từ ảnh vệ tinh.. - Theo dõi, cập nhật diễn biến rừng, dựa trên nền kết quả kiểm kê rừng, là công việc hết sức cần thiết để đảm bảo giá trị lâu dài của cơ sở dữ liệu. - 1.3.1 Khả năng khai thác ảnh vệ tinh phục vụ phát hiện biến động rừng.. - 1.3.2 Một số kết quả nghiên cứu về phát hiện biến động rừng từ ảnh vệ tinh.. - Các công trình tiêu biểu phát hiện biến động rừng từ ảnh vệ tinh: Giám sát biến động RNM Cần Giờ TP. - Phương pháp tích hợp dữ liệu MODIS và Landsat để giám sát có hệ thống về độ che phủ và thay đổi rừng trong Lưu vực Congo [9]. - 1.3.3 Khó khăn và thách thức trong phát hiện biến động rừng từ ảnh vệ tinh.. - 1.4 Ứng dụng mạng nơ-ron giải bài toán phát hiện mất rừng từ ảnh vệ tinh.. - Phát hiện biến động mất rừng tại Brazil sử dụng dữ liệu Landsat và CNN [13]. - 1.5.2 Ảnh vệ tinh.. - Phân loại ảnh vệ tinh. - Dữ liệu được thu thập bởi các nguồn khác nhau, bao gồm các vệ tinh quan sát Trái đất và cảm biến tại chỗ. - Dữ liệu được xử lý và cung cấp thông tin đáng tin cậy và. - Một hệ thống GIS cho phép quản lý, phân tích dữ liệu không gian và tạo kết quả thể hiện dưới dạng thích hợp như: văn bản, đồ họa, bảng biểu..vv.. - Quản lý dữ liệu: Sau khi sử dụng dữ liệu thu thập và tích hợp, GIS cung cấp các chức năng lưu trữ và duy trì dữ liệu.. - Hiển thị kết quả: GIS cho phép hiển thị dữ liệu trực quan với nhiều kiểu khác nhau như: dạng bảng, biểu đồ, bản đồ…vv Vì vậy, người sử dụng có thể thông qua GIS tương tác hiệu quả với dữ liệu.. - GIS trong nghiên cứu biến động rừng.. - PHÁT HIỆN MẤT RỪNG VEN BIỂN. - TỪ ẢNH VỆ TINH DỰA TRÊN MẠNG NƠ-RON. - Dựa trên, những kết quả đã công bố, cùng các đặc điểm và ưu điểm của kiến trúc mạng U-Net cho thấy đây là kiến trúc phù hợp giúp giải bài toán “Phát hiện biến động rừng ven biển từ ảnh vệ tinh”.. - 2.3 Phát hiện mất rừng từ ảnh vệ tinh dựa trên mạng U-Net 2.3.1 Mô tả bài toán.. - Bài toán phát hiện biến động rừng từ ảnh vệ tinh đưa về bài toán phân loại hình ảnh, phân mảnh xác định đối tượng. - Dữ liệu ảnh vệ tinh: Được khai thác và cập nhật mới nhất từ GEE. - Dữ liệu ảnh tiếp tục trải qua các bước tiền xử lý ảnh (hiệu chỉnh, loại bỏ mây, tính toán các chỉ số..vv). - Dữ liệu hiện trạng rừng: Đươc khai thác từ Hệ thống thông tin quản lý ngành Lâm nghiệp - FORMIS;. - Dữ liệu điểm mẫu: Bộ dữ liệu tọa độ vị trí các điểm huấn luyện (training) và xác minh (validation);. - [1] Lấy tư liệu ảnh Sentinel-2, dữ liệu hiện trạng rừng và dữ liệu điểm mẫu.. - [2] Xây dựng bộ dữ liệu huấn luyện.. - [5] Xác định biến động rừng, biến động mất rừng.. - Quy trình phát hiện biến động rừng từ ảnh vệ tinh dựa trên mạng nơ-ron.. - Trên cơ sở những đặc điểm, ưu điểm và kết quả nghiên cứu đã công bố để chọn mô hình mạng nơ-ron phù hợp cho bài toán phát hiện biến động rừng.. - Đồng thời mô tả cụ thể bài toán, quy trình các bước thực hiện giải bài toán “Phát hiện biến động mất rừng từ ảnh vệ tinh dựa trên mạng nơ-ron”.. - 3.2 Chuẩn bị dữ liệu.. - 3.2.2 Dữ liệu ảnh Sentinel-2. - Đề tài khai thác sử dụng Sentinel-2 từ bộ dữ liệu “Sentinel-2 MSI: MultiSpectral Instrument, Level-2A” sẵn có từ đến nay trên Google Earth Engine. - Dữ liệu ảnh chọn tham gia huấn luyện và xác minh được chụp năm 2018. - dữ liệu ảnh sử dụng để dự đoán được chụp năm 2019.. - Bộ dữ liệu ảnh tiếp tục trải qua các bước tiền xử lý trước khi sử dụng, gồm:. - Cắt ảnh theo phạm vi giám sát 3.2.3 Dữ liệu bản đồ hiện trạng rừng.. - Đề tài kế thừa dữ liệu từ “Hệ thống thông tin quản lý ngành Lâm nghiệp - FORMIS”, gồm các lớp dữ liệu sau:. - Lớp dữ liệu bản đồ ranh giới cấp hành chính Việt Nam.. - Lớp dữ liệu bản đồ hiện trạng rừng ven biển Hải Phòng.. - 3.2.4 Dữ liệu điểm mẫu.. - Dữ liệu điểm mẫu là bộ dữ liệu gồm 1000 điểm huấn luyện (traning) và 300 điểm xác minh (validation). - Bộ dữ liệu mẫu này được kế thừa từ kết quả nhiệm vụ xây dựng Bộ cơ sở dữ liệu RVB Việt Nam của đội ngũ chuyên gia Viện Sinh thái rừng và Môi trường, Trường Đại học Lâm nghiệp.. - thời gian bắt đầu - kết thúc, đây là thời gian xác định dùng để chọn ra các cảnh ảnh phù hợp nằm trong phạm vi thời gian nghiên cứu và phù hợp với dữ liệu hiện trạng rừng khai thác từ “Hệ thống thông tin quản lý ngành Lâm nghiệp - FORMIS”. - Cuối cùng trong phần thiết lập này, chỉ định tập dữ liệu điểm mẫu huấn luyện (training) và xác minh (validtion) với nhãn là rừng hoặc không phải là rừng.. - Bộ dữ liệu huấn luyện (1000 điểm) gồm:. - Bộ dữ liệu xác minh (300 điểm) gồm:. - Hàm tính toán chỉ số từ ảnh vệ tinh.. - Xây dựng dữ liệu huấn luyện.. - Để chuẩn bị cho quá trình huấn luyện mạng U-Net, nội dung này sẽ thực hiện việc xây dựng bộ dữ liệu đầy đủ từ các dữ liệu đầu vào gồm: ảnh vệ tinh đã qua tiền xử lý, lớp phủ rừng ven biển và dữ liệu điểm mẫu.. - Dấu chân và siêu dữ liệu của hình ảnh đầu vào được giữ nguyên.. - Nên hàm save_cnn_batch được xây dựng để lưu bộ dữ liệu đặc trưng thành các phân đoạn phù hợp. - Tiếp theo, đọc dữ liệu từ tập tin tfrecord đưa vào tf.data.Dataset. - Đây là bước tiền xử lý dữ liệu từ các tập tin tfrecord để chuyển đổi thành định dạng phù hợp cho đầu vào mô hình CNN.. - Mục đích của các hàm mất mát (loss functions) là để giảm đi sai số trong việc dự đoán dự đoán dữ liệu đầu ra. - Huấn luyện mô hình với tf.data chỉ đơn giản là cung cấp chức năng fit của mô hình với tập dữ liệu huấn luyện/xác minh, số bước (step) và số lần duyệt (epoch).. - Quá trình huấn luyện dữ liệu gọi lại ModelCheckpoint để lưu lưu mô hình vào đĩa sau mỗi lần duyệt (epoch). - Tạo bộ dữ liệu dự đoán (tfrecode) từ ảnh dự đoán. - Tạo bộ dữ liệu dự đoán.. - 3.4.1 Kết quả thử nghiệm phương pháp U-Net phát hiện biến động rừng.. - Sử dụng GIS hoặc GEE chồng xếp, tính toán, phân tích và so sánh giữa lớp dữ liệu hiện trạng rừng công bố hàng năm với kết quả lớp phủ rừng thu được từ dự đoán ảnh vệ tinh dựa trên mạng U-Net nhằm phát hiện ra các lô rừng biến động. - Lớp phủ rừng thu được từ dự đoán ảnh vệ tinh tại mỗi giai đoạn là thông tin quan trọng để dự báo biến động rừng. - Kết quả thử nghiệm, phát hiện biến động mất rừng tại Huyện Thủy Nguyên, TP. - Hải Phòng Lô biến động. - Ảnh biến động. - 3.4.2 So sánh kết quả phát hiện biến động giữa phương pháp MCVA và U-Net.. - Sơ đồ quá trình xử lý, phân tích dữ liệu phuowng phaps MCVA. - Đây thực sự là kênh dữ liệu tốt để tôi có thể kiểm định phương pháp học máy vừa xây dựng cũng như đánh giá tiềm năng và sự hiệu quả của ứng dụng mạng nơ-ron trong giám sát tài nguyên rừng.. - So sánh kết quả phát hiện biến động mất rừng.. - tiếp đó là thực hiện các bước chuẩn bị dữ liệu đầu tào, cài đặt thực nghiệm xây dựng các hàm chức năng tiền xử lý, xây dựng kiến trúc mạng U-Net, huấn luyện và dự đoán. - Với mục tiêu nghiên cứu bài toán phát hiện biến động mất rừng ven biển tử ảnh vệ tinh dựa trên mạng nơ-ron. - Chỉ ra các đặc trưng quan trọng của anh vệ tinh, khẳ năng sử dụng ảnh vệ tinh để giám sát phát hiện biến động rừng, đặc biệt là biến động mất rừng.. - Nghiên cứu và xây dựng mô hình mạng nơ-ron xử lý bài toán phát hiện biến động mất rừng từ ảnh vệ tinh.. - Triển khai cài đặt thử nghiệm, huấn luyện và dự đoán thành công ảnh vệ tinh, xây dựng lớp phủ rừng và xác định biến động mất rừng.. - So sánh đánh gí kết quả phát hiện biến động rừng giữa phương pháp MCVA và U-Net vừa xây dựng.. - Việc sử dụng dịch vụ điện toán đám mây để khai thác dữ liệu ảnh vệ tinh, tính toán, xử lý vào huấn luyện học máy cho hiệu xuất cao và thời gian rút ngắn đi rất nhiều.. - Tuy đạt được một số kết quả nêu trên, nhưng luận văn còn một số hạn chế do điều kiện về mặt thời gian, dữ liệu thu thập và trình độ của học viên. - [1] Tiếp tục cải tiến bộ dữ liệu huấn luyện để kết quả dự đoán tốt hơn nữa.
Xem thử không khả dụng, vui lòng xem tại trang nguồn hoặc xem
Tóm tắt