Nghiên cứu phương pháp trích xuất đặc trưng trên ảnh vệ tinh sử dụng các kỹ thuật học sâu

ĐẠI HỌC QUỐC GIA HÀ NỘI
TRƯỜNG ĐẠI HỌC CÔNG NGHỆ

PHẠM QUANG HIỂN

NGHIÊN CỨU PHƯƠNG PHÁP TRÍCH XUẤT ĐẶC TRƯNG TRÊN
ẢNH VỆ TINH SỬ DỤNG CÁC KỸ THUẬT HỌC SÂU

LUẬN VĂN THẠC SĨ CÔNG NGHỆ THÔNG TIN

Hà Nội, 10/2020


ĐẠI HỌC QUỐC GIA HÀ NỘI
TRƯỜNG ĐẠI HỌC CÔNG NGHỆ

PHẠM QUANG HIỂN

NGHIÊN CỨU PHƯƠNG PHÁP TRÍCH XUẤT ĐẶC TRƯNG TRÊN
ẢNH VỆ TINH SỬ DỤNG CÁC KỸ THUẬT HỌC SÂU
Ngành: Công nghệ Thông tin
Chuyên ngành: Kỹ thuật Phần mềm
Mã số: 8480103.01

LUẬN VĂN THẠC SĨ CÔNG NGHỆ THÔNG TIN
NGƯỜI HƯỚNG DẪN KHOA HỌC
1. TS LÊ HỒNG ANH
2. PSG.TS TRƯƠNG NINH THUẬN

Hà Nội, 10/2020

LỜI CẢM ƠN
Đầu tiên, tơi xin bày tỏ lịng cảm ơn chân thành và sâu sắc nhất đến TS Lê
Hồng Anh và PGS.TS Trương Ninh Thuận vì sự hướng dẫn và chỉ bảo tận tình
của hai thầy trong suốt quá trình em theo học cũng như làm luận văn tốt nghiệp.
Những định hướng, những lời khuyên và những kiến thức vô cùng quý giá của
hai Thầy đã giúp em rất nhiều trong q trình hồn thành luận văn tốt nghiệp.
Tơi xin được gửi lời cảm ơn sâu sắc nhất tới các Thầy Cô trong khoa Công
nghệ thông tin - trường Đại học Công Nghệ - Đại học Quốc gia Hà Nội nói chung
cũng như các thầy cơ trong bộ mơn Cơng nghệ Phần mềm nói riêng đã tận tình
giảng dạy, trang bị cho tôi những kiến thức quý báu trong suốt q trình tơi học
tập tại khoa. Đây cũng chính là tiền đề giúp tơi hồn thiện luận văn thạc sỹ.
Cuối cùng, tôi cũng xin được gửi lời cảm ơn chân thành đến các anh chị em
đồng nghiệp cũng như gia đình, bạn bè, người thân đã giúp đỡ tơi cả về vật chất
lẫn tinh thần để tơi hồn thành được luận văn này.
Mặc dù đã rất cố gắng nhưng luận văn chắc chắn khơng tránh khỏi những
thiếu sót, tơi rất mong nhận được những ý kiến nhận xét và đánh giá từ phía các
Thầy Cơ để luận văn được hồn thiện hơn.
Tơi xin chân thành cảm ơn!
Hà Nội, tháng 10 năm 2020
Học viên

Phạm Quang Hiển

HV: Phạm Quang Hiển


LỜI CAM ĐOAN
Tôi xin cam đoan luận văn “Nghiên cứu phương pháp trích xuất đặc trưng
trên ảnh vệ tinh sử dụng các kỹ thuật học sâu” được thực hiện dưới sự hướng dẫn

của TS Lê Hồng Anh và PGS.TS Trương Ninh Thuận. Tham khảo từ những
nghiên cứu liên quan đều được trích dẫn một cách rõ ràng trong danh mục tài liệu
tham khảo. Khơng có việc sao chép tài liệu, cơng trình nghiên cứu của người khác
mà khơng chỉ rõ về tài liệu tham khảo.

HV: Phạm Quang Hiển


MỤC LỤC
LỜI CAM ĐOAN....................................................................................................................... 2
MỤC LỤC .................................................................................................................................. 3
DANH MỤC CÁC KÝ HIỆU VÀ CHỮ VIẾT TẮT ................................................................ 4
DANH MỤC CÁC BẢNG ......................................................................................................... 5
DANH MỤC CÁC HÌNH VẼ, ĐỒ THỊ .................................................................................... 6
CHƯƠNG 1. GIỚI THIỆU ........................................................................................................ 1
1.1. Tính cấp thiết và lý do chọn đề tài ...................................................................................... 1
1.2. Mục tiêu và phạm vi nghiên cứu ......................................................................................... 2
1.3. Nội dung nghiên cứu ........................................................................................................... 3
1.4. Cấu trúc luận văn ................................................................................................................ 4
CHƯƠNG 2. CÁC KIẾN THỨC VÀ CÔNG NGHỆ NỀN TẢNG .......................................... 5
2.1. Ảnh vệ tinh Sentinel-2 ........................................................................................................ 5
2.2.1. Thiết kế kỹ thuật của vệ tinh Sentinel-2 ........................................................................... 5
2.2.2. Thiết kế kỹ thuật bộ cảm MSI trên vệ tinh Sentinel-2 ...................................................... 6
2.2.3. Thiết kế khả năng lấy mẫu của bộ cảm quang phổ MSI ................................................... 8
2.2.4. Khả năng cung cấp thông tin các dải phổ trong giám sát rừng ....................................... 11
2.2. Thư viện Eo-Learn ............................................................................................................ 11
2.3. Phần mềm Envi ................................................................................................................. 13
CHƯƠNG 3. MƠ HÌNH MẠNG NƠRON TÍCH CHẬP TRÍCH XUẤT LỚP PHỦ THỰC
VẬT TỪ ẢNH VỆ TINH SENTINEL .................................................................................... 19
3.1. Giới thiệu về học sâu ......................................................................................................... 19

3.2. Mạng nơ-ron tích chập (Convolutional neural network) .................................................. 22
3.1.1. Kiến trúc ......................................................................................................................... 22
3.1.2. Các siêu tham số của bộ lọc (hyper-parameter) .............................................................. 25
3.1.3. Điều chỉnh các siêu tham số ........................................................................................... 26
3.1.4. Những kiến trúc sử dụng thủ thuật tính tốn .................................................................. 27
3.3. Unet .................................................................................................................................. 28
3.4. Trích xuất lớp phủ thực vật sử dụng EO-learn .................................................................. 29
3.3.1. Độ phủ thực vật............................................................................................................... 29
3.3.2. Quy trình xử lý ................................................................................................................ 31
Chương 4: THỰC NGHIỆM .................................................................................................... 36
4.1. Vùng thực nghiệm ............................................................................................................. 36
4.2. Kết quả thực nghiệm ......................................................................................................... 38
4.2.1. Kết quả chạy thực nghiệm của đề tài .............................................................................. 38
4.2.2. So sánh kết quả thực nghiệm với phần mềm Envi.......................................................... 40
Chương 5. KẾT LUẬN ............................................................................................................ 41
TÀI LIỆU THAM KHẢO ........................................................................................................ 43
PHỤ LỤC ................................................................................................................................. 45

HV: Phạm Quang Hiển


DANH MỤC CÁC KÝ HIỆU VÀ CHỮ VIẾT TẮT
Viết tắt

Giải thích

RGB

Tổ hợp màu Red, Green, Blue

AOI

Area-of-interest

CNNs

Convolutional neural network

DL

Deep Learning (Học sâu)

PNR

Vườn tự nhiên cấp vùng

EU

European

RNN

Recurrent Neural Network

LSTM

Long Short-Term Memory

GRU

Gated Recurrent Unit

CNN

Convolutional Neural Network

DBN

Deep Belief Network

DSN

Deep Stacking Network

HV: Phạm Quang Hiển


DANH MỤC CÁC BẢNG
Bảng 2.1: Đặc tính kỹ thuật của hệ thống Sentinel-2 ................................................................. 5
Bảng 2.2: Bước sóng của các kênh phổ và các ứng dụng của dữ liệu Sentinel-2 ...................... 9
Bảng 2.3: EO tasks Core .......................................................................................................... 45
Bảng 2.4: EO tasks Coregistration ........................................................................................... 45
Bảng 2.5: EO tasks Features .................................................................................................... 46
Bảng 2.6: EO tasks Geometry .................................................................................................. 48
Bảng 2.7: EO tasks Io ............................................................................................................... 48
Bảng 2.8: EO tasks Mask ......................................................................................................... 50
Bảng 2.9: EO tasks ml_tools .................................................................................................... 50
Bảng 4.1: Bảng so sánh các bước và kết quả xử lý ảnh vệ tinh giữa phần mềm envi và hệ thống
sử dụng Unet và Eo-Learn ....................................................................................................... 40

HV: Phạm Quang Hiển


DANH MỤC CÁC HÌNH VẼ, ĐỒ THỊ
Hình 2.1: Dải phổ và độ phân giải không gian của các dữ liệu Sentinel-2 .............................. 10
Hình 2.2: Ví dụ về quy trình xử lý ảnh của thư viện Eo-Learn................................................ 12
Hình 2.3: Xử lý ảnh với Mơ-đun Rigorous Orthorectification ................................................ 14
Hình 2.4: Xử lý ảnh với Mơ-đun Envi Feature Extraction ...................................................... 15
Hình 2.5: Xử lý ảnh với Mơ-đun Envi Dem ............................................................................ 15
Hình 2.6: Xử lý ảnh với Mơ-đun Envi Atmospheric Correction module ................................ 16
Hình 2.7: Xử lý ảnh với Mơ-đun Envi NITF [6]...................................................................... 16
Hình 2.8: Xử lý ảnh với sản phẩm chuyên dụng Envi Lidar.................................................... 17
Hình 2.9: Xử lý ảnh với sản phẩm chuyên dụng Envi SARScape ........................................... 17
Hình 2.10: Quy trình xử lý ảnh với phần mềm Envi ................................................................ 18
Hình 3.1: Mối quan hệ giữa AI, Machine Learning và Deep Learning ................................... 20
Hình 3.2: Các thành phần trong kiến trúc truyền thống của CNN ........................................... 22
Hình 3.3: Minh hoạ tích chập (Convolution) ........................................................................... 23
Hình 3.4: Làm mờ ảnh bằng cách lấy giá trị trung bình các điểm ảnh lân cận ........................ 23
Hình 3.5: Phát hiện biên cạnh bằng cách tính vi phân ............................................................. 23
Hình 3.6: Ví dụ minh hoạ lấy giá trị lớn nhất (Max pooling) .................................................. 24
Hình 3.7: Ví dụ minh hoạ lấy giá trị trung bình (Average pooling) ........................................ 24
Hình 3.8: Minh hoạ về kết nối đầy đủ (Fully connected) trong CNNs .................................... 25
Hình 3.9: Minh hoạ các chiều của bộ lọc ................................................................................. 25
Hình 3.10: Minh hoạ về độ trượt (Stride) ................................................................................ 25
Hình 3. 11: Minh hoạ tính tương thích của các tham số trong tích chập ................................. 26
Hình 3.12: Ví dụ minh hoạ về GAN ........................................................................................ 27
Hình 3. 13: Minh hoạ về phương thức kết nối tắt (Skip connections) ..................................... 27
Hình 3.14: Kiến trúc mạng U-net ............................................................................................. 29
Hình 3. 15: Chọn vùng tải ảnh vệ tinh ..................................................................................... 31
Hình 3.16: Cấu trúc file Geojson của vùng chọn tải ảnh vệ tinh ............................................. 32

Hình 3.17: đăng ký tài khoản trên Sentinel-hub để tải ảnh vệ tinh .......................................... 33
Hình 3.18: Cấu hình các thông số trên Sentinel-hub để tải dữ liệu ảnh vệ tinh ....................... 33
Hình 3.19: Cấu hình tính chỉ số NDVI Json file ...................................................................... 34
Hình 3.20: Json file cấu hình tính chỉ số NDVI trên Sentinel-hub .......................................... 34
Hình 3.21: Cấu hình các thơng số phía Client để tải ảnh vệ tinh ............................................. 34
Hình 3.22: Quy trình xử lý ảnh vệ tinh với mơ hình Unet và thư viện Eo-learn ..................... 35
Hình 4.1: Ma trận độ chính xác của mơ hình (Confusion matrix) ........................................... 39
Hình 4.2: Ma trận độ chính xác giữa hệ thống (trái, ~ 84,5%) và phần mềm ENVI (phải, ~
87,1%) khi thử nghiệm với cùng bộ dữ liệu ............................................................................. 40

HV: Phạm Quang Hiển


1

CHƯƠNG 1. GIỚI THIỆU
1.1. Tính cấp thiết và lý do chọn đề tài
Năm 1943 là giai đoạn manh nha ý tưởng về trí tuệ nhân tạo, trải qua các giai
đoạn hình thành và phát triển đến nay trí tuệ nhân tạo ngoài việc trở thành lĩnh
vực nghiên cứu chủ chốt ở các viện nghiên cứu và trường đại học, việc ứng dụng
trí tuệ nhân tạo vào các lĩnh vực khoa học, kỹ thuật, sản xuất đã trở nên vô cùng
khả thi. Từ các ứng dụng học tiếng anh, phân tích dữ liệu, vận hành hệ thống sản
xuất, xe tự hành, y tế, nơng lâm nghiệp … đều có ứng dụng của trí tuệ nhân tạo,
nhằm nâng cao hiệu suất cũng như kết quả hoạt động nhằm phục vụ nhu cầu của
con người ngày một tốt hơn. Trí tuệ nhân tạo đã góp phần giải quyết những bài
tốn với quy mơ lớn, những việc mà trước đây với sức người không thể hoặc rất
khó khăn để giải quyết.
Đi cùng với giai đoạn phát triển của trí tuệ nhân tạo, lĩnh vực nghiên cứu
khoa học vũ trụ cũng được phát triển hết sức mạnh mẽ, năm 1957 Liên Xơ đã
phóng thành cơng vệ tinh Sputnik 1 lên không gian, cho đến nay đã có hàng trăm

vệ tinh hoạt động trên khơng gian, với nhiệm vụ thu thập dữ liệu viễn thám để
phục vụ nhu cầu nghiên cứu khoa học.
Nguyên lý hoạt động của viễn thám là nhờ vào sự phản xạ bề mặt của các
vật thể, đối tượng trên bề mặt Trái Đất sử dụng các dải phổ hoặc nguồn năng
lượng khác nhau. Do đó, mỗi loại bề mặt có kết cấu đặc trưng khác nhau sẽ phản
xạ/ tán xạ lại những giá trị khác nhau. 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. [1]
Với sự phát triển mạnh mẽ của khoa học, các loại ảnh viễn thám thông dụng
như Modis, Landsat 8, Spot 5, Venus, Sentinel 2A… đã được sử dụng trong nhiều
lĩnh vực như:
- Khí tượng: dùng để dự báo thời tiết, dự báo thiên tai liên quan đến biến
đổi nhiệt độ bề mặt đất, mây...
- Bản đồ: là công cụ đắc lực phục vụ cho ngành bản đồ, thành lập các loại
bản đồ địa hình và bản đồ chuyên đề ở nhiều tỉ khác nhau.
- Nông-Lâm nghiệp: theo dõi mức độ biến đổi thảm phủ thực vật, độ che
phủ rừng...
- Địa chất: Theo dõi tốc độ sa mạc hoá, tốc độ xâm thực bờ biển, phân tích
những cấu trúc địa chất trên mặt cũng như bên trong lòng đất (vỏ trái
đất)...
HV: Phạm Quang Hiển


2

- Mơi trường: Giám sát biến động ơ nhiễm, rị rỉ dầu trên mặt (thông qua
chỉ thị thực vật), nghiên cứu quản lý biến động đơ thị hóa, nghiên cứu
hiện tượng đảo nhiệt đơ thị...
Thảm thực vật đóng vai trị quan trọng trong việc duy trì tính đa dạng sinh

học của hệ sinh thái. Lớp phủ rừng ảnh hưởng tới sự sinh tồn của các loài sinh vật
quý hiếm, những lồi đóng vai trị quan trọng trong hệ sinh thái, theo thời gian,
dưới sự tác động của tự nhiên và con người, lớp phủ thực vật sẽ có những thay
đổi nhất định.
Ngày nay với sự phát triển mạnh mẽ của công nghệ và Internet, việc sử dụng
công nghệ viễn thám trong các bài toán giám sát, quan trắc các loại bề mặt lớp
phủ trên trái đất nói chung và giám sát lớp phủ thực vật nói riêng đã được áp dụng
rất phổ biến và rộng rãi. Công nghệ Viễn thám và hệ thông tin địa lý (GIS –
Geographical Information System) được ứng dụng nhiều trong nghiên cứu, điều
tra xây dựng bản đồ lớp phủ thực vật. Ứng dụng công nghệ này trong việc nghiên
cứu đánh giá biến động lớp phủ thực vât đảm bảo tính khách quan, độ chính xác
cao, tiết kiệm thời gian.
Tuy nhiên, trong vài năm gần đây với sự bùng nổ của trí tuệ nhân tạo (AI Artificial Intelligence), đã đưa việc áp dụng công nghệ vào mọi mặt trong đời
sống xã hội lên một tầm cao mới. Với việc áp dụng các kỹ thuật học sâu (DL –
Deep Learning) vào công nghệ viễn thám, đã giúp cho chúng ta giải quyết được
rất nhiều bài tốn khó khăn, mà đối với các công nghệ trước đây phải mất rất
nhiều thời gian mới có thể xử lý được.
Chính vì lý do trên, dưới sự hướng dẫn của TS Lê Hồng Anh và PSG.TS
Trương Ninh Thuận tôi đã lựa chọn đề tài “Nghiên cứu phương pháp trích xuất
đặc trưng trên ảnh vệ tinh sử dụng các kỹ thuật học sâu”, áp dụng trong việc trích
xuất đặc trưng ảnh vệ tinh nhằm giám sát lớp phủ thực vật, hỗ trợ cho công tác
quản lý nông nghiệp và lâm nghiệp ở Việt Nam.
1.2. Mục tiêu và phạm vi nghiên cứu
Thảm thực vật có vai trị rất quan trọng đối với cuộc sống của con người
cũng như môi trường như: cung cấp nguồn gỗ, điều hịa khơng khí, tạo ra oxy, là
nơi cư trú động thực vật, ngăn chặn gió bão, chống xói mịn đất, đảm bảo cho sự
sống, hạn chế biến đổi khí hậu…
Chính vì thế việc giám sát lớp phủ thực vật là điều vơ cùng quan trọng. Có
rất nhiều nguyên nhân ảnh hưởng đến sự biến đổi lớp phủ thực vật như: khai thác
trái phép, đốt nương làm rẫy, cháy rừng… làm cho việc giám sát lớp phủ thực vật

trở nên hết sức khó khăn. Với cơng nghệ phát triển, việc ứng dụng công nghệ
thông tin vào việc giảm sát lớp phủ thực vật là nhu cầu vô cùng cấp thiết.
HV: Phạm Quang Hiển


3

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 chun mơn cao về viễn thám và xử lý ảnh vệ tinh,
đồng thời việc xử lý nhiều dữ liệu mất tương đối nhiều thời gian.
Chính vì những lý do trên, mục tiêu của luận văn là nghiên cứu và ứng dụng
các kỹ thuật học sâu trong việc trích xuất đặc trưng ảnh vệ tinh nhằm giám sát lớp
phủ thực vật, áp dụng trên phạm vi tỉnh Cao Bằng. Trọng phạm vi luận văn này
sẽ tập trung nghiên cứu về mơ 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 Sentinel2. Giúp nâng cao hiệu quả trong công tác giám sát lớp phủ thực vật nói chung
cũng như giám sát lớp phủ rừng nói riêng, cải thiện năng suất làm việc so với việc
sử dụng các công nghệ cũ.
1.3. Nội dung nghiên cứu
Để đạt được mục tiêu trên, tác giả đã nghiên cứu về các nội dung chính sau:
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. Với
công nghệ hiện nay, ảnh vệ tinh được cung cấp và sử dụng một cách phổ biến, có
thể kể đến ảnh của các vệ tinh Spot, AVNIR, Landsat TM, Landsat ETM, Moss1, Modis, GLI, Sentinel… Trong đó, Ảnh vệ tinh Sentinel-2 với ưu điểm về độ
phân giải cao được ứng dụng trong nông nghiệp, lâm nghiệp nhằm giám sát thực
vật và rừng, giám sát sự thay đổi của độ che phủ thực vật…
Kỹ thuật học sâu: học máy dựa trên một tập hợp các thuật tốn để cố gắng
mơ 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 bao gồm nhiều kiến trúc như mạng neuron tích chập sâu, mạng neuron sâu,
mạng niềm tin sâu và mạng neuron tái. Trong phạm vi nghiên cứu của luận văn,
tác giả tập trung nghiên cứu về mạng neural tích chập (CNNs), sử dụng làm nền
tảng để tiến hành xây dựng kiến trúc U-Net kết hợp với thư viện Eo-Learn phục
vụ cho việc trích xuất các đặc trưng của ảnh vệ tinh.
Thư viện EO-Learn: là một tập hợp các gói mã nguồn mở được viết bằng
ngơn ngữ python, hỗ trợ rất tốt trong việc xử lý và khai thác dữ liệu có giá trị của
ảnh vệ tinh. Eo-Learn bao gồm 8 gói: Eo-learn-core (thực hiện các khối xây dựng
cơ bản), Eo-learn-coregistration (xử lý đồng đăng ký hình ảnh), Eo-learnfeatures (trích xuất thuộc tính dữ liệu và thao tác với tính năng), Eo-learngeometry (dùng để biến đổi hình học và chuyển đổi giữa dữ liệu vectơ và dữ liệu
HV: Phạm Quang Hiển


4

raster), Eo-learn-io (đầu vào / đầu ra liên quan đến việc lấy dữ liệu), Eo-learnmask (sử dụng để che dữ liệu và tính tốn mặt nạ đám mây), Eo-learn-ml-tools
(các cơng cụ của Eo-Learn), Eo-learn-visualization (trực quan hóa các yếu tố cốt
lõi của eo-learn)
1.4. Cấu trúc luận văn
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 mơ hình U-net để thực hiện ứng dụng kỹ thuật học sâu trong việc trích xuất
đặc trưng ảnh vệ tinh nhằm tính tốn lớp phủ rừng áp dụng tại tỉnh Cao Bằng. Tác
giả đã so sánh kết quả của mơ hình so với kết quả xử lý ảnh vệ tinh trên phần mềm
chuyên dụng Envi. Luận văn được trình bày trong 5 chương:
Chương 1: Giới thiệu: tác giả trình bày về tính cấp thiết của đề tài, mục tiêu
và phạm vi nghiên cứu của đề tài, các nội dung nghiên cũng như
cấu trúc của luận văn
Chương 2: Các kiến thức và công nghệ nền tảng: tác giả trình bày về các

kiến thức nền tảng thực hiện đề tài như các kỹ thuật học sâu, ảnh
vệ tinh, thư viện Eo-Learn, phần mềm Envi
Chương 3: Mơ hình mạng Nơron tích chập trích xuất lớp phủ thực vật từ ảnh
vệ tinh Sentinel: tác giả trình bày việc xây dựng mạng nơ-ron tích
chập với kiến trúc U-net để tiến hành trích xuất lớp phủ thực vật.
Ngồi ra tác giả cũng giới thiệu một số chỉ số giúp tính tốn lớp
phủ thực vật và quy trình xử lý của bài tốn với thư viện EoLearn
Chương 4: Thực nghiệm: Tác giả giới thiệu về vùng thực nghiệm, các kết
quả thực nghiệm cũng như so sánh ưu nhược điểm so với phần
mềm Envi
Chương 5: Kết luận: Tác giả trình bày về vai trị về nghiên cứu trong luận
văn, các kết quả đạt được, các điểm hạn chế cũng như hướng phát
triển tiếp theo của luận văn.

HV: Phạm Quang Hiển


5

CHƯƠNG 2. CÁC KIẾN THỨC VÀ CÔNG NGHỆ NỀN TẢNG
2.1. Ảnh vệ tinh Sentinel-2
2.2.1. Thiết kế kỹ thuật của vệ tinh Sentinel-2
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. Hai vệ tinh được
thiết kế bay ở độ cao 786 km trong quỹ đạo đồng bộ mặt trời, được thiết kế phân
pha ở 180° trên các mặt đối diện của quỹ đạo nên tấp suất chụp lặp của 2 vệ tinh
rât cao, là 5 ngày.
Vệ tinh Sentinel-2 được thiết kế tiên tiến dựa trên các nền tảng mới do tập
đoàn Astrium GmbH phát triển có thừa hưởng kinh nghiệm mà EADS-Astrium từ

việc chế tạo các vệ tinh ESA trước đây. Mỗi vệ tinh Sentinel-2 nặng khoảng 1,2
tấn, với tuổi thọ 7,25 bao gồm giai đoạn vận hành trên quỹ đạo. Vị trí của mỗi vệ
tinh Sentinel-2 được xác định trên quỹ đạo bằng thiết bị GNSS để đảm bảo việc
chính xác của quỹ đạo bay, hệ thống Sentinel-2 bao gồm:
- Trạm vận hành hướng bay để điều khiển, giám sát và lập lệnh cho vệ tinh;
- Trạm mặt đất quản lý trữ lượng dữ liệu lưu trên vệ tinh để lập lịch quét,
tải dữ liệu thu nhận, xử lý, lưu trữ, phân phối và kiểm soát chất lượng;
- Mạng lưới các trạm băng tần S và X cho phép liên lạc với vệ tinh từ 4 trạm
mặt đất Kiruna, Svalbard, Mas Palomas và Prince Albert.
Ở chế độ bình thường, vệ tinh hoạt động thu ảnh có tính hệ thống với chu kỳ
10 ngày. 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.
Bảng 2.1: Đặc tính kỹ thuật của hệ thống Sentinel-2
Đặc điểm hệ thống vệ tinh

Thơng tin

Tính liên tục

Cần 4 vệ tinh hoạt động trong chu kỳ 15 năm

Các trạm mặt đất

Ở Italia, Nauy, Tây Ban Nha, Alaska (Mỹ)

Độ tin cậy

0.7

Độ sẵn có

97%

Định vị khơng có điểm khống
<20m
chế GCP
Độ rộng dải qt

290 km

Phương thức hoạt động

Tiêu chuẩn, mở rộng, hỗ trợ, an toàn

Thời lượng chụp ảnh tối đa

32 phút mỗi 100 phút trong quỹ đạo

HV: Phạm Quang Hiển


6

Sự kết hợp giữa dải quét rộng và yêu cầu thu nhận dữ liệu toàn cầu liên tục
với tần suất chụp lặp cao dẫn đến việc Sentinel -2 tạo ra khoảng 1,6 TBytes dữ
liệu hình ảnh thơ được nén mỗi ngày. Điều này có nghĩa tốc độ cung cấp dữ liệu
thơ trung bình liên tục là 160 Mbit/s, với khả năng lưu trữ bộ nhớ là 2,4 Tbits. Dữ
liệu được nén bằng thuật toán nén đa độ phân giải dựa trên sự phân tách sóng.
Chức năng này hoạt động trong thời gian thực đem lại tốc độ truyền ổn định với
tỷ lệ nén được tối ưu hóa cho từng kênh phổ để đảm bảo chất lượng ảnh.

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. Bộ cảm quang học trên vệ tinh được thiết kế cải tiến để cung cấp ảnh ở 13
kênh phổ từ dải nhìn thấy, cận hồng ngoại và hồng ngoại sóng ngắn. Thiết bị đa
phổ MSI cung cấp ảnh từ bước sóng 443nm đến 2190nm và chụp bề mặt đất toàn
cầu một cách có hệ thống từ 560 Nam đến 840 Bắc. 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; 20 m ở 6 kênh từ dải viền đỏ và cận hồng
ngoại; 3 kênh độ phân giải 60 m dùng để hiệu chỉnh khí quyển. Sentinel-2 cũng
được thiết kế để quay ống kính đến ± 20,60 dọc theo dải quét để phục vụ các yêu
cầu khẩn cấp. Tín hiệu được truyền đến các trạm mặt đất lõi của Sentinel và thông
qua liên kết laser của EDRS.
Từ khía cạnh quan sát Trái đất, các nhà nghiên cứu ln mong muốn có thể
sử dụng nguồn dữ liệu mở và miễn phí như các dịng 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.
2.2.2. Thiết kế kỹ thuật bộ cảm MSI trên vệ tinh Sentinel-2
Bộ cảm MSI trên vệ tinh Sentinel-2 cịn có các cải tiến rất lớn so với bộ cảm
OLI trên vệ tinh LandSat 8 như: việc thu hẹp độ rộng dải phổ của Sentinel-2 làm
hạn chế ảnh hưởng của các thành phần khí quyển, bao gồm cả hơi nước. Kênh 8A
của Sentinel được thu hẹp dải phổ ở bước sóng 865 nm trong vùng cận hồng ngoại
để tránh ảnh hưởng từ hơi nước nhưng vẫn có khả năng thể hiện được những vùng
có giá trị phổ bằng phẳng, đặc biệt là ở dải phổ cận hồng ngoại cho thảm thực vật
tuy nhiên vẫn nhạy cảm với hàm lượng oxit sắt trong đất. Dải phổ 443 nm cũng
được sử dụng trong các nhiệm vụ như: tính tốn Chỉ số thực vật toàn
cầu ENVISAT MERIS (MGVI) và trong hiệu chỉnh khí quyển cho đầu thu
MODIS của Cơ quan Hàng khơng và Vũ trụ Hoa Kỳ.

HV: Phạm Quang Hiển

7

Độ phân giải không gian và thời gian đang là ưu điểm vượt trội của của thế
hệ vệ tinh quan học Sentinel-2. Một trong những đặc tính vượt trội của Sentinel 2
và Landsat 8 là có cùng dải phổ từ 400nm – 2300nm tuy số lượng băng phổ khác
nhau, 13 băng phổ của ảnh Sentinel 2 so với 9 băng phổ của ảnh Landsat 8. Điều
này được giải thích chủ yếu do khả năng đâm xuyên vào môi trường nước của các
băng phổ khác nhau. Theo mức năng lượng của chúng thì khả năng bị hấp thụ
tăng dần từ bước sóng 400nm đến bị hấp thụ gần như hồn tồn ở bước sóng
900nm. Băng xanh blue có thể đi sâu tối đa 15m, băng xanh (green) xuyên được
tối đa 10m và chỉ 5m đối với băng đỏ. Từ đó có thể thấy, cả ảnh Landsat 8 và
Sentinel 2 đều chứa các băng phổ có bước sóng phù hợp đối với các nhiệm vụ
đánh giá biến động nguồn lợi hoặc chất lượng nước vùng ven bờ, đầm phá, sông.
Đối với ứng dụng theo dõi diễn biến rừng, một trong những phương pháp
triển vọng hiện nay đáp ứng được yêu cầu cập nhật bản đồ hiện trạng rừng là ứng
dụng công nghệ viễn thám để xác định khu vực tăng/giảm rừng đến từng lô kiểm
kê theo thời gian. Tuy nhiên, để ứng dụng công nghệ này, việc lựa chọn tư liệu
ảnh phù hợp là vấn đề đặt ra. Các loại ảnh có độ phân giải khơng gian cao (dưới
10 m) thường có giá thành tương đối đắt. Bên cạnh đó, nếu thực hiện trên khu vực
rộng, sẽ cần dung lượng lưu trữ dữ liệu, thời gian để xử lý ảnh và yêu cầu về cấu
hình phần cứng, phần mềm cho xử lý ảnh rất lớn. Do đó, để áp dụng trên phạm vi
cả nước là khơng khả thi.
Các loại ảnh có độ phân giải không gian thấp (>250 m) như: MODIS,
NOAA, MERIS... một pixel ảnh có thể lớn hơn nhiều so với một lô kiểm kê, nên
không phù hợp với hệ thống giám sát rừng ở quy mơ địa phương. Từ đó, các loại
ảnh vệ tinh có độ phân giải trung bình (10 - 30 m), được cung cấp miễn phí như
Landsat-8, Sentinel-2 tỏ ra có nhiều ưu điểm và triển vọng để giám sát sự thay đổi
độ che phủ rừng ở quy mô địa phương. Để đáp ứng các yêu cầu: phù hợp cho

giám sát sự thay đổi độ che phủ rừng ở quy mô địa phương và độ phân giải khơng
gian cao nhất có thể, ảnh vệ tinh Landsat-8 OLI và Sentinel-2 là 2 loại ảnh có tiềm
năng nhất. Sự tương đồng về mối quan hệ phổ giữa ảnh Sentinel 2 và Landsat 8
sẽ làm tăng giá trị sử dụng khi kết hợp cả hai nguồn ảnh vào các nghiên cứu về
mặt đất, bao gồm theo dõi diễn biến rừng.
Từ khía cạnh quan sát Trái đất, các nhà nghiên cứu ln mong muốn có thể
sử dụng nguồn dữ liệu mở và miễn phí như các dịng vệ tinh Landsat và Sentinel.
Như đã đề cập ở trên, khi kết hợp ảnh các vệ tinh Landsat 5-8 với bộ cảm dòng
vệ tinh Sentinel, ở đây là Sentinel-2 sẽ đạt tần suất chụp lặp 3 ngày tại một điểm
trên mặt đất. Mặc dù các đầu thu này có độ phân giải khơng gian ở mức trung
bình (30m đối với Landsat và 10m đối với Sentinel-2) khi so sánh với các dữ liệu
HV: Phạm Quang Hiển


8

ảnh khác như Quickbird (0.6m) hoặc WorldView (0.5m) nhưng vẫn có thể mang
lại kết quả mong muốn nếu áp dụng phương pháp phù hợp.
Hiện nay, ảnh vệ tinh đa phổ Sentinel-2 và Landsat 8 OLI được đặc biệt quan
tâm không chỉ bởi các tính năng kỹ thuật mà cịn ở chu kỳ chụp lặp của chúng.
Nếu hoạt động độc lập, Landsat chỉ chụp lặp ảnh 16 ngày/lần thay vì 5 ngày như
Sentinel-2. Từ năm 2017, khi vệ tinh Sentinel-2B được phóng lên quỹ đạo và hoạt
động ổn định, kết hợp với Landsat 8 OLI thì thế giới được cung cấp ảnh quang
học độ phân giải cao với chu kỳ 3 ngày và được phân phối miễn phí trên tồn cầu.
2.2.3. Thiết kế khả năng lấy mẫu của bộ cảm quang phổ MSI
Như chúng ta đã biết Sentinel-2 có nhiệm vụ cung cấp tính liên tục cho các
dịch vụ quan sát dựa trên các quan sát quang học có độ phân giải không gian cao
và đa phổ trên bề mặt trên mặt đất toàn cầu. Bộ cảm MSI trên vệ tinh Sentinel-2
được thiết kế để mang dụng cụ quang học lấy mẫu ở 13 dải quang phổ kéo dài từ
dải nhìn thấy, cận hồng ngoại và hồng ngoại sóng ngắn và độ phân giải không

gian thay đổi từ 10 m đến 60 m tùy thuộc vào dải quang phổ với trường quan sát
dài 290 km. Bộ cảm MSI trên vệ tinh Sentinel-2 cịn có các cải tiến so với bộ cảm
thu nhận ảnh mặt đât của vệ tinh quang học LandSAT như sau:
- Dải phổ cận hồng ngoại gốc của ảnh vệ tinh LandSAT (760-900nm) bị
ảnh hưởng nặng bởi hơi nước và không đủ nhạy đối với các tham số
như hàm lượng oxit sắt trong đất. Do đó, việc thu hẹp độ rộng dải phổ
của Sentinel-2 làm hạn chế ảnh hưởng của các thành phần khí quyển, bao
gồm cả hơi nước.Độ hẹp của dải phổ 8A ở 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 những vùng có giá trị phổ đặc trưng bằng
phẳng (plateau), đặc biệt là ở dải dải phổ cận hồng ngoại cho thảm thực
vật tuy nhiên vẫn đủ để nhạy cảm với hàm lượng oxit sắt trong đất.
- 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). Dải phổ 443 nm cũng được sử dụng trong các nhiệm vụ
như: tính tốn Chỉ số thực vật tồn cầu ENVISAT MERIS (MGVI) và
trong hiệu chỉnh khí quyển cho đầu thu MODIS của Cơ quan Hàng không
và Vũ trụ Hoa Kỳ.
- Hiệu chỉnh dữ liệu đối với các đám mây voan mỏng có thể được thực hiện
bằng cách sử dụng thơng tin của dải phổ cận hồng ngoại. Do tác động
tiềm tàng của các đám mây voan mỏng này đối với các giá trị phản xạ
cũng như việc sử dụng nó như một chỉ số trong dự báo thời tiết và vai trị
của nó trong bẫy bức xạ tới của mặt trời, vì vậy, sự xuất hiện của đám
HV: Phạm Quang Hiển


9

mây cần được chỉ rõ. Việc đầu thu đa phổ của Sentinel-2có thêm một dải
quang phổ ở bước sóng 1375 nm, Kênh 10, có thể phát hiện được những

đám mây li ti là để phát hiện được mây này.
Độ phân giải không gian thể hiện ở các kênh phổ như sau: dải nhìn thấy và
cận hồng ngoại có độ phân giải không gian là 10 mét; các dải viền đỏ (dải đỏ và
gần hồng ngoại) và hai dải hồng ngoại sóng ngắn có độ phân giải khơng gian 20
mét; dải hơi nước và mật độ mây phục vụ quan sát ven biển có độ phân giải khơng
gian là 60 mét. 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
Bước sóng Độ rộng
Ứng dụng của
Kênh
Độ phân
Số
trung tâm kênh phổ
kênh phổ
phổ
giải
kênh
(nm)
(nm)
443
20
60
Hiệu chỉnh Sol khí
B1
490

65

10

Hiệu chỉnh Sol khí
và đo đạc đất đai

B3

560

35

10

Đo đạc đất đai

B4

665

30

10

Đo đạc đất đai

B5

705

15

20

Đo đạc đất đai

B6

740

15

20

Đo đạc đất đai

783

20

20

Đo đạc đất đai

842

115

10

Hiệu chỉnh hơi
nước vàđo đạc đất

đai

865

20

20

Hiệu chỉnh hơi
nước và đo đạc đất
đai

945

20

60

Hiệu chỉnh hơi
nước

1380

20

60

Hiện chỉnh mây ti.

1610

90

20

Đo đạc đất đai

2190

180

20

Hiệu chỉnh Sol khí
và đo đạc đất đai

B2

B7

VNIR

B8

B8a
B9
B10
B11

SWIR

B12
HV: Phạm Quang Hiển


10

Với 13 dải quang phổ trải dài từ nhìn thấy và cận hồng ngoại đến hồng ngoại
sóng ngắn ở độ phân giải không gian khác nhau từ trong khoảng 10 đến 60 m.
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 tồn cầu và đảm bảo các khả năng
tương thích với dữ liệu vệ tinh SPOT 4 và 5, landsat 8. Sáu kênh phổ ở độ phân
giải không gian 20m dùng chung cho mục đích đo đạc đất đai và hiệu chỉnh. Riêng
ba kênh phổ có độ phân giải khơng gian 60m chủ yếu dành riêng cho hiệu chỉnh
khí quyển và sàng lọc trên đám mây, 443nm để thu hồi sol khí, 940nmđể điều
chỉnh hơi nước và 1375nm cho phát hiện đám mây voan mỏng. Độ phân giải 60
m được coi là đủ để nắm bắt sự thay đổi không gian của thơng số địa vật lý khí
quyển. 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.
Dải phổ 443 nm được sử dụng trong các nhiệm vụ trước: để tính tốn Chỉ số
MGVI và trong hiệu chỉnh khí quyển cho đầu thu MODIS của NASA. 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.
Việc có thêm một dải quang phổ ở bước sóng 1375 nm (Kênh 10) có thể phát

hiện đám mây voan mỏng, do tác động tiềm tàng của nó đối với các giá trị phản
xạ, việc sử dụng nó như một chỉ báo trong dự báo thời tiết và vai trị của nó trong
bẫy bức xạ tới của mặt trời, do đó, sự xuất hiện của đám mây cần được chỉ rõ.
HV: Phạm Quang Hiển


11

2.2.4. Khả năng cung cấp thông tin các dải phổ trong giám sát rừng
Đối với ứng dụng theo dõi diễn biến rừng, một trong những phương pháp
triển vọng hiện nay đáp ứng được yêu cầu cập nhật bản đồ hiện trạng rừng là ứng
dụng công nghệ viễn thám để xác định khu vực tăng/giảm rừng đến từng lô kiểm
kê theo thời gian. Tuy nhiên, để ứng dụng công nghệ này, việc lựa chọn tư liệu
ảnh phù hợp là vấn đề đặt ra.
Các loại ảnh có độ phân giải khơng gian cao (dưới 10m) thường có giá thành
tương đối đắt. Bên cạnh đó, nếu thực hiện trên khu vực rộng, sẽ cần dung lượng
lưu trữ dữ liệu, thời gian để xử lý ảnh và yêu cầu về cấu hình phần cứng, phần mềm
cho xử lý ảnh rất lớn. Do đó, để áp dụng trên phạm vi cả nước là không khả thi, các
loại ảnh có độ phân giải khơng gian thấp (>250 m) như: MODIS, NOAA, MERIS...
một pixel ảnh có thể lớn hơn nhiều so với một lô kiểm kê, nên không phù hợp với
hệ thống giám sát rừng ở quy mơ địa phương. Từ đó, các loại ảnh vệ tinh có độ
phân giải trung bình (10 - 30 m), được cung cấp miễn phí như Landsat-8, Sentinel2 tỏ ra có nhiều ưu điểm và triển vọng để giám sát sự thay đổi độ che phủ rừng ở
quy mô địa phương. Để đáp ứng các yêu cầu: phù hợp cho giám sát sự thay đổi độ
che phủ rừng ở quy mô địa phương và độ phân giải không gian cao nhất có thể, ảnh
vệ tinh Sentinel-2 là loại ảnh có tiềm năng nhất. Kết hợp với sự tương đồng về mối
quan hệ phổ giữa ảnh Sentinel 2 và Landsat 8 giá trị sử dụng sẽ được tăng rất lớn
trong các nghiên cứu về mặt đất, bao gồm theo dõi diễn biến rừng.
2.2. Thư viện Eo-Learn
Eo-learn giúp việc khai thác thông tin có giá trị từ hình ảnh vệ tinh trở nên
dễ dàng.

Sự sẵn có của dữ liệu quan sát Trái đất mở (EO) thơng qua các chương trình
Copernicus và Landsat đại diện cho một nguồn tài nguyên chưa từng có cho nhiều
ứng dụng EO, từ việc sử dụng đại dương và đất liền, giám sát lớp phủ, kiểm soát
thảm họa, dịch vụ khẩn cấp và cứu trợ nhân đạo. Với lượng lớn dữ liệu có độ phân
giải khơng 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.
Eo-learn là một tập hợp các gói Python mã nguồn mở đã được phát triển để
truy cập và xử lý liền mạch các chuỗi hình ảnh khơng gian-thời gian mà bất kỳ
đội vệ tinh nào thu được một cách kịp thời và tự động. Eo-learn rất dễ sử dụng,
được thiết kế theo mơ-đun và khuyến khích cộng tác - chia sẻ và sử dụng lại các
tác vụ cụ thể trong quy trình khai thác giá trị EO điển hình, chẳng hạn như tạo
mặt nạ đám mây, đồng đăng ký hình ảnh, trích xuất tính năng, phân loại, v.v. Mọi
người được tự do sử dụng bất kỳ nhiệm vụ nào có sẵn và được khuyến khích cải
tiến, phát triển những tác vụ mới và chia sẻ chúng với phần còn lại của cộng đồng.
Eo-learn giúp việc khai thác thơng tin có giá trị từ hình ảnh vệ tinh dễ dàng
như xác định một chuỗi các thao tác sẽ được thực hiện trên hình ảnh vệ tinh. Hình
HV: Phạm Quang Hiển


12

ảnh bên dưới minh họa một chuỗi xử lý lập bản đồ nước trong hình ảnh vệ tinh
bằng cách lập ngưỡng Chỉ số Nước Chênh lệch Chuẩn hóa trong khu vực quan
tâm do người dùng chỉ định. Hình 2.2 dưới đây mơ tả về quy trình xử lý ảnh của
thư viện Eo-Learn áp dụng trong bài toán giám sát độ phủ nước [15]

Hình 2.2: Ví dụ về quy trình xử lý ảnh của thư viện Eo-Learn
Thư viện eo-learn đóng vai trò là cầu nối giữa lĩnh vực quan sát Trái đất/Viễn
thám và hệ sinh thái Python cho khoa học dữ liệu và học máy. Thư viện được viết
bằng Python và sử dụng mảng NumPy để lưu trữ và xử lý dữ liệu viễn thám. Mục

đích của nó là một mặt giúp những người không phải chuyên gia vào lĩnh vực
viễn thám dễ dàng hơn và mang các công cụ hiện đại nhất về thị giác máy tính,
máy học và học sâu hiện có trong hệ sinh thái Python cho các chuyên gia viễn
thám.
Eo-learn được chia thành nhiều gói con theo các chức năng khác nhau và
phụ thuộc gói bên ngồi. Do đó, người dùng khơng cần thiết phải cài đặt tồn bộ
gói mà chỉ cài đặt những phần mà họ cần.
Hiện tại có các gói con sau:
- Eo-learn-core: Gói con chính thực hiện các khối xây dựng cơ bản
(EOPatch, EOTask và EOWorkflow) và các chức năng thường được sử
dụng.
- Eo-learn-coregistration: Gói con xử lý đồng đăng ký hình ảnh.
- Eo-learn-features: Tập hợp các tiện ích để trích xuất thuộc tính dữ liệu và
thao tác với tính năng.
- Eo-learn-geometry: Gói con hình học dùng để biến đổi hình học và
chuyển đổi giữa dữ liệu vectơ và dữ liệu raster.
- 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.
HV: Phạm Quang Hiển


13

- Eo-learn-mask: Gói con được sử dụng để che dữ liệu và tính tốn mặt nạ
đám mây.
- Eo-learn-ml-tools: Các cơng cụ khác nhau có thể được sử dụng trước hoặc
sau q trình học máy.
- Eo-learn-visualization: Cơng cụ trực quan hóa các yếu tố cốt lõi của eolearn.
2.3. Phần mềm Envi
ENVI (ENvironment for Visualizing Images) là bộ sản phẩm phần mềm của

hãng EXELIS Visual Information Solutions (Mỹ) – – 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 cơng nghệ phân tích địa khơng gian nhằm khai thác những thơng
tin có giá trị hỗ trợ ra quyết định chính xác và kịp thời. Với giao diện hiện đại, dễ
sử dụng và các tính năng nổi trội trong xử lý phân tích ảnh được quy trình hóa và
được phát triển nâng cấp thường xuyên, bộ phần mềm ENVI ngày càng trở thành
công cụ khai thác thông tin địa không gian hiệu quả trong các ứng dụng bản đồ
và tài ngun và mơi trường đa ngành.
Những tính năng nổi trội của bộ phần mềm ENVI bao gồm:
- Làm việc (hiển thị và xử lý) số lượng và dung lượng ảnh lớn;
- Đọc, hiển thị và phân tích nhiều định dạng (format) ảnh vệ tinh, ảnh thông
dụng, dữ liệu raster và DEM;
- Khai thác thông tin từ nhiều loại ảnh vệ tinh và ảnh hàng không khác
nhau (VNREDSat-1, SPOT, Landsat, ASTER, QuickBird, GeoEye,
WorldView, Radar, Vexcel…);
- Trộn các dạng ảnh (ảnh quang học, ảnh radar…) nhằm hiểu rõ đặc điểm
của vùng nghiên cứu;
- Bộ công cụ xử lý ảnh đa dạng dựa trên các phương pháp khoa học đã
được kiểm chứng như cơng cụ xử lý hình học, cơng cụ phân tích phổ,
cơng cụ phân tích dữ liệu và các cơng cụ nâng cao;
- 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;
- Với ngơn ngữ lập trình IDL, ENVI có khả năng tùy biến và mở rộng theo
yêu cầu quy trình xử lý phân tích ảnh của khách hàng.
Các sản phẩm ENVI

HV: Phạm Quang Hiển

14

Bộ phần mềm ENVI có khố cứng và khố mềm thường được cung cấp đóng
gói theo các mức sản phẩm như sau:
- Phần cơ bản - ENVI (Runtime) hoặc ENVI+IDL
- Các mô-đun mở rộng (theo yêu cầu).
Các mô-đun mở rộng tính năng của ENVI được thiết kế để thực hiện những
pháp xử lý chuyên sâu cần đến những công cụ xử lý ảnh nâng cao, như:
Mô-đun Rigorous Orthorectification: nắn chỉnh hình học về tọa độ mặt đất
và tạo ảnh trực giao với độ chính xác cao. Module này dựa trên mơ hình tốn học
sử dụng các thơng số của sensor cụ thể (ví dụ như bộ cảm SPOT hoặc Landsat)
nhằm loại bỏ những yếu tố gây méo ảnh trong quá trình bay chụp. Module
Rigorous Orthorectification cho phép:
- Dễ sử dụng với giao diện wizard-based theo từng bước trong quá trình
nắn chỉnh;
- Làm việc với nhiều dạng sensor (ví dụ SPOT 1-5, IKONOS-2,
QuickBird-2, Landsat 4-5, Landsat 7 ETM+, ASTER, VNREDSat-1...);
- Tăng độ chính xác với việc lựa chọn các điểm GCP và các điểm chung
của ảnh liền kề khi xử lý hàng loạt ảnh;
- Tự động hóa q trình nắn chỉnh hình học và chuyển kết quả dễ dàng vào
cơ sở dữ liệu GIS.
Hình 2.3 dưới đây thể hiện tác vụ xử lý ảnh với mô-đun Rigorous
Orthorectification của phần mềm Envi [18].

Hình 2.3: Xử lý ảnh với Mơ-đun Rigorous Orthorectification
HV: Phạm Quang Hiển


15

Mơ-đun ENVI Feature Extraction (FX): Tìm, phát hiện và chiết tách thơng
tin từ các đối tượng quan tâm (ví dụ như cơng trình tịa nhà, sân bóng, phương
tiện giao thơng, đường xá cầu cống, sông hồ…) dựa trên các đặc tính khơng gian,
đặc tính phổ hoặc đặc tính texture... từ các loại ảnh vệ tinh & ảnh hàng không
khác nhau. Với khả năng tùy biến và dễ tích hợp với ArcGIS, ENVI FX cho phép
người dùng thay đổi các thông số phù hợp trong chuỗi quy trình xử lý phân tích
ảnh phức tạp và chiết tách thơng tin cần thiết, ví dụ như phát hiện xe tăng, cơng
trình qn sự hoặc đường băng quân sự… Hình 2.4 dưới đây thể hiện xử lý ảnh
với mô-đun Feature Extraction của phần mềm Envi [18].

Hình 2.4: Xử lý ảnh với Mơ-đun Envi Feature Extraction
Mơ-đun ENVI DEM: Tạo lập mơ hình địa hình số (DEM) từ cặp ảnh stereo
(ảnh vệ tinh ASTER, IKONOS, OrbView-3, QuickBird và SPOT 1-5) hoặc ảnh
hàng không. Với khả năng tùy biến, người dùng có thể tương tác xem cặp ảnh
stereo, đo độ cao của tòa nhà hoặc đỉnh núi, chỉnh sửa giá trị DEM và chiết tách
các đối tượng 3Du. Hình 2.5 dưới đây thể hiện xử lý ảnh với mơ-đun Envi Dem
của phần mềm Envi [18].

Hình 2.5: Xử lý ảnh với Mô-đun Envi Dem
HV: Phạm Quang Hiển


16

Mô-đun ENVI Atmospheric Correction Module (ACM): Thực hiện tiền xử
lý được quy trình hóa - cho phép loại bỏ hoặc hiệu chỉnh chuyên sâu về các ảnh
hưởng của khí quyển đối với ảnh vệ tinh gốc để tạo ảnh viễn thám lên level cao
hơn chuẩn bị cho các bước xử lý phân tích tiếp theo. ENVI ACM cho phép thực
hiện hiệu chỉnh nhanh (on-the-fly sử dụng phương pháp QUAC và hiệu chỉnh

nâng cao dựa trên mơ hình vật lý ảnh – phương pháp FLAASH đối với hầu hết
các loại ảnh vệ tinh thường sử dụng hiện tại. Mô-đun này cần thiết đối với các
ứng dụng theo dõi các thay đổi về địa hình hoặc các nhóm đối tượng một cách
định lượng. Hình 2.6 dưới đây thể hiện xử lý ảnh với mơ-đun Atmospheric
Correction của phần mềm Envi [18].

Hình 2.6: Xử lý ảnh với Mô-đun Envi Atmospheric Correction module
Mô-đun ENVI NITF: Đọc, chỉnh sửa và phân phối ảnh viễn thám trong định
dạng (format) NITF có hiệu suất nén ảnh cao. 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 phịng… Hình 2.7 dưới
đây thể hiện xử lý ảnh với mô-đun Envi Atmospheric Correction của phần mềm
Envi [18].

Hình 2.7: Xử lý ảnh với Mơ-đun Envi NITF [6]
HV: Phạm Quang Hiển


17

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. Hình 2.8 dưới đây thể hiện xử lý ảnh với
mơ-đun Envi Lidar của phần mềm Envi [18].

Hình 2.8: Xử lý ảnh với sản phẩm chuyên dụng Envi Lidar
Phần mềm ENVI LIDAR cho phép người dùng xử lý dữ liệu đám mây điểm
LiDAR nhằm phát hiện và chiết tách các đối tượng 3D như cây cối, đường dây
điện, cơng trình xây dựng với các yếu tố như hình khối khung nhà và mái, mơ

hình số độ cao… ENVI LIDAR kết hợp việc nhận dạng tự động với các công cụ
tương tác để người dùng có thể điều chỉnh các thơng số xử lý nhằm kiểm soát
được chất lượng sản phẩm kết quả. Với chức năng hiển thị 3D và kết nối trực tiếp
với ArcGIS, ENVI LiDAR có khả năng kết nối tốt với các hệ thống xử lý phân
tích địa khơng gian khác, khả năng mở rộng tùy biến thông qua API và đọc được
tất cả các định dạng dữ liệu LIDAR thông dụng như LAS, LAZ, ASCII...
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].

Hình 2.9: Xử lý ảnh với sản phẩm chuyên dụng Envi SARScape
HV: Phạm Quang Hiển