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
TRƢỜNG ĐẠI HỌC CÔNG NGHỆ

PHẠM QUANG HIỂN

NGHIÊN CỨU PHƢƠNG PHÁP TRÍCH XUẤT ĐẶC TRƢNG 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
TRƢỜNG ĐẠI HỌC CÔNG NGHỆ

PHẠM QUANG HIỂN

NGHIÊN CỨU PHƢƠNG PHÁP TRÍCH XUẤT ĐẶC TRƢNG 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
NGƢỜI HƢỚNG DẪN KHOA HỌC
1. TS LÊ HỒNG ANH
2. PSG.TS TRƢƠNG NINH THUẬN

Hà Nội, 10/2020

LỜI CẢM ƠN
Đầu ti n tôi xin ày t l ng m n h n thành và s u sắ nh t ến TS Lê
Hồng Anh và PGS.TS Tr ng Ninh Thuận v s h ng n và h
o tận t nh
ủa hai thầy trong suốt quá tr nh em theo họ ũng nh làm luận văn tốt nghiệp.
Nh ng nh h ng nh ng l i khuy n và nh ng kiến thứ vô ng qu giá ủa
hai Thầy ã giúp em r t nhiều trong quá tr nh hồn thành luận văn tốt nghiệp.
Tơi xin
g i l i m n s u sắ nh t t i á Thầy Cô trong khoa Công
nghệ thông tin - tr ng Đ i họ Công Nghệ - Đ i họ Quố gia Hà N i n i
hung ũng nh á thầy ô trong
môn Công nghệ Phần mềm n i ri ng ã
tận t nh gi ng y trang
ho tôi nh ng kiến thứ qu áu trong suốt quá tr nh
tôi họ tập t i khoa. Đ y ũng h nh là tiền ề giúp tơi hồn thiện luận văn th
sỹ.
Cuối ng tôi ũng xin
g i l i m n h n thành ến á anh h em
ồng nghiệp ũng nh gia nh n
ng i th n ã giúp
tôi về vật h t
l n tinh thần tơi hồn thành
luận văn này.
M
ã r t ố gắng nh ng luận văn hắ hắn không tránh kh i nh ng
thiếu s t tôi r t mong nhận
nh ng kiến nhận xét và ánh giá từ ph a á
Thầy Cơ luận văn
hồn thiện h n.

Tơi xin chân thành cảm ơn!
Hà Nội, tháng 10 năm 2020
Họ vi n

Phạm Quang Hiển

HV: Phạm Quang Hiển


LỜI CAM ĐOAN
Tôi xin am oan luận văn “Nghiên cứu phương pháp trích xuất đặc trưng
trên ảnh vệ tinh sử dụng các kỹ thuật học sâu”
n ủa TS L Hồng Anh và PGS.TS Tr
nghi n ứu li n quan ều
liệu tham kh o. Không
ng

tr h

hiện

is h

ng

ng Ninh Thuận. Tham kh o từ nh ng
n m t á h rõ ràng trong anh mụ tài

việ sao hép tài liệu

i khá mà không h rõ về tài liệu tham kh o.

HV: Phạm Quang Hiển

th

ông tr nh nghi n ứu ủa


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. T nh

p thiết và l

o họn ề tài ...................................................................................... 1

1.2. Mụ ti u và ph m vi nghi n ứu ......................................................................................... 2
1.3. N i ung nghi n ứu ........................................................................................................... 3
1.4. C u trú 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 ủa vệ tinh Sentinel-2............................................................................ 5
2.2.2. Thiết kế kỹ thuật
m MSI tr n vệ tinh Sentinel-2 ...................................................... 6

2.2.3. Thiết kế kh năng l y m u ủa
m quang phổ MSI ................................................... 8
2.2.4. Kh năng ung p thông tin á
i phổ trong giám sát rừng ....................................... 11
2.2. Th 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 ..................................................................................... 20
3.1. Gi i thiệu về họ s u ......................................................................................................... 20
3.2. M ng n -ron t h hập (Convolutional neural network) ................................................... 23
3.1.1. Kiến trú .......................................................................................................................... 23
3.1.2. Cá si u tham số ủa lọ (hyper-parameter) .............................................................. 26
3.1.3. Điều h nh á si u tham số ............................................................................................ 28
3.1.4. Nh ng kiến trú s ụng thủ thuật t nh toán ................................................................... 28
3.3. Unet .................................................................................................................................. 29
3.4. Tr h xu t l p phủ th vật s ụng EO-learn .................................................................. 31
3.3.1. Đ phủ th vật ............................................................................................................... 31
3.3.2. Quy tr nh x l ................................................................................................................ 33
Ch ng 4: THỰC NGHIỆM .................................................................................................... 38
4.1. V ng th

nghiệm ............................................................................................................. 38

4.2. Kết qu th nghiệm ......................................................................................................... 40
4.2.1. Kết qu h y th nghiệm ủa ề tài .............................................................................. 40
4.2.2. So sánh kết qu th nghiệm v i phần mềm Envi .......................................................... 42
Ch ng 5. KẾT LUẬN ............................................................................................................ 44
TÀI LIỆU THAM KHẢO ........................................................................................................ 46
PHỤ LỤC ................................................................................................................................. 48

HV: Phạm Quang Hiển


DANH MỤC CÁC KÝ HIỆU VÀ CHỮ VIẾT TẮT
Viết tắt

Giải thích

RGB

Tổ h p màu Re Green Blue

AOI

Area-of-interest

CNNs

Convolutional neural network

DL

Deep Learning (Họ s u)

PNR

V

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

n t nhiên

p vùng


DANH MỤC CÁC BẢNG
B
B
B
B
B
B
B
B
B

ng 2.1: Đ t nh kỹ thuật ủa hệ thống Sentinel-2 ................................................................. 5
ng 2.2: B
s ng ủa á k nh phổ và á ứng ụng ủa
liệu Sentinel-2 ...................... 9
ng 2.3: EO tasks Core .......................................................................................................... 48
ng 2.4: EO tasks Coregistration ........................................................................................... 48
ng 2.5: EO tasks Features ..................................................................................................... 49
ng 2.6: EO tasks Geometry .................................................................................................. 51
ng 2.7: EO tasks Io ............................................................................................................... 51
ng 2.8: EO tasks Mask ......................................................................................................... 53
ng 2.9: EO tasks ml_tools .................................................................................................... 53

B ng 4.1: B ng so sánh á
và kết qu x l nh vệ tinh gi a phần mềm envi và hệ
thống s ụng Unet và Eo-Learn .............................................................................................. 42

HV: Phạm Quang Hiển


DANH MỤC CÁC HÌNH VẼ, ĐỒ THỊ
Hình 2.1: D i phổ và
ph n gi i không gian ủa á
liệu Sentinel-2 .............................. 10
H nh 2.2: V ụ về quy tr nh x l nh ủa th viện Eo-Learn ................................................ 12
H nh 2.3: X l nh v i Mô- un Rigorous Orthore tifi ation ................................................. 15
H nh 2.4: X l nh v i Mô- un Envi Feature Extraction ....................................................... 15
H nh 2.5: X l nh v i Mô- un Envi Dem ............................................................................. 16
H nh 2.6: X l nh v i Mô- un Envi Atmospheri Corre tion mo ule ................................. 16
Hình 2.7: X l nh v i Mô- un Envi NITF [6] ...................................................................... 17
H nh 2.8: X l nh v i s n phẩm huy n ụng Envi Li ar .................................................... 17
H nh 2.9: X l nh v i s n phẩm huy n ụng Envi SARS ape ........................................... 18
Hình 2.10: Quy tr nh x l nh v i phần mềm Envi ................................................................ 19
H nh 3.1: Mối quan hệ gi a AI Ma hine Learning và Deep Learning ................................... 21
H nh 3.2: Cá thành phần trong kiến trú truyền thống ủa CNN ........................................... 23
Hình 3.3: Minh ho t h hập (Convolution) ........................................................................... 24
Hình 3.4: Làm m nh ằng á h l y giá tr trung nh á i m nh l n ận ........................ 24
Hình 3.5: Phát hiện i n nh ằng á h t nh vi ph n ............................................................. 25
H nh 3.6: V ụ minh ho l y giá tr l n nh t (Max pooling) .................................................. 25
H nh 3.7: V ụ minh ho l y giá tr trung nh (Average pooling) ......................................... 26
Hình 3.8: Minh ho về kết nối ầy ủ (Fully onne te ) trong CNNs .................................... 26
Hình 3.9: Minh ho á hiều ủa lọ ................................................................................. 27
Hình 3.10: Minh ho về tr t (Stri e) ................................................................................. 27
Hình 3. 11: Minh ho t nh t ng th h ủa á tham số trong t h hập.................................. 28
Hình 3.12: V ụ minh ho về GAN ......................................................................................... 29
Hình 3. 13: Minh ho về ph ng thứ kết nối tắt (Skip onne tions) ..................................... 29
H nh 3.14: Kiến trú m ng U-net ............................................................................................. 31

Hình 3. 15: Chọn v ng t i nh vệ tinh...................................................................................... 33
Hình 3.16: C u trú file Geojson ủa v ng họn t i nh vệ tinh .............................................. 34
H nh 3.17: ăng k tài kho n tr n Sentinel-hu
t i nh vệ tinh .......................................... 35
Hình 3.18: C u h nh á thông số trên Sentinel-hub t i
liệu nh vệ tinh ....................... 35
H nh 3.19: C u h nh t nh h số NDVI Json file ...................................................................... 36
H nh 3.20: Json file u h nh t nh h số NDVI tr n Sentinel-hub........................................... 36
H nh 3.21: C u h nh á thông số ph a Client t i nh vệ tinh ............................................. 36
Hình 3.22: Quy tr nh x l nh vệ tinh v i mô h nh Unet và th viện Eo-learn...................... 37
Hình 4.1: Ma trận
h nh xá ủa mơ h nh (Confusion matrix)............................................ 42
Hình 4.2: Ma trận
h nh xá gi a hệ thống (trái, ~ 84,5%) và phần mềm ENVI (ph i, ~
87,1%) khi th nghiệm v i ng
liệu ............................................................................. 43

HV: Phạm Quang Hiển


1

CHƢƠNG 1. GIỚI THIỆU
1.1. Tính cấp thiết và lý do chọn đề tài
Năm 1943 là giai o n manh nha t ởng về tr tuệ nh n t o tr i qua á
giai o n h nh thành và phát tri n ến nay tr tuệ nh n t o ngoài việ trở thành
lĩnh v nghi n ứu hủ hốt ở á viện nghi n ứu và tr ng i họ việ ứng
ụng tr tuệ nh n t o vào á lĩnh v khoa họ kỹ thuật s n xu t ã trở n n vô
ng kh thi. Từ á ứng ụng họ tiếng anh ph n t h
liệu vận hành hệ

thống s n xu t xe t hành y tế nông l m nghiệp … ều ứng ụng ủa tr tuệ
nh n t o nhằm n ng ao hiệu su t ũng nh kết qu ho t ng nhằm phụ vụ
nhu ầu ủa on ng i ngày m t tốt h n. Tr tuệ nh n t o ã g p phần gi i quyết
nh ng ài toán v i quy mô l n nh ng việ mà tr
y v i sứ ng i không
th ho r t kh khăn gi i quyết.
Đi ng v i giai o n phát tri n ủa tr tuệ nh n t o lĩnh v nghi n ứu
khoa họ vũ trụ ũng
phát tri n hết sứ m nh mẽ năm 1957 Li n Xô ã
ph ng thành ông vệ tinh Sputnik 1 l n không gian ho ến nay ã
hàng
trăm vệ tinh ho t ng tr n không gian v i nhiệm vụ thu thập
liệu viễn thám
phụ vụ nhu ầu nghi n ứu khoa họ .
Nguy n l ho t ng ủa viễn thám là nh vào s ph n x ề m t ủa á
vật th
ối t ng tr n ề m t Trái Đ t s ụng á
i phổ ho nguồn năng
l ng khá nhau. Do
m i lo i ề m t kết u
tr ng khá nhau sẽ ph n
x tán x l i nh ng giá tr khá nhau. Đối v i m i nguồn năng l ng khá nhau
liệu viễn thám l i mang á
tr ng ri ng. T n hiệu ph n x l i từ á ề
m t l p phủ tr n Trái Đ t sau
thu thập và x l t i á tr m thu
liệu
nh vệ tinh s ụng nghi n ứu ho á miền ứng ụng khá nhau. [1]
V i s phát tri n m nh mẽ ủa khoa họ
á lo i nh viễn thám thông

ụng nh Mo is Lan sat 8 Spot 5 Venus Sentinel 2A… ã
s ụng
trong nhiều lĩnh v nh :
- Kh t ng: ng
áo th i tiết
áo thi n tai li n quan ến iến
ổi nhiệt
ề m t t m y...
- B n ồ: là ông ụ ắ l phụ vụ ho ngành n ồ thành lập á lo i
n ồ a h nh và n ồ huy n ề ở nhiều t khác nhau.
- Nông-L m nghiệp: theo õi mứ
iến ổi th m phủ th vật
he
phủ rừng...
- Đ a h t: Theo õi tố
sa m hoá tố
x m th
i n ph n
t h nh ng u trú
a h t tr n m t ũng nh
n trong l ng t (v
trái t)...
HV: Phạm Quang Hiển


2

- Môi tr ng: Giám sát iến ng ô nhiễm r r ầu tr n m t (thông qua
h th th vật) nghi n ứu qu n l iến ng ô th h a nghi n ứu
hiện t ng o nhiệt ô th ...

Th m th vật ng vai tr quan trọng trong việ uy tr t nh a ng sinh
họ ủa hệ sinh thái. L p phủ rừng nh h ởng t i s sinh tồn ủa á loài sinh
vật qu hiếm nh ng loài ng vai tr quan trọng trong hệ sinh thái theo th i
gian
i s tá
ng ủa t nhi n và on ng i l p phủ th vật sẽ
nh ng
thay ổi nh t nh.
Ngày nay v i s phát tri n m nh mẽ ủa ông nghệ và Internet việ s
ụng ông nghệ viễn thám trong á ài toán giám sát quan trắ á lo i ề m t
l p phủ tr n trái t n i hung và giám sát l p phủ th vật n i ri ng ã
áp
ụng r t phổ iến và r ng rãi. Công nghệ Viễn thám và hệ thông tin a l (GIS
– Geographi al Information System)
ứng ụng nhiều trong nghi n ứu
iều tra x y ng n ồ l p phủ th vật. Ứng ụng ông nghệ này trong việ
nghiên ứu ánh giá iến ng l p phủ th v t m o t nh khá h quan
h nh xá ao tiết kiệm th i gian.
Tuy nhi n trong vài năm gần y v i s
ng nổ ủa tr tuệ nh n t o (AI Artificial Intelligence) ã a việ áp ụng ông nghệ vào mọi m t trong i
sống xã h i l n m t tầm ao m i. V i việ áp ụng á kỹ thuật họ s u (DL –
Deep Learning) vào ông nghệ viễn thám ã giúp ho húng ta gi i quyết
r t nhiều ài toán kh khăn mà ối v i á ông nghệ tr
y ph i m t r t
nhiều th i gian m i th x l
.
Ch nh v l o tr n
i s h ng n ủa TS L Hồng Anh và PSG.TS
Tr ng Ninh Thuận tôi ã l a họn ề tài “Nghiên cứu phương pháp trích xuất
đặc trưng trên ảnh vệ tinh sử dụng các kỹ thuật học sâu” áp ụng trong việ

tr h xu t
tr ng nh vệ tinh nhằm giám sát l p phủ th vật, h tr ho ông
tác qu n l nông nghiệp và l m nghiệp ở Việt Nam.
1.2. Mục tiêu và phạm vi nghiên cứu
Th m th vật
vai tr r t quan trọng ối v i u sống ủa on ng i
ũng nh môi tr ng nh : ung p nguồn g iều h a không kh t o ra oxy là
n i trú ng th vật ngăn h n gi ão hống x i m n t m o ho s
sống h n hế iến ổi kh hậu…
Chính v thế việ giám sát l p phủ th vật là iều vô ng quan trọng. C
r t nhiều nguy n nh n nh h ởng ến s iến ổi l p phủ th vật nh : khai
thá trái phép ốt n ng làm r y háy rừng… làm ho việ giám sát l p phủ
th vật trở n n hết sứ kh khăn. V i ông nghệ phát tri n việ ứng ụng ông
nghệ thông tin vào việ gi m sát l p phủ th vật là nhu ầu vô ng p thiết.
HV: Phạm Quang Hiển


3

Đ x l v n ề này á phần mềm huy n ụng
phát tri n kết h p
v i
liệu viễn thám nhằm tr h xu t
tr ng ủa nh vệ tinh
giám sát l p
phủ th vật giúp ho ông tá qu n l rừng trở n n ễ àng h n. Cá phần
mềm này h tr ng i ng t ng ối ầy ủ á t nh năng x l nh vệ tinh
nh ng i h i ng i ng ph i
huy n môn ao về viễn thám và x l nh vệ
tinh ồng th i việ x l nhiều

liệu m t t ng ối nhiều th i gian.
Ch nh v nh ng l o tr n mụ ti u ủa luận văn là nghi n ứu và ứng
ụng á kỹ thuật họ s u trong việ tr h xu t
tr ng nh vệ tinh nhằm giám
sát l p phủ th vật áp ụng tr n ph m vi t nh Cao Bằng. Trọng ph m vi luận
văn này sẽ tập trung nghi n ứu về mô h nh m ng N -ron phứ h p U-Net
tiến hành giám sát l p phủ th vật ủa t nh Cao Bằng a tr n
liệu nh vệ
tinh Sentinel-2. Giúp n ng ao hiệu qu trong ông tá giám sát l p phủ th vật
n i hung ũng nh giám sát l p phủ rừng n i ri ng
i thiện năng su t làm
việ so v i việ s ụng á ông nghệ ũ.
1.3. Nội dung nghiên cứu
Đ
t
mụ ti u tr n tá gi ã nghi n ứu về á n i ung chính
sau:
Dữ liệu viễn thám: Là
liệu nh thu
từ á
m t tr n m t t
máy ay ho vệ tinh. D liệu nh th ở ng nh t ng t ho
nh số. V i
ông nghệ hiện nay nh vệ tinh
ung p và s ụng m t á h phổ iến
th k ến nh ủa á vệ tinh Spot AVNIR Lan sat TM Lan sat ETM
Moss-1 Mo is GLI Sentinel… Trong
Ảnh vệ tinh Sentinel-2 v i u i m
về
ph n gi i ao

ứng ụng trong nông nghiệp l m nghiệp nhằm giám
sát th vật và rừng giám sát s thay ổi ủa
he phủ th vật…
Kỹ thuật học sâu: họ máy a tr n m t tập h p á thuật tốn
ố gắng
mơ h nh
liệu trừu t ng h a ở mứ ao ằng á h s ụng nhiều l p x l
v i u trú phứ t p ho
ằng á h khá ao gồm nhiều iến ổi phi tuyến.
Họ s u ao gồm nhiều kiến trú nh mạng neuron tích chập sâu, m ng neuron
sâu, m ng niềm tin s u và m ng neuron tái. Trong ph m vi nghi n ứu ủa luận
văn tá gi tập trung nghi n ứu về m ng neural t h hập (CNNs), s ụng làm
nền t ng
tiến hành x y ng kiến trú U-Net kết h p v i th viện Eo-Learn
phụ vụ ho việ tr h xu t á
tr ng ủa nh vệ tinh.
Thư viện EO-Learn: là m t tập h p á g i mã nguồn mở
viết ằng
ngôn ng python h tr r t tốt trong việ x l và khai thá
liệu
giá tr
ủa nh vệ tinh. Eo-Learn ao gồm 8 g i: Eo-learn-core (th hiện á khối x y
ng
n), Eo-learn-coregistration (x l ồng ăng k h nh nh), Eo-learnfeatures (tr h xu t thu t nh
liệu và thao tá v i t nh năng), Eo-learnHV: Phạm Quang Hiển


4

geometry ( ng

iến ổi h nh họ và huy n ổi gi a
liệu ve t và
liệu
raster), Eo-learn-io ( ầu vào ầu ra li n quan ến việ l y
liệu) Eo-learnmask (s ụng
he
liệu và t nh toán m t n ám m y) Eo-learn-ml-tools
( á ông ụ ủa Eo-Learn), Eo-learn-visualization (tr quan h a á yếu tố
ốt lõi ủa eo-learn)
1.4. Cấu trúc luận văn
Trong khuôn khổ luận văn tá gi ã tr nh ày nh ng khái niệm tổng quan
về l p phủ rừng
liệu viễn thám nh vệ tinh sentinel-2 kỹ thuật họ s u và
á kiến trú m ng n -ron t h hập. Tr nh ày về việ t i
liệu nh vệ tinh
x y ng mô h nh U-net th hiện ứng ụng kỹ thuật họ s u trong việ tr h
xu t
tr ng nh vệ tinh nhằm t nh toán l p phủ rừng áp ụng t i t nh Cao
Bằng. Tá gi ã so sánh kết qu ủa mô h nh so v i kết qu x l nh vệ tinh
tr n phần mềm huy n ụng Envi. Luận văn
tr nh ày trong 5 h ng:
Ch ng 1: Gi i thiệu: tá gi tr nh ày về t nh p thiết ủa ề tài mụ ti u
và ph m vi nghi n ứu ủa ề tài á n i ung nghi n ũng
nh
u trú ủa luận văn
Ch ng 2: Cá kiến thứ và ông nghệ nền t ng: tá gi tr nh ày về á
kiến thứ nền t ng th hiện ề tài nh á kỹ thuật họ s u
nh vệ tinh th viện Eo-Learn phần mềm Envi
Ch ng 3: Mô h nh m ng N ron t h hập tr h xu t l p phủ th vật từ
nh vệ tinh Sentinel: tá gi tr nh ày việ x y ng m ng n ron tích hập v i kiến trú U-net tiến hành tr h xu t l p phủ

th vật. Ngoài ra tá gi ũng gi i thiệu m t số h số giúp t nh
toán l p phủ th vật và quy tr nh x l ủa ài toán v i th
viện Eo-Learn
Ch ng 4: Th nghiệm: Tá gi gi i thiệu về v ng th nghiệm á kết
qu th nghiệm ũng nh so sánh u nh
i m so v i phần
mềm Envi
Ch ng 5: Kết luận: Tá gi tr nh ày về vai tr về nghi n ứu trong luận
văn á kết qu
t
á i m h n hế ũng nh h ng
phát tri n tiếp theo ủa luận văn.

HV: Phạm Quang Hiển


5

CHƢƠNG 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
thiết kế là m t p vệ tinh song sinh gắn thiết
thu nh a phổ tiếp nối việ ung p
liệu vệ tinh phụ vụ giám sát tài
nguy n thi n nhi n ủa á
ng vệ tinh LANDSAT và SPOT th hiện. Hai vệ
tinh
thiết kế ay ở
ao 786 km trong quỹ o ồng

m t tr i
thiết kế ph n pha ở 180° tr n á m t ối iện ủa quỹ o n n t p su t hụp l p
ủa 2 vệ tinh r t cao, là 5 ngày.
Vệ tinh Sentinel-2
thiết kế ti n tiến a tr n á nền t ng m i o tập
oàn Astrium GmbH phát tri n thừa h ởng kinh nghiệm mà EADS-Astrium từ
việ hế t o á vệ tinh ESA tr
y. M i vệ tinh Sentinel-2 n ng kho ng 1 2
t n v i tuổi thọ 7 25 ao gồm giai o n vận hành tr n quỹ o. V tr ủa m i
vệ tinh Sentinel-2
xá
nh tr n quỹ o ằng thiết GNSS
m o
việ h nh xá ủa quỹ o ay hệ thống Sentinel-2 ao gồm:
- Tr m vận hành h ng ay
iều khi n giám sát và lập lệnh ho vệ
tinh;
- Tr m m t t qu n l tr l ng
liệu l u tr n vệ tinh
lập l h quét,
t i
liệu thu nhận x l l u tr ph n phối và ki m soát h t l ng;
- M ng l i á tr m ăng tần S và X ho phép li n l v i vệ tinh từ 4
tr m m t t Kiruna, Svalbard, Mas Palomas và Prince Albert.
Ở hế
nh th ng vệ tinh ho t ng thu nh
t nh hệ thống v i hu
kỳ 10 ngày. Tuy nhi n trong tr ng h p khẩn p vệ tinh
th thu nhận
liệu và ung p ho ng i s ụng trong vòng 3 gi ồng hồ sau khi thu nhận.

Bảng 2.1: Đặc tính kỹ thuật của hệ thống Sentinel-2
Đặc điểm hệ thống vệ tinh
T nh li n tụ
Cá tr m m t

Thông tin
Cần 4 vệ tinh ho t

t

Ở Italia Nauy T y Ban Nha Alaska (Mỹ)

Đ tin ậy

0.7

Đ sẵn

97%

Đ nh v không
khống hế GCP
Đ r ng
Ph

i m

i quét

ng thứ ho t

HV: Phạm Quang Hiển

ng trong hu kỳ 15 năm

<20m
290 km

ng

Ti u huẩn mở r ng h tr

an toàn


6

Th i l

ng hụp nh tối a

32 phút m i 100 phút trong quỹ

o

S kết h p gi a d i quét r ng và yêu cầu thu nhận d liệu toàn cầu liên tục
v i tần su t chụp l p cao d n ến việc Sentinel -2 t o ra kho ng 1,6 TBytes d
liệu hình nh thơ
c nén m i ngày. Điều này nghĩa tố
cung c p d liệu

thơ trung bình liên tục là 160 Mbit/s, v i kh năng l u tr b nh là 2,4 Tbits.
D liệu
c nén bằng thuật toán nén a
phân gi i d a trên s phân tách
sóng. Chứ năng này ho t ng trong th i gian th c em l i tố
truyền ổn
nh v i tỷ lệ nén
c tối u h a ho từng kênh phổ
m b o ch t l ng
nh.
Vệ tinh Sentinel-2 ph ng l n vũ trụ mang nhiệm vụ cung c p tính liên tục
cho các d ch vụ giám sát trái t bằng d liệu quang họ
phân gi i không
gian cao. B c m quang học trên vệ tinh
c thiết kế c i tiến cung c p nh ở
13 kênh phổ từ d i nhìn th y, cận hồng ngo i và hồng ngo i sóng ngắn. Thiết b
a phổ MSI cung c p nh từ
s ng 443nm ến 2190nm và chụp bề m t t
tồn cầu m t cách có hệ thống từ 560 Nam ến 840 Bắc. D liệu nh Sentinel-2
cung c p 3 lo i
phân gi i không gian gồm: Đ phân gi i 10 m ở 4 kênh từ d i
hồng ngo i nhìn th y và cận hồng ngo i; 20 m ở 6 kênh từ d i viền
và cận
hồng ngo i; 3 k nh
phân gi i 60 m ng
hiệu ch nh khí quy n. Sentinel-2
ũng
c thiết kế
quay ống k nh ến ± 20,60 dọc theo d i quét
phục vụ

các yêu cầu khẩn c p. Tín hiệu
c truyền ến các tr m m t t lõi của
Sentinel và thông qua liên kết laser của EDRS.
Từ khía c nh quan sát Trái t, các nhà nghiên cứu ln mong muốn có th
s dụng nguồn d liệu mở và miễn ph nh á
ng vệ tinh Landsat và
Sentinel. Do
khi kết h p nh các vệ tinh Landsat 5-8 v i d liệu nh
Sentinel-2 sẽ t tần su t chụp l p 3 ngày t i m t i m trên m t t. Do
liệu Sentinel-2 có th mang l i kết qu mong muốn nếu áp dụng ph ng pháp
phù h p.
2.2.2. Thiết kế kỹ thuật bộ cảm MSI trên vệ tinh Sentinel-2
B
m MSI tr n vệ tinh Sentinel-2 n
á
i tiến r t l n so v i
m OLI tr n vệ tinh LandSat 8 nh : việ thu hẹp
r ng i phổ ủa Sentinel2 làm h n hế nh h ởng ủa á thành phần kh quy n ao gồm
h in
.
K nh 8A ủa Sentinel
thu hẹp i phổ ở
s ng 865 nm trong v ng ận
hồng ngo i
tránh nh h ởng từ h i n
nh ng v n
kh năng th hiện
nh ng vùng
giá tr phổ ằng phẳng
iệt là ở d i phổ ận hồng

ngo i ho th m th vật tuy nhi n v n nh y m v i hàm l ng oxit sắt trong
t. D i phổ 443 nm ũng
s ụng trong á nhiệm vụ nh : t nh toán Ch
HV: Phạm Quang Hiển


7

số th vật toàn ầu ENVISAT MERIS (MGVI) và trong hiệu h nh kh quy n
ho ầu thu MODIS ủa C quan Hàng không và Vũ trụ Hoa Kỳ.
Đ ph n gi i không gian và th i gian ang là u i m v t tr i ủa ủa thế
hệ vệ tinh quan họ Sentinel-2. M t trong nh ng
t nh v t tr i ủa Sentinel
2 và Lan sat 8 là
ng i phổ từ 400nm – 2300nm tuy số l ng ăng phổ
khá nhau 13 ăng phổ ủa nh Sentinel 2 so v i 9 ăng phổ ủa nh Lan sat 8.
Điều này
gi i th h hủ yếu o kh năng m xuy n vào môi tr ng n
ủa á ăng phổ khá nhau. Theo mứ năng l ng ủa húng th kh năng
h p thụ tăng ần từ
s ng 400nm ến h p thụ gần nh hoàn toàn ở
s ng 900nm. Băng xanh lue th i s u tối a 15m ăng xanh (green) xuyên
tối a 10m và h 5m ối v i ăng . Từ
th th y
nh Lan sat 8
và Sentinel 2 ều hứa á ăng phổ
s ng ph h p ối v i á nhiệm
vụ ánh giá iến ng nguồn l i ho
h t l ng n
v ng ven

ầm phá
sông.
Đối v i ứng ụng theo õi iễn iến rừng m t trong nh ng ph ng pháp
tri n vọng hiện nay áp ứng
y u ầu ập nhật n ồ hiện tr ng rừng là
ứng ụng ông nghệ viễn thám
xá nh khu v tăng gi m rừng ến từng lô
ki m k theo th i gian. Tuy nhi n
ứng ụng ông nghệ này việ l a họn t
liệu nh ph h p là v n ề t ra. Cá lo i nh
ph n gi i không gian ao
(
i 10 m) th ng
giá thành t ng ối ắt. B n nh
nếu th hiện tr n
khu v r ng sẽ ần ung l ng l u tr
liệu th i gian
x l nh và y u
ầu về u h nh phần ứng phần mềm ho x l nh r t l n. Do
áp ụng
tr n ph m vi n
là không kh thi.
Cá lo i nh
ph n gi i không gian th p (>250 m) nh : MODIS
NOAA MERIS... m t pixel nh th l n h n nhiều so v i m t lô ki m k n n
không ph h p v i hệ thống giám sát rừng ở quy mô a ph ng. Từ
á
lo i nh vệ tinh
ph n gi i trung nh (10 - 30 m)
ung p miễn ph

nh Lan sat-8, Sentinel-2 t ra
nhiều u i m và tri n vọng
giám sát s
thay ổi
he phủ rừng ở quy mô a ph ng. Đ áp ứng á y u ầu: ph
h p ho giám sát s thay ổi
he phủ rừng ở quy mô a ph ng và
ph n
gi i không gian ao nh t
th nh vệ tinh Lan sat-8 OLI và Sentinel-2 là 2
lo i nh
tiềm năng nh t. S t ng ồng về mối quan hệ phổ gi a nh
Sentinel 2 và Lan sat 8 sẽ làm tăng giá tr s ụng khi kết h p hai nguồn nh
vào á nghi n ứu về m t t ao gồm theo õi iễn iến rừng.
Từ khía c nh quan sát Trái t, các nhà nghiên cứu luôn mong muốn có th
s dụng nguồn d liệu mở và miễn ph nh á
ng vệ tinh Landsat và
Sentinel. Nh ã ề cập ở trên, khi kết h p nh các vệ tinh Landsat 5-8 v i b
HV: Phạm Quang Hiển


8

c m dòng vệ tinh Sentinel, ở y là Sentinel-2 sẽ t tần su t chụp l p 3 ngày t i
m t i m trên m t t. M
á ầu thu này
phân gi i không gian ở
mứ trung nh (30m ối v i Lan sat và 10m ối v i Sentinel-2) khi so sánh v i
các d liệu nh khá nh Qui k ir (0.6m) ho Worl View (0.5m) nh ng v n
có th mang l i kết qu mong muốn nếu áp dụng ph ng pháp ph h p.

Hiện nay, nh vệ tinh a phổ Sentinel-2 và Lan sat 8 OLI
c biệt
quan tâm không ch bởi á t nh năng kỹ thuật mà còn ở chu kỳ chụp l p của
chúng. Nếu ho t ng c lập, Landsat ch chụp l p nh 16 ngày lần thay v 5
ngày nh Sentinel-2. Từ năm 2017 khi vệ tinh Sentinel-2B
c phóng lên quỹ
o và ho t ng ổn nh, kết h p v i Landsat 8 OLI thì thế gi i
c cung c p
nh quang họ
phân gi i cao v i chu kỳ 3 ngày và
c phân phối miễn phí
trên toàn cầu.
2.2.3. Thiết kế khả năng lấy mẫu của bộ cảm quang phổ MSI
Nh húng ta ã iết Sentinel-2 nhiệm vụ ung p t nh li n tụ ho á
h vụ quan sát a tr n á quan sát quang họ
ph n gi i không gian cao
và a phổ tr n ề m t tr n m t t toàn ầu. B
m MSI tr n vệ tinh Sentinel-2
thiết kế mang ụng ụ quang họ l y m u ở 13 i quang phổ kéo ài từ
i nh n th y ận hồng ngo i và hồng ngo i s ng ngắn và
ph n gi i không
gian thay ổi từ 10 m ến 60 m t y thu vào i quang phổ v i tr ng quan sát
ài 290 km. B
m MSI tr n vệ tinh Sentinel-2 n
á
i tiến so v i
m thu nhận nh m t t ủa vệ tinh quang họ LandSAT nh sau:
- D i phổ ận hồng ngo i gố ủa nh vệ tinh LandSAT (760-900nm)
nh h ởng n ng ởi h i n
và không ủ nh y ối v i á tham số

nh hàm l ng oxit sắt trong t. Do
việ thu hẹp
r ng i phổ
ủa Sentinel-2 làm h n hế nh h ởng ủa á thành phần kh quy n
ao gồm h i n
.Đ hẹp ủa i phổ 8A ở
s ng 865 nm trong
v ng ận hồng ngo i
thiết kế
tránh nh h ởng từ h i n
nh ng v n
kh năng th hiện
nh ng vùng
giá tr phổ
tr ng ằng phẳng (plateau)
iệt là ở i d i phổ ận hồng ngo i ho
th m th vật tuy nhi n v n ủ
nh y m v i hàm l ng oxit sắt
trong t.
- Hiệu h nh sol kh h nh xá
liệu thu nhận trong u h nh Sentinel-2
thiết k ao gồm
i phổ trong v ng xanh lam ở
s ng 443
nm (Kênh 1). D i phổ 443 nm ũng
s ụng trong á nhiệm vụ
nh : t nh toán Ch số th vật toàn ầu ENVISAT MERIS (MGVI) và
trong hiệu h nh kh quy n ho ầu thu MODIS ủa C quan Hàng
không và Vũ trụ Hoa Kỳ.
HV: Phạm Quang Hiển

9

- Hiệu h nh
liệu ối v i á ám m y voan m ng
th
th
hiện ằng á h s ụng thông tin ủa i phổ ận hồng ngo i. Do tác
ng tiềm tàng ủa á ám m y voan m ng này ối v i á giá tr ph n
x ũng nh việ s ụng n nh m t h số trong
áo th i tiết và
vai tr ủa n trong y ứ x t i ủa m t tr i v vậy s xu t hiện ủa
ám m y ần
h rõ. Việ ầu thu a phổ ủa Sentinel-2có thêm
m t i quang phổ ở
s ng 1375 nm, Kênh 10,
th phát hiện
nh ng ám m y li ti là phát hiện
m y này.
Đ ph n gi i không gian th hiện ở á k nh phổ nh sau: i nh n th y
và ận hồng ngo i
ph n gi i không gian là 10 mét; á
i viền
( i
và gần hồng ngo i) và hai i hồng ngo i s ng ngắn
ph n gi i không gian
20 mét; i h i n
và mật
m y phụ vụ quan sát ven i n

ph n gi i
không gian là 60 mét. B ng 2.2
i y mô t ụ th á
s ng ủa k nh
phổ ủa
liệu nh vệ tinh Sentinel-2 [9].
Bảng 2.2: Bước sóng của các kênh phổ và các ứng dụng của dữ liệu Sentinel-2
Bƣớc 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 h nh Sol kh
B1
490

65

10

Hiệu h nh Sol kh
và o
t ai

B3

560

35

10

Đo

t ai

B4

665

30

10

Đo

t ai

B5

705

15

20

Đo

t ai

B6

740

15

20

Đo

t ai

783

20

20

Đo

t ai

842

115

10

Hiệu h nh h i
n
và o
ai

t

Hiệu h nh h i
n
và o
ai

t

B2

B7

VNIR

B8
865

20

20

B8a
945
B9
HV: Phạm Quang Hiển

20

60

Hiệu h nh h i
n


10

B10

1380

20

60

Hiện h nh m y ti.

B11

1610

90

20

Đo

2190

180

20

Hiệu h nh Sol kh
và o
t ai

SWIR

B12

t ai

V i 13 i quang phổ tr i ài từ nh n th y và ận hồng ngo i ến hồng
ngo i s ng ngắn ở
ph n gi i không gian khá nhau từ trong kho ng 10 ến
60 m. Bốn k nh phổ ở

ph n gi i không gian 10m áp ứng y u ầu ủa ng i
s ụng ho ho mụ
h giám sát
he phủ t tr n toàn ầu và m o á
kh năng t ng th h v i
liệu vệ tinh SPOT 4 và 5 lan sat 8. Sáu k nh phổ ở
ph n gi i không gian 20m ng hung ho mụ
h o
t ai và hiệu
h nh. Ri ng a k nh phổ
ph n gi i không gian 60m hủ yếu ành ri ng
ho hiệu h nh kh quy n và sàng lọ tr n ám m y 443nm
thu hồi sol kh
940nm
iều h nh h i n
và 1375nm ho phát hiện ám m y voan m ng.
Đ ph n gi i 60 m
oi là ủ
nắm ắt s thay ổi không gian ủa thông
số a vật l kh quy n. Hình 2.1
i dây mơ t gi i phổ và
phân gi i không
gian của d liệu nh Sentinel-2 [4].

Hình 2.1: Dải phổ và độ phân giải không gian của các dữ liệu Sentinel-2
Đ hẹp ủa i phổ 8a v i
s ng 865 nm trong v ng ận hồng ngo i
thiết kế
tránh nh h ởng từ h i n
nh ng v n

kh năng th hiện
v ng ằng phẳng ở i ận hồng ngo i ho th m th vật và ũng nh y
m v i hàm l ng oxit sắt trong t.
D i phổ 443 nm
s ụng trong á nhiệm vụ tr
:
t nh toán Ch
số MGVI và trong hiệu h nh kh quy n ho ầu thu MODIS ủa NASA. D
HV: Phạm Quang Hiển


11

liệu hiệu h nh sol kh h nh xá
thu nhận
i phổ trong v ng xanh lam ở
s ng 443 nm trong u h nh Sentinel-2.
Việ
th m m t i quang phổ ở
s ng 1375 nm (K nh 10)
th
phát hiện ám m y voan m ng o tá
ng tiềm tàng ủa n ối v i á giá tr
ph n x việ s ụng n nh m t h áo trong
áo th i tiết và vai tr ủa n
trong y ứ x t i ủa m t tr i o
s xu t hiện ủa ám m y ần
h
rõ.
2.2.4. Khả năng cung cấp thông tin các dải phổ trong giám sát rừng

Đối v i ứng ụng theo õi iễn iến rừng m t trong nh ng ph ng pháp
tri n vọng hiện nay áp ứng
y u ầu ập nhật n ồ hiện tr ng rừng là
ứng ụng ông nghệ viễn thám xá nh khu v tăng gi m rừng ến từng lô
ki m k theo th i gian. Tuy nhi n
ứng ụng ông nghệ này việ l a họn t
liệu nh ph h p là v n ề t ra.
Cá lo i nh
ph n gi i không gian ao (
i 10m) th ng giá thành
t ng ối ắt. B n nh
nếu th hiện tr n khu v r ng sẽ ần ung l ng
l u tr
liệu th i gian
x l nh và y u ầu về u h nh phần ứng phần
mềm ho x l nh r t l n. Do
áp ụng tr n ph m vi n
là không kh
thi, cá lo i nh
ph n gi i không gian th p (>250 m) nh : MODIS NOAA
MERIS... m t pixel nh
th l n h n nhiều so v i m t lô ki m kê, nên không
ph h p v i hệ thống giám sát rừng ở quy mô a ph ng. Từ
á lo i nh vệ
tinh
ph n gi i trung nh (10 - 30 m)
ung p miễn ph nh Lan sat8, Sentinel-2 t ra nhiều u i m và tri n vọng giám sát s thay ổi
he
phủ rừng ở quy mô a ph ng. Đ áp ứng á y u ầu: ph h p ho giám sát s
thay ổi

he phủ rừng ở quy mô a ph ng và
ph n gi i không gian ao
nh t
th nh vệ tinh Sentinel-2 là lo i nh
tiềm năng nh t. Kết h p v i s
t ng ồng về mối quan hệ phổ gi a nh Sentinel 2 và Lan sat 8 giá tr s ụng
sẽ
tăng r t l n trong á nghi n ứu về m t t ao gồm theo õi iễn iến
rừng.
2.2. Thƣ viện Eo-Learn
Eo-learn giúp việ khai thá thông tin
giá tr từ h nh nh vệ tinh trở n n
ễ àng.
S sẵn
ủa
liệu quan sát Trái t mở (EO) thông qua á h ng
tr nh Coperni us và Lan sat i iện ho m t nguồn tài nguy n h a từng
ho nhiều ứng ụng EO từ việ s ụng i
ng và t liền giám sát l p phủ
ki m soát th m họa
h vụ khẩn p và ứu tr nh n o. V i l ng l n
liệu
ph n gi i không gian ao v i tần su t truy ập l i ao á kỹ thuật
th t
ng tr h xu t á m u phứ t p trong
liệu không gian-th i gian nh
vậy là ần thiết.
HV: Phạm Quang Hiển

12

Eo-learn là m t tập h p á g i Python mã nguồn mở ã
phát tri n
truy ập và x l liền m h á hu i h nh nh không gian-th i gian mà t kỳ
i vệ tinh nào thu
m t á h k p th i và t
ng. Eo-learn r t ễ s ụng
thiết kế theo mô- un và khuyến kh h ng tá - hia sẻ và s ụng l i á
tá vụ ụ th trong quy tr nh khai thá giá tr EO i n h nh hẳng h n nh t o
m t n ám m y ồng ăng k h nh nh tr h xu t t nh năng ph n lo i v.v.
Mọi ng i
t o s ụng t kỳ nhiệm vụ nào
sẵn và
khuyến
kh h i tiến phát tri n nh ng tá vụ m i và hia sẻ húng v i phần n l i ủa
ng ồng.
Eo-learn giúp việ khai thá thông tin giá tr từ h nh nh vệ tinh ễ àng
nh xá
nh m t hu i á thao tá sẽ
th hiện tr n h nh nh vệ tinh.
H nh nh n
i minh họa m t hu i x l lập n ồ n
trong h nh nh vệ
tinh ằng á h lập ng ng Ch số N
Ch nh lệ h Chuẩn h a trong khu v
quan t m o ng i ng h nh. Hình 2.2
i y mơ t về quy tr nh x l
nh ủa th viện Eo-Learn áp ụng trong ài tốn giám sát phủ n
[15]

Hình 2.2: Ví dụ về quy trình xử lý ảnh của thư viện Eo-Learn
Th viện eo-learn ng vai tr là ầu nối gi a lĩnh v quan sát Trái
t Viễn thám và hệ sinh thái Python ho khoa họ
liệu và họ máy. Th
viện
viết ằng Python và s ụng m ng NumPy l u tr và x l
liệu
viễn thám. Mụ
h ủa n là m t m t giúp nh ng ng i không ph i huy n
gia vào lĩnh v viễn thám ễ àng h n và mang á ông ụ hiện i nh t về
th giá máy t nh máy họ và họ s u hiện trong hệ sinh thái Python ho á
huy n gia viễn thám.
Eo-learn
hia thành nhiều g i on theo á hứ năng khá nhau và
phụ thu g i n ngoài. Do
ng i ng không ần thiết ph i ài t toàn
g i mà h ài t nh ng phần mà họ ần.
Hiện t i
á g i on sau:
HV: Phạm Quang Hiển


13

- Eo-learn- ore: G i on h nh th hiện á khối x y
ng
n
(EOPat h EOTask và EOWorkflow) và á hứ năng th ng
s

ụng.
- Eo-learn- oregistration: G i on x l ồng ăng k h nh nh.
- Eo-learn-features: Tập h p á tiện h
tr h xu t thu t nh
liệu
và thao tá v i t nh năng.
- Eo-learn-geometry: G i on h nh họ
ng
iến ổi h nh họ và
huy n ổi gi a
liệu ve t và
liệu raster.
- Eo-learn-io: G i on ầu vào ầu ra li n quan ến việ l y
liệu từ
á
h vụ ủa Sentinel Hu ho l u và t i
liệu ụ
.
- Eo-learn-mask: G i on
s ụng
he
liệu và t nh toán m t
n ám m y.
- Eo-learn-ml-tools: Cá ông ụ khá nhau
th
s ụng tr
ho sau quá tr nh họ máy.
- Eo-learn-visualization: Công ụ tr quan h a á yếu tố ốt lõi ủa eolearn.
2.3. Phần mềm Envi
ENVI (ENvironment for Visualizing Images) là

s n phẩm phần mềm
ủa hãng EXELIS Visual Information Solutions (Mỹ) – –
kết h p á kỹ thuật huy n s u về x l
liệu nh số ( ao gồm
liệu viễn
thám DEM và GIS GPS) v i ông nghệ ph n t h a không gian nhằm khai
thá nh ng thông tin
giá tr h tr ra quyết nh h nh xá và k p th i. V i
giao iện hiện i ễ s ụng và á t nh năng nổi tr i trong x l ph n t h nh
quy tr nh h a và
phát tri n n ng p th ng xuy n
phần mềm
ENVI ngày àng trở thành ông ụ khai thá thông tin a không gian hiệu qu
trong á ứng ụng n ồ và tài nguy n và môi tr ng a ngành.
Nh ng t nh năng nổi tr i ủa

phần mềm ENVI ao gồm:

- Làm việ (hi n th và x l ) số l ng và ung l ng nh l n;
- Đọ hi n th và ph n t h nhiều nh ng (format) nh vệ tinh nh
thông ụng
liệu raster và DEM;
- Khai thá thông tin từ nhiều lo i nh vệ tinh và nh hàng không khá
nhau (VNREDSat-1, SPOT, Landsat, ASTER, QuickBird, GeoEye,
Worl View Ra ar Vex el…);
- Tr n á
ng nh ( nh quang họ nh ra ar…) nhằm hi u rõ
i m
ủa v ng nghi n ứu;

HV: Phạm Quang Hiển


14

- B

ông ụ x l nh a ng a tr n á ph ng pháp khoa họ ã
ki m hứng nh ông ụ x l h nh họ ông ụ ph n t h phổ
ông ụ ph n t h
liệu và á ông ụ n ng ao;
- Kh năng làm việ v i
liệu ve tor ( á
nh ng shapefile MIF
DXF và GPS) và kết nối tr tiếp v i phần mềm Ar GIS ho phép ễ
àng t h h p kết qu ph n t h nh vào
sở
liệu và quy tr nh ứng
ụng n ồ GIS;
- V i ngôn ng lập tr nh IDL ENVI
kh năng t y iến và mở r ng
theo y u ầu quy tr nh x l ph n t h nh ủa khá h hàng.
Các sản phẩm ENVI
B phần mềm ENVI
khoá ứng và khoá mềm th
ng g i theo á mứ s n phẩm nh sau:

ng

ung

p

- Phần
n - ENVI (Runtime) ho ENVI+IDL
- Các mô- un mở r ng (theo y u ầu).
Các mô- un mở r ng t nh năng ủa ENVI
pháp x l huy n s u ần ến nh ng ông ụ x l

thiết kế th hiện nh ng
nh n ng ao nh :

Mô-đun Rigorous Orthorectification: nắn h nh h nh họ về tọa
m t
t và t o nh tr giao v i
h nh xá ao. Mo ule này a trên mơ hình tốn
họ s ụng á thơng số ủa sensor ụ th (v ụ nh
m SPOT ho
Lan sat) nhằm lo i
nh ng yếu tố g y méo nh trong quá tr nh ay hụp.
Module Rigorous Orthorectification cho phép:
- Dễ s ụng v i giao iện wizar - ase theo từng
trong quá tr nh
nắn h nh;
- Làm việ v i nhiều
ng sensor (v ụ SPOT 1-5, IKONOS-2,
QuickBird-2, Landsat 4-5, Landsat 7 ETM+, ASTER, VNREDSat-1...);
- Tăng
h nh xá v i việ l a họn á i m GCP và á i m hung
ủa nh liền kề khi x l hàng lo t nh;

- T
ng h a quá tr nh nắn h nh h nh họ và huy n kết qu ễ àng
vào sở
liệu GIS.
Hình 2.3
i
y th hiện tá vụ x
Orthorectification ủa phần mềm Envi [18].

HV: Phạm Quang Hiển

l

nh v i mô- un Rigorous


15

Hình 2.3: Xử lý ảnh với Mơ-đun Rigorous Orthorectification
Mơ-đun ENVI Feature Extraction (FX): T m phát hiện và hiết tá h
thông tin từ á ối t ng quan t m (v ụ nh ông tr nh t a nhà s n ng
ph ng tiện giao thông
ng xá ầu ống sông hồ…) a tr n á
t nh
không gian
t nh phổ ho
t nh texture... từ á lo i nh vệ tinh & nh
hàng không khá nhau. V i kh năng t y iến và ễ t h h p v i Ar GIS ENVI
FX ho phép ng i ng thay ổi á thông số ph h p trong hu i quy tr nh x
l ph n t h nh phứ t p và hiết tá h thông tin ần thiết v ụ nh phát hiện

xe tăng ông tr nh qu n s ho
ng ăng qu n s … Hình 2.4
i y th
hiện x l nh v i mô- un Feature Extraction ủa phần mềm Envi [18].

Hình 2.4: Xử lý ảnh với Mơ-đun Envi Feature Extraction
Mô-đun ENVI DEM: T o lập mô h nh a h nh số (DEM) từ p nh
stereo ( nh vệ tinh ASTER IKONOS Or View-3, QuickBird và SPOT 1-5)
HV: Phạm Quang Hiển


16

ho
nh hàng không. V i kh năng t y iến ng i ng
th t ng tá xem
p nh stereo o
ao ủa t a nhà ho
nh núi h nh s a giá tr DEM và
hiết tá h á ối t ng 3Du. Hình 2.5
i y th hiện x l nh v i mơ- un
Envi Dem ủa phần mềm Envi [18].

Hình 2.5: Xử lý ảnh với Mô-đun Envi Dem
Mô-đun ENVI Atmospheric Correction Module (ACM): Th hiện tiền
x l
quy tr nh h a - ho phép lo i
ho hiệu h nh huy n s u về á
nh h ởng ủa kh quy n ối v i nh vệ tinh gố
t o nh viễn thám l n level

ao h n huẩn
ho á
x l ph n t h tiếp theo. ENVI ACM ho phép
th hiện hiệu h nh nhanh (on-the-fly s ụng ph ng pháp QUAC và hiệu
h nh n ng ao a tr n mô h nh vật l nh – ph ng pháp FLAASH ối v i
hầu hết á lo i nh vệ tinh th ng s ụng hiện t i. Mô- un này ần thiết ối
v i á ứng ụng theo õi á thay ổi về a h nh ho
á nh m ối t ng
m t á h nh l ng. Hình 2.6
i y th hiện x l nh v i mô- un
Atmospheric Correction ủa phần mềm Envi [18].

Hình 2.6: Xử lý ảnh với Mô-đun Envi Atmospheric Correction module
Mô-đun ENVI NITF: Đọ h nh s a và ph n phối nh viễn thám trong
nh ng (format) NITF
hiệu su t nén nh ao. Đ nh ng NITF hứa
HV: Phạm Quang Hiển


17

liệu nh v i
liệu ồ th và meta ata theo huẩn JITC (Joint Interopera ility
Test Comman ). Đ y là nh ng tối u
kh năng nén nh tốt t nh o mật
ao n n th ng
ng ối v i
liệu quố gia và quố ph ng… Hình 2.7
i y th hiện x l nh v i mô- un Envi Atmospheric Correction ủa phần
mềm Envi [18].

Hình 2.7: Xử lý ảnh với Mơ-đun Envi NITF [6]
Sản phẩm chuyên dụng ENVI LIDAR: X l huy n s u
liệu li ar
nhằm xá
nh và hiết tá h á ối t ng 3D và t o lập
sở
liệu GIS 3D
ho á ứng ụng ô th ho ngành l m nghiệp. Hình 2.8
i y th hiện x
l nh v i mô- un Envi Li ar ủa phần mềm Envi [18].

Hình 2.8: Xử lý ảnh với sản phẩm chuyên dụng Envi Lidar
Phần mềm ENVI LIDAR ho phép ng i ng x l
liệu ám m y
i m LiDAR nhằm phát hiện và hiết tá h á ối t ng 3D nh
y ối
ng
y iện ông tr nh x y ng v i á yếu tố nh h nh khối khung nhà và mái
mô h nh số
ao… ENVI LIDAR kết h p việ nhận ng t
ng v i á
ông ụ t ng tá
ng i ng
th iều h nh á thông số x l nhằm
ki m soát
h t l ng s n phẩm kết qu . V i hứ năng hi n th 3D và kết
nối tr tiếp v i Ar GIS ENVI LiDAR kh năng kết nối tốt v i á hệ thống
HV: Phạm Quang Hiển