Luận văn 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, tôi xin bày tỏ lòng 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 quá trình hoàn thành luận văn tốt nghiệp.

Tôi 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 cô trong bộ môn Công nghệ Phần mềm nói riêng đã tận tình

giảng dạy, trang bị cho tôi những kiến thức quý báu trong suốt quá trình tôi học

tập tại khoa. Đây cũng chính là tiền đề giúp tôi hoàn 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 tôi cả về vật chất

lẫn tinh thần để tôi hoàn thành được luận văn này.

Mặc dù đã rất cố gắng nhưng luận văn chắc chắn không tránh khỏi những

thiếu sót, tôi rất mong nhận được những ý kiến nhận xét và đánh giá từ phía các

Thầy Cô để luận văn được hoàn thiện hơn.

Tôi 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. Không có việc sao chép tài liệu, công trình nghiên cứu của người khác

mà không 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. MÔ 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 toán .................................................................. 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

Tổ hợp màu Red, Green, Blue

Area-of-interest

RGB

AOI

CNNs

DL

Convolutional neural network

Deep Learning (Học sâu)

Vườn tự nhiên cấp vùng

European

PNR

EU

RNN

LSTM

GRU

CNN

DBN

DSN

Recurrent Neural Network

Long Short-Term Memory

Gated Recurrent Unit

Convolutional Neural Network

Deep Belief Network

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 Mô-đun Rigorous Orthorectification ................................................ 14

Hình 2.4: Xử lý ảnh với Mô-đun Envi Feature Extraction ...................................................... 15

Hình 2.5: Xử lý ảnh với Mô-đun Envi Dem ............................................................................ 15

Hình 2.6: Xử lý ảnh với Mô-đun Envi Atmospheric Correction module ................................ 16

Hình 2.7: Xử lý ảnh với Mô-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 thông số phía Client để tải ảnh vệ tinh............................................. 34

Hình 3.22: Quy trình xử lý ảnh vệ tinh với mô hình Unet và thư viện Eo-learn ..................... 35

Hình 4.1: Ma trận độ chính xác của mô 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, nông 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

toán với quy mô 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 Xô đã

phóng thành công vệ tinh Sputnik 1 lên không gian, cho đến nay đã có hàng trăm

vệ tinh hoạt động trên không 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

- Môi trường: Giám sát biến động ô nhiễm, rò rỉ dầu trên mặt (thông qua

chỉ thị thực vật), nghiên cứu quản lý biến động đô thị hóa, nghiên cứu

hiện tượng đảo nhiệt đô thị...

Thảm thực vật đóng vai trò 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 loài đóng vai trò 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 toán 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 trò rất quan trọng đối với cuộc sống của con người

cũng như môi trường như: cung cấp nguồn gỗ, điều hòa không khí, tạo ra oxy, là

nơi cư trú động thực vật, ngăn chặn gió bão, chống xói mòn đất, đảm bảo cho sự

sống, hạn chế biến đổi khí hậu…

Chính vì thế việc giám sát lớp phủ thực vật là điều vô 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 công 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 chuyên môn cao về viễn thám và xử lý ảnh vệ tinh,

đồng thời việc xử lý nhiều dữ liệu mất tương đối nhiều thời gian.

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 mô hình mạng Nơ-ron phức hợp U-Net để tiến hành

giám sát lớp phủ thực vật của tỉnh Cao Bằng dựa trên dữ liệu ảnh vệ tinh Sentinel-

2. 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, Moss-

1, 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 toán để cố gắng

mô hình dữ liệu trừu tượng hóa ở mức cao bằng cách sử dụng nhiều lớp xử lý với

cấu trúc phức tạp, hoặc bằng cách khác bao gồm nhiều biến đổi phi tuyến. Học

sâu 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

ngôn 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-learn-

features (trích xuất thuộc tính dữ liệu và thao tác với tính năng), Eo-learn-

geometry (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-learn-

mask (sử dụng để che dữ liệu và tính toán mặt nạ đám mây), Eo-learn-ml-tools

(các công 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 mô hình U-net để thực hiện ứng dụng kỹ thuật học sâu trong việc trích xuất

đặc trưng ảnh vệ tinh nhằm tính toán lớp phủ rừng áp dụng tại tỉnh Cao Bằng. Tác

giả đã so sánh kết quả của mô 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: Mô 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.

Ngoài ra tác giả cũng giới thiệu một số chỉ số giúp tính toán lớp

phủ thực vật và quy trình xử lý của bài toán với thư viện Eo-

Learn

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 trò 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

Thông tin

Tính liên tục

Các trạm mặt đất

Độ tin cậy

Cần 4 vệ tinh hoạt động trong chu kỳ 15 năm

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

0.7

Độ sẵn có

97%

Định vị không có điểm khống

chế GCP

<20m

Độ rộng dải quét

290 km

Phương thức hoạt động

Thời lượng chụp ảnh tối đa

Tiêu chuẩn, mở rộng, hỗ trợ, an toàn

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 thô được nén mỗi ngày. Điều này có nghĩa tốc độ cung cấp dữ liệu

thô 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 56⁰Nam đến 84⁰Bắc. 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 ± 20,6⁰dọc 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 luôn mong muốn có thể

sử dụng nguồn dữ liệu mở và miễn phí như các dòng vệ tinh Landsat và Sentinel.

Do đó, khi kết hợp ảnh các vệ tinh Landsat 5-8 với dữ liệu ảnh Sentinel-2 sẽ đạt

tần suất chụp lặp 3 ngày tại một điểm trên mặt đất. Do đó, dữ liệu Sentinel-2 có

thể mang lại kết quả mong muốn nếu áp dụng phương pháp phù hợp.

2.2.2. Thiết kế kỹ thuật bộ cảm MSI trên vệ tinh Sentinel-2

Bộ cảm MSI trên vệ tinh Sentinel-2 còn 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 toán Chỉ số thực vật toàn

cầu ENVISAT MERIS (MGVI) và trong hiệu chỉnh khí quyển cho đầu thu

MODIS của Cơ quan Hàng không 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 hoàn toàn 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 không 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 không 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 mô 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 không

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 luôn mong muốn có thể

sử dụng nguồn dữ liệu mở và miễn phí như các dòng 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 không 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 còn 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 toàn 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 còn 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 toán Chỉ số thực vật toàn 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 thông 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 trò

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 không gian 20

mét; dải hơi nước và mật độ mây phục vụ quan sát ven biển có độ phân giải không

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 phổ

Kênh

phổ

Độ phân

giải

Số

trung tâm kênh phổ

kênh

(nm)

443

20

60

10

Hiệu chỉnh Sol khí

B1

490

65

Hiệu chỉnh Sol khí

và đo đạc đất đai

B2

B3

B4

B5

B6

B7

560

665

705

740

783

842

35

30

10

20

10

Đo đạc đất đai

15

20

VNIR

115

Hiệu chỉnh hơi

nước vàđo đạc đất

đai

B8

865

945

20

60

Hiệu chỉnh hơi

nước và đo đạc đất

đai

B8a

Hiệu chỉnh hơi

nước

B9

1380

1610

2190

20

90

60

20

Hiện chỉnh mây ti.

Đo đạc đất đai

B10

B11

SWIR

180

Hiệu chỉnh Sol khí

và đo đạc đất đai

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 toàn 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 không 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 thông 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 toán 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 trò 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 không 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 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 mô 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 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) thông 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 không gian cao với tần suất truy cập lại cao, các kỹ thuật có thể tự động trích

xuất các mẫu phức tạp trong dữ liệu không gian-thời gian như vậy là cần thiết.

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 không 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 mô-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 thông 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 mô 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 ngoài. Do đó, người dùng không cần thiết phải cài đặt toàn 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