Tài liệu 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 hoàn thành luận văn tốt nghiệp. Tôi 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 tôi hoàn 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 tôi hoàn 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 Cô luận văn hoàn thiện h n. Tôi 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. MÔ 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 mô 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 toán ố gắng mô 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 thô c nén m i ngày. Điều này nghĩa tố cung c p d liệu thô 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 toàn 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 luôn 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 mô 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 mô t về quy tr nh x l nh ủa th viện Eo-Learn áp ụng trong ài toán 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