UAV đang thay đổi ngành viễn thám như thế nào?
Trong vài năm qua, UAV đã nhanh chóng chuyển từ một thiết bị bay phục vụ chụp ảnh và quay phim thành một nền tảng thu thập dữ liệu được sử dụng trong nông nghiệp, lâm nghiệp, xây dựng, đô thị, môi trường, khai khoáng và quản lý thiên tai.
Nhưng điều gì thực sự làm cho UAV trở nên khác biệt so với máy bay, vệ tinh hay các phương pháp khảo sát mặt đất?
Đây là câu hỏi trung tâm của bài tổng quan “Unmanned Aerial Vehicle for Remote Sensing Applications—A Review”, do Huang Yao, Rongjun Qin và Xiaoyu Chen thực hiện, công bố trên tạp chí Remote Sensing, Volume 11, số 1443, ngày 18/6/2019. Hai trong số các tác giả làm việc tại Department of Civil, Environmental and Geodetic Engineering, The Ohio State University, trong khi Huang Yao thuộc Central China Normal University.
Điểm đáng chú ý của bài báo là các tác giả không xem UAV đơn thuần là một “máy bay nhỏ”. Họ nhìn UAV từ góc độ remote sensing – viễn thám, tức xem toàn bộ hệ thống gồm nền tảng bay, cảm biến, dữ liệu, thuật toán xử lý và ứng dụng cuối cùng.
Theo các tác giả, ba đặc tính tạo nên lợi thế căn bản của UAV trong viễn thám là: Độ phân giải không gian cực cao; Khả năng tạo ra đồng thời dữ liệu hình học 3D và dữ liệu phổ; Tính linh hoạt trong việc kết hợp nhiều loại cảm biến trên cùng một nền tảng.
Chính ba yếu tố này đang mở ra một cách tiếp cận mới đối với khảo sát và quan trắc Trái đất.
Không còn chỉ là “ảnh chụp từ trên cao”
Trong cách hiểu truyền thống, viễn thám chủ yếu dựa vào ảnh vệ tinh hoặc ảnh hàng không. Các nền tảng này có ưu thế về khả năng bao phủ diện tích rất lớn, nhưng thường bị giới hạn bởi độ phân giải, chi phí, lịch bay hoặc khả năng chủ động lựa chọn thời điểm thu thập dữ liệu. UAV tạo ra một khoảng không gian mới.
Một chiếc drone có thể bay ở độ cao rất thấp, thu ảnh với độ phân giải mặt đất chỉ vài centimet, quay lại cùng một khu vực nhiều lần và thay đổi cảm biến tùy theo câu hỏi cần trả lời. Điều này đặc biệt quan trọng đối với những đối tượng có kích thước nhỏ hoặc thay đổi nhanh. Ví dụ, một vệ tinh có thể cho chúng ta biết một khu vực đô thị đã thay đổi. Nhưng UAV có thể giúp phát hiện một đoạn đường bị nứt, một công trình thay đổi hình dạng, một tán cây phát triển, một điểm sạt lở hoặc một vật thể nhỏ trên mặt đất.
Bài báo nhấn mạnh rằng dữ liệu UAV có thể đạt Ground Sampling Distance (GSD) dưới 10 cm, đồng thời tạo ra dữ liệu 3D thông qua photogrammetry. Tuy nhiên, độ phân giải cực cao cũng tạo ra một vấn đề mới: dữ liệu chứa nhiều chi tiết hơn, nhưng không phải lúc nào nhiều chi tiết hơn cũng đồng nghĩa với việc phân loại dễ hơn. Đây là một nghịch lý quan trọng của UAV. Càng nhìn rõ, bài toán xử lý dữ liệu đôi khi càng khó.
Bước chuyển từ camera RGB sang “kho cảm biến” trên không
Một trong những phần quan trọng của bài nghiên cứu là phân tích các loại cảm biến có thể được tích hợp trên UAV.
RGB là loại camera phổ biến nhất và cũng là điểm khởi đầu của phần lớn các ứng dụng UAV hiện nay. Một camera RGB chất lượng tốt có thể tạo ra orthophoto, DSM và nhiều sản phẩm photogrammetry khác, phục vụ lập bản đồ, phát hiện tán cây, theo dõi sinh trưởng thực vật và phân tích biến động.
Nhưng RGB chỉ nhìn thấy một phần thông tin của thế giới. Khi chuyển sang multispectral, UAV có thể thu nhận thêm các dải đỏ, red-edge và cận hồng ngoại. Đây là những vùng phổ đặc biệt hữu ích đối với thực vật. Các camera multispectral vì vậy được sử dụng trong: đánh giá sức khỏe cây trồng; phát hiện stress của thực vật; theo dõi sinh trưởng; phát hiện bệnh; lập bản đồ thảm thực vật; nông nghiệp chính xác. Đối với những bài toán phức tạp hơn, hyperspectral cho phép thu thập thông tin trên rất nhiều dải phổ, từ đó mở rộng khả năng phân biệt các đối tượng có đặc tính quang phổ gần nhau.
Bài báo cũng đề cập đến thermal infrared, tức camera ảnh nhiệt. Đây là loại cảm biến đặc biệt hữu ích khi cần quan sát nhiệt độ bề mặt. UAV mang camera nhiệt có thể hỗ trợ phát hiện tâm đám cháy, tìm kiếm người, phát hiện rò rỉ đường ống, theo dõi nhiệt độ cây trồng hoặc đánh giá bốc hơi nước. Một ví dụ rất đáng chú ý là việc sử dụng ảnh nhiệt để phục vụ quản lý nước trong nông nghiệp. Nói cách khác, cùng một chiếc drone nhưng thay camera có thể biến nó thành một hệ thống hoàn toàn khác.
LiDAR: khi UAV không chỉ “nhìn” mà còn đo cấu trúc 3D
Một công nghệ khác được bài báo xem xét là LiDAR – Light Detection and Ranging. LiDAR có thế mạnh lớn trong thu thập dữ liệu hình học và đã được sử dụng rộng rãi trong lâm nghiệp, di sản văn hóa, BIM và khảo sát địa hình.
Một lợi thế của LiDAR so với photogrammetry là khả năng tạo nhiều phản hồi từ cùng một tia laser, nhờ đó có thể xuyên qua những khoảng trống trong tán rừng và thu nhận thông tin về cấu trúc bên dưới. Tuy nhiên, LiDAR gắn trên UAV cũng có những hạn chế. Do nền tảng UAV nhỏ và chuyển động không ổn định, chất lượng dữ liệu phụ thuộc đáng kể vào GPS/IMU và hệ thống định vị. Vì vậy, không thể đơn giản cho rằng “LiDAR luôn chính xác hơn photogrammetry”. Điểm quan trọng mà bài báo muốn nhấn mạnh là lựa chọn cảm biến phải bắt đầu từ bài toán, chứ không phải từ thiết bị.
Hai bài toán lớn: phân loại và phát hiện thay đổi
Sau khi phân tích nền tảng và cảm biến, bài báo đi sâu vào hai nhóm nhiệm vụ quan trọng của viễn thám UAV: Land Use/Land Cover – LULC classification, tức phân loại sử dụng đất và lớp phủ đất; và Change Detection, tức phát hiện sự thay đổi theo thời gian. Đây là nơi UAV tạo ra một sự thay đổi quan trọng so với viễn thám truyền thống. Với ảnh UAV có độ phân giải cực cao, hệ thống không chỉ nhìn thấy “rừng”, “đường”, “nhà” mà có thể nhìn thấy những cấu trúc nhỏ hơn nhiều.
Nhưng điều này tạo ra một vấn đề: một lớp đối tượng vốn khá đồng nhất ở ảnh vệ tinh có thể trở nên cực kỳ phức tạp ở ảnh UAV. Ví dụ, một khu vực “đường giao thông” trong ảnh vệ tinh có thể trở thành hàng loạt đối tượng riêng biệt trong ảnh UAV: mặt đường, vạch kẻ, xe, người, bóng đổ, cây ven đường, vật thể bên lề… Do đó, các phương pháp phân loại truyền thống không phải lúc nào cũng hoạt động tốt.
Các tác giả cho rằng Object-Based Image Analysis – OBIA, tức phân tích dựa trên đối tượng, ngày càng phù hợp hơn với ảnh UAV độ phân giải cực cao. Thay vì phân tích từng pixel riêng lẻ, thuật toán nhóm các pixel có tính liên kết không gian thành các đối tượng rồi sử dụng thêm thông tin về hình dạng, kết cấu và vị trí. Đây là một hướng rất quan trọng đối với sự phát triển của UAV mapping.
Khi UAV kết hợp 3D, ảnh và AI
Một trong những luận điểm đáng chú ý nhất của bài báo là: không nên xử lý ảnh UAV giống như xử lý ảnh vệ tinh thông thường. Lý do là UAV thường tạo ra đồng thời ảnh 2D và thông tin 3D.
Từ cùng một tập ảnh, người dùng có thể tạo: orthophoto; DSM; point cloud; mô hình 3D; thông tin màu sắc; thông tin phổ; thông tin độ cao. Khi các lớp dữ liệu này được kết hợp, thuật toán có thể nhận biết đối tượng tốt hơn. Chẳng hạn, hai khu vực có màu sắc giống nhau nhưng khác chiều cao có thể được phân biệt bằng DSM. Đây là nền tảng để UAV tiến tới multi-modal data analysis – phân tích dữ liệu đa phương thức, kết hợp thông tin hình học, màu sắc, kết cấu và phổ.
Các tác giả dự báo rằng các phương pháp machine learning và deep learning sẽ ngày càng quan trọng, đặc biệt khi UAV chuyển từ việc quan sát các đối tượng tĩnh sang theo dõi các đối tượng động như ô tô, người hoặc các hoạt động trong đô thị.
Nông nghiệp: từ “nhìn đồng ruộng” đến nông nghiệp chính xác
Một trong những lĩnh vực hưởng lợi lớn nhất từ UAV remote sensing là precision agriculture – nông nghiệp chính xác. Thay vì chỉ chụp toàn bộ cánh đồng, UAV có thể tạo ra bản đồ rất chi tiết về cây trồng. Camera RGB có thể giúp xác định mật độ cây, hình thái tán cây và biến động sinh trưởng. Multispectral có thể cung cấp thông tin liên quan đến tình trạng sinh lý của cây. Thermal có thể cho biết những thay đổi về nhiệt độ bề mặt, từ đó hỗ trợ đánh giá stress nước. Hyperspectral có thể mở rộng khả năng phát hiện những thay đổi tinh vi về tình trạng cây.
Vì vậy, UAV có thể trở thành một “lớp cảm biến” giúp nông dân hoặc doanh nghiệp nông nghiệp chuyển từ quản lý đồng ruộng theo diện tích sang quản lý theo vị trí cụ thể. Thay vì tưới, bón phân hoặc kiểm tra toàn bộ khu vực giống nhau, dữ liệu UAV có thể giúp xác định khu vực nào đang có vấn đề. Đây chính là nền tảng của nông nghiệp chính xác.
Đô thị và hạ tầng: drone trở thành “nhân viên kiểm tra trên không”
Đô thị là một lĩnh vực khác mà UAV có lợi thế rõ rệt. Bài báo dẫn nhiều ví dụ về việc sử dụng UAV để giám sát: đường giao thông; công trình; cây xanh; cơ sở hạ tầng; thay đổi bề mặt đô thị; giao thông;các công trình nhỏ.
Một ví dụ rất trực quan là kiểm tra mặt đường. Các vết nứt hoặc biến dạng có thể chỉ rộng vài chục centimet. Kiểm tra thủ công trên một mạng lưới đường lớn có thể tốn nhiều thời gian và nhân lực. UAV có thể bay ở độ cao thấp, tạo ảnh với độ phân giải khoảng vài centimet và sử dụng thuật toán để phát hiện những bất thường trên mặt đường. Một nghiên cứu được bài báo dẫn lại đã sử dụng ảnh UAV với độ phân giải khoảng 4 cm để phát hiện các khuyết tật mặt đường bằng machine learning.
Tương tự, UAV có thể hỗ trợ phát hiện các vết nứt trên công trình. Điều đáng chú ý là UAV không chỉ “chụp ảnh công trình” mà có thể tạo mô hình 3D để xác định biến dạng hình học. Đây là nơi UAV bắt đầu giao thoa với BIM, digital twin và quản lý tài sản hạ tầng.
Thiên tai và cứu hộ: lợi thế của tốc độ và khả năng tiếp cận
Nếu trong nông nghiệp UAV mang lại lợi thế về độ phân giải, thì trong thiên tai, lợi thế quan trọng nhất có thể là tốc độ và khả năng tiếp cận khu vực nguy hiểm. Sau động đất, UAV có thể nhanh chóng lập bản đồ khu vực bị ảnh hưởng và dựng mô hình 3D của các tòa nhà.
Từ dữ liệu đó, lực lượng cứu hộ có thể xác định: công trình sập hoàn toàn; công trình sập một phần; khu vực có nguy cơ tiếp tục đổ; tuyến đường có thể tiếp cận; mức độ thiệt hại.
Các tác giả cho rằng UAV có thể trở thành công cụ quan trọng trong thu thập dữ liệu hiện trường sau thiên tai. Những dữ liệu 3D cũng có thể được sử dụng cho phân loại tự động hoặc phát hiện thay đổi trước – sau thiên tai. Đối với sạt lở, UAV còn có thể tạo ra chuỗi mô hình địa hình theo thời gian để theo dõi diễn biến. Một ưu điểm đáng chú ý là DEM/DSM từ UAV có thể đạt độ chính xác ở mức centimet và cho phép theo dõi chuyển dịch theo cả phương ngang và phương đứng.
Nhưng UAV không phải “cây đũa thần”
Một điểm đáng giá của bài tổng quan là các tác giả không chỉ nói về ưu điểm. UAV cũng tạo ra những vấn đề mới. Thứ nhất là dữ liệu quá lớn và quá chi tiết. Độ phân giải cao tạo ra nhiều thông tin hơn nhưng cũng khiến phân loại phức tạp hơn. Thứ hai là thiếu dữ liệu chuẩn để huấn luyện và đánh giá thuật toán. Một mô hình AI hoạt động tốt ở khu vực này chưa chắc hoạt động tốt ở khu vực khác. Các tác giả cho rằng việc xây dựng các bộ dữ liệu chuẩn hóa và benchmark là cần thiết để có thể so sánh khách quan hiệu quả của các phương pháp UAV. Thứ ba là độ bất định của dữ liệu 3D. DSM có thể chứa sai số do điều kiện ánh sáng, kết cấu bề mặt, góc chụp, chất lượng GPS/IMU và quá trình photogrammetry. Thứ tư là khả năng xử lý dữ liệu. Khi UAV tiến tới các ứng dụng thời gian thực, việc phát hiện người, phương tiện hoặc vật thể trong môi trường phức tạp sẽ đòi hỏi những thuật toán mạnh hơn, bao gồm deep learning và mạng nơ-ron chuyên biệt.
Từ “drone” đến một hệ thống dữ liệu không gian
Có lẽ thông điệp quan trọng nhất của bài báo nằm ở sự thay đổi cách nhìn về UAV. Nếu chỉ nhìn UAV như một thiết bị bay, chúng ta sẽ tập trung vào: tầm bay bao xa, camera bao nhiêu megapixel, pin bao lâu, bay được bao nhiêu phút. Nhưng nếu nhìn UAV như một nền tảng viễn thám, câu hỏi sẽ hoàn toàn khác: Cảm biến nào? Độ phân giải bao nhiêu? Dữ liệu 2D hay 3D? Cần đo đối tượng gì? Cần phát hiện thay đổi trong bao lâu? Thuật toán nào? Độ chính xác cần đạt bao nhiêu? Dữ liệu có được tích hợp với GIS, AI hoặc hệ thống quản lý hay không? Đây chính là bước chuyển từ Drone as a Device sang UAV as a Data Platform. Và đó cũng là lý do bài tổng quan này vẫn đáng đọc đối với những người đang bước vào ngành UAV.
Điều gì đang chờ phía trước?
Các tác giả dự báo tương lai của UAV remote sensing sẽ tập trung vào ba hướng lớn.
Một là dữ liệu 3D.
UAV không chỉ tạo ảnh mà ngày càng tạo ra các mô hình không gian đầy đủ hơn. Những dữ liệu này sẽ trở thành nền tảng cho lập bản đồ, BIM, digital twin và phân tích biến động.
Hai là kết hợp nhiều cảm biến.
RGB, multispectral, hyperspectral, thermal và LiDAR có thể bổ sung cho nhau. Khi được tích hợp, chúng cung cấp một bức tranh phong phú hơn nhiều so với một camera đơn lẻ.
Ba là AI.
Khi lượng dữ liệu UAV tăng lên, con người không thể phân tích thủ công toàn bộ dữ liệu. Machine learning, deep learning, object detection, semantic segmentation và change detection sẽ trở thành những thành phần ngày càng quan trọng.
Nhưng để điều đó xảy ra, ngành UAV cần giải quyết một bài toán căn bản: chuẩn hóa dữ liệu và đánh giá độ chính xác.
Các tác giả nhấn mạnh rằng nghiên cứu UAV hiện vẫn thiếu những chuẩn chung để đánh giá khả năng đạt được về hình học, phân loại và phát hiện thay đổi.
Được công bố từ năm 2019, bài nghiên cứu không phải là tài liệu mới nhất về UAV remote sensing. Công nghệ UAV và AI đã phát triển rất nhanh kể từ đó. Nhưng chính vì vậy, giá trị của bài báo nằm ở chỗ nó giúp người đọc hiểu cấu trúc của cả lĩnh vực, thay vì chỉ biết từng ứng dụng riêng lẻ.
Đối với người mới bước vào ngành UAV, bài báo trả lời những câu hỏi cơ bản: UAV remote sensing thực chất là gì? Có những loại cảm biến nào? RGB khác multispectral và thermal như thế nào? Tại sao dữ liệu 3D quan trọng? Vì sao ảnh có độ phân giải cao lại tạo ra những vấn đề mới cho AI? UAV có thể được sử dụng ở đâu trong nông nghiệp, đô thị, môi trường và thiên tai? Và quan trọng nhất: Tại sao tương lai của UAV không nằm ở việc drone bay được bao xa, mà ở việc dữ liệu thu được có thể được biến thành thông tin có giá trị như thế nào?
Thông tin bài báo: Unmanned Aerial Vehicle for Remote Sensing Applications—A Review. Tác giả: Huang Yao, Rongjun Qin và Xiaoyu Chen. Tạp chí: Remote Sensing, 2019, 11, 1443. Ngày công bố: 18/6/2019. DOI: 10.3390/rs11121443
Nội dung chính: Tổng quan về cảm biến UAV, xử lý dữ liệu viễn thám UAV, phân loại lớp phủ đất, phát hiện thay đổi và các ứng dụng trong nông nghiệp, môi trường, đô thị, hạ tầng, thiên tai và cứu hộ.
Độc giả muốn đi sâu hơn vào cấu trúc cảm biến, phương pháp xử lý dữ liệu, machine learning, photogrammetry, multispectral/hyperspectral, thermal, LiDAR và các nghiên cứu ứng dụng được nhóm tác giả tổng hợp có thể đọc toàn bộ bài báo tiếng Anh nguyên bản. PDF: Unmanned Aerial Vehicle for Remote Sensing Applications—A Review — Huang Yao, Rongjun Qin & Xiaoyu Chen, Remote Sensing, 2019.
