Công ty Cổ phần Thương mại Công nghệ Xuân Mai Green | XMG
1. Cập nhật thay đổi độ che phủ của rừng bằng ảnh flycam
Theo như báo cáo từ ngày 14/4/2017, chúng ta có thể sử dụng miễn phí ảnh vệ tinh như: Landsant-8, Sentinel-2 để phát hiện vị trí có sự thay đổi độ che phủ rừng. Tuy nhiên, ảnh vệ tinh miễn phí có độ phân giải không gian và độ chính xác hình học không cao, chưa đủ để cập nhật biến động rừng trực tiếp vào cơ sở dữ liệu FORMIS theo tỷ lệ cấp xã (Tỷ lệ bản đồ: 1/10.000), Các phương pháp phát hiện biến đông được đề xuất giúp chỉ ra các vị trí biến động. Tiếp theo, những biến động rừng cần được cập nhật lên máy chủ FORMIS bằng cách thủ công. Dựa trên kết quả của những nghiên cứu trước đây, chúng tôi đã đề xuất một hệ thống giám sát rừng và cập nhật biến động độ che phủ rừng gồm hai bước chính:
Các bước để cập nhật biến động rừng theo đề xuất được thể hiện trong sơ đồ như hình 1.1.
Hình 1.1. Sơ đồ phương pháp cập nhật thay đổi độ che phủ rừng
Theo phương pháp được đề xuất, chúng ta cần kiểm tra và cập nhật những biến động rừng được xác định bằng ảnh vệ tinh miễn phí. Phần này sẽ cố gắng xác định khả năng của hình ảnh Flycam cho công việc cập nhật. Những hình ảnh từ Flycam được chỉnh sửa và ghép lại để tạo thành một hình ảnh lớn của khu vực nghiên cứu. Dữ liệu NFIS 2016 được thu thập và chuyển đổi từ hệ tọa độ VN2000 sang hệ tọa độ WGS84 long / lat và được phủ lên hình ảnh khảm như trong hình 1.2. Hình ảnh tổng quan trong hình 1.2 và đối tượng dạng vùng trong hình 1.3 cho thấy không có sự sai lệch về hình học của hình ảnh FlyCam (so với dữ liệu NFIS).
Hình 1.2. Dữ liệu NFIS được phủ lên hình ảnh FlyCam
Hình 1.3. Không có sự sai lệch về hình học
Tuy nhiên, một số đa giác khác cho thấy rằng độ chính xác của dữ liệu NFIS không tốt ở một số vị trí trong quy mô lớn so với hình ảnh Flycam. Như hình 1.4, một vùng của đất nông nghiệp bao gồm một phần có rừng và một vùng có rừng bao gồm một số vùng của đất nông nghiệp.
Hình 1.4. Độ chính xác không tốt của NFIS ở một số phần
Ngoài ra, màu sắc của đất nông nghiệp bị thay đổi phụ thuộc nhiều vào mùa vụ => Rất khó để trích xuất các địa điểm phá rừng tự động bằng hình ảnh Flycam.
Chúng tôi đề nghị vẽ các vùng rừng bị mất bằng tay dựa trên hình ảnh khảm Flycam sau đó cập nhật vùng lên máy chủ FORMIS vì:
- Dữ liệu NFIS không chính xác so với hình ảnh Flycam ở tỷ lệ lớn trong khi yêu cầu cập nhật chỉ dành cho diện tích rừng thay đổi => Khó trích xuất tự động vùng biến động rừng.
- Màu sắc của đất nông nghiệp, đất trống, ... bị thay đổi phụ thuộc nhiều vào mùa vụ => Khó trích xuất tự động vùng biến động rừng.
- Thông thường, số lượng địa điểm thay đổi không nhiều => Cách dễ nhất là vẽ vùng biến động bằng thủ công (bằng tay) trong phần mềm GIS.
Chúng tôi đề xuất các bước để cập nhật biến động độ che phủ rừng bằng hình ảnh khảm FlyCam như sau:
2. Phát hiện mất rừng bằng hình ảnh flycam (detecting logged trees using flycam mosaic images)
2.1. Hiệu chỉnh hình học
Ảnh Flycam đã được xử lý để tạo ảnh khảm và dữ liệu DSM (Digital Surface Model) bằng phần mềm Pix4Dmapper. Ba hình ảnh khảm trực giao và dữ liệu DSM được thu thập trong những thời điểm: 27/3/2017, 17/4/2017 và 19/5/2017, tại cùng khu vực, được cung cấp bởi dự án SNRM. Hình ảnh khảm ngày 27/3/2017 được thể hiện trong hình 1.2. Do đó, chúng tôi gọi hình ảnh Flycam ngày 27/3/2017 là Dadum1 (Dadum là tên địa phương của khu vực), hình ảnh Flycam ngày 17/4/2017 là Dadum2 và hình ảnh Flycam ngày 19/5/2017 là Dadum3.
Ảnh Flycam được xử lý mà không có GCP (Ground Control Points – Điểm kiểm soát mặt đất). Vì vậy, giá trị tọa độ lat / long và độ cao chỉ dựa trên GPS của FlyCam. Vị trí thu được bằng GPS thường là thiếu chính xác. Chúng tôi đã kiểm tra tọa độ của ba hình ảnh Flycam bằng cách so sánh chúng với nhau: Một cây cầu trong hình ảnh Dadum1 được sử dụng làm điểm kiểm soát, như thể hiện trong hình 2.1 (điểm màu đỏ)
Hình 2.1. Điểm kiểm soát trên cây cầu của Dadum1
Điểm tương tự được phủ lên hình ảnh Dadum2 và kết quả được hiển thị trong hình 2.2. Điểm đỏ là xa cầu. Khoảng cách đến cây cầu trong Dadum2 là 14,7m.
Theo cách tương tự, điểm kiểm soát được phủ lên hình ảnh Dadum3. Sự khác biệt giữa Dadum1 và Dadum3 là 6,2m như trong hình 2.3.
Hình 2.2. Điểm kiểm soát trong Dadum2 và khoảng cách đến cây cầu
Hình 2.3. Điểm kiểm soát trong Dadum3 và khoảng cách đến cây cầu
Để phát hiện mất rừng (To detect logged trees) , điều chỉnh hình học là cần thiết. Như thể hiện trong hình 1.3, hình ảnh Dadum1 có thể được phủ tốt lên dữ liệu NFIS. Do đó, hình ảnh Dadum1 sẽ được sử dụng làm hình ảnh cơ sở, hình ảnh Dadam2 và Dadum3 sẽ được hiệu chỉnh theo Dadum1. Việc hiệu chỉnh hình ảnh được thực hiện bởi phần mềm ArcGIS. Kết quả sau khi hiệu chỉnh được thể hiện trong hình 2.4 và hình 2.5.
Hình 2.4. Điểm kiểm soát trong Dadum2 sau khi hiệu chỉnh
Hình 2.5. Điểm kiểm soát trong Dadum3 sau khi hiệu chỉnh
2.2. Mô phỏng mất rừng (Simulation of logged trees)
Để chuẩn bị dữ liệu cho việc thử nghiệm, chúng tôi đã xóa ngẫu nhiên 30 cây trong ảnh Dadum3 và thay thế chúng bằng một số loại nền khác nhau. Hình 2.6 cho thấy một số ví dụ về những cây sau khi bị xóa (vùng màu đỏ).
Hình 2.6. Một số cây đã bị xóa và thay thế bởi nền khác nhau
30 cây bị xóa sẽ được sử dụng để phát triển mô hình phát hiện cây đã ghi bằng Flycam hình ảnh. Hình 2.7 dưới đây cho thấy vị trí của 30 cây bị xóa.
Hình 2.7. Vị trí của 30 cây bị xóa trong khu vực nghiên cứu
2.3. Phương pháp luận
Sau nhiều lần thử nghiệm với nhiều chỉ số khác nhau, phương pháp tốt nhất để phát hiện cây được xác nhận khi sử dụng hình ảnh khảm Flycam sẽ được đề xuất và trình bày trong phần này.
Bởi vì hình ảnh Flycam thường được chụp ảnh trong các điều kiện thời tiết khác nhau và tại góc nhìn khác nhau, do đó bóng của cây rất khác nhau từ hình ảnh này đến hình ảnh khác. Nó ảnh hưởng nhiều đến thay đổi chỉ số phát hiện. Để giảm hiệu ứng của bóng, chỉ số bóng sẽ được sử dụng. Chỉ số bóng thường được sử dụng để xử lý dữ liệu ảnh viễn thám có độ phân giải rất cao (dữ liệu 8 bit) với công thức như sau.
Trong đó:
R là giá trị của dải màu đỏ
G là giá trị của dải màu xanh
B là giá trị của dải màu xanh
Giá trị ước tính của Shadowindex (Chỉ số bóng) được sử dụng để loại bỏ bóng sẽ được trình bày trong phần tiếp theo.
Sau khi loại bỏ bóng, sử dụng phương pháp phân tích đa biến Multi-variant Change Vector Analysis (MCVA) để phát hiện cây được xác nhận. Phương pháp MCVA cho phép sử dụng kiến thức chuyên môn để kết hợp một cách linh hoạt các chỉ số tiềm năng cho hiệu quả cao nhất có thể đối với việc phát hiện biến động rừng. Hai chỉ số tiềm năng được đề xuất trong nghiên cứu này là RG và BG. Công thức của hai chỉ số được hiển thị dưới đây:
Về mặt logic, ý nghĩa của hai chỉ số được đề xuất dựa trên phân tích màu sắc. Bình thường màu sắc của cây bị chi phối bởi màu xanh lá cây. Nếu một cây bị mất, màu xanh của khu vực sẽ là giảm. Màu nền là màu của đất. Nó có thể bị chi phối bởi màu đỏ hoặc màu xanh phụ thuộc trên các loại đất khác nhau. Nếu một cây bị mất, màu đỏ hoặc màu xanh sẽ được tăng lên. Điều đó có nghĩa là, nếu một cây bị mất, chỉ số RG hoặc BG của khu vực sẽ được tăng lên hoặc cả hai chỉ số sẽ được tăng. Với lý thuyết tương tự như được trình bày trong báo cáo trước, trong trường hợp này, phương pháp MCVA sử dụng các chỉ mục RG và BG để tính toán chỉ số thay đổi Change Index1 và Change Index2 theo công thức:
Việc tính toán các chỉ mục được thực hiện bằng ngôn ngữ EASE Modelling trong phần mềm PCI.
2.4. Kết quả và thảo luận
Đầu tiên, một cặp hình ảnh của Dadum1 và Dadum3 (hình ảnh mô phỏng Dadum3) đã được sử dụng để phát hiện cây bị mất. Chỉ số bóng được sử dụng để tính cho hình ảnh Dadum1 và Dadum3. Sử dụng so sánh trực quan giữa chỉ số Shadow và hình ảnh gốc (Chỉ số bóng của Dadum1 và Dadum1, chỉ số bóng của Dadum3 và Dadum3), chúng tôi đề xuất ngưỡng 205 là Chỉ số bóng để loại bỏ bóng. Bước tiếp theo, các chỉ số RG và BG đã được tính cho Dadum1 và Dadum3 lần lượt gọi là RG1 , BG1 và RG3 , BG3 . Từ RG và BG lập chỉ mục, chúng tôi đã tính toán Change Index1 và Change Index2 theo các công thức được ở trên. Sử dụng thuật toán giải đoán dựa trên hình ảnh Change Index2 để vẽ vùng. Kết quả được thể hiện trong hình 2.8.
Hình 2.8. Vùng giải đoán dựa trên hình ảnh Change Index2
Chúng tôi đã nhận được 3057 vùng trong trường hợp này. Để phát hiện vùng nào bị biến động, chúng tôi đã tính trung bình các giá trị của Change Index1, Change Index2, Shadow Index1, Shadow Index3 cho mỗi vùng. Giá trị trung bình của ChangeIndex1 và ChangeIndex2 cho 30 cây giả định bị mất thể hiện trong bảng 2.1.
Bảng 2.1: Giá trị trung bình của Change Index1 và Change Index2 của các cây giả định bị mất
Sau đó, chúng tôi đã chọn vùng có khả năng cao biến động rừng theo điều kiện: "C_index1_13"> 28 VÀ "C_index2_13"> 289 VÀ "Shadow1" <205 VÀ "Shadow3" <205 , sử dụng Phần mềm ArcGIS như hình sau (Giá trị tối thiểu được sử dụng làm giá trị ngưỡng).
Hình 2.9: Thiết lập tham số trong ArcGIS
Kết quả được lựa chọn vùng được hiển thị như hình 2.9 sau (Vùng màu xanh da trời)
Hình 2.10. Vị trí của 39 điểm có khả năng cao về sự thay đổi của rừng
Tổng số 39 điểm có khả năng cao về sự biến động của rừng đã được lựa chọn. Trong số 39 điểm, chúng ta có 30 điểm mô phỏng cây mất đi. Chúng ta sẽ kiểm tra 9 điểm còn lại, từng điểm một.
Hình 2.11. Điểm 01 được chọn (vùng màu đỏ): (trái) Dadum1, (phải) Dadum3
Đây thật ra chính là vùng biến động rừng. Có một vài cây đã mất đi tại đây. Các điểm được chọn 02, 03 và 04 được thể hiện ở hình 2.12.
Hình 2.12. Điểm được chọn 02, 03 và 04 (vùng màu đỏ): (trên) Dadum1, (dưới) Dadum3
Ba điểm 02, 03 và 04 tương tự giống nhau. Chúng là những khu vực biến động từ cây bụi và cây nhỏ tới vùng đất trống.
Điểm được chọn 05 và 06 được hiển thị trong hình 2.13.
Hình 2.13. Điểm được chọn 05 và 06 (vùng đỏ): (trái) Dadum1, (phải) Dadum3
Điểm được chọn 05 và 06 là đất nông nghiệp, không phải sự biến động rừng.
Điểm được chọn 07 được hiển thị như hình 2.14.
Hình 2.14. Điểm được chọn 07 (vùng đỏ): (trái) Dadum1, (phải) Dadum3
Điểm 07 được chọn thực sự là một vùng biến động. Chúng là sự biến động từ cây bụi, cây nhỏ, cỏ sang đất trống.
Điểm được chọn 08 được hiển thị hình 2.15.
Hình 2.15. Điểm được chọn 08 (vùng đỏ): (trái) Dadum1, (phải) Dadum3
Điểm được chọn 08 là một vùng biến động. Nó biến động từ cây sang mặt nước. Cây đã được cắt ở đây.
Điểm được chọn 09 được thể hiện ở hình 2.16.
Hình 2.16. Điểm được chọn 09 (vùng đỏ): (trái) Dadum1, (phải) Dadum3
Nó là phát hiện sai. Vùng màu đỏ không phải vùng thay đổi rừng. Nó là sự thay đổi màu sắc của các cây ở lại.
Căn cứ vào kết quả phát hiện được hiển thị như ở trên, các điểm được chọn 05, 06 (hình 2.12 – đất nông nghiệp) và 09 (hình 2.15 – sự thay đổi của màu sắc dời đi) là hầu hết không có ý nghĩa cho mục đích của chúng tôi (phát hiện sự thay đổi rừng), với 8% (3/39 điểm). Điều đó có nghĩa, 92% các điểm được phát hiện có ý nghĩa đối với việc phát hiện mục đích thay đổi của rừng.
Sử dụng cùng phương pháp đó, chúng ta áp dụng cho cặp hình ảnh Dadum2 và Dadum3. Ứng dụng này là để xác thực phương pháp và ngưỡng giá trị cho các cặp hình ảnh Flycame. Các chỉ số, chỉ số thay đổi 1 và chỉ số thay đổi 2 được tính toán cho hình ảnh khảm Dadum2 và Dadum3. Ngưỡng giá trị được sử dụng giống như ước tính từ cặp hình ảnh của Dadum1 và Dadum3.
"C_index1_23" > 28 AND "C_index2_23" >289 AND "Shadow2" <205 AND "Shadow3" <205
Kết quả là 34 điểm được chọn cho khả năng cao về thay đổi diện tích của cây được ghi lại. Vị trí của 34 điểm được thể hiện trong hình 2.17.
Hình 2.17. 34 điểm được chọn cho khả năng cao về thay đổi diện tích (màu đỏ) của cây được nhập vào trong cặp hình ảnh Dadum 2 và Dadum3
Toàn bộ 30 điểm mô phỏng của cây được ghi lại ở trường hợp này. 4 điểm khác sẽ được kiểm tra từng cái một như sau.
Điểm được chọn 02-1 được thể hiện ở hình 2.18 (Vị trí giống với điểm 01- hình 2.11)
Hình 2.18. Điểm được chọn 02-1 (vùng đỏ): (trái) Dadum2, (phải) Dadum3
Nó thực sự là khu vực rừng thay đổi. Có một vài cây đã được ghi lại. Vị trí thay đổi này được phát hiện trong sự so sánh của Dadum1 và Dadum3.
Điểm được chọn 02-2 được thể hiện trong hình 2.19.
Hình 2.19. Điểm được chọn 02-2 (vùng đỏ): (trái) Dadum 2, (phải) Dadum3
Nó cũng thực sự là khu vực rừng thay đổi. Một vài cây đã được ghi lại. Đây là vị trí thay đổi không phát hiện trong sự so sánh Dadum1 và Dadum3 bởi vì hiệu ứng bóng. Nó có thể là bất lợi của phương pháp phát hiện này.
Điểm được chọn số 2-3 thể hiện trong hình 2.20 (Vị trí giống với điểm số 05 – hình 2.13).
Hình 2.20. Điểm được chọn số 2-3 (vùng đỏ): (trái) Dadum2, (phải) Dadum3
Điểm được chọn số 2-3 là vùng đất nông nghiệp, không phải vùng rừng thay đổi.
Điểm được chọn số 2-4 được thể hiện ở hình 2.21 (Vị trí giống với điểm 07 – hình 2.14).
Hình 2.21. Điểm được chọn số 2-4 (vùng đỏ): (trái) Dadum2, (phải) Dadum3
Điểm được chọn số 2-4 thực sự là những vùng biến động. Những vùng biến động từ cây bụi nhỏ thành đất trống.
Việc so sánh Dadum2 và Dadum3 là nhằm xác định phương pháp phát hiện biến động (được phát triển dựa trên Dadum1 và Dadum3). Chúng tôi đã sử dụng các giá trị ngưỡng tương tự được tính toán trên Dadum1 và Dadum3 cho Dadum2 và Dadum3. Các điểm được phát hiện cho thấy một kết quả tốt. Trong số 34 điểm được chọn, chỉ có một điểm (điểm số 2-3 trong hình 2.19) không có ý nghĩa cho mục đích phát hiện biến động rừng của chúng tôi, bằng 3%.
3. Phát hiện mất rừng bằng cách sử dụng dữ liệu mô hình số độ cao từ flycam
DSM (Digital Surface Model) là một sản phẩm được xử lý từ hình ảnh Flycam. Về mặt logic, dự kiến sẽ cung cấp thông tin hữu ích cho việc phát hiện cây bị chặt. Hình 3.1 là một ví dụ về dữ liệu DSM của Dadum1.
Hình 3.1. Dữ liệu DSM của Dadum1
Bởi vì hình ảnh Flycam của Dadum1, Dadum2 và Dadum3 đã được xử lý mà không có GCP (Điểm kiểm soát mặt đất), do đó thông tin chiều cao thu được của địa hình chỉ dựa trên GPS của UAV. Sau khi so sánh thông tin về chiều cao của 3 DSM, chúng tôi nhận thấy rằng chúng không cùng chiều cao. Chúng tôi đã sử dụng một cây cầu xuất hiện trong cả ba hình ảnh (được hiển thị trong hình 3.2) dưới dạng GCP và sử dụng Dadum1 làm hình ảnh cơ sở. DSM của Dadum2 và Dadum3 đã được hiệu chỉnh dựa trên dữ liệu DSM của Dadum1 (Hiệu chỉnh tuyến tính).
Hình 3.2. Cây cầu được sử dụng làm điểm kiểm soát (trong hình bầu dục màu đỏ)
5 điểm ngẫu nhiên trên cây cầu đã được chọn để so sánh chiều cao của ba dữ liệu DSM. Kết quả được thể hiện trong bảng 3.1:
Bảng 3.1: Sự khác biệt của DSM của Dadum1, Dadum2 và Dadum3
Sau khi hiệu chỉnh Dadum3 theo Dadum1, công thức sau đây được sử dụng để tính chiều cao thay đổi giữa hai dữ liệu DSM.
D13 = DSM1 - DSM3
Sự khác biệt về chiều cao giữa DSM1 và DSM3 được thể hiện trong hình 3.3.
Hình 3.3. Sự khác biệt về chiều cao giữa DSM1 và DSM3
Trong hình 3.3, một khu vực cây thực sự bị mất (được phát hiện từ phần trước) hiển thị rõ ràng (khu vực màu trắng bên trong vòng tròn màu đỏ). Tuy nhiên, nhiều phần khác của hình ảnh cũng có màu trắng và chúng có giá trị tương tự với khu vực được xác định. Do đó, sự khác biệt giữa dữ liệu DSM1 và DSM3 không phù hợp để phát hiện cây mất.
Theo công thức tương tự, sự khác biệt về chiều cao giữa Dadum2 (DSM2) và Dadum3 (DSM3) được tính như sau:
D23 = DSM2 - DSM3
Kết quả của D23 được hiển thị trong hình 3.4:
Hình 3.4. Sự khác biệt về chiều cao giữa DSM2 và DSM3
Trong hình 3.4, thực sự là vùng bị mất cây (được phát hiện từ phần trước - bên trong vòng tròn màu đỏ) rất khó xác định. Chúng tôi đã kiểm tra một số điểm bên trong vòng tròn màu xanh, đó là vùng đất trống, chiều cao không thay đổi, tuy nhiên các giá trị trong hình ảnh D23 là khoảng 13m-14m. Nhìn trực tiếp, chúng ta có thể thấy rằng hình ảnh DI2 tối hơn ở phần phía Bắc và sáng hơn ở phần phía Nam. Điều đó có nghĩa là DSM2 có độ dốc từ Bắc vào Nam nếu so với DSM3. Sự cố này xảy ra có thể do hình ảnh Flycam được xử lý mà không có GCP. Trong trường hợp này, sự khác biệt giữa DSM2 và DSM3 cũng không phù hợp để phát hiện mất rừng.
4. Kết luận
- Hình ảnh Flycam hoàn toàn đáp ứng về mặt kỹ thuật trong việc cập nhật biến động độ che phủ rừng theo yêu cầu của Tổng cục Lâm nghiệp (đến máy chủ FORMIS). Chúng tôi đề nghị vẽ diện tích rừng đã biến động thủ cộng (bằng tay) dựa trên hình ảnh khảm Flycam.
- Sử dụng phương pháp MCVA với các chỉ mục thành phần của RG và BG, kết hợp với Shadow Index trên hình ảnh khảm Flycam có thể phát hiện các cây bị mất khá tốt. Các giá trị ngưỡng được ước tính từ một cặp hình ảnh của Dadum1 và Dadum3 cũng có thể được áp dụng tốt cho một cặp hình ảnh của Dadum2 và Dadum3. Điều đó sẽ rất tốt cho việc áp dụng nghiên cứu tương tự trong tương lai. Tuy nhiên, vùng được phát hiện sẽ bao gồm một số tình huống tương tự (thay đổi màu tương tự) của đất nông nghiệp.
- Dữ liệu DSM Flycam được xử lý mà không có GCP không phù hợp để sử dụng để phát hiện mất rừng. Nếu hình ảnh Flycam được xử lý bằng GCP, sản phẩm của dữ liệu Flycam DSM có thể tốt hơn.
Bài viết được dịch từ báo cáo: MONITORING FOREST CHANGE USING FLYCAM IMAGES by Nguyen Thanh HOAN
Tác Giả: TS. Nguyễn Thanh Hoàn
Công ty Cổ phần Thương mại Công nghệ Xuân Mai Green | XMG
