Nghiên cứu phương pháp trích xuất khu vực ngập lụt từ ảnh vệ tinh Sentinel-1 trên nền tảng Google Earth Engine

Chia sẻ: _ _ | Ngày: | Loại File: PDF | Số trang:12

Thêm vào BST

Báo xấu

19
lượt xem 4
download

Download Vui lòng tải xuống để xem tài liệu đầy đủ

Bài viết Nghiên cứu phương pháp trích xuất khu vực ngập lụt từ ảnh vệ tinh Sentinel-1 trên nền tảng Google Earth Engine trình bày giải pháp phát hiện các khu vực ngập lụt dựa trên việc phân loại các siêu điểm ảnh từ dữ liệu ảnh vệ tinh Sentinel - 1. Phương pháp tạo ngưỡng tự động dựa trên thuật toán phân cụm không lặp lại đơn giản (SNIC) và OTSU được sử dụng để trích xuất vùng ngập nước từ hình ảnh Sentinel - 1 trên nền tảng Google Earth Engine (GEE).

Chủ đề:

Bình luận(0) Đăng nhập để gửi bình luận!

Lưu

Nội dung Text: Nghiên cứu phương pháp trích xuất khu vực ngập lụt từ ảnh vệ tinh Sentinel-1 trên nền tảng Google Earth Engine

NGHIÊN CỨU PHƯƠNG PHÁP TRÍCH XUẤT KHU VỰC NGẬP LỤT TỪ ẢNH VỆ TINH SENTINEL - 1 TRÊN NỀN TẢNG GOOGLE EARTH ENGINE Trịnh Lê Hùng1, Trần Xuân Biên2, Mai Đình Sinh1, Lê Văn Phú1 1 Học viện Kỹ thuật quân sự, Hà Nội 2 Phân hiệu Trường Đại học Tài nguyên và Môi trường Hà Nội tại tỉnh Thanh Hóa Tóm tắt Bài báo trình bày giải pháp phát hiện các khu vực ngập lụt dựa trên việc phân loại các siêu điểm ảnh từ dữ liệu ảnh vệ tinh Sentinel - 1. Phương pháp tạo ngưỡng tự động dựa trên thuật toán phân cụm không lặp lại đơn giản (SNIC) và OTSU được sử dụng để trích xuất vùng ngập nước từ hình ảnh Sentinel - 1 trên nền tảng Google Earth Engine (GEE). Kết quả thực nghiệm tại tỉnh Quảng Bình vào tháng 10/2016 cho thấy hiệu quả của phương pháp đề xuất (Thuật toán SNIC kết hợp với thuật toán OTSU) cho độ chính xác cao hơn 91 % so với phương pháp chỉ sử dụng thuật toán OTSU với khoảng 86 % trong việc phân loại vùng ngập từ ảnh SAR. Kết quả nhận được trong nghiên cứu có thể cung cấp thông tin kịp thời về khu vực ngập lụt, góp phần ứng phó hiệu quả và giảm thiểu thiệt hại do lũ lụt gây ra. Nghiên cứu cũng cho thấy tiềm năng của nền tảng GEE. GEE đã hỗ trợ việc phân tích và xử lý dữ liệu nhanh nhờ nguồn dữ liệu phong phú, đa thời gian, đa dạng dữ liệu và đa dạng thuật toán. Từ khóa: Viễn thám; Phát hiện vùng ngập lụt; Ảnh SAR; Sentinel - 1; Google Earth Engine. Abstract Research on methods of extracting flood area from Sentinel - 1 satellite images on Google Earth Engine platform The paper presents a method to detect flooded areas based on the classification of superpixels from Sentinel - 1 satellite image data. The automatic thresholding method based on the Simple Non - Iterative Clustering (SNIC) and the OTSU algorithm extracts flooded areas from Sentinel - 1 images on the Google Earth Engine platform. Experimental results in Quang Binh province in October 2016 show the efficiency of the proposed method (Simple Non - Iterative Clustering algorithm combined with the OTSU algorithm). The proposed method accuracy is 91 % higher than the OTSU algorithm, with about 86 % in classifying flooded areas in SAR images. The results obtained in the study area can provide timely information about the flooded area, contributing to effective response and reduction of damage caused by floods. The study also shows the power of the Google Earth Engine platform. Google Earth Engine has supported rapid data analysis and processing thanks to rich data sources, multi - time, diverse data and various algorithms. Keywords: Remote sensing; Flood area detection; SAR image; Sentinel - 1; Google Earth Engine. 1. Giới thiệu Lũ lụt là một trong những thảm họa thiên nhiên gây thiệt hại nặng nề nhất trên thế giới, nhất là với các quốc gia ven biển và có hệ thống sông ngòi dày đặc như Việt Nam. Trong những năm gần đây, do ảnh hưởng của biến đổi khí hậu, lũ lụt diễn ra rất phức tạp, có xu hướng gia tăng cả về tần suất và cường độ. Ở Việt Nam, lũ lụt không chỉ tập trung vào mùa mưa mà xuất hiện cả vào mùa khô, gây thiệt hại lớn về người và tài sản. Trích xuất và phân loại khu vực ngập lụt từ dữ liệu viễn thám là một vấn đề có tính thực tiễn, cung cấp thông tin đầu vào khách quan và kịp thời cho 366 Hội thảo Quốc gia 2022
các mô hình quản lý và ứng phó với lũ lụt, hỗ trợ công tác tìm kiếm cứu nạn, giúp giảm thiểu thiệt hại do lũ lụt gây ra. Do thời tiết khi xảy ra lũ lụt thường không thuận lợi, dữ liệu ảnh viễn thám quang học không hiệu quả trong phân loại và phát hiện khu vực ngập lụt. Những hạn chế này có thể được khắc phục khi sử dụng ảnh viễn thám radar do xung radar ít bị ảnh hưởng bởi điều kiện thời tiết. Một số thuật toán phát hiện khu vực ngập lụt trên dữ liệu ảnh SAR đã được đề xuất như phương pháp phân loại có giám sát và không giám sát [4, 18], phương pháp sử dụng ngưỡng [7, 9, 14, 19], phân tích hình ảnh dựa trên đối tượng [16] và các phương pháp kết hợp [7]. Trong số các phương pháp tiếp cận này, phương pháp phân ngưỡng bằng các thuật toán phân cụm được áp dụng phổ biến nhất để phân tích các hình ảnh SAR nhằm phân tách vùng nước và vùng không có nước. Phương pháp tiếp cận dựa trên sự chênh lệch tán xạ ngược của các đối tượng. Trên ảnh SAR, giá trị tán xạ ngược của đối tượng nước là thấp hơn nhiều so với với các đối tượng xung quanh. Thuật toán OTSU là một trong những thuật toán phân cụm được sử dụng nhiều vì sự đơn giản về mặt tính toán cũng như dễ dàng thực hiện. Ở Việt Nam, thuật toán OTSU được áp dụng trong nhiều lĩnh vực như xử lý ảnh để trích xuất các thông tin từ giấy chứng minh nhân dân [8], xử lý ảnh trong y học hỗ trợ chẩn đoán bệnh [11], xử lý ảnh viễn thám [17]. Hiện nay, Google Earth Engine là một nền tảng miễn phí cho phép thu thập và phân tích dữ liệu không gian địa lý dựa trên điện toán đám mây. Do đó, các hình ảnh vệ tinh của Sentinel - 1 đã được sử dụng trên nền tảng GEE để xác định các khu vực ngập lụt [3, 10, 19]. Bên cạnh đó, các ảnh Sentinel - 1 đã được tiền xử lý bao gồm loại bỏ các sai số hình học, lọc nhiễu trong quá trình thu nhận ảnh. Trước hết, quỹ đạo chính xác của vệ tinh được tính toán liên tục trước khi tạo ra các sản phẩm trên trang web của Cơ quan Vũ trụ châu Âu [6]. Ngoài ra, việc loại bỏ nhiễu nhiệt được thực hiện bằng cách tính toán dựa trên một bảng tra nhiễu có sẵn với ảnh Sentinel - 1 mức 1 [13], đồng thời, hiệu chỉnh ảnh hưởng của địa hình được thực hiện bằng mô hình số độ cao SRTM. Cuối cùng, giá trị các pixel của ảnh Sentinel - 1 được chuyển đổi thành hệ số tán xạ ngược [15]. Bài báo này trình bày kết quả sử dụng thuật toán phân ngưỡng OTSU trên bộ dữ liệu ảnh Sentinel - 1 nhằm trích xuất các khu vực bị ảnh hưởng bởi lũ lụt ở Quảng Bình trong đợt lũ lụt tháng 10 năm 2016 trên nền tảng Google Earth Engine. 04 cảnh ảnh Sentinel - 1 chụp tháng 9 và 10 năm 2016 được sử dụng để trích xuất thông tin vùng ngập lụt, sau đó so sánh, đánh giá kết quả. 2. Cơ sở khoa học Phân ngưỡng ảnh là một trong số những kỹ thuật trong xử lý ảnh số. Một trong những thuật toán phân ngưỡng là thuật toán OTSU. OTSU là tên nhà nghiên cứu người Nhật đã nghĩ ra ý tưởng cho việc tính ngưỡng một cách tự động dựa trên giá trị điểm ảnh của ảnh đầu vào nhằm thay thế cho việc sử dụng ngưỡng cố định. Phương pháp tạo ngưỡng của OTSU dựa trên các tiêu chí phân biệt tuyến tính, cho rằng hình ảnh bao gồm tiền cảnh và hậu cảnh. OTSU thiết lập ngưỡng để cố gắng làm giảm thiểu sự chồng chéo của các lớp [12]. Lược đồ xám (Histogram) là một đồ thị biểu diễn tần số xuất hiện các mức độ xám của ảnh. Thuật toán OTSU tính toán các thông số dựa trên lược đồ xám của ảnh. Đầu tiên, thuật toán sử dụng lược đồ xám biểu diễn tần số xuất hiện mức xám, mỗi mức xám i đại điện cho một số các giá trị điểm ảnh, được tính theo công thức (1): L −1 ni pi = ∑ (1) i =0 P Hội thảo Quốc gia 2022 367
trong đó, pi là tần suất xuất hiện mức xám của giá trị i, ni là số lượng điểm ảnh của giá trị i, P là tổng số giá trị điểm ảnh trong ảnh, L là số khoảng mà giá trị điểm ảnh được chia. Tiếp theo, chọn một ngưỡng Tk=k, (0 < k < L-1) để phân ảnh đầu vào thành 2 lớp: Lớp C1 (Tập hợp các điểm ảnh có giá trị ≤k). Tỉ số giữa số lượng điểm ảnh của lớp C1 với tổng số lượng điểm ảnh được ký hiệu là P1(k), tương tự lớp C2 ký hiệu là P2(k), giá trị của P1(k) và P2(k) được tính lần lượt theo công thức (2) và (3): k P1 (k ) = ∑ pi (2) i =0 L −1 P2 (k ) = ∑ p= i= k +1 i 1 − P1 (k ) (3) Sau đó, tính giá trị trung bình m1 của lớp C1 theo công thức (4): 1 k m1 (k ) = ∑ ipi P1 (k ) i =0 (4) Tương tự tính m2 theo công thức (5): 1 L −1 m2 (k ) = ∑ ipi P2 (k ) i= k +1 (5) Về mặt thuật toán, OTSU sẽ đi tìm ngưỡng k* mà giá trị tại đó, sự chênh lệch giữa 2 lớp đạt giá trị cực đại, ký hiệu là σ B2 (k *) , được tính theo công thức (6): σ B2 (k *) = Max σ B2 (k ) (6) 0 ≤ k ≤ L −1 Trong đó, σB là phương sai hai lớp C1 và C2. Giá trị của σB được tính theo công thức (7): [mG P1 (k ) − m(k )]2 σ B2 (k ) = (7) P1 (k )[1 − P1 (k )] Với mG là giá trị trung bình của ảnh, được tính theo công thức (8): L −1 mG = ∑= ip i =0 i Pm 1 1 + P2 m2 (8) Nếu có nhiều giá trị σ B2 lớn nhất bằng nhau, ta sẽ chọn k có giá trị lớn nhất làm ngưỡng k*, sau đó, ta thực hiện biến đổi nhị phân theo ngưỡng theo công thức (9): 1, f ( x, y ) ≤ k *  g ( x, y ) =   (9) 0, f ( x, y ) > k * Mã giả của thuật toán OTSU được trình bày như sau: Thuật toán 1. Thuật toán phân ngưỡng OTSU Đầu vào: Hình ảnh đầu vào I, lược đồ xám của hình ảnh đầu vào I. Số khoảng chia của lược đồ xám L Đầu ra: Giá trị phân ngưỡng tối ưu t. 1: Khởi tạo P[ : 2] = 0 2: Khởi tạo m[ : 2] = 0 368 Hội thảo Quốc gia 2022
3: For k ∈ [0, 1, ...L-1] do: 4: Tính P1 (k ) và P2 (k ) theo công thức (2) và (3) 5: Tính m1 (k ) và m2 (k ) theo công thức (4) và (5) 6: End 7: Khởi tạo t = L / 2 8: Tính σ B2 (t ) theo công thức (7) 9: Tính mG theo công thức (8) 10: For k ∈ [0, 1, ...L-1] do: 11: Tính σ B2 (k ) theo công thức (7) 12: If σ B2 (k ) > σ B2 (t ) then: 13: Gán σ B2 (t ) = σ B2 (k ) 14: Gán t = k 15: End 16: End 17: Trả về t Thuật toán SNIC (Simple Non - Iterative Clustering) [2] là một thuật toán được xây dựng trên nền tảng GEE. Về mặt lý thuyết, SNIC là thuật toán phân cụm các điểm ảnh được xây dựng dựa trên thuật toán SLIC (Simple Linear Iterative Clustering) [1]. SLIC thực hiện phân cụm k - means trên hình ảnh với các tâm cụm được chọn và khoảng cách không gian và màu sắc được chuẩn hoá của các điểm ảnh với tâm cụm. Giống như SLIC, SNIC cũng tiến hành khởi tạo các tâm cụm là các điểm ảnh được chọn trên mặt phẳng hình ảnh. Mối quan hệ của một điểm ảnh bất kỳ với một tâm cụm được đo bằng khoảng cách trong không gian đa chiều bao gồm màu sắc và toạ độ không gian của nó. Khoảng cách này được tính toán dựa trên khoảng cách không gian và màu sắc được chuẩn hoá. Với vị trí không gian x và màu sắc c, khoảng cách của một điểm ảnh j bất kỳ tới tâm cụm siêu điểm ảnh thứ k được thực hiện theo công thức: (10) Trong đó, s và m lần lượt là hệ số chuẩn hoá cho khoảng cách không gian và màu sắc. Đối với một hình ảnh có N điểm ảnh, mỗi siêu điểm ảnh trong tổng số K siêu điểm ảnh được mong đợi sẽ chứa N/K điểm ảnh. Giá trị của s trong công thức (10) được tính bằng N / K . Giá trị m ở công thức (10) được người sử dụng cung cấp. Giá trị càng cao tương ứng với việc tạo ra các siêu điểm ảnh nhỏ hơn và ngược lại. Trong mỗi lần lặp k - means, SLIC tính toán lại tâm cụm bằng cách tính giá trị trung bình của tất cả các điểm ảnh gần nó nhất về mặt d được tính theo công thức (10) và do đó, các điểm ảnh này có cùng nhãn với tâm cụm. Chính vì vậy, SLIC cần phải yêu cầu số lần lặp lại của k - means để cập nhật các tâm cụm. Do đó, không giống với SLIC, yêu cầu nhiều số lần lặp k - means để cập nhật các tâm cụm, SNIC cập nhật các tâm cụm trong một lần lặp duy nhất. Các tâm cụm được cập nhật trực tiếp sau khi thay đổi các điểm ảnh trong cụm. Các điểm ảnh lần lượt được gán nhãn so với số lượng tâm cụm ban đầu. Thuật toán kết thúc khi toàn bộ các điểm ảnh được gán nhãn. Mã giả của thuật toán SNIC: Hội thảo Quốc gia 2022 369
Thuật toán 2. Thuật toán phân cụm SNIC Đầu vào: Hình ảnh đầu vào I, K tâm cụm ban đầu. Các thông số C[k] = {xk, ck} được lấy trên hình ảnh đầu vào, hệ số chuẩn hoá màu m. Đầu ra: Hình ảnh L bao gồm các cụm điểm ảnh. 1: Khởi tạo L[ : ] = 0 2: For k ∈ [1, 2,...K ] do: 3: Gán e = { xk , ck , k , 0} 4: Đưa e vào hàng đợi Q 5: End 6: While Q ∉ φ do: 7: Pop Q để lấy phần tử ei 8: If L [ xi ] = 0 then: 9: L [ xi ] = ki 10: Cập nhật tâm cụm C[ki] với xi và ci 11: For mỗi lân cận được liên kết xj của xi do: 12: { Tạo phần tử e j = x j , c j , ki , d j ,ki } 13: If L  x j  §= then: 14: Đưa ej vào hàng đợi Q 15: End 16: End 17: End 18: End 19: Trả về L 3. Dữ liệu và phương pháp 3.1. Dữ liệu Quảng Bình là một tỉnh nằm ở miền Trung Việt Nam. Đây là nơi có thời tiết khắc nghiệt khi phải hứng chịu gió phơn Tây Nam. Gió này mang hơi ẩm nhiều nên thường gây ra mưa. Hằng năm, những cơn bão biển và gió mùa Đông Bắc thường gây nên những trận mưa lớn trên tỉnh Quảng Bình và các tỉnh miền Trung. Khu vực nghiên cứu được xác định có toạ độ địa lý 17°2’50.25” - 17°48’44.86” vĩ độ Bắc, 106°11’26.65” - 107° 2’ 2.17” kinh độ Đông. Bảng 1. Thông số kỹ thuật của dữ liệu vệ tinh Sentinel - 1 và dữ liệu sử dụng trong nghiên cứu Thông số kỹ thuật Thời gian chụp Dữ liệu Chế độ quan Độ phân giải ảnh Băng tần Phân cực sát không gian 13-09-2016 Dữ liệu Chế độ giao 07-10-2016 Band C (5.405 Kép Sentinel - 1 thoa kế rộng 10 m × 10 m 19-10-2016 GHz) (VV + VH) GRD (IW) 31-10-2016 Trong đợt bão tháng 10 năm 2016, tỉnh Quảng Bình đã phải chịu thiệt hại nặng nề do bão lớn gây ra. Có hàng chục người bị chết và bị thương do mưa lũ, hàng chục nghìn ngôi nhà bị ngập, tốc 370 Hội thảo Quốc gia 2022
mái, thiệt hại hàng nghìn hecta rau màu cùng hàng vạn gia súc, gia cầm bị chết và cuốn trôi. Các hạng mục khác cũng bị ảnh hưởng nghiêm trọng. Một số hình ảnh do lũ lụt gây ra được trình bày trên Hình 2. Hình ảnh 2a miêu tả khu vực Quảng Bình khi chưa có lũ lụt. Các Hình 2b, 2c, 2d miêu tả khu vực Quảng Bình trong thời gian xảy ra lũ lụt. (a) (b) (c) (d) Hình 1: Hình ảnh Sentinel - 1 GRD khu vực tỉnh Quảng Bình được sử dụng trong nghiên cứu: (a) 13-09-2016, (b) 07-10-2016, (c) 19-10-2016, (d) 31-10-2016 Hình 2: Một số hình ảnh tỉnh Quảng Bình trong đợt lũ tháng 10/2016 (Nguồn: Internet) 3.2. Phương pháp Hình 3: Mô hình nghiên cứu Hội thảo Quốc gia 2022 371
Trong nghiên cứu này, bộ dữ liệu ảnh Sentinel - 1 được xử lý trên nền tảng GEE, là một nền tảng đám mây hỗ trợ xử lý các dữ liệu không gian địa lý nhằm phân tích bề mặt Trái đất. Ngoài ra, GEE cũng cung cấp trình chỉnh sửa mã dựa trên ngôn ngữ Javascript, trong đó, mã được phát triển với các chức năng tiền xử lý ảnh, phân tích hình ảnh và lập bản đồ các khu vực ngập lụt. Phương pháp nghiên cứu được mô tả một cách chi tiết trên Hình 3. Từng bước xử lý được cụ thể như sau: Bước 1: Tiền xử lý ảnh Các ảnh Sentinel - 1 GRD được thu thập bao gồm các thông số như loại ảnh, thời gian chụp ảnh, chế độ quan sát của hình ảnh. Các bước tiền xử lý ảnh được thực hiện trên từng ảnh, bao gồm hiệu chỉnh hình học, chuyển đổi các giá trị điểm ảnh sang giá trị tán xạ ngược. Các hình ảnh Sentinel - 1 đã được xử lý trước trong nền tảng đám mây của Google Earth Engine. Đầu tiên, hiệu chỉnh quỹ đạo vệ tinh được thực hiện nhằm điều chỉnh chính xác các thông số quỹ đạo của vệ tinh. Bên cạnh đó, các nhiễu nhiệt xuất hiện một cách ngẫu nhiên trên hình ảnh và gây ra sự sai lệch và nhiễu trong chuẩn đoán đọc hình ảnh SAR. Loại bỏ nhiễu nhiệt là việc làm cần thiết giữa một kênh phân cực chéo so với các kênh đồng phân cực bởi vì các kênh phân cực chéo có công suất tán xạ ngược thấp hơn so cới các kênh đồng phân cực. Ở bước tiếp theo, các hiệu chuẩn đo bức xạ được thực hiện và hệ số tán xạ được tính toán. Ngoài ra, trên hình ảnh SAR có sự xuất hiện của các nhiễu gây ra sự sai lệch trong việc chuẩn đoán và phân loại hình ảnh. Trong nghiên cứu, các tác giả đã áp dụng kỹ thuật làm mịn để làm giảm nhiễu. Sau đó, hiệu chỉnh địa hình được thực hiện bằng SRTM để mô phỏng hình ảnh SAR. Cuối cùng, các giá trị mới cho mỗi điểm ảnh ở vị trí mới của hình ảnh được chuyển đổi thành hệ số tán xạ ngược. Hệ số này được tính bằng dB theo công thức (11): σ dB = 10 log abs ( DN ) (11) Bước 2: Phân mảnh ảnh Trước khi phân mảnh ảnh, bộ dữ liệu hình ảnh SAR được áp dụng bộ lọc Gaussian. Hiệu ứng nhiễu nhỏ, lốm đốm của ảnh SAR gốc có thể gây lỗi dẫn đến quá trình phân mảnh ảnh có thể hiểu sai các khu vực bóng mờ liên quan tới địa hình, các sườn núi có thể bị hiểu nhầm thành các vùng nước nhỏ. Đồng thời, vùng nước tạo bởi lũ có thể bị chia ra làm nhiều mảnh do nhiễu. Để làm giảm hiệu ứng này, trước hết, các hình ảnh SAR cần được làm mịn ảnh bằng cách áp dụng bộ lọc Gaussian. Tập dữ liệu ảnh SAR được tiến hành phân mảnh ảnh, tất cả các điểm ảnh của hình ảnh sẽ được nhóm lại thành các cụm siêu điểm ảnh. Trong đó, các tâm của siêu điểm ảnh được gọi là tâm cụm. Số tâm cụm K trong đầu vào của thuật toán (2) được xác định thông qua tham số seeds. Kích thước của mỗi phân mảnh được xác định dựa trên giá trị của seeds. Giá trị của seeds nhỏ tương ứng với số lượng các phân mảnh lớn và thời gian tính toán lâu, đồng thời, các vùng nước sẽ bị chia tách ra làm nhiều phần. Tuy vậy, nếu giá trị của seeds lớn, điều này sẽ làm cho kích thước của các phân mảnh lớn, các vùng nước ngập lụt sẽ có thể bị nhiễu với các đối tượng xung quanh. Trong nghiên cứu, giá trị của seeds là 80, được xác định thông qua thực nghiệm đối với khu vực nghiên cứu. Giá trị này tương ứng với việc các tâm cụm ban đầu cách nhau 80 điểm ảnh. Trong quá trình phân mảnh ảnh SNIC, thuật toán tính toán và đưa ra giá trị trung bình trên mỗi cụm. Hình ảnh phân mảnh ảnh sẽ bao gồm các cụm có xu hướng không đều nhau. Điều này phù hợp với đặc điểm tự nhiên của khu vực nghiên cứu được quan sát trong thời gian lũ lụt. 372 Hội thảo Quốc gia 2022
Bước 3: Phân ngưỡng tự động bằng thuật toán OTSU Trên ảnh SAR, vùng nước thường nằm trên bề mặt bằng phẳng, nhẵn hơn so với các đối tượng trên bề mặt gồ ghề khác. Bên cạnh đó, tín hiệu sóng điện từ do SAR phát ra bị phản xạ trở lại bề mặt của nó ít hơn. Vì vậy, các giá trị xám của các điểm ảnh các vùng nước trong ảnh SAR thấp hơn, hiển thị màu đen hoặc xám đen trong ảnh. Do nguyên lý đơn giản và dễ sử dụng, các phương pháp phân ngưỡng được sử dụng rộng rãi trong việc trích xuất nước từ ảnh radar. Giá trị của ngưỡng phân loại ảnh hưởng đến độ chính xác của việc khai thác nước trong ảnh SAR SRTM. Trong nghiên cứu, phương pháp phân ngưỡng dựa trên thuật toán OTSU được sử dụng để xác định ngưỡng. OTSU là một thuật toán được sử dụng rộng rãi để xác định tự động giá trị của ngưỡng phân loại. Ưu điểm của thuật toán OTSU chính là không bị ảnh hưởng bởi độ tương phản và độ sáng của hình ảnh. Nghiên cứu sử dụng thuật toán OTSU nhằm tách vùng nước và vùng không nước trong hình ảnh SAR. Nguyên tắc chính là sử dụng ý tưởng của thuật toán OTSU, chia hình ảnh thành 2 phần theo mức xám sao cho hiệu giữa các phần là lớn nhất. Quá trình tính toán ngưỡng tối ưu t của thuật toán OTSU trong nghiên cứu như sau: =M Pnw .M nw + Pw .M w (12) σ 2 Pnw .( M nw − M ) + Pw .( M w − M ) 2 = (13) 1 Pnw + Pw = (14) t = ArgMax {σ 2 } (15) 0 ≤t ≤ L −1 Trong đó, σ ở công thước (13) và (15) là phương sai giữa các lớp nước và không nước. Mw và Mnw được trình bày ở công thức (12) và (13) lần lượt là giá trị trung bình điểm ảnh của đối tượng nước và không nước tương ứng. Giá trị của mỗi điểm ảnh là giá trị của tâm mỗi cụm trong ảnh phân cụm. Pw và Pnw được trình bày ở công thức (13) và (14) là các giá trị khả năng một điểm ảnh duy nhất là nước hay không nước. Giá trị M ở công thức (12) đại diện cho mức độ trung bình giá trị xám của toàn bộ hình ảnh. Bước 4: Thành lập bản đồ khu vực ngập lụt Dựa vào giá trị ngưỡng tối ưu t ở công thức (15), hình ảnh SAR sẽ được chia tách làm 2 phần dựa trên giá trị của các siêu điểm ảnh. Việc xác định phạm vi ngập lụt cần phải thu được các ảnh trước và sau lũ. Chính vì vậy, sau khi chiết xuất phần nước bằng phương pháp phân ngưỡng dựa trên thuật toán OTSU, cần tiến hành chồng các lớp của đối tượng nước trước và sau khi ngập lụt nhằm hình thành khu vực ngập lụt. Bước 5: Đánh giá độ chính xác Trong nghiên cứu, các tác giả trích xuất các điểm nước và không nước ngẫu nhiên trên ảnh gốc nhằm đánh giá độ chính xác của thuật toán OTSU trong quá trình chiết xuất phần nước. Các mẫu được chọn một cách ngẫu nhiên trên ảnh. Mỗi mẫu ảnh đại diện cho một điểm ảnh trên ảnh gốc. Đồng thời, tập dữ liệu mẫu cũng dùng để so sánh độ chính xác giữa phân tích hình ảnh dựa trên điểm ảnh và phân tích hình ảnh dựa trên các siêu điểm ảnh. Phần lớn, các khu vực nước dựa trên điểm ảnh rời rạc. Đây là điểm khác biệt chính so với các vùng nước được trích xuất dựa trên siêu điểm ảnh. Chính vì vậy, các mẫu được lấy ảnh hưởng đến độ chính xác của kết quả phân loại. Đặc biệt, những khu vực sườn núi thường bị nhiễu, dễ gây nhầm lẫn trong quá trình lấy mẫu. Số lượng mẫu sử dụng trong các hình ảnh ngày 13-09-2016, 07-10-2016, 19-10-2016, 31-10-2016 lần lượt là 456, 453, 472, 481 mẫu. Hội thảo Quốc gia 2022 373
4. Thực nghiệm 4.1. Kết quả Hình 4 là kết quả phân loại nước mặt sử dụng thuật toán OTSU tại 4 thời điểm: Thời điểm chưa có lũ lụt (a) và ba thời điểm đã xảy ra lũ lụt (b, c, d). Hình 5 là sự thay đổi về khu vực ngập lụt, thể hiện bởi màu đỏ trên ảnh. Tương tự trên Hình 6 và Hình 7 là kết quả phân loại bởi thuật toán OTSU cải tiến và sự thay đổi nước mặt tại 3 thời điểm đã xảy ra lũ lụt so với thời điểm chưa xảy ra lũ lụt. (a) (b) (c) (d) Hình 4: Hình ảnh chiết tách nước mặt sử dụng thuật toán OTSU dựa trên điểm ảnh: (a) 13-09-2016, (b) 07-10-2016, (c) 19-10-2016, (d) 31-10-2016 (a) (b) (c) Hình 5: Sự thay đổi khu vực ngập lụt theo thời gian sử dụng thuật toán OTSU dựa trên điểm ảnh. Khu vực màu đỏ biểu diễn khu vực ngập lụt giữa các thời gian chụp ảnh: (a) Ngày 13- 09-2016 tới 07-10-2016, (b) Ngày 13-09-2016 tới 19-10-2016, (c) Ngày 13-09-2016 tới 31-10- 2016 (a) (b) (c) (d) Hình 6: Hình ảnh chiết tách nước mặt sử dụng thuật toán OTSU dựa trên siêu điểm ảnh: (a) 13-09-2016, (b) 07-10-2016, (c) 19-10-2016, (d) 31-10-2016 374 Hội thảo Quốc gia 2022
(a) (b) (c) Hình 7: Sự thay đổi khu vực ngập lụt theo thời gian sử dụng thuật toán OTSU dựa trên siêu điểm ảnh. Khu vực màu đỏ biểu diễn khu vực ngập lụt giữa các thời gian chụp ảnh: (a) Ngày 13-09-2016 tới 07-10-2016, (b) Ngày 13-09-2016 tới 19-10-2016, (c) Ngày 13-09-2016 tới 31-10-2016 Bảng 2. Độ chính xác của các phương pháp phân loại Phân loại dựa trên siêu điểm ảnh Phân loại dựa trên điểm ảnh Dữ liệu Số lượng Số lượng Độ chính Số lượng Số lượng Độ chính mẫu đúng mẫu sai xác mẫu đúng mẫu sai xác Ảnh 13-09-2016 417 39 91,48 % 420 36 92,71 % Ảnh 07-10-2016 416 37 91,81 % 401 52 88,52 % Ảnh 19-10-2016 437 35 92,58 % 416 56 88,14 % Ảnh 31-10-2016 449 32 93,15 % 418 63 86,90 % Bảng 3. Diện tích khu vực ngập lụt theo thời gian thu nhận ảnh Dữ liệu ảnh 13-09-2016 07-10-2016 19-10-2016 31-10-2016 Tổng diện tích nước mặt (km2) 240,53 495,21 539,48 557,59 Diện tích ngập lụt (km2) 0 254,68 298,95 317,06 Phần trăm diện tích nước mặt 5,77 % 11,88 % 12,94 % 13,37 % 4.2. Thảo luận Việc sử dụng thuật toán dựa trên siêu điểm ảnh kết hợp với thuật toán OTSU nhằm tiến hành phân ngưỡng lớp nước mặt và lớp không nước đối với các hình ảnh khu vực tỉnh Quảng Bình vào tháng 10 năm 2016 đã cho thấy kết quả tốt hơn so với phương pháp phân loại dựa trên điểm ảnh. Đối với thời gian chưa xảy ra lũ lụt, quá trình phân loại lớp nước cho kết quả đạt trên 90 % ở cả 2 phương pháp. Tuy nhiên, khi quá trình lũ lụt xảy ra, thuật toán phân loại dựa trên siêu điểm ảnh đã đạt kết quả tốt hơn so với thuật toán phân loại dựa trên điểm ảnh. Đồng thời, khi diện tích nước mặt trên hình ảnh SAR ngày càng lớn, thì sự chênh lệch về độ chính xác giữa 2 phương pháp ngày càng rõ rệt. Nguyên nhân dẫn tới kết quả này chính là dựa trên sự liên kết của các điểm ảnh gần nhau trong quá trình tạo ra các siêu điểm ảnh. Với thuật toán dựa trên điểm ảnh, phần lớn số lượng điểm ảnh sai rơi vào phần biên, phần rìa của các khu vực nước mặt. Trên Bảng 3, diện tích nước mặt đã có sự thay đổi rõ rệt trước và sau khi lũ lụt xảy ra. Trước khi xảy ra lũ lụt, phần diện tích nước mặt của khu vực nghiên cứu là 240 km2. Tuy nhiên, ngay tại thời điểm đầu của lũ lụt, diện tích phần nước mặt đã tăng gấp hơn 2 lần so với trước khi xảy ra lũ lụt, đạt tới 495,21 km2, tương đương với 11,88 % diện tích khu vực nghiên cứu. Trong giai đoạn sau của lũ lụt, diện tích phần ngập lụt tăng nhẹ, đạt 557,59 km2 tại thời điểm ngày 31 tháng 10 năm Hội thảo Quốc gia 2022 375
2016. Điều đó cho thấy diện tích phần nước được hình thành do lũ lụt lớn hơn so với diện tích phần nước mặt ban đầu trong thời điểm chưa có lũ. Phần lớn khu vực ngập lụt tập trung tại phần rìa, tiếp giáp với biển. Đây là nơi có địa hình bằng phẳng, độ cao thấp. Chính vì vậy, khi có lũ lụt xảy ra, đây là nơi tập trung phần lớn nước mặt được hình thành trong quá trình diễn ra lũ lụt. Đồng thời, ở phần phía Tây của khu vực nghiên cứu, trong giai đoạn trước khi xảy ra lũ lụt, đây là khu vực rừng với phần lớn là lớp cây thân gỗ cao. Chính vì vậy, khi có lũ lụt xảy ra, phần lớn khu vực ngập lụt được hình thành có dạng các hố nước trũng, nằm dưới chân đồi núi. Diện tích ngập lụt tại khu vực này cũng ít hơn rất nhiều so với khu vực đồng bằng. Ngoài ra, một số phần nước mặt được hình thành trong quá trình nước tại các sông, hồ dâng cao, gây ra hiện tượng ngập úng cho các khu vực xung quanh. 5. Kết luận Bài báo trình bày phương pháp thành lập bản đồ ngập nước từ dữ liệu ảnh SAR bằng cách sử dụng thuật toán phân ngưỡng tự động OTSU. Hơn nữa để giảm thời gian tính toán và tăng cường độ chính xác của kết quả phân loại, bài báo đã cải tiến phương pháp OTSU bằng cách sử dụng kỹ thuật phân cụm SNIC. Theo đó, thay vì phân loại trực tiếp trên các điểm ảnh thì thuật toán SNIC tạo ra các siêu điểm ảnh, từ đó giúp thuật toán OTSU có thể phân loại trực tiếp trên các siêu điểm ảnh này. Điều này sẽ giúp thuật toán OTSU chạy nhanh hơn và vẫn đảm bảo về mặt độ chính xác. Các kết quả thực nghiệm cho thấy, phương pháp sử dụng OTSU kết hợp với thuật toán SNIC cho độ chính xác cao hơn 91 % so với phương pháp chỉ sử dụng thuật toán OTSU với độ chính xác chỉ đạt từ 86 % trở lên. Với kết quả nghiên cứu này, có thể được sử dụng trong các bài toán phân loại nhanh khu vực lũ lụt từ dữ liệu ảnh SAR nhằm hỗ trợ công tác tìm kiếm cứu hộ cứu nạn, giảm thiểu thiên tai. TÀI LIỆU THAM KHẢO [1]. Achanta R., Shaji A., Smith K., Lucchi A., Fua P., Susstrunk S. (2012). SLIC superpixels compared to state-of-the-art superpixel methods. IEEE Transactions on Pattern Analysis and Machine Intelligence, 34(11), 2274 - 2282. [2]. Achanta R., Susstrunk S. (2017). Superpixels and polygons using simple non-iterative clustering. IEEE Conference on Computer Vision and Pattern Recognition (CVPR), 4651 - 4660, 10.1109/CVPR.2017.520. [3]. Amitrano D., Martino G., Iodice A., Riccio D., Ruello G. (2018). Unsupervised rapid flood mapping using Sentinel - 1 GRD SAR images. IEEE Transactions on Geoscience and Remote Sensing, 56(6), 3290 - 3299. Doi: 10.1109/TGRS.2018.2797536. [4]. Chapman B., McDonald K., Shimada M., Rosenqvist A., Schroeder R., Hess L. (2015). Mapping regional inundation with spaceborne L-Band SAR. Remote Sensing, 7, 5440 - 5470. [5]. Cao H., Zhang H., Wang C. Zhang B. (2019). Operational flood detection using Sentinel - 1 SAR data over large areas. Water, 11(4). https://doi.org/10.3390/w11040786. [6]. Elfadaly A., Abate N., Masini N., Lasaponara R. (2020). SAR Sentinel 1 imaging and detection of palaeolandscape features in the Mediterranean area. Remote Sensing 12(16), 2611. [7]. Gasparovic M., Klobucar D. (2021). Mapping floods in lowland forest using Sentinel - 1 and Sentinel - 2 data and an object - based approach. Forests 12, 553. https://doi.org/ 10.3390/f12050553. [8]. Ha Chu Huy (2020). Nghiên cứu các phương pháp xử lý ảnh để trích xuất thông tin từ giấy chứng minh nhân dân phục vụ cho việc chi trả bảo hiểm thất nghiệp. Khoa học máy tính, Công nghệ Thông tin. http:// tvugate.tvu.edu.vn/jspui/handle/TVU_123456789/1314. [9]. Li J., Wang J., Ye H. (2021). Rapid flood mapping based on remote sensing cloud computing and Sentinel - 1. Journal of Physics: Conference Series, 1952, 022051. [10]. Moothedan A., Dhote P., Thakur P., Garg V., Aggarwal S., Mohapatra M. (2020). Automatic flood 376 Hội thảo Quốc gia 2022
mapping using Sentinel - 1 GRD Sar images and Google Earth Engine: A case study of Darbhangah, Bihar. The Proceedings of National seminar on recent advances in Geospatial Technology & Applications, March 02, IIRS Dehradun, India. [11]. Nguyen Le Mai Duyen, Truong Minh Thuan (2019). A combination of threshold and Graphcut method in medical image analysis to assist diagnosis. DTU Journal of Science and Technology 01(32), 88 - 99. [12]. Otsu N. (1979). A threshold selection methodfrom gray level histograms. IEEE Transactions on Systems, Man, and Cybernetics: Systems, 9, 62 - 66. [13]. Park J., Korosov A., Babiker M., Sandven S., Won, J. (2017). Efcient thermal noise removal for Sentinel - 1 TOPSAR cross - polarization channel. IEEE Transactions on Geoscience and Remote Sensing, 56(3), 1555 - 1565. [14]. Qiu J., Cao B., Park E., Yang X., Zhang W., Tarolli P. (2021). Flood monitoring in rural areas of the Pearl river basin (China) using Sentinel - 1 SAR. Remote Sensing 13, 1384, https://doi.org/10.3390/ rs13071384. [15]. Richards J. A. (2009). Remote sensing with imaging radar. Springer, 380 pp., ISBN: 9783642020193. [16]. Simon R., Tormos T., Danis P. (2014). Geographic object based image analysis using very high spatial and temporal resolution radar and optical imagery in tracking water level fluctuations in a freshwater reservoir. South - Eastern European Journal of Earth observation and Geomatics, 3, 287. [17]. Trần Thanh Tùng, Mai Duy Khanh (2020). Nghiên cứu quy luật diễn biến doi cát ven bờ khu vực cửa Tiên Châu bằng ảnh vệ tinh Landsat. Khoa học Kỹ thuật Thủy lợi và Môi trường - Số 71 (12/2020). [18]. Trinh Le Hung, Andrade E, Pham Tuan Anh (2015). Application of remote sensing to extract flood areas using ENVISAT ASAR data. Journal of Sciences, Orel State Agrarian University, 1(52), 36 - 42. [19]. Uddin K., Matin M., Meyer F. (2019). Operational flood mapping using multi - temporal Sentinel - 1 SAR images: A case study from Bangladesh. Remote Sensing, 11(13), 1581, https://doi.org/10.3390/ rs11131581. [20]. https://developers.google.com/earthengine/datasets/catalog/COPERNICUS_S1_GRD. BBT nhận bài: 20/9/2022; Chấp nhận đăng: 31/10/2022 Hội thảo Quốc gia 2022 377