Tuần qua, lĩnh vực viễn thám và GIS ghi nhận loạt cập nhật nổi bật: từ phương pháp Satellite-Derived Bathymetry (SDB) trong lập bản đồ đáy biển, xu hướng chuẩn hóa dữ liệu Earth Observation (EO) cho AI, ứng dụng deep learning tăng độ phân giải ảnh vệ tinh, đến lớp dữ liệu WBGT mới trên ArcGIS Living Atlas. Cùng VSGA điểm qua 4 nội dung chuyên sâu đáng chú ý nhất dành cho cộng đồng GIS và công nghệ không gian địa lý.
Satellite-Derived Bathymetry (SDB): Công nghệ viễn thám lập bản đồ địa hình đáy biển từ ảnh vệ tinh
Việc lập bản đồ đáy biển toàn cầu rất quan trọng để hiểu Trái Đất và biến đổi khí hậu, nhưng hiện nay khoảng 75% đáy đại dương và gần một nửa vùng nước ven biển vẫn chưa được khảo sát. Để theo dõi và dự báo biến đổi vùng ven biển, cần có dữ liệu chính xác về các yếu tố như độ sâu đáy biển.
Satellite-Derived Bathymetry (SDB) là phương pháp viễn thám sử dụng ảnh quang học đa phổ để ước tính độ sâu đáy biển vùng nước nông ven bờ. Kỹ thuật này dựa trên nguyên lý suy giảm tín hiệu phổ theo độ sâu nước, khai thác sự khác biệt khả năng xuyên nước của các dải phổ (đặc biệt vùng xanh lam–xanh lục) để suy diễn bathymetry.
SDB được xem là giải pháp bổ trợ quan trọng cho khảo sát truyền thống (sonar, LiDAR hàng không), vốn có chi phí cao và khó phủ rộng. Nhờ sử dụng dữ liệu vệ tinh như Landsat-8, Sentinel-2 và Pléiades Neo, SDB cho phép tạo bản đồ độ sâu vùng ven bờ với độ phủ không gian lớn và tần suất cập nhật cao, phù hợp giám sát động lực bờ biển.
Ưu điểm chính của SDB là chi phí thấp, khả năng mở rộng, an toàn và cập nhật gần thời gian thực. Tuy nhiên, độ chính xác bị ảnh hưởng bởi độ trong của nước, điều kiện khí quyển, sóng mặt nước và hạn chế ở vùng nước sâu, nên thường được kết hợp với các phương pháp đo đạc truyền thống.
SDB hiện được ứng dụng rộng rãi trong hàng hải, quy hoạch cảng biển, lắp đặt cáp ngầm, năng lượng ngoài khơi, giám sát xói lở bờ biển và quản lý hệ sinh thái biển. Trong bối cảnh biến đổi khí hậu và áp lực vùng ven bờ gia tăng, SDB đang trở thành công nghệ viễn thám quan trọng cho giám sát và quản lý môi trường biển quy mô lớn.
Nguồn: Geoawesome
Dữ liệu quan sát Trái đất cung cấp thông tin hỗ trợ cho việc đưa ra quyết định
Quan sát Trái đất (Earth Observation – EO) đang chuyển từ mô hình cung cấp ảnh viễn thám truyền thống sang cung cấp dữ liệu đo lường địa vật lý phục vụ vận hành và ra quyết định. Khi nguồn dữ liệu vệ tinh ngày càng dồi dào, giá trị thị trường không còn nằm ở ảnh thô mà ở khả năng tạo ra thông tin ổn định, có thể tích hợp trực tiếp vào các hệ thống phân tích và AI.
Một thách thức lớn của EO hiện nay là tính không đồng nhất của dữ liệu đa thời gian và đa cảm biến. Ảnh viễn thám thường chịu ảnh hưởng bởi khí quyển, góc chụp, điều kiện chiếu sáng và sai lệch cảm biến, dẫn đến biến động phổ phản xạ giữa các lần thu nhận. Vì vậy, quá trình tiền xử lý như hiệu chỉnh khí quyển, chuẩn hóa bức xạ và đồng đăng ký ảnh đang chiếm phần lớn khối lượng công việc trong các quy trình phân tích EO.
Sự phát triển của các nền tảng phân tích ảnh và AI cho thấy nhu cầu ngày càng lớn đối với dữ liệu Analysis Ready Data (ARD). Các mô hình học máy chỉ hoạt động ổn định khi dữ liệu đầu vào có tính nhất quán cao về phổ, hình học và bức xạ. Do đó, vấn đề cốt lõi của ngành hiện nay không còn là thiếu dữ liệu mà là đảm bảo chất lượng và độ tin cậy của tín hiệu đo lường.
Xu hướng kỹ thuật nổi bật của EO là chuyển từ “image-centric” sang “measurement-centric systems”. Thay vì chỉ cung cấp hình ảnh trực quan, các hệ thống EO thế hệ mới tập trung vào việc suy xuất các tham số địa vật lý có khả năng định lượng và theo dõi biến động theo thời gian. Các dải phổ như SWIR và TIR ngày càng quan trọng nhờ khả năng cung cấp thông tin về độ ẩm, stress thực vật, nhiệt độ bề mặt và các bất thường nhiệt mà ảnh RGB không thể hiện được.
Trong tương lai, giá trị cốt lõi của ngành EO sẽ không nằm ở số lượng ảnh vệ tinh được thu nhận mà ở khả năng tạo ra chuỗi dữ liệu ổn định, chuẩn hóa và sẵn sàng cho các hệ thống AI và giám sát vận hành quy mô lớn.
Nguồn: Geoawesome
Các phương pháp hiện đại dùng deep learning để tăng độ phân giải ảnh vệ tinh (super-resolution – SR)
Super-resolution (SR) là kỹ thuật xử lý ảnh nhằm tăng cường độ phân giải không gian (spatial resolution) của ảnh viễn thám, tái tạo chi tiết mức độ cao hơn từ ảnh độ phân giải thấp. Trong viễn thám, SR giúp cải thiện khả năng trích xuất thông tin đối tượng (feature extraction) trong bối cảnh dữ liệu vệ tinh bị giới hạn bởi GSD (Ground Sampling Distance).
Các phương pháp SR trong viễn thám gồm:
• Single-image SR: sử dụng một ảnh đầu vào, khai thác đặc trưng phổ và cấu trúc để nội suy chi tiết.
• Multi-image / multi-date SR: kết hợp nhiều ảnh cùng khu vực, tận dụng sai khác hình học và quỹ đạo để tái tạo ảnh độ phân giải cao hơn, yêu cầu đồng đăng ký ảnh (co-registration) chính xác.
Về phương pháp học máy, SR được chia thành:
• Fully supervised learning: dùng cặp ảnh LR–HR (low/high resolution), nhưng khó áp dụng trong viễn thám do thiếu dữ liệu ground truth đồng nhất giữa các cảm biến.
• Self-supervised learning: chỉ dùng dữ liệu độ phân giải thấp, mô phỏng suy giảm ảnh (degradation model) để huấn luyện, phù hợp hơn với dữ liệu vệ tinh thực tế.
Theo kiến trúc mô hình, SR gồm hai nhóm chính:
• Regression-based models (CNN-based): như SRCNN, FSRCNN, cho kết quả ổn định, tốc độ cao nhưng có xu hướng làm mờ chi tiết (over-smoothing do tối ưu MSE).
• Generative models: như GANs (SRGAN, ESRGAN), normalizing flows (SRFlow) và diffusion models (SR3), cho ảnh sắc nét hơn nhưng có rủi ro “hallucination” (tạo chi tiết không có thật trong cảnh gốc).
Trong đó, diffusion models và latent diffusion hiện đạt hiệu năng cao nhất, cho phép tái tạo ảnh độ phân giải cao với chất lượng thị giác tốt và khả năng mở rộng mạnh, đặc biệt trong các bài toán viễn thám quy mô lớn.
Tổng thể, super-resolution là công nghệ then chốt trong viễn thám hiện đại, giúp tăng giá trị khai thác dữ liệu vệ tinh hiện có, giảm phụ thuộc vào cảm biến độ phân giải cao, và nâng cao hiệu quả phân tích không gian trong các ứng dụng như giám sát đô thị, môi trường và quốc phòng.
Nguồn: Digitalsense.ai
Tăng độ phân giải ảnh vệ tinh với Vega Geospatial Analytical Tools (GAT)
Sự phát triển của các kỹ thuật super-resolution và deep learning trong viễn thám đang mở ra nguồn dữ liệu không gian địa lý chất lượng cao hơn bao giờ hết — nhưng giá trị thực sự chỉ được khai phóng khi dữ liệu đó được phân tích đúng công cụ. Đây chính là vai trò của Vega GAT — nền tảng cung cấp bộ công cụ tự động hóa hiệu năng cao phục vụ công tác xử lý ảnh và phân tích dữ liệu, từ đó mang đến thông tin với độ chính xác cao và kịp thời để hỗ trợ việc ra quyết định.
Toàn bộ quy trình xử lý được thực hiện trên đám mây nên không tiêu tốn tài nguyên trên thiết bị cục bộ, giúp người dùng hoàn toàn chủ động về thời gian, địa điểm và cách thức xử lý dữ liệu theo đúng nhu cầu và sự tiện lợi của mình.
Lớp dữ liệu Wet Bulb Globe Temperature Layer hiện có trong Living Atlas
Biến đổi khí hậu đang làm gia tăng tần suất và cường độ các hiện tượng nhiệt cực đoan, gây rủi ro nghiêm trọng đối với sức khỏe con người và các hoạt động kinh tế–xã hội. Trong viễn thám khí tượng, nhiệt độ không khí đơn thuần không phản ánh đầy đủ mức độ stress nhiệt. Do đó, Wet Bulb Globe Temperature (WBGT) được sử dụng như một chỉ số tổng hợp nhằm đánh giá chính xác hơn tác động nhiệt lên cơ thể con người.
WBGT là chỉ số khí tượng tổng hợp, kết hợp các biến số khí quyển gồm: nhiệt độ không khí, độ ẩm tương đối, tốc độ gió, bức xạ mặt trời và góc chiếu bức xạ. Chỉ số này phản ánh mức độ heat stress thực tế trong môi trường ngoài trời, thường được sử dụng trong đánh giá rủi ro lao động, sức khỏe cộng đồng và cảnh báo nắng nóng cực đoan.
Dữ liệu WBGT toàn cầu mới được xây dựng từ ERA5 reanalysis (ECMWF) và được xử lý thành bộ dữ liệu raster đa chiều (multidimensional raster) bởi Purdue University và Esri. Bộ dữ liệu này cung cấp ba biến chính theo chuỗi thời gian 1994–2023 gồm: WBGT maximum, WBGT mean và WBGT minimum theo từng tháng.
• WBGT maximum: thể hiện giá trị cực đại theo tháng, dùng cho đánh giá rủi ro cực đoan và lập kế hoạch ứng phó nắng nóng.
• WBGT mean: giá trị trung bình, phản ánh mức độ stress nhiệt nền, phục vụ phân tích khí hậu dài hạn và xu thế mùa.
• WBGT minimum: giá trị thấp nhất, dùng để xác định các khoảng thời gian phục hồi nhiệt (thermal recovery) và đánh giá điều kiện an toàn hoạt động.
Về mặt kỹ thuật GIS, WBGT được triển khai dưới dạng multidimensional raster dataset, cho phép truy vấn theo chiều thời gian (tháng) và biến khí hậu trong các nền tảng như ArcGIS Online hoặc ArcGIS Pro.
Ngoài dữ liệu nền (baseline 1994–2023), hệ thống còn có lớp WBGT projections nhằm mô phỏng kịch bản tương lai theo biến đổi khí hậu, hỗ trợ phân tích so sánh giữa trạng thái khí hậu quá khứ và dự báo.
Tổng thể, WBGT là một chỉ số quan trọng trong viễn thám khí hậu và GIS môi trường, cung cấp cơ sở định lượng cho đánh giá stress nhiệt, hỗ trợ quy hoạch thích ứng khí hậu, quản lý sức khỏe cộng đồng và giảm thiểu rủi ro từ các hiện tượng nhiệt cực đoan.
Nguồn: Esri
