VSGA tổng hợp nội dung từ một bài báo tiền xuất bản (preprint) trên arXiv, giới thiệu DarkVesselNet — kiến trúc tham khảo kết hợp ảnh radar Sentinel-1, ảnh quang học Sentinel-2, mô hình AI huấn luyện trên ảnh vệ tinh (Geospatial Foundation Model – GFM) và dữ liệu thông tin vô tuyến liên tục được phát đi từ các tàu thuyền (Automatically Identification System – AIS) để phát hiện các tàu ngừng phát tín hiệu AIS. Hệ thống không dựa vào một nguồn dữ liệu duy nhất mà kết hợp nhiều nguồn thông tin để tạo ra các bằng chứng hỗ trợ chuyên gia đánh giá. Hệ thống không tự kết luận tàu vi phạm. Bài báo cũng cho biết nghiên cứu mới chỉ dừng ở giai đoạn kiểm chứng tính khả thi (proof of concept), tức là bước thử nghiệm để đánh giá tính khả thi của phương pháp.
Giới thiệu
Giám sát hoạt động trên biển (Maritime Domain Awareness – MDA) nhằm theo dõi các tàu có dấu hiệu bất thường, chẳng hạn như tắt tín hiệu AIS, giả mạo vị trí hoặc hoạt động ở những khu vực mà dữ liệu AIS không còn đáng tin cậy. Đây là một bài toán khó vì không có nguồn dữ liệu nào đủ để phản ánh toàn bộ tình hình trên biển.
Để khắc phục hạn chế này, DarkVesselNet kết hợp nhiều loại dữ liệu khác nhau, gồm ảnh radar SAR, ảnh quang học, dữ liệu AIS và thông tin nền như đường bờ biển, cảng biển và tuyến hàng hải. Hệ thống sử dụng mô hình nền tảng địa không gian (Geospatial Foundation Models – GFM), tức các mô hình trí tuệ nhân tạo được huấn luyện trước trên lượng lớn dữ liệu địa không gian, để trích xuất đặc trưng từ nhiều nguồn dữ liệu và hỗ trợ phát hiện các trường hợp có dấu hiệu bất thường.
(Tài liệu gốc: preprint arXiv:2606.00445v1, tác giả Arun Sharma, University of Minnesota, Twin Cities.)
Bài toán và nguồn dữ liệu
DarkVesselNet xem việc phát hiện dark vessel là bài toán đối chiếu thông tin từ nhiều nguồn dữ liệu. Mỗi nguồn cung cấp một góc nhìn khác nhau về hoạt động của tàu:
- AIS ghi nhận vị trí, tốc độ và hướng di chuyển do tàu tự phát tín hiệu.
- Ảnh radar Sentinel-1 (SAR) phát hiện mục tiêu trong cả ngày lẫn đêm và hầu như không bị ảnh hưởng bởi mây.
- Ảnh Sentinel-2 bổ sung thông tin trực quan về khu vực quan sát.
- Dữ liệu nền (đường bờ biển, cảng biển, tuyến hàng hải…) cung cấp bối cảnh để diễn giải kết quả.
Một trường hợp chỉ được xem là nghi vấn khi thông tin giữa các nguồn không thống nhất và sự khác biệt đó không thể giải thích bằng thời gian thu nhận dữ liệu, phạm vi quan sát hoặc các yếu tố kỹ thuật. Chẳng hạn, ảnh SAR phát hiện một mục tiêu trên biển nhưng không có thông tin AIS tương ứng tại cùng thời điểm. Những trường hợp như vậy sẽ được hệ thống gắn “cờ” để chuyên gia xem xét, thay vì tự động kết luận tàu vi phạm.
Trước khi đưa vào mô hình, từng nguồn dữ liệu được tiền xử lý theo phương pháp phù hợp. Ảnh SAR được lọc nhiễu bằng bộ lọc Lee; ảnh Sentinel-2 được che mây và tính các chỉ số phổ như NDVI và NDWI; dữ liệu AIS được biểu diễn thành chuỗi thời gian gồm thời gian, vị trí, tốc độ (SOG) và hướng di chuyển (COG).
Phương pháp và kiến trúc
DarkVesselNet xử lý dữ liệu theo sáu bước chính:
- Thu thập ảnh Sentinel-1 và Sentinel-2 trong khu vực cần theo dõi (AOI).
- Tiền xử lý dữ liệu, gồm lọc nhiễu trên ảnh radar SAR, che mây trên ảnh quang học, tính các chỉ số phổ (như NDVI, NDWI) và căn chỉnh ảnh từ các cảm biến khác nhau để chúng khớp với nhau.
- Sử dụng mô hình nền tảng địa không gian (GFM) để tự động trích xuất các đặc trưng quan trọng từ dữ liệu.
- Đối chiếu các mục tiêu phát hiện được trên ảnh với dữ liệu AIS theo thời gian và vị trí.
- Phân tích dữ liệu để phát hiện các khoảng thời gian tàu mất tín hiệu AIS hoặc có hành trình bất thường.
- Tổng hợp toàn bộ thông tin và tính toán mức độ nghi vấn của từng tàu. Kết quả không chỉ là một điểm số, mà còn kèm theo các bằng chứng để chuyên gia kiểm tra.
Dữ liệu đầu vào gồm ảnh radar SAR, ảnh quang học và dữ liệu AIS. Mỗi nguồn dữ liệu được xử lý riêng để trích xuất đặc trưng, sau đó được kết hợp để đánh giá mức độ nghi vấn. Thay vì chỉ đưa ra một xác suất cảnh báo, hệ thống còn cho biết những bằng chứng nào đã dẫn đến kết quả đó, giúp chuyên gia dễ dàng kiểm chứng.
Kiến trúc của DarkVesselNet gồm ba thành phần chính:
- GeoBackbone có nhiệm vụ chuẩn hóa đầu ra của các mô hình GFM khác nhau về cùng một định dạng, nhờ đó có thể thay thế hoặc nâng cấp mô hình mà không cần thay đổi toàn bộ hệ thống.
- Mô-đun phân tích dữ liệu AIS theo dõi hành trình của tàu để phát hiện các khoảng thời gian mất tín hiệu hoặc những thay đổi bất thường về quãng đường và thời gian di chuyển. Tuy nhiên, bài báo nhấn mạnh rằng việc mất tín hiệu AIS không đồng nghĩa với việc tàu vi phạm, vì nguyên nhân có thể đến từ lỗi thiết bị, vùng phủ sóng kém hoặc điều kiện thời tiết. Do đó, thông tin AIS luôn được đánh giá cùng với các nguồn dữ liệu khác.
- Mô-đun hợp nhất dữ liệu và phát hiện bất thường kết hợp thông tin từ ảnh SAR, ảnh quang học và AIS để đánh giá mức độ nghi vấn. Hệ thống cũng nhận biết được trường hợp không có dữ liệu và không phát hiện mục tiêu là hai tình huống khác nhau, giúp giảm các cảnh báo sai.
Một điểm đáng chú ý của DarkVesselNet là mọi cảnh báo đều có thể truy ngược nguồn bằng chứng. Chuyên gia có thể biết kết quả được hình thành từ ảnh SAR, dữ liệu AIS, ảnh quang học hay từ sự kết hợp của nhiều nguồn, thay vì chỉ nhận một điểm số cảnh báo mà không rõ nguyên nhân.
Kết quả bước đầu và khung đánh giá đề xuất
Bài báo phân biệt rõ giữa kết quả đã kiểm chứng và khung đánh giá đề xuất trong tương lai.
Kết quả đã kiểm chứng
Ở giai đoạn hiện tại, nhóm tác giả mới kiểm tra xem hệ thống có hoạt động đúng về mặt kỹ thuật hay không, chứ chưa đánh giá hiệu quả phát hiện tàu trên dữ liệu thực tế.
Bộ kiểm thử gồm 15/15 phép thử đều đạt, bao gồm kiểm tra các bước xử lý ảnh SAR, tính các chỉ số phổ từ ảnh quang học, tính khoảng cách bằng công thức Haversine, phát hiện khoảng gián đoạn của dữ liệu AIS, căn chỉnh ảnh giữa các cảm biến, kiểm tra đầu ra của mô hình GFM, mô-đun phát hiện bất thường và khả năng khởi chạy toàn bộ hệ thống.
Các kết quả này cho thấy DarkVesselNet có thể vận hành đúng quy trình thiết kế. Tuy nhiên, bài báo chưa chứng minh hệ thống có thể phát hiện tàu với độ chính xác cao trên các bộ dữ liệu chuẩn như xView3, chưa đánh giá khả năng xử lý dữ liệu thời gian thực và cũng chưa thể khẳng định hệ thống đủ điều kiện triển khai trong thực tế.
Khung đánh giá được đề xuất
Để đánh giá hiệu quả trong các nghiên cứu tiếp theo, tác giả đề xuất sử dụng dữ liệu gán nhãn từ ảnh SAR (tương tự bộ dữ liệu xView3), dữ liệu về các khoảng mất tín hiệu AIS và các trường hợp đã được chuyên gia xác minh.
Hệ thống sẽ được đánh giá theo nhiều khía cạnh khác nhau, bao gồm:
- khả năng phát hiện đúng tàu trên ảnh;
- số lượng cảnh báo nhầm, đặc biệt đối với các khu vực gần bờ;
- khả năng phát hiện các khoảng mất tín hiệu AIS;
- độ chính xác của cảnh báo cuối cùng sau khi kết hợp tất cả các nguồn dữ liệu.
Ngoài ra, tác giả cũng đề xuất thực hiện thí nghiệm loại trừ (ablation study) để đánh giá mức đóng góp của từng nguồn dữ liệu và sử dụng thêm các chỉ số như Prec@B và ECE nhằm đánh giá chất lượng của hệ thống.
|
Cấu hình |
Ý nghĩa |
mAP |
Độ chính xác cảnh báo |
Độ đầy đủ chuỗi bằng chứng |
|
Chỉ SAR |
Chỉ sử dụng ảnh radar Sentinel-1 |
0,42 |
0,31 |
0,19 |
|
SAR + AIS |
Kết hợp thêm dữ liệu AIS |
0,45 |
0,43 |
0,16 |
|
SAR + quỹ đạo |
Kết hợp ảnh SAR và hành trình di chuyển của tàu được phân tích từ chuỗi AIS |
0,47 |
0,48 |
0,14 |
|
SAR + quang |
Kết hợp ảnh SAR và ảnh Sentinel-2 |
0,50 |
0,45 |
0,15 |
|
Toàn bộ dữ liệu |
Sử dụng đồng thời SAR, ảnh quang học, AIS và hành trình tàu |
0,53 |
0,55 |
0,11 |
Bảng 1. Ảnh hưởng của việc bổ sung từng nguồn dữ liệu vào hệ thống
Điểm đáng chú ý là DarkVesselNet không chỉ đưa ra kết quả “tàu nghi vấn” mà còn chỉ rõ nguồn dữ liệu nào (SAR, AIS, hành trình hay ảnh quang học) đã góp phần tạo nên cảnh báo, giúp chuyên gia dễ dàng kiểm tra và xác minh kết quả. Điều này cũng là điểm khác biệt chính mà bài báo muốn hướng tới so với các phương pháp chỉ sử dụng một nguồn dữ liệu.
Thảo luận và hạn chế
Việc phát hiện các tàu ngừng phát tín hiệu AIS là một bài toán rất nhạy cảm. Nếu hệ thống cảnh báo nhầm, lực lượng chức năng có thể phải kiểm tra những tàu không có vi phạm. Ngược lại, nếu bỏ sót, các hoạt động bất hợp pháp trên biển có thể không được phát hiện.
Vì vậy, DarkVesselNet được thiết kế như một công cụ hỗ trợ sàng lọc, giúp xác định các trường hợp cần chú ý và cung cấp bằng chứng để chuyên gia đánh giá. Hệ thống không tự động kết luận tàu vi phạm và mọi cảnh báo đều cần được con người kiểm tra, xác minh.
Bài báo cũng chỉ ra một số tình huống mà hệ thống có thể hoạt động chưa tốt:
- Khu vực gần bờ: Cầu cảng, bãi đá, sóng biển hoặc các tàu nhỏ có thể gây nhiễu trên ảnh radar SAR, làm tăng khả năng phát hiện nhầm.
- Dữ liệu AIS không rõ ràng: Đôi khi có nhiều tàu phát tín hiệu AIS ở gần cùng một mục tiêu trên ảnh SAR, khiến hệ thống khó xác định tín hiệu nào là đúng. Trong trường hợp này, hệ thống nên báo rằng kết quả còn chưa chắc chắn thay vì tự động ghép với một tàu cụ thể.
- Khả năng tổng quát của mô hình AI: Một số mô hình nền tảng địa không gian (GFM) được huấn luyện chủ yếu trên ảnh quang học nên có thể hoạt động chưa tốt khi áp dụng cho ảnh radar SAR.
- Không thể suy luận mục đích của tàu: Hệ thống chỉ phát hiện các dấu hiệu bất thường từ dữ liệu cảm biến. Những dấu hiệu này không đủ để kết luận tàu có hành vi vi phạm pháp luật hay không.
Ngoài ra, tác giả đề xuất chia quá trình xử lý thành nhiều bước rõ ràng, từ phát hiện mục tiêu trên ảnh SAR, xác định ứng viên là tàu, đối chiếu với dữ liệu AIS, đánh giá mức độ nghi vấn, đến xác nhận vi phạm. Cách phân tách này giúp tránh nhầm lẫn giữa một cảnh báo kỹ thuật và một kết luận pháp lý. Bài báo cũng lưu ý rằng phiên bản hiện tại mới là bản minh họa (demo), chưa phải hệ thống có thể tự động tiếp nhận và xử lý dữ liệu vệ tinh theo thời gian thực.
Kết luận
DarkVesselNet là một kiến trúc tham khảo nhằm hỗ trợ phát hiện các tàu ngừng phát tín hiệu AIS bằng cách kết hợp nhiều nguồn dữ liệu như ảnh radar SAR, ảnh quang học và dữ liệu AIS. Điểm nổi bật của hệ thống là tổng hợp bằng chứng từ nhiều nguồn để hỗ trợ chuyên gia đánh giá, thay vì tự động kết luận tàu vi phạm.
Ở thời điểm hiện tại, nghiên cứu mới chỉ chứng minh rằng các thành phần của hệ thống hoạt động đúng về mặt kỹ thuật. Hiệu quả phát hiện trên các bộ dữ liệu thực tế, như xView3 kết hợp với dữ liệu AIS, vẫn cần được kiểm chứng trong các nghiên cứu tiếp theo trước khi có thể triển khai trong thực tế.
Theo tác giả, giá trị quan trọng nhất của DarkVesselNet không nằm ở một chỉ số độ chính xác cụ thể, mà ở cách kết hợp nhiều nguồn bằng chứng để đưa ra cảnh báo minh bạch và có thể kiểm chứng. Thiết kế GeoBackbone cũng giúp dễ dàng thay thế và so sánh các mô hình AI khác nhau trên cùng một hệ thống, tạo nền tảng cho các nghiên cứu tiếp theo về giám sát hoạt động hàng hải.
