Bản tin tuần này VSGA điểm qua ba nghiên cứu: phương pháp phát hiện tàu cá hoạt động ban đêm bằng Deep Learning kết hợp ảnh vệ tinh SDGSAT-1; kỹ thuật hybrid Icechunk giúp trực quan hóa dữ liệu phân tích trực tiếp trên bản đồ web mà không cần máy chủ riêng; và nghiên cứu nén, khử nhiễu ảnh SAR ngay trên vệ tinh bằng mô hình Deep Learning chạy trên FPGA nhúng.
Phát hiện tàu đánh cá dựa trên Deep Learning và giám sát hoạt động khai thác thủy sản sử dụng ảnh ánh sáng ban đêm
Nghiên cứu đề xuất phương pháp phát hiện tàu cá hoạt động ban đêm, đặc biệt các tàu kích thước nhỏ chỉ phát hiện trên ảnh mà không tìm thấy tín hiệu AIS tương ứng (potential dark vessels) tại vùng biển phía tây Ấn Độ. Phương pháp kết hợp ảnh ánh sáng ban đêm (Nighttime Light imagery) từ vệ tinh SDGSAT-1 với Deep Learning. Nhóm tác giả xây dựng kiến trúc Dual-Branch YOLO11, sử dụng đồng thời ảnh panchromatic 10 m và RGB 40 m. Hai nhánh CNN backbone xử lý song song hai nguồn ảnh, sau đó thực hiện hợp nhất thuộc tính nhằm tận dụng đồng thời thông tin không gian và phổ, qua đó cải thiện khả năng nhận diện tàu kích thước nhỏ.
Mô hình đạt độ chính xác (precision) 0,99, recall 0,93, F1-score 0,96 và mAP@50 0,96. Khi chạy trên dữ liệu thực tế, mô hình phát hiện khoảng 31.500 tàu. Trong số này, khoảng 22,7% có thể ghép với dữ liệu AIS (Automatic Identification System), trong khi 77,3% không có AIS match tương ứng.
Nghiên cứu cho thấy ảnh ánh sáng ban đêm có thể kết hợp với Deep Learning và AIS để mở rộng khả năng giám sát tàu cá. Thay vì chỉ theo dõi những tàu có AIS, hệ thống có thể phát hiện thêm các tàu xuất hiện trên ảnh nhưng không có AIS tương ứng, từ đó giúp xác định khu vực có khoảng trống trong phạm vi giám sát AIS và hỗ trợ giám sát hoạt động đánh bắt.
Nguồn: arxiv.org/abs/2608.09360
“Hybrid Icechunk Stores”: Kỹ thuật trực quan hóa dữ liệu phân tích trên bản đồ web không cần máy chủ
Cloud-Native Geospatial Forum giới thiệu kỹ thuật tạo kho dữ liệu “hybrid Icechunk” để hiển thị các lớp dữ liệu phân tích, ví dụ ảnh vệ tinh độ phân giải cao, trực tiếp trên bản đồ web tương tác. Vấn đề lâu nay thường gặp phải đối với các kỹ sư xử lý dữ liệu đó là đưa tập dữ liệu lớn lên bản đồ web thường tốn kém, vì hoặc phải sao chép dữ liệu sang một máy chủ tile riêng, hoặc phải xử lý lại toàn bộ dữ liệu độ phân giải gốc mỗi lần người dùng thu nhỏ bản đồ (zoom out). Kỹ thuật “hybrid” giải quyết bằng cách gộp hai thành phần trong cùng một kho Icechunk: (1) dữ liệu ảo hoá (virtualized data) và (2) đa tỉ lệ GeoZarr (GeoZarr multiscales).
Dữ liệu ảo hoá là một lớp “chỉ mục” trỏ thẳng tới các tệp dữ liệu gốc trên object storage mà không sao chép hay chuyển đổi, nhờ đó tránh trùng lặp dữ liệu. GeoZarr multiscales là các bản dựng sẵn ở nhiều mức độ phân giải thấp hơn (tương tự kim tự tháp thu nhỏ dần của ảnh bản đồ): khi người dùng thu nhỏ, hệ thống lấy bản phù hợp thay vì nghiền lại dữ liệu gốc, nên hiển thị nhanh và nhẹ hơn nhiều. Bên dưới, Icechunk là engine lưu trữ mã nguồn mở (Apache 2.0, chuẩn Zarr) do Earthmover phát triển, cho phép đọc dữ liệu trực tiếp từ object storage (S3, MinIO…) mà không cần một máy chủ cơ sở dữ liệu trung gian.
Đây là ví dụ tiêu biểu của xu hướng “cloud-native geospatial”: truy cập dữ liệu ngay tại nơi lưu trữ, ở quy mô lớn, qua giao thức web tiêu chuẩn thay vì nhân bản dữ liệu. Với các nhóm đang vận hành kho ảnh vệ tinh trên object storage (Iceberg/MinIO, Zarr…), bộ công cụ VirtualiZarr + Icechunk + GeoZarr mở ra cách trực quan hoá và phân phối dữ liệu phân tích trực tiếp từ kho lưu trữ, giảm chi phí sao chép và hạ tầng.
Nguồn: cloudnativegeo.org
Nén và khử nhiễu ảnh Radar (SAR) ngay trên vệ tinh bằng Deep Learning
SAR là công nghệ radar dùng để chụp ảnh bề mặt Trái Đất từ vệ tinh, có thể quan sát cả ban đêm và trong điều kiện nhiều mây. Tuy nhiên, các vệ tinh SAR thế hệ mới thu dữ liệu nhanh hơn khả năng truyền (downlink) về mặt đất. Vì vậy, cần xử lý và nén dữ liệu ngay trên vệ tinh (onboard) để giảm lượng dữ liệu phải truyền và rút ngắn thời gian đưa thông tin về mặt đất. Nghiên cứu trên arXiv của nhóm tác giả từ DLR và Đại học Kỹ thuật Munich thử nghiệm việc thực hiện đồng thời khử nhiễu và nén ảnh SAR bằng Deep Learning trên FPGA nhúng, một nền tảng phần cứng có ưu thế về khả năng xử lý song song và mức tiêu thụ năng lượng thấp, phù hợp với các hệ thống xử lý dữ liệu trên vệ tinh.
Mô hình gộp hai việc vốn tách rời vào cùng một bước: khử nhiễu đốm (speckle: loại nhiễu hạt đặc trưng của ảnh SAR) và nén dữ liệu. Cách làm này cho tỉ lệ nén cao hơn và ảnh tái tạo tốt hơn so với các thuật toán nén truyền thống đang dùng trong vận hành (như JPEG2000). Đóng góp chính của nhóm là thu nhỏ mô hình học sâu vốn nặng để chạy vừa trong giới hạn khắt khe về điện năng và năng lực tính toán của thiết bị trên quỹ đạo.
Đây là một ví dụ tiêu biểu cho xu hướng dùng AI xử lý ngay tại nơi thu nhận dữ liệu (AI on-the-edge) trong viễn thám: thay vì truyền toàn bộ dữ liệu SAR về mặt đất rồi mới xử lý, một phần xử lý có thể được thực hiện ngay trên vệ tinh. Với các hệ thống SAR tạo ra lượng dữ liệu lớn, cách tiếp cận này giúp giảm lượng dữ liệu cần downlink, đồng thời mở ra khả năng xử lý dữ liệu gần thời gian thực hơn. Nghiên cứu cũng cho thấy việc thiết kế mô hình Deep Learning cần được thực hiện đồng thời với các yêu cầu về phần cứng, năng lượng và tài nguyên tính toán khi đưa AI lên vệ tinh.
Nguồn: arxiv.org/abs/2608.11271
