Trí tuệ nhân tạo trong viễn thám được xem là một ngành khoa học quan trọng. Các thuật toán này có khả năng xử lý dữ liệu có tính chiều cao và thành lập các lớp có các đặc điểm phức tạp. Trong vài năm qua, Machine Learning đã trở thành một trọng tâm và hướng phát triển chính của ảnh viễn thám.
Machine Learning là gì?
Machine Learning trong ứng dụng ảnh viễn thám
Những năm gần đây, AI – Trí Tuệ Nhân Tạo, và cụ thể hơn là Machine Learning nổi lên như một bằng chứng của cuộc cách mạng công nghiệp lần thứ tư. Trí Tuệ Nhân Tạo đang len lỏi vào mọi lĩnh vực trong đời sống mà có thể chúng ta không nhận ra.
Xe tự hành của Google và Tesla, hệ thống tự tag khuôn mặt trong ảnh của Facebook, trợ lý ảo Siri của Apple, hệ thống gợi ý sản phẩm của Amazon, hệ thống gợi ý phim của Netflix, máy chơi cờ vây AlphaGo của Google DeepMind, …, chỉ là một vài trong vô vàn những ứng dụng của AI/Machine Learning.
Thực tế trí tuệ nhân tạo được sử dụng trong công nghệ viễn thám
Machine Learning là một lĩnh vực của trí tuệ nhân tạo liên quan đến việc nghiên cứu và xây dựng các kĩ thuật cho phép các hệ thống “học” tự động từ dữ liệu để giải quyết những vấn đề cụ thể.
Machine Learning đã giúp máy tính thực thi những việc tưởng chừng như không thể vào 10 năm trước: phân loại cả ngàn vật thể khác nhau trong các bức ảnh, tự tạo chú thích cho ảnh, bắt chước giọng nói và chữ viết của con người, giao tiếp với con người, hay thậm chí cả sáng tác văn hay âm nhạc.
Về cơ bản, các giải thuật Machine Learning được phân loại thành 3 kiểu: Supervised Learning, Unsupervised Learning, và Reinforcement Learning. Chúng có các thuật toán độc đáo của riêng mình và được sử dụng cho các mục đích khác nhau.
Các kiểu thuật toán của Trí tuệ nhân tạo
Supervised Learning: Là phương pháp sử dụng những dữ liệu đã được gán nhãn từ trước để suy luận ra quan hệ giữa đầu vào và đầu ra. Các dữ liệu này được gọi là dữ liệu huấn luyện và chúng là cặp các đầu vào-đầu ra. Supervised Learning sẽ xem xét các tập huấn luyện này để từ đó có thể đưa ra dự đoán đầu ra cho một đầu vào mới chưa gặp bao giờ.
Unsupervised Learning: Khác với Supervised Learning, Unsupervised Learning sát sử dụng những dữ liệu chưa được gán nhãn từ trước để suy luận. Phương pháp này thường được sử dụng để tìm cấu trúc của tập dữ liệu. Tuy nhiên lại không có phương pháp đánh giá được cấu trúc tìm ra được là đúng hay sai.
Reinforcement Learning: Phương pháp Reinforcement Learning tập trung vào việc làm sao để cho 1 tác tử trong môi trường có thế hành động sao cho lấy được phần thưởng nhiều nhất có thể. Khác với Supervised Learning nó không có cặp dữ liệu gán nhãn trước làm đầu vào và cũng không có đánh giá các hành động là đúng hay sai.
Machine Learning trong Viễn thám
Tự động phát hiện các tòa nhà của ứng dụng ảnh viễn thám
Trong vài năm qua, các cơ quan vũ trụ đã triển khai một số lượng lớn các vệ tinh lên quỹ đạo Trái Đất. Do một lượng lớn thông tin từ các vệ tinh ảnh viễn thám cung cấp, người sử dụng có điều kiện tiếp cận với nhiều loại dữ liệu ảnh vệ tinh viễn thám khác nhau, từ quang học đến radar, từ đơn phổ đến đa phổ, từ thương mại đến miễn phí.
Hiệu quả của mối quan hệ giữa ảnh vệ tinh và trí tuệ nhân tạo
Tuy nhiên, để làm cho việc xử lý hình ảnh vệ tinh ảnh viễn thám hiệu quả hơn,việc phát triển các phương pháp phân tích hoàn toàn tự động là rất quan trọng. Machine Learning cung cấp tiềm năng để phân loại hình ảnh không gian hiệu quả hơn và nhanh hơn.
Machine Learning bao gồm nhiều thuật toán như Artificial Neutral Network, Support Vector Machine, Self Organizing Maps và Decision Tree. Các thuật toán này có khả năng xử lý dữ liệu có tính chiều cao và thành lập các lớp có các đặc điểm phức tạp. Trong vài năm qua, Machine Learning đã trở thành một trọng tâm và hướng phát triển chính của viễn thám. Đồng thời nghiên cứu ứng dụng kết hợp với các công nghệ thông minh IoT, trí tuệ nhân tạo AI, công nghệ dữ liệu lớn bigdata.
Các giải pháp để phát triển công nghệ viễn thám
Dưới đây là một số ví dụ về các giải pháp dựa trên Machine Learning mà đã được phát triển thành công cho ngành viễn thám. Machine Learning tập trung vào việc tự động trích xuất thông tin từ dữ liệu bằng các phương pháp tính toán và thống kê.
Tự động phát hiện các tuyến đường
Nhìn chung, cũng đã có những tiến bộ đáng kể trong việc phát triển các phương pháp dựa trên Machine Learning cho nhiều ứng dụng Khoa học Trái đất. Tuy nhiên, một thách thức lớn đối với những người muốn áp dụng các phương pháp Machine Learning là việc thu thập dữ liệu.
Nguồn: Machine Learning, Wikipedia
Ngọc Hiền – Đình Cảnh
