Remote Sensing

Các hệ thống máy bay không người lái (UAS) đã phát triển nhanh chóng trong thập kỷ qua, chủ yếu nhờ vào các ứng dụng quân sự, và đã bắt đầu có chỗ đứng trong số các người dùng dân sự cho mục đích trinh sát cảm biến trái đất và thu thập dữ liệu khoa học. Trong số các UAS, những đặc điểm hứa hẹn bao gồm thời gian bay dài, độ an toàn trong nhiệm vụ được cải thiện, khả năng lặp lại chuyến bay nhờ vào việc nâng cấp hệ thống lái tự động, và giảm chi phí vận hành so với máy bay có người lái. Tuy nhiên, những lợi thế tiềm năng của một nền tảng không người lái phụ thuộc vào nhiều yếu tố, chẳng hạn như loại máy bay, loại cảm biến, mục tiêu của nhiệm vụ, và các yêu cầu quy định hiện hành dành cho hoạt động của nền tảng cụ thể. Các quy định liên quan đến việc vận hành UAS vẫn đang trong giai đoạn phát triển ban đầu và hiện tại tạo ra rào cản đáng kể cho người dùng khoa học. Trong bài viết này, chúng tôi mô tả nhiều loại nền tảng, cũng như khả năng của các cảm biến, và xác định những lợi thế của mỗi nền tảng liên quan đến các yêu cầu của người dùng trong lĩnh vực nghiên cứu khoa học. Chúng tôi cũng sẽ thảo luận ngắn gọn về tình trạng hiện tại của các quy định ảnh hưởng đến hoạt động của UAS, với mục đích thông báo cho cộng đồng khoa học về công nghệ đang phát triển này, mà tiềm năng cách mạng hóa quan sát khoa học tự nhiên tương tự như những biến đổi mà GIS và GPS đã mang lại cho cộng đồng hai thập kỷ trước.

Agriculture provides for the most basic needs of humankind: food and fiber. The introduction of new farming techniques in the past century (e.g., during the Green Revolution) has helped agriculture keep pace with growing demands for food and other agricultural products. However, further increases in food demand, a growing population, and rising income levels are likely to put additional strain on natural resources. With growing recognition of the negative impacts of agriculture on the environment, new techniques and approaches should be able to meet future food demands while maintaining or reducing the environmental footprint of agriculture. Emerging technologies, such as geospatial technologies, Internet of Things (IoT), Big Data analysis, and artificial intelligence (AI), could be utilized to make informed management decisions aimed to increase crop production. Precision agriculture (PA) entails the application of a suite of such technologies to optimize agricultural inputs to increase agricultural production and reduce input losses. Use of remote sensing technologies for PA has increased rapidly during the past few decades. The unprecedented availability of high resolution (spatial, spectral and temporal) satellite images has promoted the use of remote sensing in many PA applications, including crop monitoring, irrigation management, nutrient application, disease and pest management, and yield prediction. In this paper, we provide an overview of remote sensing systems, techniques, and vegetation indices along with their recent (2015–2020) applications in PA. Remote-sensing-based PA technologies such as variable fertilizer rate application technology in Green Seeker and Crop Circle have already been incorporated in commercial agriculture. Use of unmanned aerial vehicles (UAVs) has increased tremendously during the last decade due to their cost-effectiveness and flexibility in obtaining the high-resolution (cm-scale) images needed for PA applications. At the same time, the availability of a large amount of satellite data has prompted researchers to explore advanced data storage and processing techniques such as cloud computing and machine learning. Given the complexity of image processing and the amount of technical knowledge and expertise needed, it is critical to explore and develop a simple yet reliable workflow for the real-time application of remote sensing in PA. Development of accurate yet easy to use, user-friendly systems is likely to result in broader adoption of remote sensing technologies in commercial and non-commercial PA applications.

Việc đảo ngược chính xác các biến số địa/vật lý bề mặt đất từ dữ liệu viễn thám cho các ứng dụng quan sát trái đất là một chủ đề thiết yếu và đầy thách thức đối với nghiên cứu biến đổi toàn cầu. Nhiệt độ bề mặt đất (LST) là một trong những tham số chính trong vật lý của các quá trình bề mặt trái đất từ quy mô địa phương đến toàn cầu. Tầm quan trọng của LST đang ngày càng được công nhận và có một sự quan tâm mạnh mẽ trong việc phát triển các phương pháp đo LST từ không gian. Cảm biến Hồng ngoại Nhiệt (TIRS) của Landsat 8 là cảm biến hồng ngoại nhiệt mới nhất của dự án Landsat, cung cấp hai dải nhiệt kế bên nhau, điều này có lợi lớn cho việc đảo ngược LST. Trong bài báo này, chúng tôi so sánh ba phương pháp khác nhau để đảo ngược LST từ TIRS, bao gồm phương pháp dựa trên phương trình truyền bức xạ, thuật toán cửa sổ kép và phương pháp kênh đơn. Bốn địa điểm giám sát cân bằng năng lượng từ Mạng lưới Ngân sách Bức xạ Bề mặt (SURFRAD) được sử dụng để thẩm định, kết hợp với sản phẩm độ phát xạ MODIS 8 ngày. Đối với các địa điểm và cảnh quan được điều tra, kết quả cho thấy rằng LST đảo ngược từ phương pháp dựa trên phương trình truyền bức xạ sử dụng dải 10 có độ chính xác cao nhất với RMSE thấp hơn 1 K, trong khi thuật toán SW có độ chính xác trung bình và phương pháp SC có độ chính xác thấp nhất.

Các đảo nhiệt đô thị bề mặt (SUHI), đại diện cho sự khác biệt về nhiệt độ bề mặt đất (LST) trong môi trường đô thị so với các bề mặt không đô thị lân cận, thường được đo bằng dữ liệu LST vệ tinh. Trong vài thập kỷ qua, sự phát triển của công nghệ cảm biến từ xa cùng với khoa học không gian đã tăng cường đáng kể số lượng và chất lượng các nghiên cứu về SUHI, hình thành nên một khối lượng tài liệu chính yếu về đảo nhiệt đô thị (UHI). Bài báo này cung cấp một cái nhìn tổng quan có hệ thống về các nghiên cứu SUHI dựa trên vệ tinh, từ nguồn gốc của chúng vào năm 1972 cho đến hiện nay. Chúng tôi nhận thấy xu hướng nghiên cứu SUHI đã gia tăng theo cấp số nhân từ năm 2005, với những ưu tiên rõ ràng về các khu vực địa lý, thời gian trong ngày, các mùa, trọng tâm nghiên cứu và các nền tảng/cảm biến. Khu vực và thời gian nghiên cứu thường được nghiên cứu nhất là Trung Quốc và thời gian ban ngày mùa hè, tương ứng. Gần hai phần ba các nghiên cứu tập trung vào sự biến đổi SUHI/LST ở quy mô cục bộ. Cảm biến vệ tinh Landsat Thematic Mapper (TM)/Enhanced Thematic Mapper (ETM+)/Thermal Infrared Sensor (TIRS) và Terra/Aqua Moderate Resolution Imaging Spectroradiometer (MODIS) là hai cảm biến vệ tinh thường được sử dụng và chiếm khoảng 78% tổng số công bố. Chúng tôi đã xem xét có hệ thống các vệ tinh/cảm biến chính, phương pháp, phát hiện chính và thách thức trong nghiên cứu SUHI. Các nghiên cứu trước đây khẳng định rằng sự biến động không gian lớn (từ quy mô cục bộ đến toàn cầu) và tạm thời (theo chu kỳ ngày đêm, theo mùa và giữa các năm) của SUHI được đóng góp bởi nhiều yếu tố như diện tích bề mặt không thấm nước, độ che phủ thực vật, cấu trúc cảnh quan, albedo và khí hậu. Tuy nhiên, việc áp dụng nghiên cứu SUHI chủ yếu bị cản trở bởi hàng loạt hạn chế về dữ liệu và phương pháp. Cuối cùng, chúng tôi đề xuất những hướng đi và cơ hội quan trọng cho các nỗ lực trong tương lai. Bên cạnh việc cải thiện chất lượng và số lượng dữ liệu LST, cần tập trung nhiều hơn vào các khu vực/thành phố chưa được nghiên cứu, các phương pháp để kiểm tra cường độ SUHI, sự biến đổi liên năm và các xu hướng lâu dài của SUHI, các vấn đề về tỷ lệ của SUHI, mối quan hệ giữa UHI bề mặt và UHI dưới bề mặt, và việc tích hợp cảm biến từ xa với các quan sát thực địa và mô hình số.

Các hệ sinh thái rừng ngập mặn chiếm ưu thế trong các vùng đất ngập nước ven biển của các khu vực nhiệt đới và cận nhiệt đới trên toàn thế giới. Chúng cung cấp nhiều dịch vụ hệ sinh thái sinh thái và kinh tế đóng góp vào việc bảo vệ chống xói mòn bờ biển, lọc nước, cung cấp khu vực cho việc sinh sản của cá và tôm, cung cấp nguyên liệu xây dựng và thành phần dược liệu, cũng như thu hút du khách, bên cạnh nhiều yếu tố khác. Đồng thời, rừng ngập mặn là một trong những hệ sinh thái bị đe dọa và dễ bị tổn thương nhất trên toàn cầu và đã trải qua sự suy giảm nghiêm trọng trong nửa thế kỷ qua. Các chương trình quốc tế, như Công ước Ramsar về Đất ngập nước hoặc Nghị định thư Kyoto, nhấn mạnh tầm quan trọng của các biện pháp bảo vệ khẩn cấp và các hoạt động bảo tồn để ngăn chặn sự mất mát tiếp theo của rừng ngập mặn. Trong bối cảnh này, giám sát từ xa là công cụ lựa chọn để cung cấp thông tin không gian-thời gian về sự phân bố của hệ sinh thái rừng ngập mặn, sự phân biệt loài, tình trạng sức khỏe và các thay đổi diễn ra trong quần thể rừng ngập mặn. Các nghiên cứu như vậy có thể được thực hiện dựa trên nhiều loại cảm biến, từ chụp ảnh hàng không đến hình ảnh quang học có độ phân giải cao và trung bình, từ dữ liệu siêu quang phổ đến dữ liệu radar sóng vi ba chủ động (SAR). Các kỹ thuật giám sát từ xa đã chứng minh tiềm năng cao trong việc phát hiện, xác định, lập bản đồ và theo dõi tình trạng và thay đổi của rừng ngập mặn trong hai thập kỷ qua, điều này được thể hiện qua số lượng lớn các bài báo khoa học được xuất bản về chủ đề này. Theo kiến thức của chúng tôi, chưa có một bài tổng quan gần đây về sự giám sát từ xa của rừng ngập mặn, mặc dù các hệ sinh thái rừng ngập mặn đã trở thành tâm điểm chú ý trong bối cảnh biến đổi khí hậu hiện nay và các cuộc thảo luận về các dịch vụ mà những hệ sinh thái này cung cấp. Hơn nữa, các nghiên cứu giám sát từ xa liên quan đến biến đổi khí hậu ở các khu vực ven biển đã tăng lên đáng kể trong những năm gần đây. Mục tiêu của bài tổng quan này là cung cấp cái nhìn tổng quát và tóm tắt có cơ sở về tất cả các công việc đã được thực hiện, đề cập đến sự đa dạng của dữ liệu được giám sát từ xa được áp dụng cho lập bản đồ hệ sinh thái rừng ngập mặn, cũng như nhiều phương pháp và kỹ thuật được sử dụng để phân tích dữ liệu, và thảo luận thêm về tiềm năng và những hạn chế của chúng.

Chúng tôi trình bày sự phát triển của một hệ thống Máy bay không người lái phát hiện ánh sáng và khoảng cách (UAV-LiDAR) với chi phí thấp và quy trình đi kèm để sản xuất mây điểm 3D. Hệ thống UAV cung cấp sự kết hợp vô song của các tập dữ liệu có độ phân giải tạm thời và không gian cao. Hệ thống UAV-LiDAR TerraLuma đã được phát triển nhằm tận dụng những đặc điểm này và đồng thời khắc phục một số giới hạn hiện tại của việc sử dụng công nghệ này trong ngành lâm nghiệp. Một quy trình chế biến được sửa đổi bao gồm một thuật toán xác định quỹ đạo mới kết hợp các quan sát từ bộ thu GPS, Đơn vị Đo lường Quán tính (IMU) và một camera video Độ phân giải Cao (HD) được trình bày. Những lợi thế của quy trình này được chứng minh bằng cách sử dụng một đánh giá nghiêm ngặt về độ chính xác không gian của các mây điểm cuối cùng. Đã chứng minh rằng do việc bao gồm video, độ chính xác theo chiều ngang của mây điểm cuối cùng cải thiện từ 0.61 m xuống 0.34 m (lỗi RMS được đánh giá so với điểm kiểm soát mặt đất). Ảnh hưởng của các mây điểm với mật độ rất cao (lên tới 62 điểm mỗi m2) do hệ thống UAV-LiDAR sản xuất trên việc đo lường vị trí cây, chiều cao và chiều rộng tán cũng được đánh giá bằng cách thực hiện các cuộc khảo sát lặp lại trên các cây đơn lẻ. Độ lệch chuẩn của chiều cao cây cho thấy giảm từ 0.26 m, khi sử dụng dữ liệu có mật độ 8 điểm mỗi m2, xuống còn 0.15 m khi sử dụng dữ liệu mật độ cao hơn. Cải tiến về độ không chắc chắn trong việc đo lường vị trí cây, từ 0.80 m xuống 0.53 m, và chiều rộng tán, từ 0.69 m xuống 0.61 m cũng được chỉ ra.

Cảm biến từ xa là một công cụ hữu ích để theo dõi những biến đổi không gian-thời gian của trạng thái hình thái và sinh lý của cây trồng, hỗ trợ cho các phương pháp trong nông nghiệp chính xác. So với hình ảnh đa phổ, hình ảnh siêu phổ là một kỹ thuật tiên tiến hơn, có khả năng thu được phản hồi quang phổ chi tiết của các tính năng mục tiêu. Do tính khả dụng hạn chế bên ngoài cộng đồng khoa học, hình ảnh siêu phổ vẫn chưa được sử dụng rộng rãi trong nông nghiệp chính xác. Trong những năm gần đây, đã có sự phát triển của các cảm biến siêu phổ hàng không nhỏ gọn và chi phí thấp (ví dụ: Headwall Micro-Hyperspec, Cubert UHD 185-Firefly), và các cảm biến siêu phổ không gian tiên tiến cũng đã được hoặc sẽ được ra mắt (ví dụ: PRISMA, DESIS, EnMAP, HyspIRI). Hình ảnh siêu phổ đang trở nên dễ tiếp cận hơn với các ứng dụng trong nông nghiệp. Trong khi đó, việc thu thập, xử lý và phân tích hình ảnh siêu phổ vẫn là một chủ đề nghiên cứu thách thức (ví dụ: khối lượng dữ liệu lớn, độ chiều cao dữ liệu cao và phân tích thông tin phức tạp). Do đó, việc tiến hành một đánh giá toàn diện và sâu sắc về công nghệ hình ảnh siêu phổ (ví dụ: các nền tảng và cảm biến khác nhau), phương pháp có sẵn để xử lý và phân tích thông tin siêu phổ, và những tiến bộ gần đây trong hình ảnh siêu phổ ứng dụng trong nông nghiệp là rất cần thiết. Các công trình trong 30 năm qua về công nghệ hình ảnh siêu phổ và ứng dụng trong nông nghiệp đã được xem xét. Các nền tảng hình ảnh và cảm biến, cùng với các phương pháp phân tích được sử dụng trong tài liệu, đã được thảo luận. Hiệu suất của hình ảnh siêu phổ cho các ứng dụng khác nhau (ví dụ: lập bản đồ các thuộc tính sinh lý học và hóa sinh của cây trồng, các đặc điểm đất, và phân loại cây trồng) cũng đã được đánh giá. Bài đánh giá này nhằm mục đích hỗ trợ các nhà nghiên cứu và thực hành nông nghiệp hiểu rõ hơn về những điểm mạnh và hạn chế của hình ảnh siêu phổ trong ứng dụng nông nghiệp, và thúc đẩy việc áp dụng công nghệ giá trị này. Các khuyến nghị cho các nghiên cứu hình ảnh siêu phổ trong tương lai cho nông nghiệp chính xác cũng được trình bày.

Dữ liệu ánh sáng ban đêm ghi lại ánh sáng nhân tạo trên bề mặt Trái Đất và có thể được sử dụng để ước lượng phân bố không gian của tổng sản phẩm quốc nội (GDP) và tiêu thụ điện năng (EPC). Vào đầu năm 2013, dữ liệu ánh sáng ban đêm toàn cầu NPP-VIIRS đầu tiên đã được nhóm Quan sát Trái Đất thuộc Trung tâm Dữ liệu Địa vật lý Quốc gia của Cục Khí quyển và Đại dương Quốc gia (NOAA/NGDC) phát hành. Là dữ liệu thế hệ mới, dữ liệu NPP-VIIRS có độ phân giải không gian cao hơn và phạm vi phát hiện bức xạ rộng hơn so với dữ liệu ánh sáng ban đêm DMSP-OLS truyền thống. Nghiên cứu này nhằm điều tra tiềm năng của dữ liệu NPP-VIIRS trong việc mô hình hóa GDP và EPC ở nhiều quy mô thông qua một nghiên cứu điển hình tại Trung Quốc. Một loạt quy trình tiền xử lý được đề xuất để giảm độ nhiễu nền của dữ liệu gốc và tạo ra hình ảnh ánh sáng ban đêm NPP-VIIRS được hiệu chỉnh. Sau đó, hồi quy tuyến tính được sử dụng để phù hợp với mối tương quan giữa tổng ánh sáng ban đêm (TNL) (được trích xuất từ dữ liệu NPP-VIIRS đã hiệu chỉnh và dữ liệu DMSP-OLS) và GDP cũng như EPC (mà được lấy từ dữ liệu thống kê của quốc gia) ở các cấp độ tỉnh và huyện của đại lục Trung Quốc. Kết quả hồi quy tuyến tính cho thấy giá trị R2 của TNL từ NPP-VIIRS với GDP và EPC ở nhiều quy mô đều cao hơn so với dữ liệu DMSP-OLS. Nghiên cứu này cho thấy dữ liệu NPP-VIIRS có thể là một công cụ mạnh mẽ trong việc mô hình hóa các chỉ số kinh tế - xã hội; chẳng hạn như GDP và EPC.

Bài viết này xem xét các thuật toán lọc mặt đất LiDAR được sử dụng trong quá trình tạo các Mô Hình Độ Cao Kỹ Thuật Số. Chúng tôi thảo luận về các vấn đề quan trọng trong việc phát triển và ứng dụng các thuật toán lọc mặt đất LiDAR, bao gồm các quy trình lọc cho các loại đặc trưng khác nhau, và tiêu chí chọn lựa địa điểm nghiên cứu, đánh giá độ chính xác và phân loại thuật toán. Đánh giá này nhấn mạnh ba loại đặc trưng mà các thuật toán lọc mặt đất hiện tại chưa đạt yêu cầu tối ưu, và có thể được cải thiện trong các nghiên cứu tương lai: các bề mặt có địa hình gồ ghề hoặc độ dốc không liên tục, các khu rừng dày mà tia laser không thể xuyên qua, và các vùng có thực vật thấp thường bị bỏ qua bởi các bộ lọc mặt đất.

Cảm biến từ xa không người lái (UAV) có tiềm năng lớn trong việc lập bản đồ thực vật ở các cảnh quan đô thị phức tạp nhờ vào hình ảnh phân giải cực cao được thu thập ở độ cao thấp. Do hạn chế về khả năng tải trọng, các máy ảnh kỹ thuật số sẵn có thường được sử dụng trên UAV cỡ vừa và nhỏ. Hạn chế về độ phân giải phổ thấp trong các máy ảnh kỹ thuật số để lập bản đồ thực vật có thể được giảm thiểu bằng cách kết hợp các đặc trưng kết cấu và các bộ phân loại mạnh mẽ. Rừng Ngẫu Nhiên đã được sử dụng rộng rãi trong các ứng dụng cảm biến từ xa vệ tinh, nhưng việc sử dụng nó trong phân loại hình ảnh UAV chưa được tài liệu ghi chép đầy đủ. Mục tiêu của bài báo này là đề xuất một phương pháp lai sử dụng Rừng Ngẫu Nhiên và phân tích kết cấu để phân biệt chính xác các lớp đất che phủ của các khu vực thực vật đô thị, và phân tích cách độ chính xác phân loại thay đổi với kích thước cửa sổ kết cấu. Sáu phép đo kết cấu bậc hai có tương quan thấp nhất đã được tính toán ở chín kích thước cửa sổ khác nhau và được thêm vào các hình ảnh RGB (Đỏ-Xanh lá-Xanh dương) gốc như dữ liệu bổ sung. Một bộ phân loại Rừng Ngẫu Nhiên bao gồm 200 cây quyết định đã được sử dụng để phân loại trong không gian tính năng phổ-kết cấu. Kết quả cho thấy như sau: (1) Rừng Ngẫu Nhiên vượt trội hơn bộ phân loại xác suất cực đại truyền thống và cho thấy hiệu suất tương tự như phân tích hình ảnh dựa trên đối tượng trong phân loại thực vật đô thị; (2) việc đưa vào các đặc trưng kết cấu đã cải thiện đáng kể độ chính xác phân loại; (3) độ chính xác phân loại có mối quan hệ hình chữ U đảo ngược với kích thước cửa sổ kết cấu. Các kết quả chứng minh rằng UAV cung cấp một nền tảng hiệu quả và lý tưởng cho việc lập bản đồ thực vật đô thị. Phương pháp lai được đề xuất trong bài báo này cho thấy hiệu suất tốt trong việc phân biệt bản đồ thực vật đô thị. Những nhược điểm của các máy ảnh kỹ thuật số sẵn có có thể được giảm thiểu bằng cách áp dụng Rừng Ngẫu Nhiên và phân tích kết cấu cùng một lúc.