AI, cụ thể là các mô hình học máy, phân tích ảnh vệ tinh bằng cách học từ những mẫu đã được con người gán nhãn rồi tự gán nhãn cho hàng triệu điểm ảnh còn lại: điểm nào là rừng, ruộng, nước, nhà cửa, và điểm nào đã đổi khác so với lần chụp trước. Việc mà trước đây một nhóm người số hoá bằng tay trong nhiều tháng, nay máy làm cho cả một vùng rộng trong thời gian ngắn hơn nhiều.
Nhưng kết quả của máy chỉ tốt bằng dữ liệu huấn luyện và cách kiểm tra. Bài này đi qua ba bài toán phổ biến nhất mà AI giải trên ảnh vệ tinh: phân loại lớp phủ, phát hiện thay đổi và nhận dạng đối tượng; ứng dụng vào rừng, lũ và đô thị; những kiểu sai thường gặp; và cách một học sinh hay giáo viên đọc một bản đồ do AI tạo ra mà không bị dắt mũi.
Ba bài toán AI giải trên ảnh vệ tinh
Phân loại lớp phủ mặt đất là gán mỗi điểm ảnh vào một lớp như rừng, cây lâu năm, lúa, mặt nước, đất xây dựng, đất trống. Phương pháp truyền thống dựa vào giá trị phổ của từng điểm ảnh; các mô hình học sâu hiện nay nhìn thêm hình dạng và kết cấu của vùng xung quanh, nên phân biệt tốt hơn những lớp có màu gần giống nhau như vườn cây ăn quả và rừng trồng.
Phát hiện thay đổi so sánh ảnh của cùng một vùng ở hai hoặc nhiều thời điểm để tìm chỗ đã khác đi: rừng bị chặt, ruộng thành khu dân cư, bờ sông bị lở, bãi bồi mới hình thành. Cách đơn giản là phân loại từng ảnh rồi so hai bản đồ; cách hiện đại hơn đưa cả chuỗi ảnh vào mô hình để nó học sự thay đổi trực tiếp, ít bị nhiễu bởi mùa vụ.
Nhận dạng đối tượng tìm và khoanh từng vật thể riêng lẻ như ngôi nhà, bể chứa, tàu thuyền, ao nuôi trồng thuỷ sản. Bài toán này thường cần ảnh có độ phân giải không gian cao, vì một ngôi nhà nhỏ hơn một điểm ảnh 10 m thì máy không thể "thấy" nó dù thông minh đến đâu.
Ba bài toán dùng chung một nguyên tắc: mô hình học từ ví dụ. Nếu ví dụ huấn luyện chủ yếu lấy ở vùng ôn đới, ở đô thị nước ngoài hay ở mùa khô, mô hình sẽ kém khi gặp đồng bằng nhiệt đới mùa mưa. Đây là gốc rễ của phần lớn sai số mà bạn sẽ gặp ở các phần sau.
Ba ứng dụng gần gũi ở Việt Nam và điều cần biết về từng ứng dụng
Các mô tả dưới đây là dạng ứng dụng chung đang được nhiều nhóm nghiên cứu và cơ quan quản lý trên thế giới sử dụng, không mô tả một dự án cụ thể nào.
| Ứng dụng | AI làm gì | Dữ liệu thường dùng | Điểm cần kiểm |
|---|---|---|---|
| Theo dõi rừng | Phát hiện vùng rừng bị mất hoặc suy giảm giữa hai lần chụp, gửi cảnh báo để kiểm tra thực địa | Ảnh quang học theo chuỗi thời gian, có khi kết hợp radar | Nhầm khai thác rừng trồng đúng kỳ với phá rừng; mây và bóng núi gây cảnh báo giả |
| Lập bản đồ vùng ngập | Khoanh mặt nước trong và sau lũ, so với mặt nước bình thường để ra phạm vi ngập | Ảnh radar vì mùa lũ thường nhiều mây, thêm ảnh quang học khi trời quang | Ruộng lúa đang ngập nước theo mùa vụ dễ bị tính nhầm là ngập lũ; nước dưới tán cây khó thấy |
| Theo dõi đô thị mở rộng | Phân loại đất xây dựng qua nhiều năm để thấy đô thị lan ra hướng nào | Chuỗi ảnh nhiều năm, có khi thêm ảnh ánh đèn ban đêm | Mái nhà kính nông nghiệp, bãi cát có thể bị nhầm là đất xây dựng |
Điểm chung ở cột cuối: sai số không ngẫu nhiên mà có quy luật theo đặc điểm địa phương. Người hiểu địa lý vùng đó nhận ra sai số nhanh hơn bất kỳ phép đo độ chính xác tổng thể nào. Đây là lý do kiến thức địa lý vẫn cần thiết dù máy làm phần lớn việc tính toán.
Dữ liệu huấn luyện: phần việc ít người nhìn thấy
Trước khi máy học được, ai đó phải chỉ cho nó thế nào là rừng, thế nào là ruộng. Người ta chọn hàng trăm đến hàng nghìn vùng mẫu trên ảnh, gán nhãn từng vùng dựa vào khảo sát thực địa, ảnh độ phân giải cao hơn hoặc hiểu biết địa phương. Công đoạn này tốn nhiều thời gian nhất và quyết định chất lượng của cả bản đồ.
Mẫu tốt phải đại diện cho sự đa dạng thật: rừng trên núi đá vôi lẫn rừng trên đất đỏ bazan, lúa mùa khô lẫn lúa mùa mưa, khu dân cư mái ngói lẫn mái tôn. Nếu chỉ lấy mẫu ở chỗ dễ thấy, mô hình sẽ giỏi ở chỗ dễ và kém ở chỗ khó, mà chỗ khó thường lại là chỗ người ta quan tâm. Với học sinh làm dự án, bài học rút ra rất cụ thể: mẫu lấy ở đâu, bao nhiêu, gán nhãn dựa vào gì, phải ghi vào báo cáo.
Những kiểu sai thường gặp ở bản đồ do AI tạo từ ảnh vệ tinh
Nhầm theo mùa. Ruộng sau thu hoạch giống đất trống, ruộng đang cấy ngập nước giống ao hồ. Nếu so ảnh hai năm ở hai mùa khác nhau, máy sẽ báo thay đổi lớn ở nơi thật ra không có gì thay đổi.
Mây, bóng mây và khói. Bóng mây trên rừng có thể bị đọc thành vùng rừng mất; mây mỏng làm giá trị phổ lệch. Các quy trình tốt luôn có bước che mây, nhưng không bao giờ hoàn hảo.
Bóng địa hình. Ở vùng núi phía Bắc và Tây Nguyên, sườn khuất nắng tối hơn hẳn sườn đón nắng, cùng một khu rừng có thể bị chia thành hai lớp khác nhau.
Đối tượng nhỏ hơn điểm ảnh. Đường làng hẹp, nhà riêng lẻ, kênh nhỏ bị gộp vào điểm ảnh xung quanh. Bản đồ đô thị từ ảnh 10 m sẽ bỏ sót phần lớn nhà ở rải rác vùng nông thôn.
Độ chính xác tổng thể che sai số cục bộ. Một bản đồ báo chính xác 90% có thể vẫn sai rất nhiều ở lớp hiếm như rừng ngập mặn, vì lớp phổ biến như lúa chiếm phần lớn diện tích và kéo con số trung bình lên. Hãy hỏi độ chính xác của từng lớp, không chỉ con số tổng.
Đọc và kiểm một bản đồ do AI tạo ra
Khi gặp một bản đồ lớp phủ hay bản đồ thay đổi được giới thiệu là "do AI phân tích", trong bài báo, báo cáo hay bài thuyết trình của bạn bè, hãy đi qua các câu hỏi sau:
- Ảnh đầu vào chụp khi nào, mùa nào, từ vệ tinh nào, độ phân giải bao nhiêu? Không có thông tin này thì không đánh giá được.
- Có bao nhiêu lớp và định nghĩa từng lớp là gì? "Rừng" theo định nghĩa của nhóm làm bản đồ có gồm rừng trồng, cây ăn quả lâu năm không?
- Độ chính xác được kiểm bằng cách nào, bằng bao nhiêu điểm kiểm tra, các điểm đó có độc lập với dữ liệu huấn luyện không? Có số liệu riêng cho từng lớp không?
- Chọn vài chỗ bạn biết rõ, như quê mình hay khu quanh trường, phóng to và so với ảnh màu thật cùng thời điểm. Nếu sai ở nơi bạn biết, nhiều khả năng cũng sai ở nơi bạn không biết.
- Kết luận có vượt quá dữ liệu không? Bản đồ thay đổi cho thấy rừng giảm, nhưng không tự nói nguyên nhân là gì; nguyên nhân cần điều tra thực địa và tài liệu khác.
Áp dụng đúng các câu hỏi này, bạn sẽ thấy nhiều bản đồ trông rất thuyết phục nhưng thiếu thông tin để tin. Đó không có nghĩa bản đồ sai, chỉ có nghĩa bạn chưa nên dùng nó làm căn cứ.
Dùng chatbot hỗ trợ dự án ảnh vệ tinh của học sinh
Các chatbot hiện nay không tự tải và xử lý ảnh vệ tinh thay bạn, nhưng giúp được nhiều ở khâu lên kế hoạch và hiểu phương pháp. Câu lệnh mẫu:
- "Em muốn so sánh diện tích mặt nước một hồ chứa ở mùa khô và mùa mưa bằng ảnh vệ tinh miễn phí. Gợi ý các bước, nên chọn tháng nào và cần chú ý gì về mây."
- "Giải thích cho học sinh lớp 11 vì sao ảnh radar phát hiện được vùng ngập khi trời nhiều mây, không dùng công thức."
- "Em có bản đồ phân loại năm lớp. Hướng dẫn em cách chọn điểm kiểm tra ngẫu nhiên và tính độ chính xác từng lớp bằng bảng tính."
- "Đọc phần phương pháp em viết cho dự án và chỉ ra chỗ nào còn thiếu thông tin để người khác làm lại được."
Chatbot có thể đưa sai tên kênh phổ, sai số ngày chụp lại hay sai cách truy cập dữ liệu của một vệ tinh cụ thể, vì các thông tin này thay đổi. Luôn đối chiếu với tài liệu chính thức của chương trình dữ liệu. Nếu dự án dùng ảnh có độ phân giải cao ở khu dân cư, đừng tải lên chatbot ảnh thể hiện rõ nhà riêng của người khác.
Vì sao con người vẫn cần đứng trong vòng lặp
Nhìn từ xa, phân tích ảnh vệ tinh bằng AI có vẻ là việc của máy hoàn toàn: ảnh vào, bản đồ ra. Thực tế, mỗi bước quan trọng đều có quyết định của con người. Người chọn lớp phân loại nào cần cho câu hỏi, chọn mùa và năm ảnh, gán nhãn mẫu huấn luyện, chọn điểm kiểm tra, và cuối cùng giải thích kết quả trong bối cảnh địa phương.
Đặc biệt với các bản đồ dùng để ra quyết định, như cảnh báo mất rừng hay phạm vi ngập để hỗ trợ người dân, kết quả từ máy là tín hiệu để kiểm tra, không phải kết luận cuối cùng. Một cảnh báo phá rừng giả đưa người kiểm tra đến nhầm chỗ tốn thời gian; một vùng ngập bị bỏ sót có thể khiến người cần hỗ trợ không được tính đến.
Với học sinh, đây là lý do kiến thức địa lý càng có giá trị khi AI phát triển. Biết đồng bằng sông Hồng có mấy vụ lúa, đồng bằng sông Cửu Long có mùa nước nổi vào tháng nào, Tây Nguyên trồng cây lâu năm gì, bạn sẽ nhận ra máy đang sai ở đâu và hỏi đúng câu hỏi tiếp theo.
Câu hỏi thường gặp
AI có thay được người làm viễn thám không?
AI làm nhanh các bước lặp lại như phân loại và khoanh đối tượng. Phần chọn câu hỏi, chuẩn bị dữ liệu huấn luyện, kiểm tra độ chính xác và giải thích kết quả vẫn cần người hiểu cả kỹ thuật lẫn địa lý vùng đó. Công việc thay đổi, không biến mất.
Vì sao bản đồ ngập lũ hay dùng ảnh radar?
Vì trong và ngay sau mưa lũ, bầu trời thường phủ mây, ảnh quang học không nhìn thấy mặt đất. Sóng radar xuyên qua mây, mặt nước phẳng dội sóng ra xa nên hiện rất tối, dễ tách khỏi đất liền xung quanh.
Độ chính xác 90% có phải là tốt?
Phụ thuộc vào lớp nào và dùng để làm gì. Con số tổng có thể cao trong khi lớp hiếm nhưng quan trọng như rừng ngập mặn lại sai nhiều. Hãy xem độ chính xác từng lớp và cách chọn điểm kiểm tra trước khi đánh giá.
Học sinh có tự làm phân loại ảnh vệ tinh được không?
Được ở mức đơn giản, với ảnh miễn phí và phần mềm GIS mã nguồn mở hoặc nền tảng xử lý trực tuyến có công cụ phân loại. Nên bắt đầu với ba bốn lớp dễ phân biệt như nước, thực vật, đất xây dựng ở một vùng nhỏ mà bạn biết rõ.
AI có phát hiện được cháy rừng không?
Có hệ thống dùng kênh hồng ngoại nhiệt của vệ tinh để phát hiện điểm nóng gần như theo thời gian thực, và dùng ảnh sau cháy để khoanh vùng bị cháy. Điểm nóng có thể là cháy rừng, đốt đồng hay lò công nghiệp, nên vẫn cần xác minh.
Có nên tin bản đồ thay đổi rừng lan truyền trên mạng xã hội không?
Nên thận trọng. Kiểm xem bản đồ có ghi nguồn ảnh, thời điểm, định nghĩa rừng và phương pháp không. Thiếu những thông tin đó, bản đồ có thể đúng, có thể sai, và bạn không có cách nào biết.