Đặt vấn đề

Quy hoạch, kế hoạch sử dụng đất (SDĐ) là công cụ quan trọng trong quản lý nhà nước về đất đai và là cơ sở khoanh định quỹ đất phục vụ phát triển KT-XH. Tổ chức thực hiện giao đất, cho thuê đất và kiểm tra, giám sát việc quản lý, SDĐ theo đúng quy hoạch, kế hoạch được phê duyệt nhằm nâng cao hiệu quả khai thác, sử dụng nguồn lực từ đất, tạo hành lang pháp lý trong xây dựng và thực hiện kế hoạch SDĐ. Giám sát biến động trong quy hoạch, kế hoạch SDĐ nhằm giảm tiêu cực trong SDĐ đai, giảm khiếu nại, khiếu kiện và thực thi pháp luật trong quy hoạch, kế hoạch SDĐ cũng như trong thực hiện nghĩa vụ tài chính với Nhà nước và bảo vệ lợi ích của người SDĐ. Trên thế giới đã có nhiều nghiên cứu về giám sát quy hoạch SDĐ với các phương pháp và kỹ thuật thực hiện khác nhau như sử dụng công nghệ viễn thám với khả năng thu thập thông tin trên phạm vi rộng lớn ở nhiều thời điểm khác nhau, kết hợp với khả năng phân tích không gian trong GIS hoặc sử dụng các kỹ thuật học máy hay học sâu với các thuật toán linh hoạt trong khả năng nhận dạng đối tượng,… 

Trong thời gian gần đây, sự phát triển nhanh chóng của các thiết bị thu nhận dữ liệu đòi hỏi cần phải nghiên cứu và phát triển các phương pháp mới (bao gồm các thuật toán tiền xử lý, phân mảnh và phân loại) để chiết xuất thông tin một cách tự động cũng như nâng cao độ chính xác của kết quả phân loại và đưa ra nhiều thông tin có giá trị hơn nữa. Sự ra đời của trí tuệ nhân tạo (Artificial Intelligence - AI) diễn ra vào những năm 1950 dựa trên sự khẳng định rằng mọi khía cạnh của việc học hoặc bất kỳ đặc điểm nào khác của trí tuệ con người đều có thể được mô tả chính xác đến mức có thể tạo ra một cỗ máy để mô phỏng nó. Trí tuệ nhân tạo là lĩnh vực nghiên cứu nhằm phát triển các chương trình máy tính để giải quyết các vấn đề theo cách bắt chước trí tuệ của con người. Trong đó, phương pháp tiếp cận học máy (Machine Learning - ML) là một trong những phân nhánh lớn của AI đang ngày càng trở nên quan trọng trong việc phân tích dữ liệu viễn thám. Các phương pháp học máy (các thuật toán phân loại, phân mảnh hay các thuật toán tối ưu hóa) hỗ trợ tự động hóa quá trình phân tích ảnh đã tạo tiền đề cho việc nâng cao độ chính xác trong theo dõi diễn biến sự thay đổi trên bề mặt Trái đất. Các phương pháp này thể hiện tính hiệu quả trong việc xử lý các dữ liệu có độ phân giải cao bao gồm: Ảnh viễn thám, ảnh hàng không và dữ liệu từ thiết bị bay không người lái.

Mục đích của nghiên cứu là đưa ra giải pháp mang tính đồng bộ theo thời gian của việc kết hợp công nghệ viễn thám và AI trong giám sát quy hoạch SDĐ trên diện rộng, đảm bảo tính thời sự, đồng thời tiết kiệm thời gian và kinh phí. Nghiên cứu thực nghiệm tại tỉnh Nam Định, đây là tỉnh ven biển phía Nam châu thổ sông Hồng. Nơi đây có các loại đất đa dạng hơn so với các khu vực miền núi và là một trong các khu vực đáp ứng được điều kiện về sự đa dạng của các loại đất khá phù hợp cho việc giám sát SDĐ.

Vật liệu và phương pháp nghiên cứu

Vật liệu nghiên cứu

Vật liệu chính bao gồm ảnh Sentinel 2 chụp khu vực tỉnh Nam Định năm 2024. Nguồn ảnh này được được cung cấp miễn phí từ cổng thông tin của hệ thống Cơ quan môi trường Châu Âu (https://browser.dataspace.copernicus.eu).

Bảng 1. Thông tin dữ liệu ảnh viễn thám 

Phương pháp nghiên cứu

Cơ sở khoa học ứng dụng AI và ảnh viễn thám đa thời gian trong giám sát quy hoạch SDĐ

Căn cứ các quy định pháp lý, việc giám sát quy hoạch SDĐ trong nghiên cứu dựa vào 7 loại SDĐ, gồm: Đất trồng lúa; đất trồng cây hàng năm khác; đất trồng cây lâu năm; đất nuôi trồng thủy sản (mặt nước); đất làm muối; đất rừng; đất khác (các loại đất phi nông nghiệp).

Việc sử dụng ảnh viễn thám quang học độ phân giải cao và trung bình trong giám sát quy hoạch SDĐ đã được triển khai, rất hữu ích và đạt được các kết quả nhất định. Tuy nhiên, các ảnh quang học này thường có chi phí khá lớn, trong khi nguồn dữ liệu ảnh Sentinel 2 được được cung cấp miễn phí từ cổng thông tin của hệ thống Cơ quan môi trường châu Âu rất phù hợp cho việc giám sát đất đai trên diện rộng với tỷ lệ bản đồ hiện trạng SDĐ được thành lập 1:50.000. Ảnh Sentinel 2 có tổng cộng 13 dải quang phổ, chiều rộng dải quét 290 km và chu kỳ chụp lặp 5 ngày. 

Hiện nay, có nhiều phương pháp phân loại ảnh viễn thám được sử dụng. Không có phương pháp nào được khẳng định là tối ưu cho tất cả các loại ảnh viễn thám cũng như mục đích phân loại ảnh viễn thám. Nghiên cứu sử dụng AI tận dụng khả năng của chương trình máy tính trong sử dụng kinh nghiệm, quan sát hoặc dữ liệu trong quá khứ để cải thiện công việc trong tương lai thay vì chỉ thực hiện theo đúng các quy tắc đã được lập trình sẵn. Do đó, càng ngày độ chính xác kết quả phân loại càng được cải thiện với sự trợ giúp của người dùng tại khu vực giám sát quy hoạch SDĐ cả về diện tích và phân bố không gian của các đối tượng SDĐ. Như vậy, việc khai thác khối lượng lớn dữ liệu viễn thám đa thời gian kết hợp với AI chiết xuất thông tin biến động về SDĐ trên diện rộng phục vụ giám sát quy hoạch SDĐ đảm bảo tính thời sự và thông tin kịp thời để phát hiện các dấu hiệu sai phạm trong thực hiện kế hoạch SDĐ. Đây là được xem là phương pháp hiệu quả hỗ trợ công tác kiểm tra, giám sát quy hoạch SDĐ và công tác quản lý đất đai cho địa phương.

Nghiên cứu này sử dụng phần mềm được xây dựng từ Đề tài: “Nghiên cứu ứng dụng trí tuệ nhân tạo và viễn thám phục vụ giám sát thực hiện quy hoạch SDĐ”, Mã số: TNMT.2023.04.05 do Bộ TN&MT cấp kinh phí để thử nghiệm và phân loại tự động 7 loại SDĐ bao gồm: Lúa, cây hàng năm, cây lâu năm, mặt nước và nuôi trồng thủy sản, đất làm muối, đất rừng và đất phi nông nghiệp khu vực tỉnh Nam Định.

Hình 1. Giao diện phần mềm chiết xuất thông tin SDĐ từ ảnh viễn thám

Các phương pháp được sử dụng trong nghiên cứu bao gồm:

Phương pháp xử lý ảnh viễn thám: Ảnh Sentinel 2 được phân loại theo các thuật thuật toán rừng ngẫu nhiên (RF) và eXtreme Gradient Boosting (XGBoost). Đối tượng phân loại được xác định dựa theo bộ khóa giải đoán của 6 loại đất nông nghiệp chính (tổng hợp từ phân loại đất đai theo Luật Đất đai 2024) và đất phi nông nghiệp. 

Phương pháp đánh giá độ chính xác: Được đánh giá thông qua chỉ số Kappa (John R Jensen, 1995).

Phương pháp thu thập mẫu giải đoán: Các mẫu thực địa (groundtruth) được thu thập trên địa bàn nghiên cứu thông qua phương pháp khảo sát thực tế. Điểm thu mẫu được chọn theo phương pháp ngẫu nhiên phân nhóm trên nền ảnh viễn thám có độ phân giải cao CNES image (MapsGoogle). 

Quy trình ứng dụng AI và ảnh viễn thám đa thời gian trong giám sát quy hoạch SDĐ 

Các bước của quy trình:

Bước 1: Xác định thời kỳ giám sát để thu thập dữ liệu ảnh viễn thám, bản đồ quy hoạch SDĐ và các dữ liệu, số liệu có liên quan;

Bước 2: Xác định các lớp SDĐ cần giám sát;

Bước 3: Xử lý ảnh viễn thám;

Bước 4: Phân loại ảnh viễn thám: ứng dụng các thuật toán học máy. Đánh giá độ chính xác kết quả phân loại thông qua chỉ số Kappa (John R Jensen, 1995);

Bước 5: Khảo sát ngoại nghiệp bổ sung thông tin;

Bước 6: Chiết tách thông tin các lớp cần giám sát để xây dựng cơ sở dữ liệu. Thực hiện so sánh với quy hoạch SDĐ đã có để phát hiện những thay đổi so với quy hoạch SDĐ;

Bước 7: Xây dựng Bản đồ giám sát quy hoạch SDĐ và báo cáo giám sát.

Hình 2. Sơ đồ quy trình ứng dụng AI và ảnh viễn thám đa thời gian giám sát quy hoạch SDĐ 

Thực nghiệm và kết quả giám sát quy hoạch SDĐ tỉnh Nam Định

Để phân loại ảnh viễn thám và đánh giá độ chính xác chúng tôi lựa chọn tỷ lệ phân chia như sau: Mẫu huấn luyện (training data set) là 80% và mẫu đánh giá độ chính xác (test data set) là 20%. Sau đó, xây dựng ma trận đánh giá độ chính xác theo ba tiêu chí là: Sai số bỏ sót (UA); sai số nhầm lẫn (PA); độ chính xác tổng thể (OA) hay độ chính xác toàn cục.

Hình 3. Khu vực thử nghiệm tỉnh Nam Định (màu trắng: Tập dữ liệu đánh giá độ chính xác, màu đen: Tập dữ liệu huấn luyện mô hình)

Bảng 2. So sánh độ chính xác các kết quả phân loại

Bảng 2 thể hiện chi tiết độ chính xác của các kết quả phân loại theo các thuật toán lựa chọn. 

Độ chính xác tổng thể (OA) của phương pháp XGGboost đạt 84,28% với Kappa là 0,73 và RF có OA là 75,0%, Kappa đạt 0,65.

Mặt nước và nuôi trồng thủy sản cho độ chính xác cao ở tất cả các thuật toán sử dụng. Tuy nhiên, đối với các loại hiện trạng SDĐ có diện tích nhỏ cũng như không có dấu hiện nhận biết rõ ràng trên ảnh viễn thám như đất làm muối và đất trồng cây hàng năm thì sai số phân loại rất lớn. Đất rừng cũng có độ chính xác cao khi sử dụng thuật toán XGBoost (độ chính xác nhà sản xuất 91,5%). Đất phi nông nghiệp cũng có độ chính xác cao khi sử dụng 2 thuật toán học máy. Quy hoạch SDĐ tỉnh Nam Định đến năm 2030 chủ yếu là sự chuyển đổi từ đất nông nghiệp sang đất phi nông nghiệp. Do đó, sai số đối với các loại đất nông nghiệp có diện tích nhỏ, manh mún là không đáng kể và ảnh hưởng nhiều đến mục tiêu giám giám sát thực hiện quy hoạch SDĐ cấp tỉnh của nghiên cứu.

Dựa trên kết quả đánh giá độ chính xác, thuật toán XGBoost được sử dụng để phân loại ảnh viễn thám thành lập bản đồ hiện trạng SDĐ năm 2024.

Kết quả phân tích biến động

Bằng việc chồng xếp dữ liệu phân loại ảnh viễn thám 2024 và bản đồ hiện trạng SDĐ năm 2020 có thể thấy rõ các khu vực có sự biến động SDĐ. Dữ liệu biến động cho thấy rằng phần lớn các khu biến động xuất hiện mới không nằm trong quy hoạch SDĐ năm 2024. Biến động lớn nhất là biến động từ đất trồng lúa sang đất khác (đất khu công nghiệp) và đất trồng lúa sang đất nuôi trồng thủy sản.

Bảng 3. Biến động diện tích lớp phủ giai đoạn 2020-2024 (đơn vị: ha)

Hình 4. Bản đồ giám sát thực hiện quy hoạch SDĐ tỉnh Nam Định năm 2024

Kết luận

Qua phân tích thấy rằng trong giai đoạn 2020 - 2024, biến động SDĐ diễn ra trên địa bàn toàn tỉnh Nam Định do xây dựng thêm các khu công nghiệp, nhà máy, xây dựng một số tuyến đường mới và chuyển đổi mục đích SDĐ từ đất trồng lúa sang đất trồng cây hàng năm và nuôi trồng thủy sản, đây là các biến động chính của khu vực nghiên cứu. 

Từ kết quả giám sát quy hoạch SDĐ có thể thấy phần lớn các biến động SDĐ chưa đúng với quy hoạch SDĐ năm 2030. Biến động SDĐ khu vực nghiên cứu đang diễn ra với tốc độ khá nhanh, do đó quá trình giám sát thường xuyên hơn để đưa ra các báo cáo giám sát SDĐ kịp thời, đảm bảo tính thời sự.

Bảng 4. Một số khu vực biến động đáng chú ý tỉnh Nam Định năm 2024

Lời cảm ơn

Nghiên cứu này được hỗ trợ bởi Đề tài: “Nghiên cứu ứng dụng trí tuệ nhân tạo và viễn thám phục vụ giám sát thực hiện quy hoạch sử dụng đất” Mã số: TNMT.2023.04.05 do Bộ TN&MT cấp kinh phí.

Tài liệu tham khảo

1.    Jensen John R(1995), “Introductory Digital Image Processing-A remote sensing perspective”, Prentice Hall, New Jersey;

2.    Võ Ngọc Hải (2023), “Ứng dụng thuật toán học máy theo dõi lớp phủ mặt nước phục vụ đào tạo, nghiên cứu trong lĩnh vực quản lý đất đai”, Equipment with new general education program, Volume 1, Issue 304 (January 2024), ISSN 1859 – 0810. www.tapchithietbigiaoduc.vn;

3.    Nguyễn Thị Ánh Ngọc, Trần Đăng Hùng, Lê Phương Hà (2021), “Ứng dụng phương pháp học máy – cây quyết định trong đánh giá biến động rừng ngập mặn khu vực xã đất mũi”, Tạp chí Khoa học Biến đổi khí hậu, Số 20 - Tháng 12/2021;

4.    Li, F., Li, M. (2003), “Remote Sensing Image Auto Classify Study Based on Combination of Artificial Neural Networks and Decision Tree”, Remote Sensing Information 3, 3-25;

5.    Nông Thị Oanh và Phùng Minh Tám (2015), “Khả năng ứng dụng phân loại bề mặt lớp phủ bằng thuật toán Support Vector Machine”, Tạp chí KH&CN Lâm nghiệp số 1-2015;

6.    Phạm Minh Hải & Vũ Kỳ Long (2019), “Nghiên cứu ứng dụng phương pháp học máy (machine learning) trong phân loại rừng ngập mặn trên ảnh viễn thám spot6 với khu vực thử nghiệm tại tỉnh Cà Mau”, Tạp chí Khoa học và Bản đồ.

NGUYỄN THỊ PHƯƠNG HOA¹, NGUYỄN THỊ THANH BÌNH¹, 
NGUYỄN DƯƠNG ANH¹, NGUYỄN MINH NGỌC²
1Cục Viễn thám quốc gia, Bộ Tài nguyên và Môi trường
2Viện Công nghệ vũ trụ, Viện Hàn lâm Khoa học và Công nghệ Việt Nam
Nguồn: Tạp chí Tài nguyên và Môi trường số 23 (Kỳ 1 tháng 12) năm 2024