Lời ban biên tập: Đây là phần 2 của chuỗi blog (đọc blog số 1) thảo luận về ứng dụng điện toán đám mây và trí tuệ nhân tạo để khai thác thông tin từ ảnh viễn thám đặt trọng tâm vào người dùng cuối nhằm tăng cường quản lý hạ tầng, đất đai và các nguồn tài nguyên thiên nhiên. Các nền tảng công nghệ hỗ trợ ra quyết định trong quản trị công này ngày càng mang đến các giải pháp đơn giản hơn, giảm đáng kể độ phức tạp cho người dùng và chi phí.
Phân tích ảnh vệ tinh phục vụ con người
Từ trước đến nay các nhà quản lý địa phương tại cả các nước phát triển và đang phát triển đều không thể sử dụng AI để phân loại thông tin theo ý muốn. Để sử dụng công nghệ AI cần các phương pháp chiết xuất chuyên biệt và phần cứng đi kèm, và do còn nhiều rào cản trong lĩnh vực này nên nó ít được biết đến và sử dụng rộng rãi ngay cả khi ảnh vệ tinh được cung cấp miễn phí.
Để vượt qua rào cản này Microsoft đã phát triển chương trình AI for Earth (Trí tuệ nhân tạo vì trái đất)—một chương trình trị giá 50 triệu USD kéo dài 5 năm để đưa công nghệ AI tới những người có mục tiêu chung là bảo vệ trái đất—và hợp tác cùng Ngân hàng Thế giới xây dựng một nền tảng hướng tới người dùng để bất kỳ ai ở bất kỳ nơi nào đều có thể truy cập và sử dụng thuật toán AI. Nền tảng này cho phép người dùng huấn luyện thuật toán học chuyên sâu và kết hợp sử dụng ảnh miễn phí hoặc/và có phí để thực hiện các công việc lập bản đồ độ bao phủ đất. Ngoài các phân loại chuẩn như diện tích cây xanh, diện tích có công trình xây dựng, diện tích mặt nước ra, người dùng có thể tùy ý chắt lọc ảnh theo phân loại của riêng mình, ví dụ theo dõi các diện tích mặt bằng mới giải phóng và phân biệt chúng với diện tích bãi đỗ xe sẵn có. Sau khi người dùng cung cấp một số “nhãn kiểm chứng thực địa”, thuật toán có thể được huấn luyện để phân loại toàn vùng.
Người dùng có thể tương tác với phần mềm AI để sửa lỗi cho tới khi đạt kết quả mong muốn. Đây là phương pháp con người tham gia xử lý (human-in-the-loop) và đã được mô tả trong tài liệu mang tên AAAI 2020. Dữ liệu mặt đất sau khi được xử lý xong có thể được trình bày theo nhiều định dạng khác nhau: Powerpoint, cổng thông tin địa không gian, hay các phân tích trong các phần mềm hệ thống thông tin địa lý (geographic information system, GIS) nguồn mở, ví dụ QGIS. Bằng cách phân loại các hình bề mặt mặt đất chụp vào từng thời điểm khác nhau, ta sẽ thấy một cách định lượng những nơi có biến đổi mục đích sử dụng đất.
Ảnh màn hình phía dưới là kết quả bản đồ mặt đất do phần mềm AI for Earth Land thực hiện tại khu vực quận Nhà Bè, thành phố Hồ Chí Minh. Quận Nhà Bè có diện tích khoảng 100 km2 và là một trong những quận có tốc độ phát triển nhanh nhất. Địa hình quận thấp nên dễ bị rủi ro khi có mưa lớn hay triều cường. Chúng tôi cho chạy phần mềm miễn phí và sử dụng ảnh miễn phí và mất phí cho các năm 2017 và 2019. Qua đây có thể thấy sự thay đổi trên mục đích sử dụng đất giữa hai năm.
Các học giả có thể còn tranh cãi về các phương pháp cải tiến nâng cao thêm độ chính xác nhưng phải công nhận một điều là nhờ phương pháp này lần đầu tiên các nhà quản lý tại địa phương đã có cảm nhận rõ nét công dụng của AI xử lý ảnh không gian trong thực tiễn.
Trang đích phần mềm lập bản đồ AI for Earth
Giao diện ứng dụng thể hiện ảnh vệ tinh Pleadies độ phân giải 0,5m năm 2019 Quận Nhà Bè, Tp. Hồ Chí Minh. Người dùng có thể chạy phần mềm AI, nhập dữ liệu nhãn bằng cách nhắp chuột lên bản đồ và tải về kết quả và số liệu thống kê tóm tắt của toàn bộ khu vực.
Ứng dụng trên thực tế
Hiện nay người ta nói khá nhiều về công nghệ đột phá nhưng trên thực tế kết nối người dùng tại chỗ với các trường hợp sử dụng trên thế giới không hề đơn giản. Giải pháp tốt nhất cho thách thức này là lôi kéo sự tham gia ứng dụng công nghệ mới theo cách tiếp cập từ dưới lên. Mặc dù các chuyên gia có thể tư vấn chính quyền đại phương về các công nghệ mới, nhưng những thay đổi thật sự chỉ đến khi người dân địa phương trực tiếp sử dụng và tận dụng công nghệ.
Người dùng tại Việt Nam và Myanmar đã thử nghiệm phần mềm tại địa phương. Tại một Hội nghị AI gần đây tại thành phố Hồ Chí Minh và thông qua sự tham gia của các bên liên quan chúng tôi đã điểm lại quá trình ứng dụng từ trước tới nay và hướng phát triển sắp tới như sau:
Đơn giản hóa tối đa quy trình làm việc: Các công việc liên quan AI và GIS rất phức tạp. Ví dụ, các công cụ như ArcGIS hay Google Earth là những công cụ cực kỳ mạnh về trừu tượng hóa dữ liệu địa không gian do đó đòi hỏi người dùng phải được đào tạo rất kỹ lưỡng. Các công cụ này sẽ không hiệu quả lắm nếu chúng được sử dụng bởi người dùng hay cho các quy trình xử lý tại chỗ. Khi người dùng tại chỗ tham gia, mức độ phức tạp sẽ tăng lên. Do vậy, bước đầu tiên ở đây là làm rõ cho người dùng biết rằng họ chính là đầu bếp và sử dụng các gia vị như ảnh không gian, nhãn và thuật toán để nấu món mình cần.
Giá trị sẽ thể hiện trong các trường hợp sử dụng tại địa phương: Hầu như trong bất kỳ trường hợp nào các thông tin cơ bản về phân loại về sử dụng đất cũng có ích. Nhưng hiệu quả thực sự chỉ khi gắn trường hợp sử dụng với mục đích cụ thể tại địa phương, ví dụ phát hiện các khoảng đất mới được giải phóng mặt bằng trong khu vực bảo tồn hoặc đã quy hoạch. Muốn vậy cần phải lôi kéo sự tham gia và phát hiện vấn đề tại địa phương, quá trình này lại dựa trên sự phát huy vai trò ngày càng tăng của người dùng đối với công cụ họ có thể làm chủ. Đây là điểm đầu tiên để đánh giá xem ảnh không gian và thuật toán có phù hợp với mục đích sử dụng hay không và đây là quan trọng cho bất kỳ sáng kiến tiếp theo.
Từ ảnh miễn phí tới có thu phí: Ngoài kho ảnh miễn phí từ vệ tinh Landsat của NASA, thư viện ảnh từ vệ tinh Sentinel trong chương trình Copernicus của EU với độ phân giải 10m là một nguồn miễn phí khác cung cấp ảnh về các lớp cơ sở trên mặt đất sử dụng AI for Earth. Nhưng nếu muốn sử dụng các ứng dụng cao cấp hơn thì cần sử dụng thêm cả những ảnh phải trả tiền. Ngân hàng Thế giới có thể đóng vai trò cung cấp thông tin cho người sử dụng địa phương về các tài nguyên sẵn có và phương thức tiếp cận nguồn ảnh đó trong phạm vi các nền tảng tương tác đầu-cuối, ví dụ thông qua các kho lưu trữ và giao diện lập trình ứng dụng API.
Cải tiến thuật toán: Xét trên quan điểm thuật toán, nền tảng có thể dễ dàng tích hợp các cải tiến về lập bản đồ bề mặt mặt đất. Nhưng sẽ cần thêm hợp phần công việc sửa lỗi dựa trên một số lượng lớn các ý kiến phản hồi của người dùng. Hai tính chất mà một nền tảng cần có là: 1) những ý kiến phản hồi của người dùng luôn được xử lý để cải tiến sản phẩm cuối (dữ liệu mặt đất), và 2) các ý kiến này phải giúp cải tiến sản phẩm cuối nhanh hơn là gắn nhãn từng pixel một.
Sử dụng machine learning (máy tính tự học) trong lập bản đồ mặt đất cho phép các nhà quản lý cấp địa phương tham gia, tương tác và tìm hiểu các khả năng mới của công nghệ. Nó cung cấp dữ liệu kiểm chứng thực địa về bề mặt địa hình cho người dùng tại chỗ và cho phép họ sử dụng một khối lượng lớn ảnh vệ tinh và thuật toán trên nền tảng đám mây.
Join the Conversation