Tích hợp ảnh UAV, Deep Learning và WebGIS trong quản lý cây xanh đô thị tại TP.HCM 

1. Giới thiệu

Trong bối cảnh đô thị hóa diễn ra nhanh chóng, công tác quản lý cây xanh tại các thành phố lớn như TP.HCM ngày càng trở nên quan trọng nhưng cũng đối mặt với nhiều bất cập. Hiện nay, việc quản lý cây xanh chủ yếu vẫn dựa trên danh sách cây theo tuyến đường, ghi nhận thủ công hoặc bằng mô tả địa chỉ, thiếu sự chuẩn hóa về thuộc tính và không gắn với hệ tọa độ không gian.

Hệ thống thông tin phục vụ quản lý còn rời rạc, thiếu khả năng cập nhật kịp thời, gây khó khăn trong việc kiểm kê, theo dõi và bảo trì. Những hạn chế này cho thấy nhu cầu cấp thiết về một giải pháp số hóa, tự động hóa và có khả năng tích hợp dữ liệu không gian một cách hiệu quả.

Cây xanh đô thị đóng vai trò quan trọng trong việc cải thiện môi trường sống, điều hòa vi khí hậu và nâng cao chất lượng không khí. Việc quản lý và giám sát hệ thống cây xanh trong đô thị đòi hỏi các phương pháp thu thập dữ liệu chính xác, nhanh chóng và có khả năng cập nhật thường xuyên.

Trong bối cảnh đó, công nghệ UAV trở thành một công cụ hữu ích, giúp nâng cao hiệu quả thu thập dữ liệu và hỗ trợ ra quyết định trong quy hoạch cây xanh. Một trong những ứng dụng cơ bản của UAV trong quản lý cây xanh đô thị là thu thập hình ảnh độ phân giải cao để xác định vị trí, số lượng và đặc điểm hình thái của cây xanh [1].

Hình ảnh UAV sau khi được xử lý có thể ghép thành ảnh ghép trực giao, cung cấp dữ liệu nền quan trọng cho công tác kiểm kê cây xanh. Một trong những thách thức lớn trong quản lý cây xanh đô thị là đảm bảo an toàn cho hệ thống cây xanh, đặc biệt trong mùa mưa bão hoặc tại các khu vực có cây lâu năm với nguy cơ gãy đổ cao. UAV có thể hỗ trợ đánh giá cấu trúc cây và phát hiện các dấu hiệu bất thường.

Dữ liệu UAV giúp phân tích mối quan hệ giữa cây xanh và hạ tầng đô thị, như xác định các cây có tán quá rộng gây cản trở giao thông hoặc ảnh hưởng đến hệ thống điện. Việc phát hiện sớm các vấn đề này giúp cơ quan quản lý đưa ra phương án xử lý hợp lý, đảm bảo sự cân bằng giữa phát triển không gian xanh và an toàn đô thị [2, 3].

Dữ liệu UAV không chỉ được sử dụng độc lập mà còn có thể tích hợp vào hệ thống GIS/WebGIS để phục vụ quản lý đô thị thông minh. Hệ thống GIS giúp lưu trữ, phân tích và trực quan hóa dữ liệu UAV, từ đó hỗ trợ ra quyết định trong việc bảo vệ và phát triển cây xanh đô thị.

Bên cạnh đó, UAV còn có thể kết hợp với công nghệ trí tuệ nhân tạo (Artificial Intelligence - AI) để tự động nhận dạng, phân loại và đánh giá sức khỏe cây xanh. Nhờ sự hỗ trợ của AI, quá trình phân tích dữ liệu UAV có thể được tự động hóa, giúp tiết kiệm thời gian và nâng cao độ chính xác trong công tác giám sát cây xanh.

Mô hình học sâu (Deep Learning - DL) là một nhánh quan trọng của AI và học máy (Machine Learning - ML), sử dụng mạng nơ-ron nhân tạo để mô phỏng cách con người học hỏi và xử lý thông tin [4, 5]. Công nghệ này phát triển mạnh mẽ nhờ sự kết hợp giữa các thuật toán học máy tiên tiến và sức mạnh tính toán của phần cứng hiện đại, giúp mô hình có thể huấn luyện trên lượng dữ liệu lớn. DL hoạt động dựa trên các mạng nơ-ron nhân tạo nhiều lớp (Deep Neural Networks - DNNs).

Một trong những mô hình DL phổ biến nhất trong lĩnh vực phân đoạn ảnh là U-Net, với kiến trúc đối xứng gồm các tầng mã hóa và giải mã, giúp giữ nguyên thông tin không gian trong quá trình trích xuất đặc trưng. Mô hình U-Net đã được Ronneberger và cộng sự phát triển vào năm 2015 [6]. Ban đầu được thiết kế cho phân đoạn ảnh y khoa, U-Net với kiến trúc đối xứng và các kết nối tắt đã chứng minh hiệu quả cao trong việc phân đoạn ảnh với số lượng dữ liệu huấn luyện hạn chế [6, 7].

Sau đó, mô hình này được áp dụng rộng rãi trong nhiều lĩnh vực, bao gồm phân đoạn hình ảnh nhà ở đô thị. U-Net đặc biệt hữu ích khi làm việc với dữ liệu có độ phân giải cao, giúp xác định ranh giới của cây xanh chi tiết [8].

WebGIS sử dụng công nghệ máy chủ bản đồ mã nguồn mở như GeoServer để kết nối và chia sẻ thông tin địa lý với các ứng dụng WebGIS sử dụng chuẩn mở [9, 10]. Đồng thời, WebGIS cung cấp nền tảng mạnh mẽ để quản lý, truy vấn và trực quan hóa dữ liệu cây xanh, góp phần nâng cao hiệu quả giám sát và quy hoạch đô thị xanh bền vững.

2. Đối tượng và phương pháp nghiên cứu

2.1. Khu vực nghiên cứu

Khu vực nghiên cứu là khu tái định cư Phước Thiện thuộc TP Thủ Đức, TP.HCM, tọa lạc liền kề khu đô thị Vinhomes Grand Park (Hình 1). Đây là khu vực đang phát triển nhanh chóng với hệ thống cơ sở hạ tầng đô thị hiện đại và đồng bộ, nhằm đáp ứng chiến lược phát triển đô thị của TP.HCM.

Vị trí khu vực có sự kết nối thuận tiện với các tuyến giao thông huyết mạch như cao tốc TP.HCM - Long Thành - Dầu Giây, tuyến vành đai 3 và các tuyến đường chính của TP Thủ Đức. Các hạ tầng kỹ thuật quan trọng như điện, nước, internet và chiếu sáng đô thị đều được đầu tư đồng bộ và nhiều tuyến kỹ thuật được ngầm hóa [11] .

Khu vực này đặc biệt chú trọng phát triển các không gian cây xanh đô thị như hệ thống cây xanh đường phố, công viên nội khu và hệ sinh thái ven sông nhằm cải thiện môi trường sống, điều hòa vi khí hậu và gia tăng tính thẩm mỹ đô thị.

Tuy nhiên, sự phát triển nhanh chóng của đô thị cũng đặt ra các thách thức lớn trong quản lý như kiểm soát xây dựng, duy trì hạ tầng kỹ thuật và bảo vệ không gian xanh. Các vấn đề quản lý chính gồm bảo vệ an toàn cây xanh trong mùa mưa bão, duy trì cân bằng hệ sinh thái ven sông và giải quyết những xung đột giữa phát triển hạ tầng đô thị với không gian xanh, đảm bảo mục tiêu phát triển đô thị xanh, thông minh và bền vững.

2.2. Phương pháp nghiên cứu

Dữ liệu phục vụ nghiên cứu được thu thập thông qua hai ca bay chụp bằng UAV ở độ cao 100 m, với độ phủ dọc và ngang đồng nhất 80%. Trước mỗi ca bay, các tham số bay được thiết lập trong phần mềm Pix4Dcapture trên thiết bị di động nhằm đảm bảo kế hoạch bay nhất quán. UAV sử dụng trong nghiên cứu là DJI Phantom 4 Pro PPK, cho phép thu thập dữ liệu hình ảnh có độ phân giải cao.

Khu vực thực nghiệm được thiết lập một trạm cố định được đánh dấu bằng sơn trắng nhằm đảm bảo tính ổn định và lâu dài. Điểm mốc này được đo đạc chính xác bằng công nghệ GNSS để hiệu chỉnh dữ liệu không ảnh (Hình 3).

Trình tự các bước được thực hiện theo Hình 2 sau đây:

Thiết bị Hi-Target V30 được sử dụng tại điểm mốc để thu tín hiệu GNSS liên tục trong suốt quá trình bay chụp, cung cấp dữ liệu hiệu chỉnh nhằm nâng cao độ chính xác của ảnh UAV. Hệ thống tọa độ được thiết lập theo hệ quy chiếu VN2000, kinh tuyến trục 105º45’ và múi chiếu 3º, đảm bảo tính thống nhất của dữ liệu trong hệ quy chiếu quốc gia.

Ngoài ra, 20 điểm khống chế mặt đất (Ground Control Point - GCP) được bố trí tại các vị trí thông thoáng, được đánh dấu bằng sơn đỏ để tối ưu hóa quá trình hiệu chỉnh và xử lý ảnh UAV. Tọa độ và độ cao của các điểm GCP được xác định bằng phương pháp đo GNSS, giúp cải thiện độ chính xác không gian của dữ liệu ảnh UAV thu thập.

Dữ liệu ảnh UAV sau khi thu thập được xử lý bình sai GPS để hiệu chỉnh tọa độ tâm chụp, giúp nâng cao độ chính xác không gian của dữ liệu ảnh. Tiếp theo, phần mềm Agisoft Metashape được sử dụng để xử lý ảnh UAV, tạo ra ảnh ghép trực giao (Orthomosaic) hay còn gọi là bình đồ ảnh với độ phân giải 2.82 cm, đám mây điểm (Point Cloud) và mô hình số bề mặt (Digital Surface Model - DSM). Những sản phẩm này đóng vai trò quan trọng trong việc phân tích, trích xuất thông tin và hỗ trợ các bước tiếp theo trong quản lý cây xanh đô thị.

Point cloud là tập hợp các điểm không gian 3D đại diện cho bề mặt thực địa và các đối tượng địa vật như nhà cửa, cây xanh và công trình hạ tầng. Để xây dựng mô hình số địa hình (Digital Terrain Model - DTM), cần phải loại bỏ các điểm thuộc về địa vật và chỉ giữ lại các điểm phản ánh bề mặt đất tự nhiên.

Quá trình này thường tốn nhiều thời gian nếu sử dụng phương pháp thủ công như lựa chọn điểm hoặc hiệu chỉnh chiều cao địa vật. Để tối ưu hóa, phần mềm Fusion được sử dụng để lọc và loại bỏ điểm địa vật khỏi đám mây điểm.

Fusion vận dụng các nguyên lý hình học cơ bản, trong đó bao gồm nguyên lý độ cao tương đối (lựa chọn điểm thấp nhất trong vùng cục bộ), tính liên tục địa hình (loại bỏ điểm có độ dốc đột ngột) và phân tích mối quan hệ không gian lân cận giữa các điểm để xác định tập điểm mặt đất.

Fusion tích hợp bộ công cụ dòng lệnh chuyên biệt, giúp tự động hóa quá trình xử lý và phân loại điểm một cách linh hoạt, nâng cao hiệu suất và độ chính xác của mô hình địa hình số. Quá trình xử lý được thực hiện bằng các chương trình dòng lệnh như GroundFilter.exe để lọc địa vật và GridSurfaceCreate.exe để nội suy lớp bề mặt địa hình từ tập điểm đã được lọc.

Mô hình DSM được nội suy từ các điểm Point Cloud, mô hình DTM được nội suy từ các điểm mặt đất đã lọc từ Point Cloud. Mô hình chiều cao đối tượng đã hiệu chỉnh CHM được tính từ công cụ Combine Terrains Layer-Subtraction (Difference)-Unsigned trên Global Mapper, với dữ liệu đầu vào là 2 lớp raster DSM và DTM.

Sau khi có mô hình DTM, việc xác định chiều cao của cây xanh được thực hiện thông qua mô hình chiều cao tán cây (Canopy Height Model - CHM). CHM được tính toán bằng cách lấy chênh lệch giữa mô hình DSM và DTM trên cùng khu vực nghiên cứu. Trong phần mềm ArcGIS Pro, công cụ Raster Calculator được sử dụng để tạo mô hình CHM với công thức:

CH = DSM - DTM                                                                                    (1)

Trong nghiên cứu này, mô hình U-Net được triển khai với phương pháp học chuyển tiếp (Transfer Learning - TL) nhằm tối ưu hiệu quả huấn luyện trong điều kiện dữ liệu gán nhãn hạn chế. TL cho phép sử dụng lại các trọng số đã được huấn luyện trên tập dữ liệu lớn có đặc điểm tương đồng, từ đó giúp mô hình tiếp cận nhanh hơn với bài toán trích xuất cây xanh và nâng cao khả năng khái quát đối với các dạng hình thái khác nhau của tán cây trong môi trường đô thị [12-14].

Tập mẫu đầu vào ban đầu gồm 325 cây xanh được trích chọn từ khu vực nghiên cứu, sau đó được tăng cường bằng các kỹ thuật biến đổi dữ liệu như xoay, lật đối xứng, thay đổi độ sáng, co giãn tỷ lệ và dịch chuyển vị trí. Các phép biến đổi này được thực hiện có kiểm soát nhằm đảm bảo giữ nguyên cấu trúc đối tượng, đồng thời tạo ra sự đa dạng cần thiết cho quá trình huấn luyện. Sau khi tăng cường, tổng số mẫu đạt khoảng 5.200 ảnh.

Tập dữ liệu sau tăng cường được chia thành ba phần theo tỷ lệ 70% cho huấn luyện, 20% cho xác thực và 10% cho kiểm tra. Việc phân chia này được thực hiện ngẫu nhiên có kiểm soát, nhằm đảm bảo tính đại diện và khả năng đánh giá khách quan trong suốt quá trình huấn luyện mô hình, đồng thời giảm thiểu hiện tượng quá khớp.

Sau khi trích xuất, dữ liệu cây xanh được xây dựng bao gồm dữ liệu không gian và thuộc tính. Dữ liệu không gian dạng polygon được chuyển thành dạng điểm để xác định vị trí cây xanh rõ ràng. Dữ liệu thuộc tính bao gồm độ rộng tán cây, chiều cao cây, tên tuyến đường liên kết tự động, tình trạng phát triển và tên cây thu thập qua khảo sát.

Mỗi cây xanh được gán mã số riêng một cách tự động theo phương pháp đánh số tương tự hệ thống số nhà, tạo điều kiện thuận lợi cho quản lý dữ liệu trên nền tảng WebGIS. Các dữ liệu chuẩn hóa này là cơ sở quan trọng hỗ trợ quản lý và quy hoạch không gian xanh đô thị.

Dựa trên dữ liệu đã xây dựng, hệ thống WebGIS được triển khai với việc cài đặt và cấu hình môi trường phát triển ban đầu, sử dụng các công nghệ như GeoServer, PostgreSQL/PostGIS, OpenLayers và các ngôn ngữ lập trình như JavaScript, Python, HTML, CSS để phát triển giao diện và chức năng hệ thống.

Một hệ thống API backend được thiết lập để hỗ trợ hiệu quả việc quản lý và phân tích dữ liệu không gian, cung cấp các chức năng tương tác như tìm kiếm, chỉnh sửa trực tiếp và phân tích thống kê.

Giao diện người dùng được thiết kế để đảm bảo các thao tác zoom, pan và tìm kiếm thông tin diễn ra thuận lợi, hỗ trợ các quyết định quản lý cây xanh một cách nhanh chóng và chính xác. Hệ thống này cung cấp các công cụ tạo báo cáo và thống kê để người dùng dễ dàng phân tích tình trạng cây xanh và quản lý dữ liệu một cách hiệu quả trên nền tảng WebGIS.

3. Kết quả nghiên cứu

3.1. Kết quả xử lý ảnh UAV

Kết quả đánh giá độ chính xác của ảnh ghép trực giao thu được từ quá trình xử lý ảnh UAV cho thấy ảnh có độ phân giải không gian rất cao, đạt 2.82 cm/pixel. Qua kiểm tra và đánh giá, sai số mặt bằng thu được là 4.2 cm, đáp ứng yêu cầu kỹ thuật của bản đồ tỷ lệ lớn trong công tác quản lý cây xanh đô thị (Bảng 1).

Với mức độ chính xác này, dữ liệu ảnh trực giao hoàn toàn phù hợp và đáng tin cậy để ứng dụng mô hình DL (U-Net) nhằm nhận dạng và trích xuất chính xác vị trí, kích thước và phân bố không gian của cây xanh trong khu vực nghiên cứu. 

Bảng 1. Kết quả đánh giá độ chính xác bình đồ ảnh

3.2. Kết quả xây dựng mô hình độ cao số

Kết quả mô hình DTM cho thấy khu vực nghiên cứu có địa hình tương đối bằng phẳng với độ cao dao động từ 1.8 m đến 4.0 m, phù hợp với đặc điểm địa hình của TP Thủ Đức (Hình 4). 

Mô hình CHM được xây dựng để hỗ trợ trích xuất chiều cao cây xanh, với giá trị dao động từ 8.0 m đến 25 m, bao gồm cây xanh, nhà phố, trường học và các cột đèn (Hình 5). Kiểm tra ngẫu nhiên chiều cao của 15 đối tượng trong khu vực, bao gồm 9 ngôi nhà, 2 trụ đèn và 4 cây xanh, được thực hiện bằng máy toàn đạc điện tử. Kết quả kiểm tra được đánh giá thông qua công thức tính sai số trung phương, cho thấy độ chính xác của mô hình CHM cao, đáp ứng yêu cầu trong quản lý đô thị thông minh và xây dựng bản đồ 3D.

Sai lệch trung bình giữa chiều cao thực tế và chiều cao trên mô hình CHM là 11.9 cm. Nguyên nhân của sai số này chủ yếu do bề mặt mái nhà thường có nhiều chi tiết gồ ghề, trong khi mô hình CHM chỉ lấy giá trị trung bình trên một vùng raster, dẫn đến sự khác biệt so với đo đạc thực tế. Ngoài ra, chiều cao tán cây không đồng đều và việc chọn điểm đỉnh để đo trong thực địa cũng góp phần làm tăng sai số.

3.3. Kết quả trích xuất cây xanh với mô hình học sâu

Biểu đồ huấn luyện và kiểm định cho thấy quá trình tối ưu mô hình diễn ra hiệu quả khi giá trị loss của tập huấn luyện và kiểm định đều giảm dần và ổn định sau khoảng 1000 batches (Hình 6). Mô hình đạt được sự hội tụ tốt khi loss của tập kiểm định dao động nhẹ quanh giá trị thấp và không có dấu hiệu overfitting rõ ràng, chứng tỏ U-Net hoạt động hiệu quả trong việc nhận diện và trích xuất cây xanh từ ảnh UAV (Hình 7).

Kết quả trích xuất được thể hiện qua ma trận nhầm lẫn, cho thấy mô hình dự đoán 452 vùng cây xanh chính xác, 40 vùng bị nhầm lẫn không phải cây xanh, 38 vùng cây xanh thực tế bị bỏ sót và 525 vùng không phải cây xanh được nhận diện đúng.

Các chỉ số đánh giá hiệu suất bao gồm: Precision = 0.93, nghĩa là 93% số vùng được nhận diện là cây xanh thực sự; Recall = 0.93, cho thấy 93% số cây xanh thực tế đã được mô hình phát hiện. Mô hình U-Net cho thấy khả năng nhận diện tốt nhưng vẫn tồn tại một số sai số, chủ yếu do sự chồng lấn giữa tán cây và mái nhà, hoặc bóng đổ làm thay đổi hình dạng vùng cây xanh.

Trong quá trình xây dựng cơ sở dữ liệu phục vụ quản lý cây xanh đô thị, dữ liệu không gian và thuộc tính của lớp cây xanh được tổ chức chặt chẽ nhằm đảm bảo tính đầy đủ, chính xác. Phần dữ liệu không gian được xác định dựa trên kết quả trích xuất từ mô hình DL, trong đó vị trí từng cây được nhận dạng và định vị với độ chính xác cao trên ảnh UAV.

Lớp dữ liệu này cho phép xác định chính xác phạm vi phân bố và diện tích che phủ của từng cây riêng lẻ trong môi trường đô thị, từ đó hỗ trợ hiệu quả các phân tích về mật độ, phân bố và quy hoạch không gian xanh.

Dữ liệu thuộc tính của cây xanh được xây dựng từ nhiều nguồn khác nhau, trong đó một số thông tin được tự động hóa nhằm tăng tính nhất quán và giảm thiểu sai sót trong quá trình biên tập.

Độ rộng tán cây được trích xuất trực tiếp từ mô hình DL, phản ánh diện tích che phủ thực tế của từng cây và là cơ sở cho các tính toán về khả năng làm mát và che nắng trong khu vực dân cư. Tên tuyến đường giao thông nơi cây được trồng được gán tự động thông qua công cụ liên kết không gian với lớp dữ liệu giao thông nền, giúp hỗ trợ quản lý theo đơn vị hành chính hoặc theo tuyến cây trồng cụ thể.

Thông tin về tên cây và tình trạng phát triển được bổ sung thông qua điều tra thực địa. Các dữ liệu này đóng vai trò quan trọng trong việc đánh giá sức khỏe cây xanh, phát hiện các vấn đề liên quan đến sâu bệnh, già cỗi hoặc cần thay thế, từ đó xây dựng kế hoạch bảo dưỡng và chăm sóc hợp lý.

Chiều cao cây được tính toán từ mô hình CHM xây dựng từ ảnh UAV. Dữ liệu chiều cao không chỉ phản ánh mức độ phát triển mà còn có ý nghĩa trong việc đánh giá ảnh hưởng của cây đến môi trường xung quanh và cấu trúc đô thị.

Hệ thống mã cây được tổ chức theo một nguyên tắc đánh số rõ ràng và khoa học. Cây xanh được đánh số theo chiều từ trái sang phải, sau đó từ trên xuống dưới trên bản đồ. Phương pháp đánh số này mô phỏng cách đánh số nhà trong thực địa, sử dụng dãy số chẵn - lẻ nhằm đồng bộ hóa với hệ thống quản lý hạ tầng đô thị hiện có. Việc gán mã số được thực hiện tự động bằng công cụ Numbering trong Parcel Editor, giúp đảm bảo tính thống nhất và hỗ trợ tra cứu nhanh chóng khi tích hợp vào hệ thống WebGIS.

Sau khi hoàn tất việc xây dựng dữ liệu không gian và thuộc tính cho lớp cây xanh, toàn bộ dữ liệu được chuẩn hóa và chuyển về hệ tọa độ WGS_1984_Web_Mercator_Auxiliary_Sphere. Đây là hệ tọa độ phổ biến và được sử dụng rộng rãi trong các nền tảng WebGIS hiện nay.

Việc lựa chọn hệ tọa độ này không chỉ đảm bảo khả năng chồng xếp chính xác giữa các lớp dữ liệu khác nhau mà còn giúp thống nhất môi trường xử lý, tạo điều kiện thuận lợi cho việc hiển thị, phân tích và chia sẻ dữ liệu cây xanh trên các nền tảng trực tuyến. Nhờ đó, cơ sở dữ liệu lớp cây xanh không chỉ phục vụ tốt cho công tác quản lý hiện tại mà còn có tính mở rộng cao trong các hệ thống thông tin không gian hiện đại.

3.4. Kết quả xây dựng WebGIS

Hệ thống WebGIS được xây dựng nhằm hỗ trợ quản lý, giám sát và phân tích dữ liệu cây xanh đô thị một cách hiệu quả (Hình 8). Hệ thống cung cấp bản đồ tương tác hiển thị vị trí, diện tích tán cây và tình trạng sức khỏe cây xanh, đồng thời cho phép truy vấn, tìm kiếm theo mã ID, loại cây hoặc vị trí cụ thể. 

Hệ thống này cung cấp một công cụ mạnh mẽ cho các cơ quan quản lý đô thị, giúp cải thiện khả năng giám sát cây xanh, tối ưu hóa tài nguyên và nâng cao chất lượng không gian đô thị thông qua việc ứng dụng các công nghệ hiện đại (Hình 9).

Ngoài ra, hệ thống hỗ trợ cập nhật, chỉnh sửa dữ liệu cây xanh (Hình 10), tích hợp dữ liệu UAV và mô hình Deep Learning giúp tự động hóa quá trình nhận diện cây xanh. Các công cụ phân tích và thống kê cung cấp thông tin về diện tích che phủ, mật độ cây xanh theo khu vực và sự thay đổi theo thời gian, đồng thời hỗ trợ giám sát sức khỏe cây xanh và cảnh báo khi có dấu hiệu suy giảm.

Việc tích hợp dữ liệu thời gian thực từ GPS và cảm biến môi trường giúp nâng cao khả năng thu thập và đồng bộ dữ liệu. Hệ thống cũng hỗ trợ xuất dữ liệu dưới nhiều định dạng và cung cấp báo cáo tổng hợp phục vụ công tác quản lý đô thị (Hình 11). Kết quả thử nghiệm cho thấy hệ thống hoạt động ổn định, đáp ứng yêu cầu quản lý dữ liệu trực quan, dễ dàng cập nhật và truy xuất, góp phần xây dựng nền tảng đô thị thông minh, minh bạch và hiệu quả.

4. Thảo luận 

Nghiên cứu này đề xuất một giải pháp tích hợp UAV, DL và WebGIS nhằm nâng cao hiệu quả quản lý cây xanh đô thị tại TP.HCM. So với các phương pháp truyền thống, việc sử dụng ảnh UAV với độ phân giải cao (2.82 cm/pixel) và sai số mặt bằng thấp (4.2 cm) cho phép thu thập dữ liệu chi tiết, hỗ trợ việc xây dựng mô hình chiều cao tán cây (CHM) và trích xuất chính xác các đặc trưng không gian như vị trí, hình dạng và độ rộng tán cây [15, 16].

Việc áp dụng mô hình U-Net kết hợp với kỹ thuật TL cho thấy hiệu quả rõ rệt trong điều kiện dữ liệu gán nhãn hạn chế, giúp rút ngắn thời gian huấn luyện và nâng cao khả năng khái quát hóa. So với các nghiên cứu trước đó sử dụng phương pháp học máy truyền thống như Random Forest hoặc SVM [17], mô hình học sâu thể hiện ưu thế vượt trội trong việc nhận dạng các đặc trưng hình thái phức tạp của tán cây trong môi trường đô thị có nhiều yếu tố gây nhiễu.

Mohan cùng các cộng sự của mình đã chứng minh rằng việc kết hợp UAV và CHM có thể phát hiện cây đơn lẻ với độ chính xác cao, nhưng vẫn còn hạn chế khi triển khai trong môi trường đô thị dày đặc [16]. Trong nghiên cứu này, việc kết hợp DL giúp vượt qua rào cản đó, đặc biệt khi áp dụng cho ảnh UAV có độ phân giải siêu cao.

Một điểm nổi bật khác của nghiên cứu này là khả năng tích hợp liền mạch kết quả trích xuất từ mô hình DL vào hệ thống WebGIS. Điều này giúp cải thiện hiệu quả cho nhiều nghiên cứu trước, vốn chỉ tập trung vào xử lý ảnh và phân tích đối tượng trên dữ liệu UAV mà chưa hoàn thiện quy trình ứng dụng trong thực tiễn quản lý.

Cụ thể, các nghiên cứu như của Yang và cộng sự đã sử dụng mô hình học sâu để phân đoạn cây xanh đô thị từ ảnh UAV, nhưng kết quả đầu ra chủ yếu ở dạng raster hoặc vector độc lập, không gắn liền với hệ thống quản lý thông tin địa lý trực tuyến [18]. Tương tự, nghiên cứu của nhóm tác giả Liu (2024) mặc dù đạt độ chính xác cao trong phát hiện cây đơn lẻ, nhưng cũng chỉ dừng lại ở việc xử lý dữ liệu nội bộ mà chưa đề cập đến tổ chức hoặc chia sẻ kết quả trên nền tảng WebGIS [19].

Việc nghiên cứu này phát triển một hệ thống WebGIS có khả năng hiển thị trực quan, truy vấn thông tin thuộc tính, cập nhật dữ liệu linh hoạt và hỗ trợ phân quyền người dùng đã cho thấy tính ứng dụng cao trong thực tiễn. Đây chính là điểm khác biệt quan trọng, góp phần đưa kết quả từ các mô hình DL vào chuỗi ứng dụng quản lý đô thị một cách toàn diện và hiệu quả hơn.

Tuy nhiên, một số thách thức vẫn tồn tại. Sai số nhận dạng xuất hiện ở những khu vực có bóng đổ mạnh, cây bị che khuất hoặc chồng lấn với các vật thể khác như mái nhà, điều này phù hợp với nhận định của nhóm tác giả Branson vào năm 2018 khi phân tích ảnh hưởng của cấu trúc đô thị đến khả năng phân đoạn tán cây [20]. Các nghiên cứu như của nhóm tác giả Chen năm 2021 cũng nhấn mạnh tầm quan trọng của ảnh đa thời gian hoặc dữ liệu nghiêng trong việc giảm sai số do giao thoa vật thể [21].

Tổng thể, nghiên cứu này không chỉ khẳng định tính khả thi của giải pháp tích hợp UAV và Deep Learning trong quản lý cây xanh đô thị, mà còn đóng góp một mô hình ứng dụng đầy đủ, có tính mở rộng cao, phù hợp với xu hướng chuyển đổi số và phát triển đô thị bền vững hiện nay.

5. Kết luận 

Bài báo đã nghiên cứu và triển khai thành công giải pháp tích hợp UAV, DL và WebGIS trong quản lý cây xanh đô thị. Kết quả nghiên cứu cho thấy phương pháp thu thập dữ liệu UAV được tối ưu với độ phân giải cao (2.82 cm/pixel) và sai số mặt bằng thấp (4.2 cm), đảm bảo độ tin cậy cao cho việc nhận dạng và trích xuất cây xanh.

Kỹ thuật TL kết hợp với mô hình U-Net được lựa chọn giúp xác định chính xác vị trí, chiều cao và độ rộng tán cây, hỗ trợ quá trình phân tích và quản lý hiệu quả. Hệ thống WebGIS được phát triển đầy đủ chức năng, hỗ trợ trực quan hóa, tìm kiếm và quản lý dữ liệu cây xanh đô thị, nâng cao khả năng ra quyết định trong quy hoạch không gian xanh.

Để phát huy hiệu quả ứng dụng của giải pháp đã nghiên cứu, bài báo đề xuất tiếp tục mở rộng nghiên cứu, ứng dụng các mô hình DL tiên tiến nhằm nâng cao khả năng nhận dạng và đánh giá chất lượng cây xanh đô thị.

Các cơ quan quản lý đô thị nên xem xét áp dụng giải pháp này để cải thiện công tác giám sát, bảo vệ cây xanh và tối ưu hóa nguồn lực. Ngoài ra, việc mở rộng tích hợp với các nền tảng dữ liệu không gian khác sẽ góp phần xây dựng hệ thống quản lý đô thị thông minh toàn diện, hỗ trợ phát triển bền vững trong tương lai.

* Tiêu đề do Tòa soạn đặt - Mời xem file PDF tại đây

TÀI LIỆU THAM KHẢO:
[1]. Wicaksono, A. and R. Hernina, Urban tree analysis using unmanned aerial vehicle (UAV) images and object-based classification (case study: university of indonesia campus). IOP Conf. Series: Earth and Environmental Science, 2021. 683: p. 1-6.
[2]. Barmpoutis, P., T. Stathaki, and V. Kamperidou, Monitoring of Trees’ Health Condition Using a UAV Equipped with Low-cost Digital Camera, in ICASSP 2019-2019 IEEE International Conference on Acoustics, Speech and Signal Processing (ICASSP). 2019.
[3]. Manase, A., et al., The use of UAV-based systems in monitoring forest health: Potentials and challenges. Scientific African, 2025. 28(e02724): p. 1-14.
[4]. Malhotra, R. and P. Singh, Recent advances in deep learning models: a systematic literature review. Multimedia Tools and Applications 2023. 82(4): p. 1-9.
[5]. Wani, M.A., et al., Advances in Deep Learning. Introduction to deep learning. Vol. 57. 2020: Springer Nature.
[6]. Ronneberger, O., P. Fischer, and T. Brox, U-Net: Convolutional Networks for Biomedical Image Segmentation, in Medical Image Computing and Computer-Assisted Intervention - MICCAI 2015 2015. p. 234-241.
[7]. Fetai, B., et al., Detection of visible boundaries from UAV images using U-net. The International Archives of the Photogrammetry Remote Sensing and Spatial Information Sciences, 2020. XLIII-B1-2020: p. 437-442.
[8]. Ganesan, G. and S. Poonkuntran, Semantic Segmentation Based on Geometric Calibration Using AI and AR in Health Care. Contemporary Mathematics, 2024. 5(4): p. 4975-4990.
[9]. Iacovella, S. and B. Yongblood, GeoServer Beginner’s Guide. Park Publishing, 2013.
[10]. Priyatna, M., et al., Prototype of Remote Sensing Data and Information System Based on Open Source Technology to Support Disaster Management, in ICOIRS 2019: The 5th International Conferences of Indonesian Society for Remote Sensing The Revolution of Earth Observation for a Better Human Life, Indonesia, 2019. 2019.
[11]. Hùng, N.Đ.T., P.N. Tuấn, and T.M. Tuấn, Khai thác yếu tố mặt nước trong tổ chức không gian đô thị tại TP Thủ Đức. Tạp chí Xây dựng, 2024. 8: p. 64-69.
[12]. Bastelaer, B.V. Digital cities and transferability of results. in 4th conference: changing patterns of urban life, 29-30 October 1998. 1998. Salzburg, Austria.
[13]. Kornblith, S., J. Shlens, and Q.V. Le, Do Better ImageNet Models Transfer Better?, in 2019 IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR). 2019. p. 1-12.
[14]. Lv, M., et al., Deep Transfer Network With Multi-Kernel Dynamic Distribution Adaptation for Cross-Machine Fault Diagnosis. IEEE Access 2021. 20: p. 1-18.
[15]. Isibue, E.W. and T.J. Pingel, Unmanned aerial vehicle based measurement of urban forests. Urban Forestry & Urban Greening, 2020. 48(126574).
[16]. Vacca, G. and E. Vecchi, UAV Photogrammetric Surveys for Tree Height Estimation. Drones, 2024. 8(3): p. 1-14.
[17]. Ciesielski, M. and K. Stereńczak, Accuracy of Determining Urban Forest Parameters Using Remote Sensing. iForest, 2019. 12(6): p. 498–510.
[18]. Yang, M.-D., et al., Semantic Segmentation Using Deep Learning with Vegetation Indices for Rice Lodging Identification in Multi-date UAV Visible Images. Remote Sensing, 2020. 12(4): p. 1-20.
[19]. Liu, J., et al., Semantic Segmentation Using Deep Learning with Vegetation Indices for Rice Lodging Identification in Multi-date UAV Visible Images. Applied Sciences, 2024. 14(17): p. 1-18.
[20]. McPhersona, E.G., et al., The structure, function and value of urban forests in California communities. Urban Forestry & Urban Greening, 2017. 28: p. 43-53.
[21]. Chen, S., et al., Urban Tree Canopy Mapping Based on Double-Branch Convolutional Neural Network and Multi-Temporal High Spatial Resolution Satellite Imagery. Remote Sensing, 2023. 15(3): p. 1-24.