Tổng quan đánh giá độ chính xác của các thuật toán phân loại ảnh vệ tinh Sentinel-2 trong giám sát tài nguyên và môi trường

Trong kỷ nguyên chuyển đổi số và phát triển bền vững, dữ liệu viễn thám quang học đóng vai trò quan trọng phục vụ công tác giám sát biến động lớp phủ, quản lý tài nguyên thiên nhiên, theo dõi hiện trạng sử dụng đất nông nghiệp và ứng phó với biến đổi khí hậu. Trong số các nguồn dữ liệu mở hiện nay, chùm vệ tinh Sentinel-2 của Cơ quan Vũ trụ Châu Âu (ESA) được đánh giá là một trong những nguồn tư liệu tối ưu nhất nhờ độ phân giải không gian tương đối cao (lên đến 10m), chu kỳ lặp ngắn (5 ngày) và số lượng kênh phổ phong phú (13 kênh). Tuy nhiên, thách thức lớn nhất trong quy trình xử lý không nằm ở việc thu nhận ảnh, mà nằm ở việc chuyển đổi dữ liệu phổ thô thành thông tin chuyên đề có độ tin cậy cao. Việc lựa chọn, làm chủ và đánh giá khách quan độ chính xác của các thuật toán phân loại ảnh là bước đi mang tính quyết định để đảm bảo chất lượng đầu ra cho các sản phẩm bản đồ chuyên đề cấp quốc gia.

Cùng với sự phát triển của học máy, nhiều thuật toán phân loại như Maximum Likelihood Classifier (MLC), Support Vector Machine (SVM), Random Forest (RF) và Object-Based Image Analysis (OBIA) đã được áp dụng cho dữ liệu Sentinel-2. Mỗi thuật toán có ưu điểm và hạn chế riêng, phụ thuộc vào đặc điểm dữ liệu, chất lượng mẫu huấn luyện và điều kiện nghiên cứu. Mặc dù đã có nhiều công bố về hiệu quả của các thuật toán này, kết quả giữa các nghiên cứu vẫn khác nhau do sự khác biệt về khu vực nghiên cứu, nguồn dữ liệu, phương pháp tiền xử lý và quy trình đánh giá độ chính xác. Đồng thời, các tài liệu tổng hợp, hệ thống hóa và so sánh các thuật toán trong bối cảnh ứng dụng tại Việt Nam còn tương đối hạn chế.

Vì vậy, nghiên cứu này tập trung tổng hợp cơ sở lý thuyết, phân tích nguyên lý hoạt động, so sánh hiệu năng và đánh giá các thuật toán MLC, SVM, RF và OBIA thông qua các chỉ tiêu OA, PA, UA và hệ số Kappa. Trên cơ sở đó, nghiên cứu đề xuất định hướng lựa chọn thuật toán phù hợp cho các ứng dụng giám sát tài nguyên và môi trường.

1. CÁC THUẬT TOÁN PHÂN LOẠI ẢNH SENTINEL-2 PHỔ BIẾN HIỆN NAY

Về cơ bản, các thuật toán phân loại ảnh vệ tinh Sentinel-2 đang được áp dụng tại Việt Nam và trên thế giới được chia thành ba nhóm chính:

- Thuật toán phân loại truyền thống (Pixel-based)

Maximum Likelihood Classifier (MLC): Thuật toán phân loại dựa trên lý thuyết xác suất thống kê. Dù có từ lâu đời nhưng MLC vẫn là hệ quy chiếu cơ bản nhờ tính đơn giản và tốc độ xử lý nhanh đối với các vùng địa hình đồng nhất.

- Thuật toán học máy (Machine Learning)

Đây là xu hướng chủ đạo trong các nghiên cứu và ứng dụng thực tiễn hiện nay nhờ khả năng xử lý dữ liệu phi tuyến tính phức tạp:

Random Forest (RF): Thuật toán rừng ngẫu nhiên cực kỳ mạnh mẽ trong việc xử lý dữ liệu đa phổ của Sentinel-2. RF ít bị ảnh hưởng bởi hiện tượng quá khớp (overfitting) và có khả năng đánh giá tầm quan trọng của các kênh phổ (hoặc các chỉ số thực vật như NDVI, NDWI).

Support Vector Machine (SVM): Thuật toán máy vectơ hỗ trợ hoạt động hiệu quả ngay cả khi tập mẫu huấn luyện (training data) có kích thước nhỏ, giúp phân tách tốt các ranh giới lớp phủ phức tạp.

- Phân loại dựa trên đối tượng (Object-Based Image Analysis - OBIA)

Khác với việc phân tích từng điểm ảnh riêng lẻ, OBIA nhóm các điểm ảnh có đặc điểm tương đồng về phổ, hình dạng và cấu trúc thành các "đối tượng". Với độ phân giải 10m của Sentinel-2, phương pháp OBIA giúp hạn chế tối đa hiện tượng "muối tiêu" (salt-and-pepper) trên bản đồ kết quả, đặc biệt hiệu quả khi phân loại các vùng đô thị hoặc đất nông nghiệp manh mún.

2. SỨC MẠNH ĐA PHỔ CỦA SENTINEL-2 VÀ CÁC THUẬT TOÁN PHÂN LOẠI PHỔ BIẾN

Hệ thống cảm biến MSI (Multispectral Instrument) trên Sentinel-2 cung cấp 13 kênh phổ trải dài từ vùng ánh sáng nhìn thấy, rìa đỏ (Red Edge), hồng ngoại gần (NIR) đến hồng ngoại sóng ngắn (SWIR). Sự khác biệt về hiệu năng giữa các thuật toán phân loại phụ thuộc lớn vào cách chúng khai thác không gian dữ liệu đa phổ này.

Hiện nay, các thuật toán phân loại ứng dụng trong công tác chuyên môn tại Việt Nam được chia làm ba nhóm chính:

Thuật toán phân loại truyền thống dựa trên điểm ảnh (Pixel-based)

Maximum Likelihood Classifier (MLC): Thuật toán dựa trên lý thuyết xác suất thống kê cổ điển. MLC tính toán xác suất một điểm ảnh thuộc về một lớp phủ dựa trên phân phối xác suất của tập mẫu huấn luyện. Mặc dù có tốc độ xử lý nhanh và trực quan, MLC bộc lộ nhiều hạn chế khi đối mặt với các khu vực có lớp phủ phức tạp, địa hình chia cắt mạnh hoặc phổ hỗn hợp.

Thuật toán học máy hiện đại (Machine Learning)

Nhờ khả năng xử lý các mối quan hệ phi tuyến phức tạp trong không gian phổ đa chiều, học máy đã trở thành công cụ chủ đạo:

- Random Forest (RF - Rừng ngẫu nhiên): Thuật toán phân loại dựa trên tập hợp nhiều cây quyết định. RF cực kỳ mạnh mẽ khi xử lý ảnh Sentinel-2 nhờ khả năng đánh giá tầm quan trọng của từng kênh phổ (Feature Importance) và hạn chế tối đa hiện tượng quá khớp (overfitting).

- Support Vector Machine (SVM - Máy vectơ hỗ trợ): Hoạt động bằng cách tìm kiếm một siêu phẳng (hyperplane) tối ưu để phân tách các lớp phủ trong không gian đa chiều. SVM đặc biệt hiệu quả khi số lượng mẫu huấn luyện (training pixels) hạn chế nhưng yêu cầu độ chính xác ranh giới cao.

Phân loại dựa trên đối tượng (Object-Based Image Analysis - OBIA)

Khác với việc phân tích từng pixel độc lập, OBIA tiến hành phân đoạn ảnh (image segmentation) để nhóm các điểm ảnh có đặc tính tương đồng về phổ, hình dạng, kích thước và cấu trúc không gian thành các "đối tượng". Đối với dữ liệu có độ phân giải 10m của Sentinel-2, OBIA giúp loại bỏ hoàn toàn hiện tượng "nhiễu muối tiêu" (salt-and-pepper), tạo ra các ranh giới thửa đất hoặc lô rừng mịn màng, tự nhiên và phù hợp với thực tế quản lý địa chính.

3. PHÂN TÍCH TOÁN HỌC SÂU VÀ HIỆN TƯỢNG "QUÁ KHỚP" (OVERFITTING)

Sự chênh lệch về độ chính xác toàn cầu giữa các nhóm thuật toán (từ dưới 75% ở MLC lên tới trên 90% ở RF hay OBIA) có nguyên nhân sâu xa từ bản chất toán học của quá trình xử lý ranh giới quyết định (decision boundary):

Hạn chế của phân phối chuẩn trong MLC

MLC giả định rằng dữ liệu phản xạ phổ của mỗi lớp phủ tuân theo phân phối chuẩn đa biến (Gaussian distribution). Tuy nhiên, các lớp phủ thực tế tại Việt Nam (như các vùng canh tác lúa xen canh, các trạng thái rừng hỗn giao nhiệt đới hay vùng bán đô thị hóa) thường có phân phối phổ rất phức tạp, đa đỉnh và không chuẩn. Khi giả định này bị vi phạm, MLC sẽ xác định sai ranh giới quyết định, dẫn đến các sai số nhầm lẫn mang tính hệ thống.

Khả năng chống nhiễu vượt trội của Random Forest

RF xây dựng một hệ thống bỏ phiếu số đông từ hàng trăm cây quyết định độc lập. Mỗi cây được huấn luyện trên một tập con ngẫu nhiên của dữ liệu (Bootstrap) và một nhóm ngẫu nhiên các kênh phổ:

- Nếu một số pixel mẫu bị định danh sai ngoài thực địa hoặc ảnh bị nhiễu động nhẹ do sol khí, cấu trúc "rừng" của RF sẽ tự động cô lập các sai số này.

- RF cho phép tích hợp trực tiếp các biến phụ trợ như chỉ số thực vật (NDVI), chỉ số nước (NDWI) hay dữ liệu độ cao số (DEM) mà không lo ngại vấn đề đa cộng tuyến (multicollinearity).

Tối ưu hóa biên giới hạn của SVM với Hàm nhân (Kernel)

SVM giải quyết bài toán phi tuyến bằng cách sử dụng các hàm nhân (phổ biến nhất là RBF - Radial Basis Function) để ánh xạ dữ liệu phổ Sentinel-2 vào không gian có số chiều cao hơn, nơi các lớp phủ có thể phân tách tuyến tính một cách dễ dàng:

Lưu ý: Sự thành công của SVM phụ thuộc rất lớn vào việc tối ưu hóa cặp tham số C (mức độ phạt đối với các mẫu phân loại sai) và γ (phạm vi ảnh hưởng của một mẫu huấn luyện đơn lẻ). Nếu chọn tham số không chuẩn, SVM rất dễ rơi vào trạng thái quá khớp - đạt độ chính xác tuyệt đối trên tập mẫu nhưng phân loại sai lệch nghiêm trọng trên ảnh thực tế.

4. QUY TRÌNH ĐÁNH GIÁ SAI SỐ VÀ Ý NGHĨA CỦA MA TRẬN NHẦM LẪN (CONFUSION MATRIX)

Để một bản đồ chuyên đề thành lập từ ảnh vệ tinh có giá trị pháp lý và thực tiễn, việc đánh giá độ chính xác bắt buộc phải dựa trên Ma trận nhầm lẫn (Confusion Matrix) được xây dựng từ tập dữ liệu kiểm chứng độc lập (Validation data) thu thập trực tiếp ngoài thực địa hoặc giải đoán từ ảnh chuyên đề độ phân giải siêu cao.

Các chỉ số cốt lõi bao gồm:

- Độ chính xác toàn cầu (Overall Accuracy - OA): Tỷ lệ phần trăm tổng số điểm ảnh được phân loại đúng trên tổng số điểm kiểm chứng thực tế.

- Hệ số Kappa (κ): Chỉ số đo lường mức độ đồng thuận giữa kết quả phân loại và thực tế thực địa, loại trừ hoàn toàn các yếu tố ngẫu nhiên:

Trong đó, Po là tỷ lệ đồng thuận quan sát được (OA), và Pe là tỷ lệ đồng thuận kỳ vọng ngẫu nhiên. Hệ số κ > 0.8 thể hiện độ tin cậy rất cao.

Độ chính xác của người sản xuất (Producer's Accuracy - PA): Đại diện cho khả năng một đối tượng thực tế ngoài thực địa được thuật toán nhận diện đúng trên bản đồ. Chỉ số này liên quan trực tiếp đến Sai số bỏ sót (Omission Error).

Độ chính xác của người sử dụng (User's Accuracy - UA): Đại diện cho mức độ tin cậy của bản đồ khi người sử dụng mang ra thực địa. Chỉ số này liên quan trực tiếp đến Sai số nhầm lẫn (Commission Error).

Bài học thực tiễn: Một thuật toán phân loại tối ưu không chỉ cần chỉ số OA cao, mà cần sự cân bằng giữa PA và UA. Ví dụ, nếu phân loại đất lúa vùng Đồng bằng sông Hồng, việc thuật toán đạt PA = 98% nhưng UA = 70% đồng nghĩa với việc thuật toán đang bị "thiên vị" (bias) - phân loại tràn lan các vùng đất ẩm khác thành đất lúa, làm giảm nghiêm trọng giá trị sử dụng thực tế của bản đồ quản lý.

5. ẢNH HƯỞNG CỦA CHẤT LƯỢNG DỮ LIỆU ĐẦU VÀO VÀ TÍNH ĐỒNG BỘ THỜI GIAN

Độ chính xác của bất kỳ thuật toán hiện đại nào cũng tuân theo nguyên lý "Dữ liệu rác vào thì kết quả rác ra" (Garbage In, Garbage Out). Hai yếu tố kỹ thuật then chốt quyết định chất lượng đầu vào bao gồm:

Tiền xử lý và lọc mây (Cloud Masking)

Việt Nam nằm trong vùng khí hậu nhiệt đới gió mùa, tỷ lệ che phủ mây quanh năm rất lớn. Việc sử dụng các công cụ hiệu chỉnh khí quyển chuẩn xác (như thuật toán Sen2Cor để đưa ảnh về giá trị phản xạ bề mặt - Bottom of Atmosphere - BOA) và các bộ lọc mây thông minh (như S2cloudless hay Fmask) là bắt buộc. Các thuật toán học máy nếu phải "học" trên các pixel bị ảnh hưởng bởi mây mỏng hoặc bóng râm của mây sẽ đưa ra các kết quả phân loại sai lệch nghiêm trọng về hệ thống phổ.

Tính đồng bộ thời gian (Temporal Synchronization)

Đặc biệt đối với các lớp phủ động như đất nông nghiệp (lúa, hoa màu) hay rừng rụng lá theo mùa, ranh giới phổ thay đổi liên tục theo tuần.

- Giải pháp: Đồng bộ hóa thời gian chụp của Sentinel-2 với thời điểm khảo sát thực địa.

- Nếu không thể đồng bộ tuyệt đối, việc ứng dụng thuật toán Random Forest trên chuỗi ảnh đa thời gian (Multi-temporal) để nhận diện chu kỳ sinh trưởng của cây trồng là chìa khóa duy nhất để nâng độ chính xác phân loại nông nghiệp từ mức dưới 80% lên trên 90%.

6. THỬ NGHIỆM THỰC TIỄN VÀ SO SÁNH HIỆU NĂNG CÁC THUẬT TOÁN

Qua tổng hợp các nghiên cứu có thể nhận thấy các thuật toán phân loại ảnh Sentinel-2 có những ưu điểm và hạn chế khác nhau, phụ thuộc vào đặc điểm dữ liệu, số lượng mẫu huấn luyện, điều kiện khu vực nghiên cứu và quy trình tiền xử lý. Các thuật toán học máy như Support Vector Machine (SVM) và Random Forest (RF) nhìn chung đạt độ chính xác cao hơn các phương pháp phân loại truyền thống như Maximum Likelihood Classifier (MLC), trong khi phương pháp Object-Based Image Analysis (OBIA) kết hợp với RF thường cho kết quả tốt đối với ảnh có độ phân giải cao hoặc khu vực có cấu trúc không gian phức tạp.

Bảng 1: Tổng hợp so sánh hiệu năng thực tế của các thuật toán phổ biến dựa trên các nghiên cứu thực nghiệm quy chuẩn tại Việt Nam

Bảng 2: Tổng hợp một số nghiên cứu đánh giá hiệu năng các thuật toán phân loại ảnh Sentinel-2 (2018–2025)

Các nghiên cứu cho thấy Random Forest và Support Vector Machine đều đạt độ chính xác cao trong phân loại ảnh Sentinel-2. Khi số lượng mẫu huấn luyện đủ lớn, chênh lệch OA giữa RF và SVM thường không đáng kể; tuy nhiên, RF được đánh giá có tính ổn định cao hơn và ít nhạy cảm với tham số mô hình. Trong các nghiên cứu gần đây, phương pháp OBIA kết hợp RF thường cải thiện chất lượng bản đồ ở khu vực có cấu trúc không gian phức tạp nhờ giảm hiện tượng "muối tiêu"

6. ĐỊNH HƯỚNG NGHIÊN CỨU ỨNG DỤNG TRONG CÔNG TÁC QUẢN LÝ 

Nhằm nâng cao chất lượng và độ tin cậy của các sản phẩm bản đồ chuyên đề phục vụ quản lý nhà nước về tài nguyên, môi trường, một số định hướng kỹ thuật cần được ưu tiên triển khai đồng bộ: 

- Dịch chuyển công nghệ cốt lõi: Khuyến khích các đơn vị sản xuất chuyển dần từ các phương pháp phân loại truyền thống sang ứng dụng thuật toán học máy (RF, SVM) và tích hợp trí tuệ nhân tạo (Deep Learning). Tận dụng năng lực tính toán hiệu năng cao của các nền tảng đám mây (như Google Earth Engine, AWS) để xử lý dữ liệu lớn ở cấp vùng và cấp quốc gia.

- Chuẩn hóa và xây dựng Thư viện mẫu phổ quốc gia: Chất lượng của mô hình học máy phụ thuộc hoàn toàn vào mẫu huấn luyện. Cần thiết lập quy trình chuẩn hóa công tác thu nhận mẫu thực địa kết hợp đồng bộ hóa thời gian thu nhận ảnh. Việc xây dựng một thư viện phổ mẫu chuẩn cho các loại đối tượng địa lý chính tại Việt Nam sẽ là nền tảng cốt lõi giúp tự động hóa công tác phân loại.

- Khai thác tối đa các kênh phổ đặc hiệu của Sentinel-2: Trong các thiết kế kỹ thuật phân loại, bắt buộc phải đưa vào các chỉ số tính toán từ vùng phổ Rìa đỏ (Red Edge) và Hồng ngoại sóng ngắn (SWIR). Đây là chìa khóa khoa học để nâng cao độ chính xác phân biệt trạng thái sức khỏe rừng, độ ẩm đất và các giai đoạn sinh trưởng của lúa tại các vùng trọng điểm lương thực như Đồng bằng sông Hồng và Đồng bằng sông Cửu Long.

KẾT LUẬN

Nghiên cứu đã tổng hợp và phân tích các thuật toán phân loại ảnh vệ tinh Sentinel-2 được sử dụng phổ biến trong giám sát tài nguyên và môi trường, bao gồm Maximum Likelihood Classifier (MLC), Support Vector Machine (SVM), Random Forest (RF) và phương pháp phân loại dựa trên đối tượng (OBIA). Kết quả tổng hợp từ các nghiên cứu đã công bố cho thấy các thuật toán học máy, đặc biệt là Random Forest và Support Vector Machine, thường đạt hiệu quả phân loại cao hơn các phương pháp phân loại truyền thống nhờ khả năng xử lý các mối quan hệ phi tuyến và khai thác hiệu quả thông tin đa phổ của ảnh Sentinel-2. Bên cạnh đó, phương pháp OBIA kết hợp với Random Forest có ưu thế trong việc giảm hiện tượng "muối tiêu" và nâng cao chất lượng bản đồ đối với các khu vực có cấu trúc không gian phức tạp. Tuy nhiên, hiệu quả của từng thuật toán vẫn phụ thuộc đáng kể vào chất lượng dữ liệu đầu vào, phương pháp tiền xử lý, số lượng và tính đại diện của mẫu huấn luyện, cũng như quy trình đánh giá độ chính xác. 

Việc đánh giá kết quả phân loại cần được thực hiện thông qua các chỉ tiêu như Overall Accuracy (OA), Producer's Accuracy (PA), User's Accuracy (UA) và hệ số Kappa, sử dụng tập mẫu kiểm định độc lập để đảm bảo tính khách quan. Đồng thời, việc chỉ dựa vào một chỉ tiêu duy nhất là OA hoặc Kappa là chưa đủ để phản ánh đầy đủ chất lượng của mô hình phân loại; do đó cần kết hợp nhiều chỉ số đánh giá và phân tích ma trận nhầm lẫn nhằm xác định chính xác các dạng sai số của từng lớp phủ. 

Qua quá trình tổng hợp tài liệu, có thể nhận thấy xu hướng nghiên cứu hiện nay đang chuyển từ các phương pháp phân loại theo điểm ảnh sang các mô hình học máy, học sâu và các phương pháp khai thác chuỗi ảnh đa thời gian nhằm nâng cao khả năng tổng quát hóa và tính ổn định của kết quả phân loại. Tuy nhiên, nhiều nghiên cứu cũng chỉ ra rằng độ chính xác đạt được trong các bộ dữ liệu chuẩn thường cao hơn đáng kể so với các ứng dụng thực tế, do ảnh hưởng của sự khác biệt về điều kiện địa lý, thời gian thu nhận ảnh, chất lượng dữ liệu tham chiếu và quy trình kiểm định. Vì vậy, việc chuẩn hóa quy trình xây dựng mẫu huấn luyện, đánh giá độ chính xác và báo cáo kết quả là yêu cầu quan trọng để nâng cao khả năng ứng dụng của các thuật toán phân loại trong thực tiễn. 

TÀI LIỆU THAM KHẢO

[1] Phan Thanh Noi and Martin Kappa. Comparison of Random Forest, k-Nearest Neighbor, and Support Vector Machine Classifiers for Land Cover Classification Using Sentinel-2 Imagery.

[2] Support Vector Machine vs. Random Forest for Remote Sensing Image Classification: A Meta-analysis and Systematic Review.

[3] Comparison between Random Forest and Support Vector Machine Algorithms for LULC Classification.

[4] Evaluating the accuracy of manual classification in satellite images using supervised algorithms

[5] Random forest in remote sensing: A review of applications and future directions

[6] Andreea Florina Jocea. Sentinel-2 Land Cover Classification: State-of-the-Art Methods and the Reality of Operational Deployment—A Systematic Review

[7] Congalton, R. G., & Green, K. (2019). Assessing the Accuracy of Remotely Sensed Data: Principles and Practices (3rd Edition).