Trong lĩnh vực viễn thám, trí tuệ nhân tạo AI (Artifical Intelligence) có tiềm năng to lớn trong việc cách mạng hóa phân tích dữ liệu và được ứng dụng trong việc phát hiện đối tượng (object detection), phân loại ảnh (image classification), tìm kiếm biến động (change detection), thành lập bản đồ lớp phủ bề mặt (land cover mapping), phân tích dữ liệu radar và siêu phổ (hyperspectral and radar data analysis) và trộn dữ liệu (data fusion). Các công cụ AI có thể hỗ trợ hiệu quả trong việc quản lý dữ liệu lớn, mô hình hóa, phân tích và dự báo môi trường (Janga và những người khác, 2023).Theo Estes và những người khác (1986), sự phân biệt giữa các chương trình có AI và chương trình không có AI truyền thống có thể căn cứ trên một số đặc điểm cơ bản nhất. Trước tiên, hầu hết các chương trình không có AI đều dựa trên chiến lược phát triển các thuật toán thực hiện theo tuần tự từng bước để giải quyết các lớp vấn đề cụ thể. Như vậy, việc tính toán sẽ rất phức tạp, tốn kém tài nguyên và không thực sự hiệu quả cho từng vấn đề trong quá trình giải quyết lớp vấn đề đó. Bên cạnh đó, kiến thức của các chương trình không có AI được nhúng trong cấu trúc điều khiển của chương trình nên không linh hoạt, nếu muốn thay đổi thì phải viết lập trình lại. Đồng thời, chương trình khi thực hiện chủ yếu biểu thị kết quả dưới dạng số trị (numeric). Trong khi đó, các chương trình có AI sử dụng chiến lược tự suy luận, học hỏi từ dữ liệu, là những nguyên tắc (“rule of thumb”) và các lối tắt (short-cut) nhằm tránh việc tìm kiếm dữ liệu quá mức và để sắp xếp hợp lý trình tự xử lý của chương trình phù hợp với yêu cầu tìm kiếm cho một giải pháp cụ thể. Cơ sở kiến thức trong một chương trình AI thường là một thành phần tự chủ có thể linh hoạt trực tiếp sửa đổi, bổ xung hoặc giảm bớt thông qua các tương tác với phần thực thi thao tác, xử lý dữ liệu của chương trình hoặc gián tiếp thông qua cấu trúc điều khiển. Ngoài ra, các chương trình có AI đều nhấn mạnh vào lập trình "trạng thái" cụ thể. Một hành động sẽ được thực hiện khi một tập hợp các điều kiện cụ thể đã được đáp ứng và không nhất thiết phải theo bất kỳ trình tự cụ thể nào. Cuối cùng, kết quả thường được biểu thị dưới dạng các ký hiệu (symbolic), ví dụ như để miêu tả các đối tượng: ‘rừng”, “đất”, “nước”,...Hiện nay, với sự phát triển mạnh mẽ của AI, việc thu nhận và lưu trữ dữ liệu viễn thám ngày càng trở nên vô cùng quan trọng. Việc thu nhận nguồn dữ liệu viễn thám với dung lượng lớn có thể được thực hiện bằng các cảm biến trên các nền tảng khác nhau như: vệ tinh, máy bay và thiết bị bay không người lái UAV (Unmanned Aerial Vehicle). Trong đó, các cảm biến chụp ảnh (cameras) và cảm biến Lidar có vai trò lớn trong việc thu nhận các loại năng lượng đa dạng như: bức xạ điện từ, tín hiệu âm thanh được phát xạ, phản xạ và tán xạ từ các đối tượng quan tâm (objects of interest).AI có thể được sử dụng để nâng cao độ chính xác, hiệu quả và khả năng mở rộng của việc xử lý, phân tích và giải đoán dữ liệu ảnh viễn thám, cho phép ứng dụng rộng rãi trong nông nghiệp, lâm nghiệp, giám sát môi trường, quy hoạch đô thị và quản lý thiên tai. Trong đó, học máy ML (Machine Learning) là một phân ngành rộng của AI, dựa trên các quá trình liên quan đến việc thiết kế các thuật toán để “học” từ dữ liệu mà máy có thể đọc được. Tập trung chủ yếu của ML là chiết tách các thông tin từ dữ liệu một cách tự động bằng các phương pháp tính toán và thống kê.Hình 1 Minh họa mối quan hệ giữa AI, ML và DLML là phương pháp tiếp cận thực nghiệm hiệu quả trong các bài toán về cả hồi quy và/hoặc phân loại (có kiểm định hoặc không kiểm định) của các hệ thống đa biến phi tuyến tính (non-linear and multivariate systems). Trong ML, một “tập dữ liệu huấn luyện” của các mẫu ví dụ sẽ được xây dựng sao cho bao hàm được nhiều nhất có thể các tham số của hệ thống. Một tập hợp con ngẫu nhiên của dữ liệu cũng sẽ được dành cho việc kiểm định một cách hoàn toàn độc lập. Đặc điểm đáng chú ý của ML là không cần những hiểu biết trước đó (ví dụ như một hàm số) về bản chất của mối quan hệ giữa các dữ liệu như yêu cầu trong phương pháp bình phương nhỏ nhất truyền thống, hay nói cách khác, đây là thuật toán đa biến phi tuyến tính không có tham số (non-parametric). ML được coi là một giải pháp lý tưởng để giải quyết những vấn đề khi mà kiến thức lý thuyết của chúng ta vẫn chưa hoàn thiện nhưng chúng ta có một số lượng đáng kể các trị đo quan trắc và dữ liệu khác.ML có thể được phân chia thành 3 nhóm cơ bản được ứng dụng rộng rãi. Trong đó, hai nhóm đầu tiên sử dụng khả năng hồi quy (regression) của ML và nhóm thứ ba sử dụng khả năng phân loại (classification) của nó. Các nhóm ứng dụng này cũng có thể được mô tả theo những đặc trưng của nó như sau (Lary, 2010):Hệ thống đã có sự mô tả về mặt lý thuyết dưới dạng một mô hình xác định (deterministic model)/mô hình vật lý nhưng mô hình tiêu tốn nhiều về tính toán.Hệ thống không có một mô hình xác định/mô hình vật lý nhưng có các dữ liệu sẵn có để có thể xây dựng mối quan hệ thực nghiệm (empirically) dựa trên hành vi của hệ thống.ML được sử dụng cho để phân loại, ví dụ như phân loại đối tượng lớp phủ bề mặt.Trải qua gần hai thập ký phát triển, học máy ngày càng được ứng dụng rộng rãi trong thực tiễn mà điển hình như Cơ sở dữ liệu lớp phủ bề mặt đất quốc gia NLCD (The National Land Cover Database) của Mỹ được sản xuất bằng phương pháp sử dụng phân loại cây quyết định DT (Decision Trees).Nhiều nghiên cứu cũng đã chỉ ra rằng học máy nhìn chung có xu hướng đạt được độ chính xác cao hơn so với các phương pháp phân loại ảnh truyền thống đang được sử dụng phổ biến hiện nay (Maxwell và những người khác, 2018). Những phương pháp học máy đã được phát triển tương đối hoàn thiện và có sự chấp nhận rộng rãi có thể kể đến như: mạng nơ-ron nhân tạo ANN (Artificial Neural Network), máy véc-tơ hỗ trợ SVM (Support Vector Machines), cây quyết định DT (Decision Trees), RF (Random Forests) và k-NN (k-Nearest Neighbor).Gần đây, phương pháp học sâu (một phân nhánh của học máy) đã thu hút sự chú ý của các nhà nghiên cứu trong việc phân loại ảnh viễn thám. Trong đó, CNN (Convolutional Neural Networks) là một khung mạng nơ-ron tích chập nhiều lớp để phân loại ảnh viễn thám. Khung có hai mô - đun: “mạng quyết định và mạng phức hợp” và sử dụng phương pháp biểu quyết để thu được kết quả hợp nhất của hai mạng này. So với các phương pháp học máy truyền thống, CNN có thể chiết xuất các đặc điểm hình học của ảnh tốt hơn. Trong phân loại ảnh viễn thám, CNN có thể được sử dụng như một công cụ chiết xuất đặc trưng cho dữ liệu ảnh viễn thám. Nó được chứng minh là một phương pháp cho phép khai thác tính năng với hiệu quả cao.Tuy nhiên, việc tiếp cận AI cũng còn những thách thức liên quan đến những hạn chế của nó trong thực tiễn. Trước hết, các thuật toán đào tạo AI thường yêu cầu nguồn tài nguyên tính toán lớn, đặc biệt là các mô hình học sâu. Mặt khác, nhiều mô hình dựa trên mạng nơ-ron được coi như là những mô hình hộp đen (black box) và việc hiểu được những lý do đằng sau dự đoán của AI là rất khó khăn nhưng lại rất cần thiết để đạt được độ tin cậy và để đảm bảo các quyết định chính xác, hiệu quả. Đồng thời, việc tạo ra các tập dữ liệu gán nhãn (labeled datasets) phục vụ huấn luyện các mô hình AI tốn rất nhiều thời gian và công sức, đặc biệt với các nhiệm vụ có nhiều lớp đối tượng và đòi hỏi mức độ chi tiết cao. Hơn nữa, việc ứng dụng các mô hình AI chuyển giao được huấn luyện trên một tập dữ liệu để áp dụng cho các tập dữ liệu khác cũng đòi hỏi phải có thêm các các nguồn dữ liệu bổ trợ khác. Ngoải ra, cũng cần phải có sự kết hợp chặt chẽ giữa các kiến thức chuyên gia và chuyên ngành đặc thù vào trong các mô hình AI nhằm đảm bảo việc thể hiện được các đối tượng và các mối quan hệ phù hợp.