Trong nghiên cứu tổng quan “Applications of Deep Learning in UAV-Based Hyperspectral Remote Sensing: A Review”, Zhao và Zhang (2026) đã hệ thống hóa toàn bộ quy trình UAV-HSI từ thu nhận dữ liệu, hiệu chỉnh tiền xử lý, mô hình học sâu cho tới các ứng dụng thực tiễn trong nhiều lĩnh vực khác nhau. Đây được xem là một trong những nghiên cứu tổng hợp toàn diện nhất hiện nay về học sâu trong viễn thám siêu phổ UAV.Theo Zhao và Zhang (2026), ưu thế lớn nhất của UAV-HSI nằm ở khả năng cung cấp ảnh có độ phân giải không gian cực cao cùng thông tin phổ liên tục. Điều này đặc biệt phù hợp với các bài toán giám sát chi tiết ở quy mô nhỏ và trung bình như nông nghiệp chính xác, giám sát rừng, đánh giá chất lượng nước hoặc phát hiện ô nhiễm đất. Tuy nhiên, dữ liệu UAV-HSI cũng tồn tại nhiều thách thức như số chiều dữ liệu lớn, nhiễu phổ, biến động chiếu sáng, sai lệch hình học và sự thiếu hụt dữ liệu huấn luyện có nhãn. Các yếu tố này làm giảm khả năng tổng quát hóa của mô hình khi áp dụng trên các khu vực hoặc thời điểm khác nhau. Để giải quyết các hạn chế trên, học sâu đang trở thành hướng tiếp cận chủ đạo trong xử lý UAV-HSI. Các mạng nơ-ron tích chập (CNN) cho phép khai thác đồng thời thông tin phổ và không gian, giúp tăng độ chính xác phân loại và giảm ảnh hưởng của nhiễu. Trong những năm gần đây, các kiến trúc Transformer và Mamba tiếp tục được nghiên cứu nhằm tăng khả năng mô hình hóa quan hệ phụ thuộc dài hạn giữa các dải phổ và vùng ảnh khác nhau. Bên cạnh đó, các mô hình học tự giám sát (self-supervised learning), học bán giám sát (semi-supervised learning) và học chuyển miền (domain adaptation) được xem là giải pháp tiềm năng nhằm giảm phụ thuộc vào dữ liệu nhãn vốn rất tốn kém trong thực tế. Một trong những lĩnh vực ứng dụng nổi bật nhất của UAV-HSI là nông nghiệp chính xác. Các nghiên cứu được tổng hợp trong bài báo cho thấy UAV-HSI có thể hỗ trợ phân loại cây trồng, phát hiện cỏ dại, giám sát sâu bệnh và dự báo năng suất với độ chính xác rất cao. Ví dụ, các mô hình CNN 3D đã được sử dụng để nhận dạng cỏ barnyardgrass trong ruộng lúa và xây dựng bản đồ phân bố cỏ dại phục vụ phun thuốc chính xác. Ngoài ra, các mô hình học sâu còn có thể ước tính hàm lượng nitơ lá, chlorophyll hay độ ẩm cây trồng từ dữ liệu siêu phổ UAV, phục vụ quản lý dinh dưỡng và tưới tiêu thông minh. Trong lĩnh vực tài nguyên rừng và môi trường sinh thái, UAV-HSI kết hợp học sâu cho phép phân loại loài cây ở cấp độ cá thể, phát hiện sớm cây bị sâu bệnh và đánh giá suy thoái thảm thực vật. Các nghiên cứu tại châu Âu đã chứng minh khả năng phát hiện sớm cây vân sam bị bọ vỏ cây tấn công thông qua ảnh siêu phổ UAV đa thời gian, ngay cả trước khi cây xuất hiện dấu hiệu đổi màu bằng mắt thường. Đây là hướng ứng dụng có ý nghĩa lớn đối với công tác giám sát rừng và phòng chống sâu bệnh quy mô lớn.Đối với môi trường nước và biển, UAV-HSI cho thấy tiềm năng mạnh trong phát hiện tràn dầu, giám sát tảo nở hoa và đánh giá chất lượng nước. Nhờ khả năng ghi nhận chi tiết các phản xạ quang phổ đặc trưng, các mô hình học sâu có thể phân biệt lớp dầu trên mặt nước hoặc ước tính hàm lượng chlorophyll-a trong các thủy vực phức tạp. Điều này mở ra triển vọng ứng dụng trong giám sát môi trường ven biển và nuôi trồng thủy sản.Đối với Việt Nam, công nghệ UAV-HSI kết hợp học sâu có tiềm năng ứng dụng rất lớn. Trong nông nghiệp, đây có thể trở thành công cụ quan trọng phục vụ chuyển đổi số ngành nông nghiệp, đặc biệt trong giám sát lúa, cà phê, cây ăn quả và cây công nghiệp tại Đồng bằng sông Cửu Long, Tây Nguyên và Đông Nam Bộ. Với điều kiện khí hậu nhiệt đới gió mùa, dịch hại và stress cây trồng thường biến động nhanh, UAV-HSI có thể hỗ trợ phát hiện sớm các bất thường mà ảnh vệ tinh độ phân giải thấp khó đáp ứng.Trong lĩnh vực lâm nghiệp, Việt Nam có diện tích rừng tự nhiên và rừng trồng lớn, phân bố trên địa hình phức tạp. UAV-HSI có thể hỗ trợ kiểm kê rừng, giám sát cháy rừng, phát hiện sâu bệnh và đánh giá suy thoái hệ sinh thái ở quy mô chi tiết. Đối với môi trường nước, công nghệ này đặc biệt phù hợp cho giám sát chất lượng nước hồ chứa, thủy điện, vùng nuôi trồng thủy sản và khu vực ven biển.Tuy nhiên, việc triển khai UAV-HSI tại Việt Nam hiện vẫn đối mặt với nhiều khó khăn như chi phí thiết bị cao, yêu cầu tính toán lớn, thiếu dữ liệu chuẩn hóa và hạn chế về nguồn nhân lực chuyên sâu. Zhao và Zhang (2026) cho rằng xu hướng tương lai của UAV-HSI sẽ tập trung vào xây dựng bộ dữ liệu chuẩn, phát triển mô hình nền tảng (foundation models), tăng cường học tự giám sát và triển khai suy luận thời gian thực ngay trên UAV. Đây cũng là những định hướng phù hợp để Việt Nam từng bước xây dựng năng lực làm chủ công nghệ viễn thám siêu phổ thế hệ mới.Tài liệu tham khảoZhao, Y.; Zhang, Y. Applications of Deep Learning in UAV-Based Hyperspectral Remote Sensing: A Review. Remote Sensing, 2026, 18, 1131. https://doi.org/10.3390/rs18081131.