Trí tuệ nhân tạo và công nghệ LiDAR mặt đất: Đột phá mới trong giám sát và quản lý rừng

Vẹm Biển

23-04-2025

[…] the age of technology has arrived, and Kingfisher has decided it’s time for something new: Technological Innovation. Innovation can help Kingfisher conserve energy while maintaining a sense of tranquility, which is suitable for an increasingly advanced age with diminishing physical strength.

Trích “Innovation”; Wild Wise Weird (2024)

Sự hội tụ giữa trí tuệ nhân tạo (Artificial Intelligence – AI) và công nghệ quét laser mặt đất (ground-based LiDAR technology) đang mở ra một cách tiếp cận mang tính đột phá trong giám sát và quản lý rừng. Kulicki và cộng sự [1] đã thực hiện một bài tổng quan toàn diện, chỉ ra rằng các phương pháp học sâu (deep learning – DL) khi được áp dụng cho dữ liệu quét laser mặt đất (terrestrial laser scanning – TLS) đã giúp nâng cao đáng kể độ chính xác và hiệu quả của các hoạt động lâm nghiệp.

LiDAR, với khả năng tạo ra các đám mây điểm ba chiều chi tiết về môi trường rừng, trước đây chủ yếu được xử lý bằng các thuật toán dựa trên quy tắc (rule-based algorithms) [2]. Dù hiệu quả trong một số trường hợp, các phương pháp này gặp khó khăn trước sự phức tạp và biến thiên lớn của các hệ sinh thái tự nhiên. Ngược lại, AI — đặc biệt là học sâu — mang đến các giải pháp thích ứng, dựa trên dữ liệu, có khả năng xử lý các tập dữ liệu rộng lớn và tinh vi mà không cần dựa vào các quy tắc cố định [3].

Bài tổng quan xác định ba lĩnh vực ứng dụng cốt lõi đã đạt được những tiến bộ đáng kể: phân đoạn ngữ nghĩa (semantic segmentation — phân biệt lá, cành và thân cây), phân đoạn cây đơn lẻ (individual tree segmentation), và phân loại loài cây (species classification). Các kiến trúc học sâu như PointNet++ và mạng nơron tích chập (convolutional neural networks – CNNs) liên tục vượt trội so với các kỹ thuật học máy truyền thống trong ba nhiệm vụ này. Tuy nhiên, sự tiến bộ vẫn bị cản trở bởi những thách thức như thiếu tiêu chuẩn đánh giá nhất quán, hạn chế trong chia sẻ dữ liệu và mã nguồn, cũng như nhu cầu lớn đối với bộ dữ liệu tham chiếu có gán nhãn (annotated reference datasets) [1].

Các phương pháp AI mới nổi như mạng nơron đồ thị (Graph Neural Networks) và học tự giám sát (self-supervised learning) mang lại nhiều hứa hẹn, nhưng vẫn còn ít được khai thác trong lĩnh vực lâm nghiệp. Những cách tiếp cận này có tiềm năng giải quyết các hạn chế hiện tại bằng cách cải thiện khả năng thích ứng của mô hình và giảm sự phụ thuộc vào dữ liệu gán nhãn [4].

Kulicki và cộng sự [1] nhấn mạnh sự cần thiết phải xây dựng các bộ dữ liệu chuẩn quy mô lớn, truy cập mở và thúc đẩy văn hóa minh bạch thông qua chia sẻ mã nguồn và chuẩn hóa quy trình đánh giá. Những nỗ lực này là chìa khóa để nâng cao khả năng tái lập nghiên cứu, thúc đẩy đổi mới và hỗ trợ quản lý rừng bền vững.

Việc tích hợp AI vào giám sát sinh thái phản ánh một bước ngoặt trong cách con người tương tác với thiên nhiên [5,6]. Bằng cách tận dụng công nghệ tiên tiến để hiểu rõ hơn về động lực rừng, xã hội có thể xây dựng các chiến lược thông minh hơn, tiết kiệm chi phí hơn, đồng thời dung hòa lợi ích kinh tế với trách nhiệm bảo vệ môi trường. Dù đầu tư ban đầu cho hạ tầng AI và LiDAR có thể lớn, nhưng những lợi ích dài hạn — từ bảo tồn đa dạng sinh học đến tối ưu hóa quản lý tài nguyên — cho thấy giá trị to lớn của sự tiến hóa công nghệ này [7].

Tài liệu tham khảo

[1] Guan H, et al. (2015). Deep learning-based tree classification using mobile LiDAR data. Remote Sensing Letters, 6, 864-873. https://doi.org/10.1080/2150704X.2015.1088668 

[2] Kulicki M, et al. (2025). Artificial Intelligence and Terrestrial Point Clouds for Forest Monitoring. Current Forestry Reports, 11, 5. https://doi.org/10.1007/s40725-024-00234-4

[3] Qi CR, et al. (2017). Pointnet: Deep learning on point sets for 3d classification and segmentation. Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition, 652-660. https://arxiv.org/abs/1612.00593 

[4] Chattoraj J, et al. (2022). Knowledge-driven transfer learning for tree species recognition. 2022 17th International Conference on Control, Automation, Robotics and Vision, 149-154. https://doi.org/10.1109/ICARCV57592.2022.10004314 

[5] Vuong QH, Nguyen MH. (2024). Exploring the role of rejection in scholarly knowledge production: Insights from granular interaction thinking and information theory. Learned Publishing, 37, e1636. https://doi.org/10.1002/leap.1636 

[6] Nguyen MH. (2024). How can satirical fables offer us a vision for sustainability? Visions for Sustainability. https://ojs.unito.it/index.php/visions/article/view/11267

[7] Vuong QH, Nguyen MH. (2024). Better Economics for the Earth: A Lesson from Quantum and Information Theories. https://www.amazon.com/dp/B0D98L5K44