Tạp chí
 
Năm 2026
 
Số 67, Kỳ 5, [10 - 2026]

Ứng dụng mô hình Convolutional Neural Networks để xác định vùng ngập lụt từ ảnh đa thời gian và phân cực đôi Sentinel-1: Khu vực thử nghiệm tại thành phố Huế, Việt Nam

DOI:10.46326/JMES.2026.67(5).05

  • Cơ quan:

    Viện Kỹ thuật công trình đặc biệt, Trường Đại học Kỹ thuật Lê Quý Đôn, Hà Nội, Việt Nam

  • *Tác giả liên hệ:
    This email address is being protected from spambots. You need JavaScript enabled to view it.
  • Nhận bài: 22-01-2026
  • Sửa xong: 27-06-2026
  • Chấp nhận: 17-07-2026
  • Ngày đăng: 01-10-2026
Trang: 59 - 71
Lượt xem: 26
Xem onlineXem online
Lượt tải: 1
Tải về PDF
★★★★★Yêu thích: , Số lượt: 0
  • ★
  • ★
  • ★
  • ★
  • ★
Bạn yêu thích

Tóm tắt:

Ngập lụt là một trong những loại hình thiên tai gây thiệt hại nghiêm trọng đến kinh tế - xã hội và môi trường. Việc xác định nhanh và chính xác phạm vi ngập lụt đóng vai trò quan trọng trong công tác giám sát thiên tai, hỗ trợ ra quyết định. Trong nghiên cứu này, các tác giả đề xuất sử dụng mô hình học sâu Convolutional Neural Network (CNN) xác định vùng ngập lụt tại thành phố Huế bằng cách kết hợp dữ liệu ảnh SAR Sentinel-1 phân cực đôi đa thời gian. Bộ dữ liệu đầu vào được xây dựng từ các ảnh Sentinel-1 thu nhận trước và sau sự kiện lũ với hai kênh phân cực VV và VH. Bên cạnh đó, hai kênh tương ứng ΔVV và ΔVH thể hiện sự thay đổi cường độ tán xạ ngược của bề mặt giữa hai thời điểm quan sát. Các lớp dữ liệu này được tích hợp và được sử dụng làm đầu vào cho mô hình CNN. Mô hình CNN được thiết kế thông qua các ô cửa sổ dữ liệu kích thước 5×5 pixel nhằm khai thác đồng thời đặc trưng tán xạ ngược và cấu trúc không gian của bề mặt trên ảnh Sentinel-1 đa thời gian. Quá trình huấn luyện và đánh giá mô hình sử dụng 16.000 mẫu dữ liệu bao gồm vùng ngập và không ngập. Kết quả cho thấy mô hình CNN đạt độ chính xác phân loại 95,13% trên tập kiểm tra với giá trị hàm mất mát 0,1918. Độ chính xác thực tế của phương pháp được xác định trên 1000 điểm kiểm tra ngẫu nhiên cho độ chính xác tổng thể là 96,4% và hệ số Kappa đạt 0,928. Kết quả nghiên cứu khẳng định tính hiệu quả của việc ứng dụng mô hình CNN và dữ liệu Sentinel-1 đa thời gian trong thành lập bản đồ ngập lụt, góp phần nâng cao độ chính xác trong xác định ranh giới vùng ngập và hỗ trợ hiệu quả cho công tác giám sát và quản lý thiên tai.

Trích dẫn
Lê Minh Hằng, Lê Vũ Hồng Hải và Nguyễn Trần Vinh Hiển, 2026. Ứng dụng mô hình Convolutional Neural Networks để xác định vùng ngập lụt từ ảnh đa thời gian và phân cực đôi Sentinel-1: Khu vực thử nghiệm tại thành phố Huế, Việt Nam, Tạp chí Khoa học kỹ thuật Mỏ - Địa chất, số 67, kỳ 5, tr. 59-71.
Tài liệu tham khảo

Alexandre, C., Johary, R., Catry, T., Mouquet, P., Révillion, C., Rakotondraompiana, S., Pennober, G. (2020). A sentinel-1 based processing chain for detection of cyclonic flood impacts. Remote sensing, 12(2), 252.

Cao, H., Zhang, H., Wang, C., Zhang, B. (2019). Operational flood detection using Sentinel-1 SAR data over large areas. Water, 11(4), 786.

DeVries, B., Huang, C., Armston, J., Huang, W., Jones, J. W., Lang, M. W. (2020). Rapid and robust monitoring of flood events using Sentinel-1 and Landsat data on the Google Earth Engine. Remote sensing of Environment, 240, 111664.

Disperati, L., Virdis, S. G. P. (2015). Assessment of land-use and land-cover changes from 1965 to 2014 in Tam Giang-Cau Hai Lagoon, central Vietnam. Applied Geography, 58, 48-64.

Ghosh, B., Garg, S., Motagh, M., Martinis, S. (2024). Automatic flood detection from Sentinel-1 data using a nested UNet model and a NASA benchmark dataset. PFG-Journal of Photogrammetry, Remote Sensing and Geoinformation Science, 92(1), 1-18.

Google Earth Engine (GEE). (2026). Copernicus Sentinel-1 GRD. https://developers.google. com/earth-engine/datasets/catalog/ COPERNICUS_S1_GRD?hl=vi

Ioffe, S., Szegedy, C. (2015). Batch normalization: Accelerating deep network training by reducing internal covariate shift. In International conference on machine learning, PMLR 37 (pp. 448-456).

Le Ngoc, H., Nguyen, H. S., Le Phuc, C. L., Nguyen, V. A., Tran, T. A. (2024). Flood mapping and impact assessment in agricultural land in Hoa Vang, Da Nang using remote sensing and Google Earth Engine. VNU Journal of Science: Earth and Environmental Sciences, 40(2), 77-92 (in Vietnamese).

Lin, M., Chen, Q., Yan, S. (2013). Network in network. arXiv preprint arXiv:1312.4400.

Martinis, S., Plank, S., Ćwik, K. (2018). The use of Sentinel-1 time-series data to improve flood monitoring in arid areas. Remote Sensing, 10(4), 583.

Phan, H. A., Van Le, T., Tran, T. A., and Nguyen, S. H. (2021). An environmental zoning for sustainable development in Thua Thien Hue Province, Vietnam. In Global Changes and Sustainable Development in Asian Emerging Market Economies Vol. 2: Proceedings of EDESUS 2019, 817-841.

Quốc hội. (2024). Nghị quyết về việc thành lập thành phố Huế trực thuộc trung ương (Nghị quyết số 175/2024/QH15).

Saleh, T., Weng, X., Holail, S., Hao, C., Xia, G. S. (2024). DAM-Net: Flood detection from SAR imagery using differential attention metric-based vision transformers. ISPRS Journal of Photogrammetry and Remote Sensing, 212, 440-453.

Srivastava, N., Hinton, G., Krizhevsky, A., Sutskever, I., Salakhutdinov, R. (2014). Dropout: A simple way to prevent neural networks from overfitting. The journal of machine learning research, 15(1), 1929-1958.

Tiwari, V., Kumar, V., Matin, M. A., Thapa, A., Ellenburg, W. L., Gupta, N., Thapa, S. (2020). Flood inundation mapping-Kerala 2018; Harnessing the power of SAR, automatic threshold detection method and Google Earth Engine. Plos one, 15(8), e0237324.

Trinh, L.H., Mai, D.S., Nguyen, N.H., Le, V.P., (2021). Automatic flood detection using Sentinel-1 images in Google Earth Engine. Journal of Science and Technique: Section on Special Construction Engineering, 4(2), 29-43.

Tuan, V. Q., Khai, D. H., Nhan, H. T. K., and Hoa, N. T. (2018). Developing a flood monitoring algorithm for the Mekong Delta region based on Google Earth Engine. Can Tho University Journal of Science, 54(9A), 29-36. (in Vietnamese).

Weather and Climate. (2026). Average monthly precipitation (rainfall) in Hue, Vietnam. https://weather-and-climate.com/average-monthly-precipitation-Rainfall,Hue,Vietnam

Zhao, J., Xiong, Z., Zhu, X. X. (2024). UrbanSARFloods: Sentinel-1 SLC-based benchmark dataset for urban and open-area flood mapping. In Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition (pp. 419-429).

Zhao, Z., Zhang, B., Wu, F., Yang, J. (2023, September). Deep Learning-Based Flood Detection Using Multi-Temporal Sentinel-1 SAR Data: A Case Study in Beijing Area, 2023. In 2023 SAR in Big Data Era (BIGSARDATA) (pp. 1-4). IEEE.

Các bài báo khác