Luận án Nghiên cứu phương pháp phân loại dữ liệu đám mây điểm LiDAR và ứng dụng

Nội dung text: Luận án Nghiên cứu phương pháp phân loại dữ liệu đám mây điểm LiDAR và ứng dụng

1. 85 cách tiếp cận phân loại hình ảnh dựa trên đối tượng đang là xu hướng phù hợp với phân loại lớp phủ bề mặt. Phương pháp dựa trên đối tượng dựa trên một cấu trúc phân cấp để phân loại các đối tượng được phân đoạn và kỹ thuật này đã chứng minh vượt trội hơn các bộ phân loại dựa trên pixel truyền thống không chỉ trên các hình ảnh vệ tinh, mà còn cả dữ liệu LiDAR hàng không. Nhiều nghiên cứu khác nhau đã thử nghiệm và cho độ chính xác tổng thể trên 80% có thể đạt được bằng cách sử dụng kỹ thuật dựa trên đối tượng trên LiDAR từ bề mặt. Với nghiên cứu [89], tác giả You Mo và cộng sự đã sử dụng ảnh hàng không và ĐMĐ LiDAR. Sau đó, các mô hình nDSM và mô hình cường độ bề mặt (IM – Intensity Model), được tạo ra từ độ cao và cường độ của các ĐMĐ. Khi kết hợp ảnh hàng không và dữ liệu thu được từ LiDAR đã được sử dụng để phân loại lớp phủ bề mặt. Ba bộ phân loại học máy RF, kNN và ANN đã được sử dụng trong các thử nghiệm khác nhau. Sự kết hợp giữa hình ảnh trên không và nDSM, RM và IM, với bộ phân loại SVM hoạt động tốt nhất trong phân loại lớp phủ (độ chính xác tổng thể = 84,75%, hệ số kappa = 0,80). Tác giả M I Hariyono và cộng sự cũng đã chỉ ra ưu điểm của SVM trong phân loại lớp phủ bề mặt [90], đặc trưng dữ liệu LiDAR được trích xuất dựa trên đặc trưng điểm. Các đặc trưng được trích xuất được sử dụng làm thuộc tính cho dữ liệu đào tạo để tạo ra mô hình dự đoán SVM. Mô hình dự báo để dự đoán các loại lớp phủ trong khu vực nghiên cứu chẳng hạn như các tòa nhà, cây cối, đường xá, đất trống và thảm thực vật thấp. Trong nghiên cứu, phân loại lớp phủ được sử dụng giúp cải thiện độ chính xác tổng thể khoảng 20%. Việc sử dụng dữ liệu cường độ trong sự kết hợp băng tần này là lý do cho độ chính xác ngày càng tăng. Tại Việt Nam, dữ liệu được sử dụng chủ yếu trong phân loại lớp phủ bề mặt khu vực đô thị là ảnh hàng không, ảnh radar hay theo phương pháp đo vẽ ngoài thực địa. Các công nghệ này đòi hỏi một loại hình huấn luyện đặc biệt để phân tích các hình ảnh. Do đó, cần đào tạo con người trong quá trình xử lý dữ liệu viễn thám để đảm bảo độ chính xác cho công tác này. Các hệ thống viễn thám hoạt động mạnh mẽ như rađa phát ra bức xạ điện từ của chính chúng có thể xâm nhập, đi xuyên qua và ảnh hưởng đến đối tượng đang được thu thập. Dữ liệu thu thập được từ công nghệ này thường trong khu vực hẹp, phụ thuộc vào thời tiết, mất nhiều thời gian để khóa đối tượng, độ phân giải của ảnh thường không cao . Thêm vào đó, một số
2. 87 chính xác của quá trình lấy mẫu, trích chọn đặc trưng. Ngoài ra, kết quả phân loại được so sánh, đối chiếu với bản đồ lớp phủ và ảnh độ phân giải cao trên Google Earth cùng thời điểm để chỉnh sửa các đối tượng bằng cách giải đoán bằng mắt. Kết quả phân loại lớp phủ sau khi chỉnh sửa có sử dụng làm bản đồ tham chiếu nhằm đánh giá độ chính xác của kết quả phân loại. Đây là quy trình được thực hiện bán tự động khi vừa có sự tham gia của máy móc và sự tham gia của con người. Chính vì thế, sai số của phương pháp này bao gồm cả sai số do máy móc và sai số do con người. Dựa trên những nghiên cứu về khả năng của dữ liệu LiDAR trong phân loại lớp phủ bề mặt đã được đề cập, NCS đã đưa ra đề xuất sử dụng dữ liệu LiDAR cho bài toán phân loại lớp phủ bề mặt tại Việt Nam từ đó thành lập DEM/DSM và tạo bộ dữ liệu đầu vào cho DSS trong quy hoạch đất đai. Phương pháp đề xuất và thử nghiệm của phương pháp được đề cập trong phần B. Phương pháp đề xuất 3.2.2 Phương pháp đề xuất Với ưu điểm của công nghệ LiDAR so với các công nghệ viễn thám đang được sử dụng trong phân loại lớp phủ bề mặt khu vực đô thị tại Việt Nam, NCS đề xuất phương pháp sử dụng dữ liệu LiDAR trong phân loại lớp phủ bề mặt khu vực đô thị như trong hình 3.2. Hình 3.2 Phương pháp phân loại lớp phủ bề mặt và thành lập mô hình ứng dụng Qua kết quả thử nghiệm trong phần 2.1.4 và 2.2.4 cho thấy thuật toán EM – D và MCC - D cho kết quả phân loại tốt với các bộ dữ liệu thử nghiệm. Thực
3. 89 Bảng 3.1 Giá trị thuộc tính của bộ dữ liệu LiDAR được sử dụng STT Thuộc tính Giá trị Diễn giải thuộc tính 1 Độ cao bay chụp 1500 m Độ cao của máy mang thiết bị quét laser 2 Góc quét ±200 Ở 00, xung laser nằm ngay bên dưới máy bay ở nadir. Ở mức -900, xung laser nằm ở phía bên trái của máy bay, trong khi ở mức +900, xung laser nằm ở phía bên phải của máy bay theo hướng bay 3 Scan Frequency 30.7Hz Tần số quét của tia laser, số xung trên mỗi giây 4 Pulse rate 75Khz Tốc độ mà cảm biến LiDAR phát ra xung 5 Point per m2 3.44 Số điểm trung bình trên m2 6 Point density 0.25m Số lượng phép đo trên một khu vực mà bề mặt trái đất được lấy mẫu 7 LAS version 1.2 Chuẩn định dạng của tập tin .LAS 8 Return number 1 Số lần trả về là tổng số lần trả về cho một (min, max) 7 xung đã cho 9 Flightline Egde 0 Các điểm được gắn cờ ở rìa của đường bay (min, max) 0 sẽ có giá trị là 1 và tất cả các điểm khác sẽ được cho giá trị 0 10 Intensity (min, 0,65535 Cường độ phản xạ của tia laser tạo ra điểm max) đó 11 Z (min, max) 324.24 Độ cao của điểm 1996.68 12 Standard deviation 0.034m Độ chính xác của quét laser 13 RMSE 0.040m Root mean square error 14 Average difference 0.022m Độ chính của điểm 15 Point count 903,223 Tổng số điểm trong ĐMĐ
4. 91 Hình 3.4 Kết quả phân loại với EM – D Bảng 3.3 Số lượng điểm của các lớp sau phân loại 1- Chưa gán 3 - Thực vật 5 - Thực vật 2 - Ground 6 - Nhà nhãn thấp cao Số điểm 10,479 283,412 183.366 91.683 334,283 Đánh giá độ chính xác của kết quả phân loại với thuật toán EM[45] và MCC (2020) qua độ đo Precision, Recal, F1 thể hiện trong bảng 3.4. Bảng 3.4 So sánh kết quả phân loại của EM – D với MCC và EM Precision Recal F1 Độ hội tụ EM-D và MCC-D 93,56% 92,50% 0,93 0,000023 MCC (2020) 90,30% 90,60% 0,90 0,001 EM [45] 89,70% 89,20% 0,89 0,004 Theo bảng 3.4 có thể nhận thấy thuật toán EM – D và MCC - D có kết quả phân loại có độ chính xác phân loại tốt hơn thuật toán EM[45] và MCC. Với kết quả này, những thông tin về các đối tượng trên lớp phủ bề mặt là hoàn toàn đáng tin cậy và tạo DEM/DSM, mô hình mô phỏng để nghiên cứu về lớp phủ và tạo bộ dữ liệu đầu vào cho DSS trong quản lý đất đai.
5. 93 Hình 3.6 DSM với độ phân giải 1m C. Đánh giá Dựa trên kết quả thực nghiệm của phương pháp phân loại đối tượng lớp phủ bề mặt khu vực đô thị sử dụng dữ liệu ĐMĐ LiDAR có thể nhận thấy đây là phương pháp hoàn toàn phù hợp, khi công tác phân loại được sử dụng hoàn toàn tự động, với độ chính xác đáp ứng được yêu cầu thành lập DEM/DSM, mô hình mô phỏng. Thêm vào đó, bộ dữ liệu thu nhận từ LiDAR cho độ phân giải cao với mật độ điểm quét dày đặc cung cấp thông tin về các đối tượng trên lớp phủ. Phương pháp đề xuất được tiến hành đơn giản, bộ dữ liệu đồng nhất, tránh được những sai sót do sử dụng tài liệu ghi chép hay bản đồ giấy, những sai số phát sinh do con người hay sự không đồng bộ của máy móc và con người. Qua đó có thể nhận thấy, phương pháp đề xuất trong bài toán phân loại lớp phủ bề mặt khu vực đô thị là có ưu điểm và đáp ứng được yêu cầu của bài toán. Với kết quả thu được, công tác phân loại lớp phủ bề mặt khu vực đô thị sẽ được tiến hành nhanh, có sự đồng nhất trong dữ liệu và hoàn toàn có thể ứng dụng cho các bài toán khác như quy hoạch hay tạo bộ dữ liệu đầu vào cho DSS trong quy hoạch đất đai.
6. 95 hiện nay, công nghệ LiDAR đang nổi lên như một công cụ hiệu quả và hữu ích, được ứng dụng cho nhiều ngành, nhiều lĩnh vực của đời sống xã hội như: nông nghiệp, nông thôn, lập bản đồ ngập úng, địa hình đáy biển, lập mô hình và mô phỏng, quản lý mặt nước, nguồn nước, quản lý nguồn tài nguyên đất đai . DSS tích hợp dữ liệu quản lý đất đai, dữ liệu địa lý, dữ liệu thống kê kinh tế và xã hội từ đó thiết lập các mối quan hệ dựa trên các mô hình, mô phỏng [107]. DSS trong quy hoạc đất đai có thể bao gồm 4 phần sau: Bộ dữ liệu, Mô hình toán học, Tri thức, và Giao diện người dùng được thể hiện trong hình 3.7. Hình 3.7 Các thành phần của DSS trong quy hoạch đất Có thể nhận thấy, thành phần dữ liệu là thành phần khởi đầu và đầu vào của DSS, khi các nguồn dữ liệu sẽ được lựa chọn để đưa vào mô hình tính toán, từ đó sẽ có những nhận định và đánh giá, cùng với đó dựa trên ý kiến của chuyên gia sẽ giúp các nhà quản lý có những quyết định hợp lý và chính xác về lĩnh vực mà mình quản lý. Dữ liệu chuẩn sẽ có những quyết định chính xác, vì thế lựa chọn dữ liệu là rất cần thiết và quan trọng với DSS. Qua khả năng sử dụng của dữ liệu LiDAR sau phân loại với bài toán đánh giá sự thay đổi của lớp phủ bề mặt khu vực đô thị, với khả năng tích hợp dữ liệu LiDAR và sản phẩm đầu ra của quá trình xử lý dữ liệu LiDAR hoàn toàn có thể đáp ứng được yêu cầu của thành phần dữ liệu trong DSS. Với khả năng thu nhận kết quả nhanh chóng và chính xác, dữ liệu thu thập được từ công nghệ LiDAR được đánh giá cao trong thành lập bản đồ tình trạng sử dụng đất. LiDAR cung cấp thông tin địa hình ba chiều chính xác thông qua dữ liệu
7. 97 Tuy nhiên, với cơ sở dữ liệu trên chưa đủ để giúp các nhà quản lý và quy hoạch đưa ra những quyết sách trong đất đai khi đất (nhất là với khu vực đô thị) luôn nóng và là vấn đề mang tính thời sự. Khi có dữ liệu mô phỏng được bề mặt, mô hình DEM/DSM hay mô hình 3D sẽ giúp nhà quản lý có cái nhìn trực quan và thu thập thông tin bề mặt tốt hơn. Do đó, NCS đề xuất quy trình sử dụng dữ liệu LiDAR trong tạo bộ dữ liệu đầu vào cho DSS trong quy hoạch đất đai bên cạnh việc sử dụng các loại cơ sở dữ liệu khác. Với những ĐMĐ LiDAR có số lượng điểm lớn là bộ dữ liệu thực sự có giá trị giúp khai phá được nhiều thông tin về các đối tượng trên bề mặt của khu vực đó. Tuy nhiên, do có số điểm rất lớn, nên bằng các thao tác thủ công không thể sử dụng hết được các giá trị hữu ích này. Ngay cả khi đưa dữ liệu ĐMĐ LiDAR vào phần mềm GIS như ENVI LiDAR hay ArcGIS LiDAR, hệ thống chỉ nhận biết được điểm ground và điểm non-ground trong quá trình phân loại thô. Trong khi đó, quản lý sử dụng đất phải nắm bắt được các thông tin về các đối tượng cả ground và non - ground. Chính vì lý do đó cần thiết phải có một phương pháp xử lý dữ liệu LiDAR phù hợp để có thể thu nhận được dữ liệu có ích và cần thiết cho quá trình quản lý sử dụng đất một cách hiệu quả và bền vững. Với yêu cầu đó, NCS sử dụng thuật toán MCC – D để phân loại ĐMĐ LiDAR sử dụng trong bài toán tạo bộ dữ liệu đầu vào cho DSS trong quy hoạch đất đai. Do yêu cầu về phân loại chi tiết để nắm bắt và quản lý thông tin về các đối tượng trên mặt đất cũng như trên bề mặt, cần sử dụng toàn bộ bộ dữ liệu thu được từ LiDAR. Với kết quả phân loại điểm của thuật toán MCC – D cho thấy, thuật toán cho độ chính xác phân loại tốt, dữ liệu sau phân loại được chia thành các lớp riêng biệt như mặt đất, tòa nhà, thực vật, . Những thông tin này khi được sử dụng có thể tạo bộ dữ liệu như DEM/DSM, mô hình 3D, mô hình mô phỏng, cung cấp thông tin có giá trị về hiện trạng bề mặt cũng như lớp phủ của khu vực. Quy trình xử lý dữ liệu dữ liệu LiDAR được NCS đề xuất trong hình 3.8.
8. 99 thám khác. Để đánh giá độ chính xác của quy trình đề xuất, NCS tiến hành thử nghiệm trên bộ dữ liệu thực tế trong phần 3.3.3 C. Thử nghiệm Bộ dữ liệu được sử dụng trong thực nghiệm là khu vực dân cư đông đúc của Thành phố Bắc Ninh. Đây là khu vực có mật độ dân cư đông, có diện tích khoảng 10km2, mật độ dân cư cao, có đường giao thông và nhiều cây. ĐMĐ với 5.909.916 điểm, giá trị tọa độ Xmin = 501674.204076; Ymin = 3757299.628317; Xmax = 2 503228.707749; Ymax = 3758184.08866. Mật độ điểm là 2.98 pt/m . ĐMĐ sau khi được loại bỏ nhiễu được thể hiện trong hình 3.9. Hình 3.9 ĐMĐ sau khi loại bỏ nhiễu Để phân loại ĐMĐ LiDAR, sử dụng thuật toán MCC-D và giá trị cường độ trong quá trình phân loại. Kết quả phân loại được thể hiện trong bảng 3.5, sự phân bố của các điểm sau phân loại trong hình 3.10. Bảng 3.5 Số lượng điểm thuộc các lớp sau phân loại 1- Chưa gán nhãn 2 - Ground 5 - Thực vật 6 - Nhà Số điểm 921,014 1,548,721 965,478 2,474,703
9. 101 Hình 3.11 Mô hình DEM Hình 3.12 Mô hình DSM Hình 3.13 Mô hình 3D
10. 103 phổ biến trong lĩnh vực khoa học trái đất vì khả năng nhận thông tin trên một khu vực đo rộng lớn, số lượng điểm thường rất lớn. Trong chương 3 NCS đã ứng dụng thuật toán MCC-D và EM-D trong chương 2 để phân loại ĐMĐ tại khu vực đô thị Hà Nội, Bắc Ninh để từ đó có thể phân loại được đối tượng trên lớp phủ bề mặt khu vực đô thị từ đó xây dựng DEM/DSM, mô hình 3D, mô hình mô phỏng và tạo bộ dữ liệu cho DSS trong quản lý đất đai. Qua kết quả nghiên cứu và thử nghiệm, có thể nhận thấy thuật toán hoàn toàn có thể áp dụng trong thực tế.
11. 105 ground của ĐMĐ còn chưa được khai thác hết. Với những dữ liệu điểm này hoàn toàn có thể phân loại và cho những thông tin về không gian bề mặt của khu vực khảo sát để thực hiện các bài toán khác nhau trong các nghiên cứu tiếp theo. Thêm vào đó, do thông tin mà dữ liệu ĐMĐ LiDAR mang lại là rất lớn, nên với hai bài toán được đề cập đến trong chương 3 chưa thể nêu hết được ưu điểm của dữ liệu ĐMĐ LiDAR, còn nhiều bài toán có thể áp dụng và thử nghiệm trong các nghiên cứu sau này.
12. 107 CT10. Nguyen Thi Huu Phuong. Using RPM-GMM for TPS interpolation in MCC algorithm. International Journal of Advanced in Computer Sciences, Vol.12, No.2, March – April, 2021. CT11. Nguyễn Thị Hữu Phương, Đặng Văn Đức, Nguyễn Trường Xuân. Phương pháp loại bỏ nhiễu dữ liệu LiDAR sử dụng khoảng cách danh nghĩa (Nominal Point Spacing), Hội nghị Khoa học Quốc Gia Nghiên cứu cơ bản và ứng dụng công nghệ thông tin, TPHCM, 2021.
13. 109 15. Demetrios Gatziolis, Hans-Erik Andersen, A guide to LiDAR data acquisition and processing for the forests of the pacific northwest, United states Department of Agriculture, 2008 16. Kevin P.Murphy, Machine Learning A probabilistic Perspective, London: The MIT press, 2012 22. Zhao Kai, Xu Youchun, Wang Rendong, A preprocessing method of 3D point clouds registration n urban environments, Opto Electronic Engineering, vol. 45, no. 12, 2018 23. Xudong Lai, Min Zheng, A denoising method for LiDAR full-waveform data, Mathematical Problems in Engineering, vol. 2015, 2015. 24. H.Y. Zhang, G.H.Fan, T.H.Zhang, Y,H.Zheng, Wavelet denoising study of laser radar waveform signals, Research and Development, vol. 5, no. 31, 2012 25. B.Y.Sun, D.S.Huang, Noise reduction in LiDAR signal based on discrete wavelet transform, IEEE Signal Processing Letters, vol. 12, no. 2, 2005 26. Marie Julie Rakotosaona, Vittorio La Barbera, Paul Guerrero, Noloy J Mitra, Maks Ovsjanikow, PointCleanNet: Learning to denoise and remove outliers from dense point clouds, Computer graphics forum, vol. 7, 2019 27. Imran Ashraf, Soojong Hur, Yongwan Park, An Investigation of Interpolation Techniques to generate 2D intensity image from LiDAR data, IEEE Access, 2017 28. Xiao Liu, Zhenyu Zhang, Jim Peterson, Evaluation of the performance of DEM interpolation algorithms for LiDAR data, in Surveying and Spatial Sciences Institute Biennial International Conference, Adelaide, 2009 29. Xudong Lai, Yifei Yuan, Yongxu Li, and Mingwei Wang, Full-Waveform LiDAR Point Clouds Classification Based on Wavelet Support Vector Machine and Ensemble Learning, Sensors (Basel), vol. 19, no. 14, 2019 30. Trần Đình Luật, Nguyễn Thị Kim Dung, Lưu Thị Thu Thủy, Trần Hồng Hạnh, Khả năng ứng dụng công nghệ LiDAR xây dựng mô hình số địa hình vũng bãi bồi cửa sông ven biển trong điều kiện Việt Nam, Tạp chí Tài nguyên và Môi trường, vol. 1, 2015. 31. Đỗ Tiến Sỹ, Nguyễn Anh Thư, Hoàng Hiệp, Võ Thị Loan, Kết hợp dữ liệu ĐMĐ từ các thiết bị 3D Laser scanning và phương tiện bay không người lái (UAV) nhằm thu thập thông tin mô hình công trình xây dựng, Tạp chí Xây dựng, 2019.
14. 111 42. Q. Z. e. al, Robust point cloud classification based on multi-level semantic relationship for urban scenes, ISPRS Journal of photogrammetry anđ Remote Sensing, 2017. 43. Autur Maligo et al, Classification of outdoor 3D data based on unsupervised GMM, HalfHall, 2017 44. Suresh K.Lodha, Darren M.Fitzpatrick, David P.Helmbold, Aerial LiDAR data classification using Expectation - Maximization, Research Gate, 2007 45. Zhenyang Hui et al, Automatic DTM extraction from airborne LiDAR based on EM, Optics and laser Technology, 2017 46. Chao Luo, Gunho Sohn, Scene layout compatible CRF for classifying TLS point clouds, Conference Paper, 2014 47. Carlos Cabo, Celestino Ordóñez, Fernando Sáchez-Lasheras, Multiscale Supervised Classification of Point Clouds with Urban and Forest Applications, Sensors, vol. 19, pp. 1-12, 2019 48. Jeffrey S.Evans, Andrew T.Hudak, A multiscale curvature algorithm for classifying discrete return LiDAR in forested environments, IEEE, vol. 45, 2007 49. Sare, R.; Hilley, G. E., Supervised, Color-enhanced Multiscale Curvature Classification of Lidar and Structure-from-Motion Point Clouds for Geomorphic Applications, American Geophysical Union, Fall Meeting 2019, 2019 50. Wade T.Tinkham, Hongyu Huang, A comparision of two open source LiDAR surface classification algorithm, Remote Sensing, vol. 3, 2011 51. Faten Hamed Nahhas, Helmi Z. M. Shafri , Maher Ibrahim Sameen, Biswajeet Pradhan, and Shattri Mansor, Deep Learning Approach for Building Detection Using LiDAR–Orthophoto Fusion, Systems and Sensors in Geoscience Applications, 2018 52. Ali Haider, Songxin Tan, Improvement of LiDAR data classification algorithm using the machine learning technique, Polarization Science and Remote Sensing, San Diego, Carlifornia, United States, 2019 53. Zhuqiang Li, Li Qiang Zhang, Xiaohua Tong, A three step approach for TLS point cloud classification, IEEE, 2016
15. 113 68. Chuanfa Chen, Yanyan Li, Changqing Yan, Honglei Dai, Goulin Liu, A TPS based feature preserving method for reducing elevation points derived from LiDAR, Remote Sensing, vol. 7, no. 9, 2015 69. M.Lohndorf, J.M Melenk, On thin plate spline interpolation, Arxiv, 2017 70. Henrik Weimer, Joe Warren, Subdivision Schemes for Thin Plate Splines, EUROGRAPHICS, vol. 17, no. 3, 1998 71. T. E.Smith, Notebook for spatial data analysis, Spring, 2016 72. S. Kodors, Point distribution as true quality of LiDAR point cloud, Baltic J. Modern Computing, vol. 5, 2017 73. Wojciech Pokojski, Paulina Pokijska, Voronoi diagrams inventor, method, applications, Polish Cartagraphical Review, vol. 50, no. 3, 2018 74. B. Kalantari, The state of the art of Voronoi diagram research, Transactions on Computational Science, vol. XX, 2013 75. D. Souvaine, Voronoi Diagrams, Spring, 2005 76. Radu Horaud, Florence Forrbes, Manuel Yguel, , Rigid and Articulated point registration with Expectation Conditional Maximization, IEEE transactions on pattern analysis and machine intelligence, vol. 33, no. 3, 2011 77. Jereon Hermans, Dirk Smeets, Dirk Vandermeuden, Robust point set registration using EM-ICP with information - theoretically optimal outlier handling, IEEE Computer Society Conference on Computer Vision and Pattern Recoginition, 2011 78. R.K Beatson, W.E.Ong, I.Rychkov, Faster fast evaluation of thin plate splines in two dimensions, Journal of Computational and Applied Mathematics, vol. 261, no. 1, 2014. 79. Haili Chui, Anand Rangajaran, A new point matching algorithm for non - rigid registration, Computer vision and Image Understanding, vol. 89, pp. 114 - 141, 2003 80. Weigo Xie, Lutz Peter Nolte, Guonyan Zheng, ECM versus ICP for Point Registration, Annual International Conference of the IEEE EMBS, Massachusetts, 2011A. 81. Tharwat, “A parameter investigation of SVM classifier with kernel functions,” Knowlegde Information System, tập 3, pp. 1-34, 2019.
16. 115 92. Yan Shi, Zhixin Qi, Xiaoping Liu, Ning Niu, Hui Zhang, Urban Land Use and Land Cover Classification Using Multisource Remote Sensing Images and Social Media Data, Journal of Remote Sensing, vol. 11, no. 22, 2019 93. William Anderson (Schoolworkhelper Editorial Team), Urban Land Use, SchoolWorkHelper, 2019 94. Rajni Jain, S S Raju, Decision Support System in Agriculture using uantitative Analysis, Agrotech Publishing Academy , 2015 95. K. P. Tripathi, Decision support System is a tool for making better decisions in the organization, Indian Journal of Computer Science and Engineering, vol. 2, no. 1, 2011 96. J. Clerk Maxwell, A Treatise on Electricity and Magnetism, 3rd ed., vol. 2. Oxford: Clarendon, 1992 97. Andreas Felsberger, Bernhard Oberegger, Gerald Reiner, A review of DSS for manufacturing systems, SamJ40 workshop at i-KNOW 16, Graz, Austria, 2016 98. Mohammad Omidvar, Fariba Bordbar, Advanced decision support systems for managers, European online Journal of Natural and Social Science, vol. 2, no. 3, 2013 99. H. Alshibly, Investiatng Decision Support System success: A partial least quares structural equation modeling approach, Semantic Sholar, 2015 100. Lian Zhi Ho et al, Supervised spatial classification of mutispectral LiDAR data in urban areas, Plos One, 2018 101. Martin Herold, Dar A. Roberts, Multispectral satellites - Imaging spectrometry - LiDAR: Spatial - Spectral tradeoffs in urban mapping, 2006 102. Jesús R. Gastélum, Juan B. Valdés, Steven Stewart, A decision support system to improve water resources management in the conchos basin, Water resource management, vol. 23, no. 8, 2009 103. Zhe Min, Jiaole Wang, Max Q-H Meng, Robust generalized point cloud registration with orientational data based on Expectation Maximization, IEEE transactions on automation science and engineering, 2019 104. A. Dobrin, A review of Properties and Variations of Voronoi diagrams, Mathematics, 2002