Ứng dụng AI-GIS-CAD trong ước tính giá trị công trình để bồi thường, giải phóng mặt bằng

Nguyễn Ngọc Sơn

Trường Đại học Mở Thành phố Hồ Chí Minh, TP. Hồ Chí Minh, Việt Nam

Email: [email protected]

Tóm tắt

Chi phí bồi thường, giải phóng mặt bằng thường chiếm tỷ trọng đáng kể trong tổng mức đầu tư của các dự án phát triển đô thị, khu công nghiệp. Tuy nhiên, ở giai đoạn nghiên cứu tiền khả thi, việc xác định diện tích và định giá các công trình hiện hữu trên khu đất dự án vẫn còn phụ thuộc nhiều vào khảo sát thực địa, làm gia tăng thời gian và chi phí chuẩn bị đầu tư. Nghiên cứu này đề xuất một quy trình tích hợp trí tuệ nhân tạo (AI) và hệ thống thông tin địa lý (GIS) nhằm tự động phát hiện và định giá hàng loạt theo quy mô lớn đối với các công trình xây dựng từ ảnh vệ tinh. Mô hình phân đoạn ngữ nghĩa được xây dựng trên kiến trúc U-Net kết hợp bộ mã hóa ResNet34 và được huấn luyện bằng thư viện PyTorch trên tập dữ liệu ảnh vệ tinh khu vực đô thị. Kết quả thực nghiệm cho thấy, mô hình đạt tỷ lệ nhận diện công trình đạt khoảng 80%, đồng thời cho phép chuyển đổi trực tiếp kết quả nhận dạng sang dữ liệu CAD để tính toán diện tích công trình và giá trị của chúng. Giải pháp đề xuất góp phần xây dựng quy trình hỗ trợ ra quyết định trong giai đoạn dự toán, xây dựng tổng mức đầu tư và cho thấy tiềm năng ứng dụng của AI và GIS trong mô hình định giá hàng loạt (mass valuation).

Từ khóa: AI, GIS, U-NET, ResNet34, nhận diện công trình

Abstract

Compensation and site clearance costs often account for a substantial proportion of the total investment in urban development and industrial park projects. However, during the pre-feasibility study stage, estimating the area and valuing existing structures within project sites still relies heavily on field surveys, increasing investment preparation time and costs. This study proposes an integrated artificial intelligence (AI) and geographic information system (GIS) workflow for the automated, large-scale detection and mass valuation of buildings from satellite imagery. A semantic segmentation model based on the U-Net architecture, incorporating a ResNet34 encoder, was developed and trained using the PyTorch library on an urban satellite imagery dataset. Experimental results show that the model achieves a building detection rate of approximately 80% and directly converts detection results into CAD data for calculating building areas and their corresponding values. The proposed solution contributes to the development of a decision-support workflow for cost estimation and total investment determination, highlighting the potential applications of AI and GIS in mass valuation.

Keywords: Artificial intelligence (AI), geographic information system (GIS), U-Net, ResNet34, building detection

GIỚI THIỆU

Công tác ước tính giá trị công trình để bồi thường là một trong những nhiệm vụ quan trọng quyết định tiến độ và hiệu quả triển khai của các dự án phát triển đô thị, khu công nghiệp và hạ tầng giao thông. Trong nhiều trường hợp, chi phí bồi thường và giải phóng mặt bằng chiếm tỷ trọng lớn trong tổng mức đầu tư của dự án, đặc biệt là tại các khu vực có mật độ dân cư cao và hiện trạng xây dựng phức tạp. Vì vậy, việc ước tính sơ bộ quy mô và chi phí giải phóng mặt bằng ngay từ giai đoạn chuẩn bị đầu tư có ý nghĩa quan trọng đối với việc đánh giá tính khả thi, lập kế hoạch tài chính và lựa chọn phương án đầu tư.

Trong thực tế, việc xác định diện tích các công trình hiện hữu trên phạm vi dự án chủ yếu được thực hiện thông qua khảo sát thực địa hoặc số hóa thủ công từ ảnh vệ tinh và bản đồ địa chính. Các phương pháp này tuy có độ tin cậy cao nhưng đòi hỏi nhiều thời gian, chi phí nhân lực và phụ thuộc đáng kể vào kinh nghiệm của người thực hiện. Đối với các dự án có quy mô hàng trăm hoặc hàng nghìn hecta, việc thống kê hiện trạng công trình thường trở thành một trong những công việc tốn nhiều thời gian nhất trong giai đoạn lập báo cáo nghiên cứu tiền khả thi.

Những năm gần đây, cùng với sự phát triển của công nghệ viễn thám, hệ thống thông tin địa lý (GIS) và trí tuệ nhân tạo (AI), đặc biệt là các mô hình học sâu (Deep Learning), việc tự động phân tích ảnh vệ tinh đã đạt được nhiều kết quả khả quan. Các mô hình phân đoạn ngữ nghĩa như: Fully Convolutional Network (FCN), U-Net, DeepLab và các biến thể của chúng đã được ứng dụng rộng rãi trong bài toán nhận dạng công trình xây dựng, mạng lưới giao thông, lớp phủ bề mặt và nhiều đối tượng khác trên ảnh viễn thám có độ phân giải cao. Những thành tựu này mở ra khả năng tự động hóa nhiều công đoạn vốn trước đây phải thực hiện thủ công.

Mặc dù đã có nhiều nghiên cứu tập trung vào việc nâng cao độ chính xác của các mô hình nhận dạng công trình từ ảnh vệ tinh, phần lớn mới dừng ở việc đánh giá hiệu năng của thuật toán hoặc phục vụ thành lập bản đồ hiện trạng. Các nghiên cứu tích hợp kết quả nhận dạng vào quy trình hỗ trợ lập tổng mức đầu tư, đặc biệt là hỗ trợ ước tính sơ bộ chi phí bồi thường và giải phóng mặt bằng trong giai đoạn chuẩn bị dự án, vẫn còn khá hạn chế. Do đó, vẫn tồn tại khoảng trống nghiên cứu trong việc xây dựng một quy trình hoàn chỉnh kết nối giữa mô hình AI, dữ liệu GIS và các công cụ thiết kế kỹ thuật khác như Autocad nhằm phục vụ công tác định giá hàng loạt công trình trên diện rộng.

Xuất phát từ yêu cầu thực tiễn đó, nghiên cứu này đề xuất một quy trình tích hợp AI và GIS nhằm tự động phát hiện công trình xây dựng từ ảnh vệ tinh, chuyển đổi kết quả nhận dạng sang dữ liệu CAD và hỗ trợ tính toán diện tích công trình phục vụ công tác ước tính sơ bộ chi phí giải phóng mặt bằng của các dự án đầu tư. Mô hình nhận dạng được xây dựng dựa trên kiến trúc U-Net kết hợp bộ mã hóa ResNet34 và được huấn luyện bằng thư viện PyTorch trên tập dữ liệu ảnh vệ tinh khu vực đô thị.

Nghiên cứu có 3 đóng góp chính: (i) Đề xuất một quy trình tích hợp ảnh vệ tinh, AI, GIS và CAD nhằm tự động hóa quá trình nhận dạng và định giá công trình hiện hữu trên diện rộng; (ii) Chứng minh tiềm năng ứng dụng của mô hình phân đoạn ngữ nghĩa trong hỗ trợ công tác định giá, xác định sơ bộ tổng mức đầu tư thay vì chỉ dừng lại ở bài toán nhận dạng công trình; (iii) Xây dựng nền tảng cho các nghiên cứu mở rộng về hỗ trợ ra quyết định trong lĩnh vực quy hoạch đô thị, định giá đất và chuẩn bị đầu tư các dự án phát triển hạ tầng và đô thị.

TỔNG QUAN NGHIÊN CỨU

Nhận diện công trình xây dựng từ ảnh viễn thám là một trong những bài toán quan trọng trong lĩnh vực viễn thám và hệ thống GIS. Kết quả nhận dạng công trình được ứng dụng rộng rãi trong thành lập bản đồ hiện trạng, theo dõi quá trình đô thị hóa, quản lý sử dụng đất, đánh giá thiệt hại sau thiên tai và hỗ trợ quy hoạch phát triển đô thị. Cùng với sự phát triển của nguồn dữ liệu ảnh vệ tinh có độ phân giải cao, nhu cầu tự động hóa quá trình nhận dạng công trình ngày càng được quan tâm nhằm giảm chi phí và thời gian xử lý dữ liệu.

Theo tổng quan của Yuan và cộng sự (2025), nghiên cứu về trích xuất công trình từ ảnh viễn thám đã phát triển mạnh trong những năm gần đây, với xu hướng chuyển dịch từ các phương pháp xử lý ảnh truyền thống sang các mô hình học sâu có khả năng tự động học đặc trưng và đạt độ chính xác cao hơn trên nhiều bộ dữ liệu khác nhau.

Sự phát triển của học sâu đã tạo ra bước tiến quan trọng trong bài toán phân đoạn ảnh. Trong đó, kiến trúc U-Net được xem là một trong những mô hình phổ biến nhất nhờ cấu trúc encoder-decoder kết hợp các kết nối tắt (skip connections), giúp bảo toàn thông tin không gian và nâng cao khả năng nhận dạng đối tượng. Mặc dù ban đầu được đề xuất cho phân đoạn ảnh y sinh, U-Net nhanh chóng được mở rộng sang nhiều lĩnh vực khác, bao gồm phân đoạn ảnh viễn thám và nhận dạng công trình xây dựng.U-Net hiện vẫn là lựa chọn phổ biến trong nhiều nghiên cứu, nhờ cấu trúc đơn giản, khả năng huấn luyện hiệu quả trên tập dữ liệu có quy mô vừa phải và dễ dàng tích hợp với các bộ mã hóa hiện đại như ResNet (Ronneberger và cộng sự, 2015). Hay nghiên cứu của Li và cộng sự (2018) đã ứng dụng mạng U-Net để trích xuất thông tin công trình từ ảnh viễn thám có độ phân giải cao, cho thấy khả năng áp dụng kiến trúc này vào bài toán nhận diện công trình.

Bên cạnh mục tiêu nâng cao độ chính xác của mô hình, kết quả nhận dạng công trình từ ảnh vệ tinh còn được khai thác trong nhiều ứng dụng thực tiễn, như: cập nhật bản đồ hiện trạng, giám sát phát triển đô thị, quản lý đất đai và xây dựng cơ sở dữ liệu không gian. Các ứng dụng này cho thấy dữ liệu thu được từ mô hình AI không chỉ có giá trị trong lĩnh vực thị giác máy tính, mà còn có thể hỗ trợ hiệu quả cho các bài toán quản lý và ra quyết định trong quy hoạch, phát triển đô thị và quản lý hạ tầng.

Theo hướng tiếp cận quy trình, Sanca và cộng sự (2023) nghiên cứu tích hợp phân đoạn công trình, hiệu chỉnh đường biên và vector hóa trong một quy trình học sâu, đồng thời phát triển giải pháp dưới dạng công cụ mở rộng cho QGIS. Các nghiên cứu này cho thấy bước hậu xử lý hình học và chuyển đổi dữ liệu đóng vai trò quan trọng trong việc đưa kết quả nhận diện từ ảnh sang dạng dữ liệu có thể khai thác trong môi trường GIS.

Nhìn chung, các nghiên cứu hiện có đã đạt được những tiến bộ đáng kể trong việc nâng cao chất lượng phân đoạn ảnh, cải thiện đường bao công trình và tạo lập dữ liệu footprint dạng vector. Tuy nhiên, kết quả đầu ra của các mô hình phân đoạn thường mới thể hiện vị trí và phạm vi không gian của công trình; để sử dụng trong các bài toán thực tiễn, dữ liệu này còn cần được chuẩn hóa hình học, xác định hệ tọa độ, chuyển đổi định dạng và tích hợp với các công cụ phân tích không gian. Đặc biệt, việc kết nối kết quả trích xuất công trình với dữ liệu CAD nhằm phục vụ tính toán diện tích và hỗ trợ ước tính sơ bộ chi phí bồi thường, giải phóng mặt bằng là một hướng ứng dụng cần được xem xét trong bối cảnh chuẩn bị đầu tư các dự án xây dựng.

Đối với lĩnh vực đầu tư xây dựng, việc xác định nhanh diện tích công trình hiện hữu có ý nghĩa quan trọng trong giai đoạn chuẩn bị dự án, đặc biệt đối với công tác ước tính sơ bộ chi phí bồi thường và giải phóng mặt bằng. Tuy nhiên, các nghiên cứu theo hướng này hiện còn tương đối ít, trong khi phần lớn các công trình công bố chủ yếu tập trung vào bài toán nhận dạng hoặc đánh giá hiệu năng của thuật toán.

Qua tổng quan các nghiên cứu, có thể nhận thấy rằng, phần lớn các công trình hiện nay tập trung vào việc nâng cao độ chính xác của mô hình phân đoạn hoặc so sánh hiệu năng giữa các kiến trúc học sâu khác nhau. Trong khi đó, nhu cầu thực tế của các chủ đầu tư và đơn vị tư vấn không chỉ dừng lại ở việc xác định vị trí công trình mà còn cần một quy trình có khả năng chuyển đổi kết quả nhận dạng thành thông tin phục vụ lập tổng mức đầu tư và ước tính sơ bộ chi phí bồi thường, giải phóng mặt bằng.

Xuất phát từ khoảng trống đó, nghiên cứu này đề xuất một quy trình tích hợp giữa ảnh vệ tinh, mô hình học sâu, hệ thống GIS và dữ liệu CAD nhằm tự động nhận dạng và định giá hàng loạt công trình. Khác với nhiều nghiên cứu trước đây chỉ dừng ở bài toán phân đoạn ảnh, nghiên cứu này hướng đến việc xây dựng một quy trình có khả năng ứng dụng trực tiếp trong giai đoạn chuẩn bị đầu tư các dự án phát triển khu đô thị, khu công nghiệp.

PHƯƠNG PHÁP NGHIÊN CỨU

Nghiên cứu được triển khai thông qua các bước cụ thể như sau:

Quy trình nghiên cứu

Nghiên cứu đề xuất một quy trình tích hợp giữa dữ liệu ảnh vệ tinh, AI, GIS và phần mềm AutoCAD nhằm tự động xác định diện tích công trình hiện hữu phục vụ công tác ước tính sơ bộ giá trị công trình. Quy trình nghiên cứu gồm 5 bước chính: (1) thu thập và chuẩn bị dữ liệu, (2) xây dựng và huấn luyện mô hình phân đoạn, (3) dự đoán công trình trên ảnh vệ tinh, (4) chuyển đổi kết quả sang dữ liệu vector và (5) tính toán diện tích và định giá công trình (Hình 1).

Hình 1: Tổng quan các bước triển khai

Nguồn: Tác giả đề xuất

Dữ liệu nghiên cứu

Dữ liệu phục vụ nghiên cứu gồm ảnh vệ tinh được thu thập từ Google Satellite với độ phân giải không gian đủ lớn để nhận dạng các công trình xây dựng. Các ảnh huấn luyện được lựa chọn tại khu vực đô thị TP. Hồ Chí Minh, nơi có mật độ công trình cao và đa dạng về loại hình xây dựng, giúp mô hình học được nhiều đặc trưng khác nhau của đối tượng cần nhận dạng (Hình 2).

Thông tin về vị trí các công trình được thu thập từ nền tảng bản đồ mã nguồn mở OpenStreetMap (OSM) miễn phí dưới dạng tệp PBF do Geofabrik cung cấp (OpenStreetMap Wiki, n.d.). Dữ liệu vector này được sử dụng để xây dựng mặt nạ nhị phân (binary mask), trong đó, giá trị 1 biểu thị vùng có công trình xây dựng và giá trị 0 biểu thị các khu vực còn lại. Quá trình chuyển đổi dữ liệu vector sang dữ liệu raster được thực hiện bằng thư viện Rasterio trong môi trường Python nhằm tạo tập dữ liệu gán nhãn phục vụ huấn luyện mô hình (Hình 3).

Hình 2: Ảnh vệ tinh khu vực trung tâm TP. Hồ Chí Minh sử dụng trong quá trình huấn luyện mô hình

Nguồn: Google Satellite

Hình 3: Mặt nạ nhị phân (ground truth) biểu diễn vị trí các công trình xây dựng

Nguồn: OpenStreetMap, tác giả xử lý

Xây dựng mô hình AI

Nghiên cứu sử dụng mô hình U-Net để thực hiện bài toán phân đoạn ngữ nghĩa (semantic segmentation) nhằm nhận dạng công trình xây dựng từ ảnh vệ tinh. U-Net được lựa chọn do có kiến trúc encoder-decoder kết hợp các kết nối tắt (skip connections), giúp bảo toàn thông tin không gian và nâng cao khả năng nhận dạng các đối tượng có kích thước nhỏ trên ảnh có độ phân giải cao. Đây là một trong những mô hình được ứng dụng rộng rãi trong các nghiên cứu về phân đoạn ảnh viễn thám (Hình 4).

Trong nghiên cứu này, bộ mã hóa (encoder) của U-Net sử dụng kiến trúc ResNet34 (He và cộng sự, 2016) nhằm tăng khả năng trích xuất đặc trưng, trong khi bộ giải mã (decoder) thực hiện khôi phục kích thước ảnh và tạo mặt nạ (mask) biểu diễn vị trí các công trình xây dựng. Mô hình được xây dựng bằng thư viện PyTorch (Yakubovskiy, n.d.) và huấn luyện trên tập dữ liệu ảnh vệ tinh đã được gán nhãn ở bước chuẩn bị dữ liệu.

Sau khi hoàn thành quá trình huấn luyện, mô hình được sử dụng để dự đoán các vùng công trình trên ảnh vệ tinh đầu vào. Kết quả đầu ra là ảnh nhị phân (binary mask), trong đó các pixel thuộc công trình được phân biệt với các khu vực còn lại. Kết quả này là cơ sở cho bước vector hóa và tính toán diện tích công trình được trình bày ở mục tiếp theo.

Hình 4: Mô phỏng kỹ thuật phân đoạn để tạo ra mặt nạ phận đoạn chính xác cho từng đối tượng từ hình ảnh đầu vào

Nguồn: Towards Data Science

Chuyển đổi kết quả nhận dạng

Kết quả đầu ra của mô hình U-Net là ảnh nhị phân (binary mask), trong đó, các vùng được xác định là công trình xây dựng được phân biệt với các khu vực còn lại trên ảnh vệ tinh. Mặc dù kết quả này phản ánh trực quan vị trí các công trình, dữ liệu ở dạng raster chưa thể sử dụng trực tiếp trong các phần mềm kỹ thuật phục vụ thiết kế và tính toán. Do đó, nghiên cứu tiếp tục thực hiện bước chuyển đổi kết quả nhận dạng từ dữ liệu raster sang dữ liệu vector dưới định dạng DXF nhằm phục vụ công tác tính toán diện tích và quản lý dữ liệu công trình.

Quá trình chuyển đổi được thực hiện bằng cách trích xuất đường bao của các công trình từ ảnh nhị phân, sau đó chuyển đổi thành các đối tượng đa giác (polygon) và lưu trong tệp DXF. Việc chuyển đổi này giúp bảo toàn hình dạng của các công trình, đồng thời tạo ra dữ liệu có thể tích hợp trực tiếp với các phần mềm CAD đang được sử dụng phổ biến trong lĩnh vực quy hoạch và xây dựng.

Tệp DXF sau khi được tạo có thể mở trực tiếp bằng phần mềm AutoCAD, cho phép tính toán diện tích các công trình hiện hữu một cách tự động, đồng thời hỗ trợ kiểm tra và hiệu chỉnh kết quả nhận dạng khi cần thiết. Thông qua quy trình này, kết quả dự đoán của mô hình AI không chỉ dừng lại ở việc nhận dạng công trình trên ảnh vệ tinh mà còn được chuyển đổi thành dữ liệu kỹ thuật có thể khai thác trực tiếp trong công tác chuẩn bị đầu tư. Đây là cơ sở để hỗ trợ ước tính sơ bộ giá trị công trình cần bồi thường, góp phần hỗ trợ công tác dự toán và lập tổng mức đầu tư trong giai đoạn chuẩn bị đầu tư

KẾT QUẢ PHÂN ĐOẠN VÀ TRÍCH XUẤT CÔNG TRÌNH

Trong khuôn khổ nghiên cứu, tác giả trình bày 2 ví dụ áp dụng mô hình vào nhận diện công trình hiện hữu tại các khu đô thị ở TP. Hồ Chí Minh. Kết quả thu được phần nào chứng minh khả năng nhận dạng công trình từ ảnh vệ tinh bằng mô hình U-Net. Các khu vực có công trình xây dựng được mô hình xác định và biểu diễn bằng mặt nạ nhị phân.

Ngoài ra, kết quả nhận dạng công trình sau khi được chuyển đổi sang định dạng DXF có thể mở trực tiếp trong phần mềm AutoCAD để phục vụ công tác tính toán và thống kê số liệu, phục vụ cho nhiệm vụ tính khối lượng và giá trị công trình hiện hữu để bồi thường cho người dân.

Trong ví dụ kiểm chứng, tổng diện tích công trình hiện hữu được xác định là 144.326,35 m² ở ví dụ 1 (Hình 5, Hình 6, Hình 7) và 94.676,25 m² ở ví dụ 2 (Hình 8, Hình 9, Hình 10). Với suất vốn xây dựng khoảng 7 triệu đồng/m2 sàn thì giá trị của các công trình này lần lượt tầm khoảng 1.010 tỷ đồng và 663 tỷ đồng.

Nhìn chung, mô hình có khả năng nhận dạng phần lớn các khu vực dân cư tập trung và các cụm công trình có kích thước trung bình đến lớn. Dù vậy một số công trình nhỏ hoặc nằm xen kẽ trong khu vực cây xanh vẫn xuất hiện hiện tượng nhận dạng thiếu hoặc chưa tách biệt hoàn toàn.

Kết quả nhận diện công trình hiện hữu từ ảnh vệ tinh khu dân cư thuộc phường Long Bình, TP. Hồ Chí Minh

Hình 5: Ảnh vệ tinh đầu vào thuộc phường Long Bình, TP. Hồ Chí Minh

Nguồn: Google Satellite

Hình 6: Kết quả nhận diện các vị trí có công trình bằng mô hình U-Net

Nguồn: Kết quả xử lý của tác giả

Hình 7: Tính toán diện tích công trình từ dữ liệu DXF trong Autocad

Nguồn: Kết quả xử lý của tác giả

Với suất vốn xây dựng của các công trình nhà ở trên thị trường tầm 7.000.000 đồng/m2, diện tích công trình nhận diện được từ mô hình là 144.326,35 m2 thì giá trị sơ bộ công trình hiện hữu là: 7.000.000 * 144.326,35 = 1.010 tỷ đồng.

Kết quả nhận diện công trình hiện hữu từ ảnh vệ tinh của khu đô thị thuộc phường An Khánh, TP. Hồ Chí Minh

Hình 8: Ảnh vệ tinh đầu vào thuộc phường An Khánh, TP. Hồ Chí Minh

Nguồn: Google Satellite

Hình 9: Kết quả nhận diện các vị trí có công trình bằng mô hình U-Net

Nguồn: Kết quả xử lý của tác giả

Hình 10: Tính toán diện tích công trình từ dữ liệu DXF trong Autocad

Nguồn: Kết quả xử lý của tác giả

Với suất vốn xây dựng của các công trình nhà ở trên thị trường tầm 7.000.000 đồng/m2, diện tích công trình nhận diện được từ mô hình là 94.676,25 m2 thì giá trị sơ bộ công trình hiện hữu là: 7.000.000 * 94.676,25 = 663 tỷ đồng.

Nhìn chung, kết quả thu được cho thấy, quy trình được đề xuất trong nghiên cứu này không chỉ dừng ở việc nhận dạng công trình trên ảnh vệ tinh, mà còn có khả năng chuyển đổi kết quả thành dữ liệu kỹ thuật phục vụ công tác chuẩn bị đầu tư và ước tính sơ bộ chi phí bồi thường các công trình hiện hữu một cách nhanh chóng và hiệu quả.

KẾT LUẬN

Nghiên cứu đã xây dựng được một quy trình tích hợp AI-GIS-CAD, cho phép chuyển đổi trực tiếp kết quả nhận dạng công trình từ ảnh vệ tinh thành dữ liệu phục vụ tính toán diện tích trong công tác chuẩn bị đầu tư các dự án khu công nghiệp và khu đô thị.

Quy trình được xây dựng bao gồm các bước từ chuẩn bị dữ liệu, huấn luyện mô hình U-Net, nhận dạng công trình trên ảnh vệ tinh, chuyển đổi kết quả sang định dạng DXF và tính toán diện tích trong môi trường Autocad. Từ đó có thể nhanh chóng thống kê tổng diện tích xây dựng và định giá công trình hàng loạt trên toàn bộ khu vực dự án.

Kết quả thực nghiệm cho thấy, mô hình có khả năng nhận dạng tương đối chính xác các công trình xây dựng trên ảnh vệ tinh, với tỷ lệ nhận dạng đạt khoảng xấp xỉ 80% trong khu vực nghiên cứu. Kết quả nhận dạng sau đó được chuyển đổi sang dữ liệu CAD, cho phép tính toán tự động diện tích công trình hiện hữu và hỗ trợ định giá sơ bộ trong giai đoạn lập báo cáo nghiên cứu tiền khả thi dự án.

Mặc dù nghiên cứu đã đạt được những kết quả khả quan, mô hình vẫn còn một số hạn chế, như: khả năng nhận dạng chưa tốt đối với các công trình có kích thước nhỏ, công trình bị che khuất hoặc khu vực có mật độ xây dựng cao. Trong thời gian tới, nghiên cứu có thể được mở rộng theo hướng sử dụng tập dữ liệu huấn luyện có quy mô lớn hơn, thử nghiệm các kiến trúc học sâu tiên tiến và tích hợp thêm dữ liệu địa lý nhằm nâng cao độ chính xác của mô hình. Bên cạnh đó, quy trình đề xuất có thể tiếp tục được phát triển để hỗ trợ ước tính giá trị các công trình tại nhiều dự án đầu tư trên khắp cả nước.

Tài liệu tham khảo:

1. Google (n.d.). Google Maps Satellite Imagery [Ảnh vệ tinh]. https://maps.google.com/

2. He, K., Zhang, X., Ren, S., & Sun, J. (2016). Deep residual learning for image recognition. In 2016 IEEE Conference on Computer Vision and Pattern Recognition (CVPR) (770-778). IEEE. https://doi.org/10.1109/CVPR.2016.90

3. OpenStreetMap Wiki (n.d.). Downloading data. https://wiki.openstreetmap.org/wiki/Downloading_data

4. Ronneberger, O., Fischer, P., & Brox, T. (2015). U-Net: Convolutional networks for biomedical image segmentation. In N. Navab, J. Hornegger, W. M. Wells, & A. F. Frangi (Eds.), Medical image computing and computer-assisted intervention - MICCAI 2015 (234-241). Springer International Publishing. https://doi.org/10.1007/978-3-319-24574-4_28

5. Yakubovskiy, P. (n.d.). Segmentation Models PyTorch [Computer software]. GitHub. https://github.com/qubvel-org/segmentation_models.pytorch

6. Yuan, Y., Shi, X., & Gao, J. (2025). Building extraction from remote sensing images with deep learning: A survey on vision techniques. Computer Vision and Image Understanding, 251, Article 104253. https://doi.org/10.1016/j.cviu.2024.104253