Công nghệ AI được ứng dụng trong lĩnh vực bản đồ địa lý từ năm 1990s, ban đầu chỉ là các thuật toán học máy cơ bản (machine learning) để nhận diện đường, sông, nhà cửa trên ảnh vệ tinh, rồi dần tiến hóa sang học sâu (deep learning), và đến nay là mô hình ngôn ngữ lớn (Large Language Models - LLM), mô hình AI không gian địa lý (GeoAI), và các công nghệ AI tiên tiến hơn như AI tạo sinh (GenAI), sinh tổng hợp (Synthesis), và tác nhân AI (Agent), đang được tăng ứng dụng để khai thác các nguồn dữ liệu bản đồ, tạo ra, vận hành, phát hành và sử dụng các sản phẩm bản đồ hoàn chỉnh.
Các công nghệ AI ứng dụng chính trong lĩnh vực bản đồ địa lý (bảng 198)
1. Dự báo thời tiết và khí hậu
Ứng dụng công nghệ AI trong xây dựng mô hình dự báo thời tiết và khí hậu đang được cập nhật chi tiết hơn với những hình thái thời tiết cực đoan tăng mạnh mấy năm gần đây. Tuy nhiên, việc tích hợp AI không thay thế hoàn toàn các mô hình dự báo số trị truyền thống mà là kết hợp giữa sức mạnh phân tích dữ liệu của AI và kiến thức vật lý khí quyển để bổ trợ và cải thiện chúng. Bao gồm:
· Hiệu chỉnh đầu ra mô hình (Model Output Statistics - MOS): Các mô hình dự báo thời tiết số trị (NWP) truyền thống dựa trên các phương trình vật lý đôi khi có những sai số hệ thống. Các thuật toán học máy (machine learning) được sử dụng để học và hiệu chỉnh những sai số này, giúp tăng cường độ chính xác cho các dự báo ở cấp độ địa phương, nhất là thuật toán AI hiện đại. Ví dụ, giải pháp nội suy của GenAI dự báo thời tiết GenCast do DeepMind phát triển khác biệt nhiều so với những mô hình machine learning đang sử dụng, mang lại độ chính xác trên 97% và dự báo được 15 ngày.
· Dự báo các hiện tượng thời tiết cụ thể: Các mô hình học máy được huấn luyện với dữ liệu lịch sử về nhiệt độ, độ ẩm, gió, và lượng mưa, cho phép dự báo các hiện tượng như sương mù, lượng mưa hay tốc độ gió hàng ngày cho từng khu vực cụ thể. AI đã và đang phát triển rất mạnh giúp con người ngày càng nâng cao độ chính xác trong việc dự báo chính xác thời tiết, nhất là bão lớn và hình thái thời tiết cực đoan.
2. Dự báo và quản lý thảm họa (lũ lụt, ngập úng, cháy rừng)
Các mô hình mạng lưới nơ -ron sâu (DNN), nhất là mô hình mạng lưới nơ-ron tích chập (CNN) rất hiệu quả trong phân tích ảnh vệ tinh, có thể tự động xác định tâm bão, ước tính cường độ và dự đoán quỹ đạo di chuyển của bão với độ chính xác ngày càng cao.
· Dự báo lũ lụt và ngập úng: Bằng cách kết hợp nhiều công nghệ như phân tích dữ liệu về lượng mưa, bề mặt địa hình, mực nước sông hồ, ảnh vệ tinh và radar thời tiết, các mô hình AI tiên tiến giúp dự báo khu vực lũ lụt và ngập úng với các kịch bản khác nhau theo lượng mưa.
Ví dụ, bản đồ ngập lụt Luân Đôn tỉ lệ 1:200 phát hành năm 2007, 2012, 2017 và 2023, sử dụng kết hợp nhiều công nghệ tiên tiến: LiDAR tạo ra mô hình số độ cao (Digital Elevation Model - DEM) và mô hình số bề mặt (Digital Surface Model - DSM) với độ chính xác cực cao; Mô hình thủy văn và thủy lực (Hydrological and Hydraulic Modelling) với phần mềm chuyên dụng (như MIKE, HEC-RAS) để mô phỏng cách nước di chuyển; Hệ thống thông tin địa lý (GIS) là công nghệ cốt lõi để tích hợp, quản lý, phân tích và trực quan hóa tất cả các lớp dữ liệu không gian, bao gồm dữ liệu địa hình, dữ liệu mưa, cơ sở hạ tầng, kết quả mô hình hóa, sau đó trình bày chúng dưới dạng bản đồ dễ hiểu.
Trong khi ảnh vệ tinh và radar sử dụng để theo dõi các sự kiện thời tiết, thu thập dữ liệu về độ ẩm của đất và xác thực kết quả của các mô hình ngập lụt sau một trận ngập lụt thực tế.
· Dự báo ngắn hạn: Công nghệ AI có khả năng phân tích dữ liệu radar và vệ tinh trong thời gian thực để đưa ra các dự báo cực ngắn (từ vài phút đến vài giờ) về mưa lớn, dông, sét, vòi rồng, mưa đá,…giúp cảnh báo kịp thời cho các hoạt động ngoài trời và giao thông.
· Deep learing (DL) kết hợp với BigData phân tích các bộ dữ liệu khí hậu khổng lồ kéo dài hàng thập kỷ và được cập nhật, giúp nâng cao độ chính xác của các mô hình khí hậu và xu hướng biến đổi khí hậu dài hạn.
· Machine learning (ML) và Deep learning (DL) kết hợp dữ liệu về thời tiết (nhiệt độ, độ ẩm, gió), thảm thực vật và địa hình, giúp xác định mức nguy cơ cháy rừng theo khu vực.
3. Tự động hóa quy trình tạo và phát hành bản đồ
Mạng đối nghịch tạo sinh (Generative Adversarial Network - GAN):
· Vector hóa địa vật (đường, tòa nhà/ công trình, sông hồ…) từ ảnh vệ tinh/ hàng không;
· Khôi phục dữ liệu bản đồ bị thiếu như bù vùng ảnh vệ tinh bị mây che, nhiễu hoặc mất dữ liệu; Tái tạo dữ liệu bản đồ chất lượng cao hơn từ dữ liệu nén thấp;
· Phát hiện/ kiểm tra độ xác thực của dữ liệu bản đồ mới cập nhật bằng Discriminator;
· Sinh phiên bản bản đồ khác nhau phù hợp với thiết bị (desktop, mobile, VR/AR);
· Ẩn dữ liệu nhạy cảm như làm mờ hoặc thay đổi chi tiết nhạy cảm (khu vực/công trình quân sự) nhưng vẫn giữ cấu trúc bản đồ tự nhiên;
· Hỗ trợ bản đồ AR/VR như sinh cảnh quan 3D từ ảnh 2D, và Cải thiện độ phân giải bản đồ (super-resolution mapping) để nâng cao trải nghiệm thị giác.
Mạng đối nghịch tạo sinh có điều kiện (Conditional Generative Adversarial Network – CGAN):
· Tạo bản đồ theo từng lớp dữ liệu (địa hình, thảm thực vật, hạ tầng,...) dựa vào nhãn hoặc điều kiện cụ thể, như "bản đồ giao thông ban đêm";
· Mô phỏng kịch bản cụ thể, như sinh bản đồ lũ lụt dựa trên dữ liệu khí tượng, mô hình bề mặt và mô hình độ cao;
· Sinh bản đồ điều kiện thời gian thực (ví dụ: tình trạng giao thông, mức nước ngập);
· Kết hợp dữ liệu đa nguồn như ảnh vệ tinh/ drone, camera giao thông cùng GIS để tạo bản đồ hợp nhất theo mục đích sử dụng, như bản đồ tình trạng giao thông, ngập úng;
· Sinh bản đồ chuyên biệt như bản đồ du lịch, logistics, giao thông đô thị,…hay tạo bản đồ dành riêng cho người đi xe đạp, người khuyết tật theo điều kiện đầu vào.
GenAI (AI tạo sinh) thực hiện:
· Lọc bỏ mây, tăng cao độ phân giải, sinh nhãn gợi ý, tạo đối tượng trên ảnh vệ tinh/ hàng không;
· Tái tạo hình ảnh 3D, mô phỏng không gian đô thị 3D;
· Phân tích hồ sơ PDF/ scan để trích ranh, chỉ giới; sinh mô tả thuộc tính và metadata;
· Tạo style/ legend/ copy UX theo sản phẩm; sinh mô tả lớp/ note hướng dẫn sử dụng;
· Sinh truy vấn (SQL/ Overpass) và code (Python/ Mapbox-GL style) để tăng tốc việc số hóa và hỏi đáp;
· Sinh dashboard (giao diện trực quan tổng hợp các thông tin, số liệu, biểu đồ quan trọng ở một bảng hoặc màn hình duy nhất;
· Sinh báo cáo tương tác từ prompt; Tạo story map với text, hình ảnh và bản đồ nhúng;
· Sinh cảnh báo như tóm tắt thay đổi chú ý theo vùng; viết báo cáo vận hành sản phẩm bản đồ, viết release notes (tài liệu mô tả chi tiết những thay đổi, cải tiến, tính năng mới và sửa lỗi trong một phiên bản sản phẩm bản đồ);
· Hỗ trợ đa ngôn ngữ: Dịch metadata, địa danh, truy vấn; chuẩn hóa cách viết.
Ví dụ, ở Bắc Mỹ 2024 - 2025 đang tăng ứng dụng GenAI trong phát hành bản đồ số tới app người dùng mang lại trải nghiệm phong phú, như giúp cải thiện việc tìm kiếm, đề xuất, mô phỏng 3D, trợ lý bản đồ ngôn ngữ tự nhiên như ứng dụng GenAI Immersive View và Gemini Q&A trên Google Maps Platform, giúp cải thiện việc tìm và đề xuất đường đi cả khi offline và 3D, cho phép người dùng phân tích dữ liệu thời gian thực và đưa ra quyết định dựa trên thông tin địa lý.
Tác nhân Agent thực hiện:
· Tự động hóa quá trình từ thu thập, chuẩn hóa, hòa trộn từ ảnh hàng không/ vệ tinh/ Lidar, OpenStreetMap, hồ sơ kinh tế xã hội.
· Tự lập kế hoạch tác vụ, gọi GDAL (Geospatial Data Abstraction Library - Chuyển đổi, đọc/ghi 200+ định dạng dữ liệu bản đồ)/ PDAL (Point Data Abstraction Library - Lọc, phân loại, chuyển đổi, phân tích đám mây điểm)/ PostGIS (extension PostgreSQL - Truy vấn và phân tích dữ liệu không gian trực tiếp trong SQL)/ Detectron (Object detection - Phát hiện đối tượng, Instance segmentation - Phân loại các pixel với nhãn cụ thể, Keypoint detection - Phát hiện đặc điểm chính trong hình ảnh), Segment anything - Phân đoạn ảnh hàng không/ vệ tinh/ Lidar với prompt); Tự kiểm tra chất lượng kết quả tác vụ.
· Tự động phát hiện xung đột giữa các nguồn (ví dụ tên đường, ranh thửa); từ đó tự mở ticket, gợi ý phương án sửa, Ping (Packet Internet Groper) Agent kiểm chứng hiện trường (street-view/ drone) hoặc gán/gửi cho người xác minh thực địa.
· Agent “change detection” chạy định kỳ trên AOI ưu tiên (Automated Optical Inspection - hệ thống kiểm tra quang học tự động), nếu vượt ngưỡng thay đổi thì tự thực hiện việc số hóa, chấm điểm rủi ro, yêu cầu quy trình phản hồi lặp human-in-the-loop (kết hợp chuyên môn của con người với AI và ML).
· Agent chuyên sâu: Tự động gán địa chỉ (geocoding) theo chuẩn quốc gia; phân loại POI (Point of Interest - phân tích vị trí địa lý); chuẩn hóa schema (tên ĐVHC, mã ĐVHC, địa danh quy định); tạo topology và kiểm tra quy tắc topology.
· Điều phối luồng công việc thời gian thực: Tự động quản lý, giám sát và điều phối luồng công việc dữ liệu hoặc các bước xử lý diễn ra liên tục với độ trễ thấp nhất, hiệu quả và nhất quán. Ví dụ, tự thu nhận dữ liệu cảm biến (ingest cảm biến)/ GTFS (thông số nguồn cấp dữ liệu vận chuyển công cộng), và kiểm tra độ mới của dữ liệu; Tự động điều chỉnh quy mô theo sử dụng thực tế (scale compute/ auto scaling), tự khôi phục dữ liệu do lỗi.
· Tối ưu tuyến/điều độ (multi-agent): Tự định tuyến, ràng buộc (giờ cấm, tải trọng,…); Tự xác định mục tiêu SLA (Service Level Agreement - các chỉ số cụ thể về chất lượng, hiệu suất, tính khả dụng, thời gian phản hồi và trách nhiệm pháp lý của dịch vụ bản đồ cam kết thực hiện cho khách hàng); Tự AB-test thuật toán mới phù hợp với các dữ liệu địa lý.
· Giám sát chất lượng cung cấp dịch vụ bản đồ: Tự quan sát độ trễ (tile latency), tự đánh giá mức độ hoàn thiện, đầy đủ (completeness) theo vùng; Tự drift mô hình (phát hiện mô hình AI không còn phù hợp với dữ liệu mới); Tự rollback phiên dữ liệu lỗi (tự động đưa dữ liệu về trạng thái trước đó do có lỗi).
· Điều phối cộng đồng: Tự phát hành “nhiệm vụ vi mô” (micro-tasks) để xác minh thông tin của các địa điểm, địa danh mới (xác minh POI); hợp nhất đóng góp.
· Phát hành tiles: Tự xây dựng vector/ raster tiles (Tippecanoe/PMTiles) để phân phối và hiển thị bản đồ hiệu quả trên các ứng dụng web và di động; Tự kiểm thử thị sai/ độ mượt, ký số; Tự đẩy nội dung lên mạng phân phối nội dung CDN (Push Content Delivery Network) - mô hình phân phối nội dung mà trong đó máy chủ gốc (origin server) chủ động gửi nội dung lên các máy chủ của CDN để lưu trữ trước; Tự thiết lập chính sách bộ nhớ đệm (cache policy) theo mức độ truy cập - xác định dữ liệu bản đồ được lưu trữ và sử dụng lại từ bộ nhớ đệm, và thời gian tối đa dữ liệu đó được nằm trong bộ nhớ đệm.
· Quản lý phiên & quyền truy cập: Tự sinh catalog (danh mục sản phẩm, dịch vụ cung cấp theo khách hàng), license (cấp và quản lý quyền truy cập), route request (yêu cầu định tuyến) đến cụm gần nhất, thường là API cụ thể hoặc một dịch vụ trong GIS phức tạp; Tự theo dõi và điều chỉnh SLA/quotas.
· Tự chọn tập người dùng, phát hành style mới; Tự thu nhận metrics (các chỉ số đo lường, định lượng để theo dõi, đánh giá hiệu suất và kết quả của sản phẩm bản đồ); Tự quyết định promote (xúc tiến thương mại) và rollback phiên dữ liệu.
Ví dụ, năm 2024-2025, các nhà cung cấp bản đồ ở Bắc Mỹ triển khai tiêu chuẩn hóa & mở các GenAI/ Agent để dễ dàng hợp nhất các dữ liệu bản đồ, như dự án Overture GA (Overture Maps Foundation) và GERS (Global Entity Reference System).
4. Xây dựng và triển khai giao thông, Hạ tầng thông minh
Đang có chuyển dịch ứng dụng AI trong lĩnh vực bản đồ địa lý. *Ví dụ, năm 2023-2024, ở Bắc Mỹ chuyển từ ứng dụng AI trích xuất dữ liệu/ cập nhật bản đồ bằng GAN, GeoAI, Orbis/Overture, DRIVE Map sang mô hình CGAN, Synthesis/ LLM đưa vào trải nghiệm bản đồ, như GenAI Immersive View và Gemini trong Mapbox ETA (Estimated Time of Arrival) cho phép đưa ra "Thời gian đến dự kiến" được tính toán dựa trên dữ liệu thời gian thực về giao thông, tuyến đường, khoảng cách và các yếu tố khác để ước tính thời gian một phương tiện sẽ đến đích; Google Maps và MapGPT, cung cấp khả năng lập kế hoạch và cung cấp thông tin về tuyến đường một cách thông minh, cho phép người dùng tương tác bằng ngôn ngữ tự nhiên để tìm đường và nhận hướng dẫn di chuyển chi tiết.
• Ứng dụng công nghệ AI (Computer Vision, CGAN kết hợp CNN) trong xây dựng và triển khai giao thông thông minh, như bản đồ 3D quản lý trải nghiệm đường bộ Rapid Elevation Model (REM) dành cho xe tự lái, cung cấp thông tin chi tiết về địa hình, địa vật hệ thống đường (thay vì chỉ là hình bề mặt đường). Hay bản đồ Traffic cung cấp thông tin lưu lượng giao thông theo thời gian thực và lịch sử, bao gồm tình trạng ùn tắc, sự cố giao thông và tốc độ di chuyển trên hệ thống đường bộ.
Ví dụ: Mobileye (Intel) sử dụng cảm biến và Lidar trang bị AI trên đội xe lái tự động để phát hiện và cập nhật liên tục thay đổi địa hình, địa vật trên hành trình cho bản đồ 3D REM. Ngoài trang bị cho đội xe tự lái của Mobileye, bản đồ 3D này còn được một số hãng ô tô danh tiếng như Volkswagen sử dụng vào 2025-2026; hãng Ford tích hợp vào các giải pháp hỗ trợ lái xe tiên tiến nền tảng Ford BlueCruise.
• Trong quản lý đô thị/ hạ tầng đang cập nhật ứng dụng AI. Ví dụ, sử dụng quy trình GeoAI để kiểm kê và đánh giá hiện trạng cơ sở hạ tầng bằng ảnh/ Lidar (sử dụng công nghệ Lidar để thu thập dữ liệu 3D chi tiết và chính xác về tình trạng xuống cấp của đường xá, cầu cống và các cơ sở hạ tầng khác), kết hợp với Dashboards ArcGIS Online cho tạo các bảng điều khiển trực quan, tương tác, hiển thị dữ liệu không gian và các chỉ số phân tích trên một màn hình duy nhất.
Kết hợp các công nghệ AI tiên tiến như CGAN, GenAI và Agent trong xây dựng, vận hành, phát hành và sử dụng bản đồ số là hướng đầy tiềm năng. Ví dụ, kết hợp tối ưu nhất là GenAI “viết kế hoạch/ mã/ truy vấn”; Agent “thực thi - kiểm chứng - phát hành - giám sát”.
Với những tiến bộ nhanh chóng từ AI tạo sinh, tác nhân AI, tiếp theo là AI vật lý (Physical AI) chắc chắn sẽ giúp lĩnh vực bản đồ địa lý tiến nhanh hơn, mở rộng phạm vi ứng dụng, thâm nhập sâu hơn vào các mặt của xã hội thông minh đang tiến đến xã hội 5.0.
Nguyễn Quang Chung
