TÓM T N ÁN TIẾN SĨ LÂM NGHIỆP

BỘ GIÁO DỤC VÀ ĐÀO TẠO --- - BỘ NÔNG NGHIỆP VÀ PTNT

TRƯỜNG ĐẠI HỌC LÂM NGHIỆP

NGUYỄN QUỐC HIỆU

ỨNG DỤNG CÔNG NGHỆ ĐỊA KHÔNG GIAN

ĐỂ PHÁT HIỆN SỚM MẤT RỪNG, SUY THOÁI RỪNG Ở VÙNG

TÂY NGUYÊN, VIỆT NAM

Chuyên ngành: Quản lý tài nguyên rừng

Mã số: 9620211

TÓM TẮT LUẬN ÁN TIẾN SĨ LÂM NGHIỆP

HÀ NỘI, 2020

Luận án được hoàn thành tại Trường Đại học lâm nghiệp

Người hướng dẫn khoa học: 1. PGS.TS. PHÙNG VĂN KHOA

2. TS. ĐOÀN HOÀI NAM

Phản biện 1: ......................................................

Phản biện 2:...................................................

Phản biện 3: ...................................................

Luận án sẽ được bảo vệ tại Hội đồng chấm luận án cấp Trường họp tại: Trường

Đại học Lâm nghiệp. Vào hồi … giờ, ngày … tháng … năm 2020.

Có thể tìm hiểu luận án tại thư viện:

- Thư viện Quốc gia Việt Nam;

- Thư viện trường Đại học Lâm nghiệp.

DANH MỤC CÁC CÔNG TRÌNH ĐÃ CÔNG BỐ LIÊN QUAN

ĐẾN LUẬN ÁN

1. Nguyễn Quốc Hiệu, Phùng Văn Khoa, Nguyễn Hải Hòa, Lê Văn Hương, Lê Văn

Sơn, Tôn Thất Minh, Trương Quang Cường, Trần Văn Nam (2018). Sử dụng chỉ số

viễn thám để phát hiện suy thoái rừng tại Khu dự trữ sinh quyển thế giới LangBiang,

Lâm Đồng. Tạp chí Khoa học Lâm nghiệp Số 3/2018.

2. Phùng Văn Khoa, Nguyễn Quốc Hiệu, Nguyễn Thị Thanh An, Phí Đăng Sơn,

Phạm Văn Duẩn (2019). Sử dụng chỉ số thực vật khác biệt chuẩn hóa (NDVI) để xác

định nhanh một số trạng thái rừng ở khu vực Tây Nguyên, Việt Nam. Tạp chí Khoa

học và Công nghệ Lâm Nghiệp Số 5/2019.

3. Phùng Văn Khoa, Nguyễn Quốc Hiệu, Nguyễn Quang Huy (2019). Sử dụng ảnh

Landsat 8 và Google Earth Engine phát hiện sớm mất rừng, suy thoái rừng vùng Tây

Nguyên: trường hợp ở tỉnh Đắk Nông. Tạp chí Khoa học và Công nghệ Lâm Nghiệp

Số 5/2019.

4. Phùng Văn Khoa, Nguyễn Quốc Hiệu, Nguyễn Quang Huy (2020). Phát hiện sớm

mất rừng, suy thoái rừng ở tỉnh Đắk Lắk sử dụng chỉ số tương đối KB tính theo chỉ

số NBR (Normalized Burn Ratio) của ảnh Sentinel 2. Tạp chí Khoa học và Công

nghệ Lâm Nghiệp Số 2/2020.

1

MỞ ĐẦU

1. Sự cần thiết của luận án

Mất rừng, suy thoái rừng đã được xem như là một hiện tượng thực tế đe dọa đến chất

lượng cuộc sống của con người và đa dạng sinh học trên trái đất. Theo Tổ chức Nông lương Liên

hợp quốc (FAO, 2020), tổng diện tích rừng của thế giới hiện nay là 4,06 tỷ ha, chiếm 31% trong

tổng diện tích bề mặt trái đất. Có khoảng 420 triệu ha rừng đã bị mất từ những năm 1990 đến nay.

Giai đoạn 1990-2000, trung bình mỗi năm mất 7,8 triệu ha rừng; giai đoạn 2000-2010, trung bình

mỗi năm mất 5,2 triệu ha rừng và giai đoạn 2010-2020 trung bình mỗi năm mất 4,7 triệu ha rừng.

Nguyên nhân của mất rừng, suy thoái rừng đã được xác định chủ yếu do yếu tố con người.

Phát hiện sớm mất rừng, suy thoái rừng không những giúp chúng ta đưa ra các quyết định phù

hợp nhằm ngăn chặn để rừng không bị phá thêm mà còn giúp chúng ta sớm đưa ra các giải pháp

cho việc phục hồi rừng, tăng cường chất lượng rừng tại những nơi đã mất rừng, suy thoái rừng.

Mất rừng, suy thoái rừng thường được phát hiện trực tiếp bởi lực lượng chức năng hoặc

thông qua việc phối hợp giữa lực lượng chức năng và các tổ chức, hộ gia đình, cá nhân có liên

quan…vv. Ngoài ra, với sự phát triển mạnh mẽ của công nghệ thông tin trong đó phải kể đến

công nghệ địa không gian bao gồm (hệ thống thông tin địa lý, hệ thống định vị toàn cầu và viễn

thám) đã góp phần quan trọng vào việc phát hiện sớm mất rừng, suy thoái rừng.

Ở Việt Nam, công nghệ địa không gian ngày càng được ứng dụng mạnh mẽ trong lĩnh vực

quản lý tài nguyên rừng như: điều tra, kiểm kê rừng; cập nhật diễn biến rừng hàng năm; giám sát

các hoạt động lâm nghiệp (trồng rừng, khai thác rừng, chi trả dịch vụ môi trường rừng). Tuy nhiên,

thực tiễn đã cho thấy chúng ta còn thiếu cơ sở khoa học cho việc sử dụng các chỉ số viễn thám, các

loại ảnh viễn thám (nhất là các loại ảnh miễn phí) cũng như chưa có những phần mềm có thể tự

động phát hiện, cảnh báo sớm mất rừng, suy thoái rừng góp phần khắc phục những sai lệch, tính

chủ quan trong các báo cáo số liệu về mất rừng, suy thoái rừng quốc gia. Do đó, việc thực hiện đề

tài “Ứng dụng công nghệ địa không gian để phát hiện sớm mất rừng, suy thoái rừng tại vùng Tây

Nguyên, Việt Nam” là hết sức cần thiết, có ý nghĩa khoa học ứng dụng.

2. Mục tiêu của luận án

2.1. Mục tiêu tổng quát

Ứng dụng công nghệ địa không gian để phát hiện sớm mất rừng, suy thoái rừng góp phần

nâng cao hiệu quả của công tác quản lý và bảo vệ rừng, giám sát, theo dõi diễn biến tài nguyên

rừng ở vùng Tây Nguyên nói riêng và ở Việt Nam nói chung.

2.2. Mục tiêu cụ thể

(1) Thiết lập được cơ sở khoa học cho việc sử dụng các chỉ số viễn thám để phát hiện mất

rừng, suy thoái rừng;

(2) Xác định được ngưỡng chỉ số tương đối để phát hiện mất rừng, suy thoái rừng và đánh

giá độ chính xác;

(3) Đề xuất được hướng ứng dụng công nghệ địa không gian để phát hiện sớm mất rừng

2

và suy thoái rừng ở vùng Tây Nguyên.

3. Đối tượng, phạm vi của luận án

Đối tượng nghiên cứu của đề tài là 07 kiểu rừng tự nhiên vùng Tây Nguyên (rừng lá rộng

thường xanh, rừng lá rộng rụng lá, rừng lá rộng nửa rụng lá, rừng hỗn giao lá rộng – lá kim, rừng

lá kim, rừng tre nứa, rừng hỗn giao gỗ - tre nứa) và 01 kiểu rừng phụ nhân tác (rừng trồng).

Nghiên cứu được thực hiện trong phạm vi 5 tỉnh vùng Tây Nguyên (Kon Tum, Gia Lai, Đắk Lắk,

Đắk Nông, Lâm Đồng), từ năm 2015 đến năm 2018.

4. Những đóng góp mới của luận án

- Thiết luận được cơ sở khoa học cho việc phát hiện sớm mất rừng, suy thoái rừng thông

qua việc sử dụng một số chỉ số viễn thám (KB, NDVI, NBR) trên ảnh vệ tinh Landsat 8 và

Sentinel 2 và dữ liệu điều tra thực địa.

- Đề xuất được hướng áp dụng công nghệ địa không gian phát hiện sớm mất rừng, suy

thoái rừng từ tư liệu ảnh viễn thám Landsat 8 và Sentinel 2.

5. Ý nghĩa khoa học và thực tiễn của luận án

5.1. Ý nghĩa khoa học

Đã xác lập được ngưỡng chỉ số tương đối phản ánh sự thay đổi các chỉ số viễn thám

(NDVI, NBR) trên ảnh vệ tinh Landsat 8 và Sentinel 2 làm cơ sở khoa học cho việc phát hiện

sớm mất rừng, suy thoái rừng ở vùng Tây Nguyên.

5.2. Ý nghĩa thực tiễn

Đã đề xuất được hướng ứng dụng công nghệ địa không gian để phát hiện sớm mất rừng,

suy thoái rừng trong thực tiễn quản lý bảo vệ rừng ở vùng Tây Nguyên.

3

Chương 1

TỔNG QUAN VẤN ĐỀ NGHIÊN CỨU

Những kết quả nghiên cứu trên thế giới và Việt Nam về việc ứng dụng công nghệ địa

không gian trong phát hiện thay đổi rừng đã cho thấy, phát hiện thay đổi rừng thường được thực

hiện theo 2 hướng: (1) sử dụng kỹ thuật so sánh sau phân loại rừng (so sánh bản đồ phân loại

rừng tại 2 thời điểm); (2) sử dụng thuật toán phát hiện thay đổi để xác định những biến động trực

tiếp từ ảnh vệ tinh.

Tác giả thấy rằng, một trong những hạn chế quan trọng về lý luận trong các nghiên cứu

trước sử dụng kỹ thuật so sánh sau phân loại để phát hiện mất rừng, suy thoái rừng là chỉ mới tập

trung phân loại các loại đất có rừng và đất chưa có rừng mà chưa đề cập sâu đến việc phân loại

các trạng thái rừng theo cấp trữ lượng rừng (giàu, trung bình, nghèo, nghèo kiệt, phục hồi). Điều

này cũng đã lý giải phần nào cho việc các kết quả về phát hiện mất rừng là rất phong phú trong

khi đó kết quả về phát hiện suy thoái rừng còn ít được đề cập đến.

Tác giả cũng thấy rằng, một hạn chế khác trong các nghiên cứu trước sử dụng thuật toán

để phát hiện thay đổi rừng là còn thiếu cơ sở khoa học cho việc lựa chọn, áp dụng chỉ số viễn

thám, thuật toán phát hiện thay đổi cho mỗi trường hợp cụ thể trong đó có vấn đề mất rừng, suy

thoái rừng. Trong số những nghiên cứu trước theo hướng này, nổi lên nghiên cứu của Miller, J.

D. và Thode, A. E. (2007). Các tác giả đã sử dụng thuật toán tương đối để phân loại các mức độ

cháy bao gồm: không cháy, cháy thấp, cháy trung bình và cháy cao. Các tác giả cũng gợi ý rằng,

cháy rừng là một trong những dạng nhiễu loạn của rừng và chỉ số tương đối có thể ứng dụng cho

việc nghiên cứu các dạng nhiễu loạn rừng khác.

Xuất phát từ những hạn chế ở như trên, tác giả đã lựa chọn hướng tiếp cận nghiên cứu của

luận án với việc sử dụng thuật toán tương đối để phát hiện sớm mất rừng, suy thoái rừng. Luận

án có thể được xem như là việc mở rộng nghiên cứu của Miller, J. D. và Thode, A. E. cho một

trường hợp cụ thể khác.

Công nghệ địa không gian đã được ứng dụng mạnh mẽ ở nước ta trong việc điều tra, lập

bản đồ hiện trạng rừng, kiểm kê rừng, cập nhật diễn biến rừng và gần đây nhất là dự án điều tra,

kiểm kê rừng toàn quốc giai đoạn 2013-2016. Có thể nói, công nghệ địa không gian đã góp phần

đưa ngành lâm nghiệp cả nước đạt được những bước tiến mới trong việc thu thập, quản lý và sử

dụng số liệu tài nguyên rừng phục vụ tốt cho công tác quản lý tài nguyên rừng.

Tuy nhiên, vẫn còn một số vấn đề đang được đặt ra như: làm thế nào có thể kết hợp được

giữa phương pháp truyền thống và ảnh viễn thám trong việc cập nhật diễn biến rừng? làm thế nào

để khắc phục được sự sai lệch, tính chủ quan trong các báo cáo số liệu về mất rừng, suy thoái?

làm thế nào để phát hiện được sớm mất rừng, suy thoái rừng phục vụ công tác cảnh báo sớm?

Xuất phát từ những vấn đề thực tiễn kể trên, tác giả thấy rằng, thực hiện đề tài “Ứng dụng

công nghệ địa không gian để phát hiện sớm mất rừng, suy thoái rừng tại vùng Tây Nguyên, Việt

Nam” là hết sức cần thiết, có ý nghĩa khoa học ứng dụng.

4

Chương 2

NỘI DUNG VÀ PHƯƠNG PHÁP NGHIÊN CỨU

2.1. Nội dung nghiên cứu

Trên cơ sở xác định mục tiêu, đối tượng và phạm vi nghiên cứu, luận án thực hiện các nội

dung nghiên cứu như sau:

(1) Thiết lập cơ sở khoa học ứng dụng chỉ số viễn thám để phát hiện mất rừng, suy thoái rừng.

(2) Xác định ngưỡng chỉ số tương đối để phát hiện mất rừng, suy thoái rừng;

(3) Đề xuất hướng ứng dụng công nghệ địa không gian để phát hiện mất rừng, suy thoái rừng ở

vùng Tây Nguyên.

2.2. Phương pháp nghiên cứu

2.2.1. Phương pháp luận

a) Câu hỏi nghiên cứu

(1) cơ sở nào cho ta lựa chọn được chỉ số viễn thám phù hợp với việc phát hiện mất rừng,

suy thoái rừng? hay theo cách dễ hiểu hơn là các chỉ số viễn thám trên ảnh vệ tinh có mối liên hệ

như thế nào với hiện trạng rừng ngoài thực địa? (2) làm thế nào có thể xác định được ngưỡng của

các chỉ số viễn thám để phát hiện mất rừng, suy thoái rừng? và (3) làm thế nào để ứng dụng được

kết quả của nghiên cứu vào thực tiễn ở vùng Tây Nguyên, Việt Nam?

b) Chỉ số tương đối

Chỉ số tương đối được tính theo công thức sau:

KB = 100x(T1-T2)/T1 (1)

Trong đó: T1 là giá trị của chỉ số viễn thám tại thời điểm trước tác động.

T2 là giá trị của chỉ số viễn thám tại thời điểm sau tác động.

Luận án đã sử dụng chỉ số tương đối KB để xác định các mức độ suy giảm rừng bao gồm:

rừng không đổi, suy thoái rừng và cháy rừng thông qua việc sử dụng 2 chỉ số viễn thám (NDVI,

NBR).

Chỉ số thực vật NDVI (Rouse, 1974) được xác định theo công thức:

NDVI = (𝐵𝑎𝑛𝑑𝑁𝐼𝑅 − 𝐵𝑎𝑛𝑑𝑅𝐸𝐷)

(𝐵𝑎𝑛𝑑𝑁𝐼𝑅 + 𝐵𝑎𝑛𝑑𝑅𝐸𝐷) (2)

Trong đó: Đối với ảnh Landsat 8, BandNIR (kênh cận hồng ngoại) là Band 5 và BandRED

(kênh đỏ) là Band 4. Đối với ảnh Sentinel 2, BandNIR (kênh cận hồng ngoại) là Band 8 và BandRED

(kênh đỏ) là Band 4.

Chỉ số NBR (Key and Benson, 2005) được xác định theo công thức:

NBR = (𝐵𝑎𝑛𝑑𝑁𝐼𝑅 − 𝐵𝑎𝑛𝑑𝑆𝑊𝐼𝑅)

(𝐵𝑎𝑛𝑑𝑁𝐼𝑅 + 𝐵𝑎𝑛𝑑𝑆𝑊𝐼𝑅) (3)

Trong đó: Đối với ảnh Landsat 8, BandNIR (kênh cận hồng ngoại) là Band 5 và BandSWIR

(kênh hồng ngoại sóng ngắn) là Band 7. Đối với ảnh Sentinel 2, BandNIR (kênh cận hồng ngoại)

là Band 8 và BandSWIR (kênh hồng ngoại sóng ngắn) là Band 12.

c) Giải thích thuật ngữ

5

Trong luận án này, một số thuật ngữ quan trọng bao gồm: rừng không đổi, mất rừng, suy

thoái rừng, phát hiện sớm cần được làm rõ. Thông qua định nghĩa về nó, người đọc có thể thấy

được một số vấn đề nghiên cứu đã được tác giả giới hạn lại cho phù hợp với năng lực nghiên cứu

của tác giả, cũng như để có cơ sở cho việc xem xét, đánh giá các kết quả của luận án.

(i) Rừng không đổi được hiểu là các diện tích rừng không hoặc hầu như không có sự tác

động của con người, tự nhiên, lửa rừng dẫn đến việc mất rừng, suy thoái rừng.

(ii) Mất rừng được hiểu là việc chuyển đổi đất có rừng sang mục đích khác (đất nông

nghiệp, đất trống, đất khác…) hoặc chuyển đổi đất từ trạng thái có rừng sang trạng thái không có

rừng, hoặc tác động chặt hạ, khai thác các cây rừng làm cho độ tàn che thấp hơn 0,1 và diện tích

từ 0,3 ha trở lên.

(iii) Suy thoái rừng bao gồm nhiều khía cạnh khác nhau như: suy giảm năng suất rừng,

suy giảm đa dạng sinh học, các nhiễu loạn do sâu bệnh hại, suy giảm chức năng bảo vệ (đất,

nước), suy giảm trữ lượng các-bon rừng…vv. Tuy nhiên, trong luận án này, định nghĩa suy thoái

rừng được hiểu là việc chặt phá hoặc khai rừng làm giảm trữ lượng và độ tàn che rừng. Trong

thực tiễn, khi rừng thay đổi trạng thái từ rừng có trữ lượng cao (như rừng giàu) về rừng có trữ

lượng thấp (như rừng nghèo, rừng nghèo kiệt) thì có thể hiểu đó là suy thoái rừng.

(iv) Định nghĩa phát hiện “sớm” mất rừng, suy thoái rừng.

Phát hiện “sớm” được hiểu là khả năng phát hiện sớm nhất kể từ khi xảy ra sự kiện mất rừng

hoặc suy thoái rừng. Phát hiện sớm ở đây bao gồm các khía cạnh: về thời gian phát hiện (sớm nhất

có thể), diện tích phát hiện (không gian - nhỏ nhất có thể, thông thường từ 0,3 ha trở lên). Về mặt thời

gian: khi sử dụng ảnh viễn thám, việc phát hiện sớm mất rừng, suy thoái rừng phụ thuộc vào chu kỳ

bay chụp của loại ảnh sử dụng (chu kỳ bay chụp của vệ tinh Landsat 8 là 16 ngày và Sentinel 2 là 6

ngày). Về mặt không gian: phát hiện “sớm” bằng ảnh vệ tinh phản ánh diện tích mất rừng, suy thoái

rừng nhỏ nhất mà loại ảnh được sử dụng có thể phát hiện được trên cơ sở nghiên cứu so sánh khả

năng phát hiện mất rừng, suy thoái rừng giữa các loại ảnh khác nhau.

2.2.2. Các phương pháp nghiên cứu cụ thể

Phương pháp nghiên cứu được trình bày theo từng nội dung nghiên cứu của luận án.

2.2.2.1. Nội dung 1: Xác lập cơ sở khoa học ứng dụng chỉ số viễn thám trong phát hiện sớm mất

rừng, suy thoái rừng

a) Nghiên cứu mối quan hệ giữa trữ lượng rừng và chỉ số viễn thám (NDVI, NBR) trên

ảnh Landsat 8 và Sentinel 2

* Mẫu điều tra trữ lượng rừng: tác giả đã lựa chọn 350 mẫu điều tra thuộc kiểu rừng tự

nhiên lá rộng thường xanh với 5 trạng thái (giàu, trung bình, nghèo, nghèo kiệt, phục hồi) được

kế thừa từ bộ số liệu điều tra ô tiêu chuẩn (mẫu) về trữ lượng rừng từ Chương trình Điều tra Kiểm

kê rừng toàn quốc giai đoạn 2013-2016 tại 5 tỉnh (Kon Tum, Gia Lai, Đắk Lắk, Đắk Nông, Lâm

Đồng). Các mẫu điều tra rừng tự nhiên có kích thước là 1.000 m2 (30 m x 33,3 m). Mẫu điều tra

gồm có các thông tin: chu vi thân cây tại vị trí 1,3 m; chiều cao vút ngọn; tọa độ địa lý (X, Y).

6

* Ảnh vệ tinh sử dụng: luận án sử dụng các cảnh ảnh vệ tinh Landsat 8, Sentinel 2 tại thời

điểm tháng 3, 4 của các năm 2015, 2016. Ảnh vệ tinh Landsat 8, Sentinel 2 được tải về từ GEE.

Ảnh vệ tinh đã được đưa về giá trị phản xạ phổ bề mặt (Surface Reflectance - SR). Các ảnh này

gồm 2 Band (band 1 - ảnh chỉ số NDVI và band 2 - ảnh chỉ số NBR). Các Pixel bị mây trên ảnh

đã được đưa về giá trị bằng 0 thông qua câu lệnh trong GEE.

* Phương pháp trích xuất giá trị NDVI, NBR cho các điểm mẫu trên ảnh: giá trị NDVI,

NBR được trích xuất tại các điểm mẫu trên ảnh vệ tinh với việc sử dụng công cụ Extract Multi

Values to Points trong phần mềm ArcGIS 10.1.

* Lựa chọn mô hình tương quan: nghiên cứu sử dụng dữ liệu mẫu đã được xác định trữ

lượng rừng và trích xuất giá trị NDVI, NBR từ ảnh Landsat 8, Sentinel 2 để xây dựng phương

trình hồi quy tương quan đơn biến theo 06 kiểu hàm sau:

+ Hàm tuyến tính (Linear): Y = b0 + (b1 x X) (4)

+ Hàm logarit (Logarithmic): Y = b0 + b1 x ln(X) (5)

+ Hàm bậc 2 (Quadratic): Y = b0 + b1 x X + b2 x X2 (6)

+ Hàm bậc 3 (Cubic): Y = b0 + b1 x X + b2 x X2 + b3 x X3 (7

+ Hàm lũy thừa (Power): Y = b0 x Xb1 (8)

+ Hàm mũ (Exponential): Y = b0 + eb1 x X (9)

Trong đó: b0 là các hằng số; b1, b2, b3 là hệ số hồi quy; X là biến độc lập (giá trị của chỉ số

viễn thám); Y là biến phụ thuộc (trữ lượng rừng).

Tác giả sử dụng phần mềm SPSS 20.0 để xác định các hằng số, tham số hồi quy của các

mô hình tương quan. Hệ số xác định (R2) cho biết mức độ biến thiên của trữ lượng rừng được

giải thích bởi các chỉ số viễn thám. Dựa vào hệ số (R2) để đánh giá mối tương quan giữa trữ lượng

rừng và chỉ số viễn thám, R2 càng cao cho thấy mô hình tương quan càng phản ánh tốt mối quan

hệ giữa trữ lượng rừng và chỉ số viễn thám.

b) Kiểm định sự khác biệt về chỉ số viễn thám giữa các trạng thái rừng với nhau trên ảnh

Landsat 8 và Sentinel 2

* Mẫu điều tra theo trạng thái: luận án đã kế thừa dữ liệu 2.667 mẫu ô tiêu chuẩn điều tra

rừng từ Chương trình Điều tra Kiểm kê rừng toàn quốc giai đoạn 2013-2016 tại 5 tỉnh (Kon Tum,

Gia Lai, Đắk Lắk, Đắk Nông, Lâm Đồng) với 16 trạng thái thuộc 5 kiểu rừng tự nhiên ở vùng

Tây Nguyên.

* Ảnh vệ tinh sử dụng: luận án sử dụng các cảnh ảnh vệ tinh Landsat 8, Sentinel 2 tại thời

điểm tháng 3, 4 của các năm 2015, 2016.

* Trích xuất giá trị NDVI và NBR: tác giả sử dụng công cụ Extract Multi Values to Points

trong phần mềm ArcGIS 10.1.

* Phương pháp kiểm định: luận án sử dụng phương pháp kiểm định Mann-Whitney để

kiểm định sự khác biệt giữa từng cặp (hai trạng thái rừng với nhau): Giả thuyết đặt ra H0 - không

có sự khác nhau về giá trị NDVI, NBR giữa 2 trạng thái rừng; H1 - có sự khác nhau về giá trị

NDVI, NBR giữa 2 trạng thái rừng. Sử dụng lệnh “Analyze/Nonparametric Test/Legacy

7

Dialogs/Two – Independent – Samples Test” trong phần mềm SPSS 20.0 để tính giá trị |z| và P-

value với mức ý nghĩa 0,05. Với giá trị |z| và Sig., tính toán được so sánh với giá trị tra bảng phân

bố chuẩn cho thấy, nếu |z| >1,96 và giá trị Sig. < 0,05 sẽ có cơ sở để bác bỏ giả thuyết H0 và tương

đương với chấp nhận đối thuyết H1 hay nói cách khác giá trị NDVI, NBR có sự khác biệt giữa

các nhóm (với mức ý nghĩa bằng 0,05). Các cặp trạng thái nhận giá trị H0 sẽ được gộp thành

nhóm kiểu rừng, sau đó tiếp tục kiểm định sự khác biệt giữa các nhóm cho đến khi các nhóm kiểu

rừng có sự khác biệt với nhau.

c) Nghiên cứu biến động chỉ số viễn thám theo thời gian và xác định ngưỡng biến động

của các kiểu rừng trên ảnh Landsat 8 và Sentinel 2

* Mẫu rừng không đổi: nghiên cứu thực hiện trên 6 kiểu rừng (rừng lá rộng thường xanh;

rừng lá rộng rụng lá; rừng lá kim; rừng hỗn giao gỗ - tre nứa; rừng tre nứa; rừng trồng). Mỗi kiểu

rừng lựa 60 mẫu thuộc 2 tỉnh có diện tích rừng lớn nhất (mỗi tỉnh chọn 30 mẫu). Mỗi kiểu rừng

lựa chọn 3 trạng thái rừng chính (rừng giàu, rừng trung bình, rừng nghèo). Mỗi trạng thái rừng

lấy 10 mẫu ngẫu nhiên. Tổng số mẫu xác định rừng không đổi là 360 mẫu. Các mẫu này đã được

kiểm chứng trên bản đồ theo dõi diễn biến rừng các năm 2015, 2016, 2017, 2018 đồng thời được

kiểm chứng trên Planet để đảm bảo không bị các tác động có thể dẫn đến mất rừng, suy thoái

rừng.

* Ảnh vệ tinh sử dụng: ảnh vệ tinh được luận án sử dụng là ảnh Landsat 8 và ảnh Sentinel

2 trong khoảng thời gian mùa khô (từ tháng 11 đến tháng 4 năm kế tiếp) trong thời gian 4 năm

liên tiếp (2015, 2016, 2017, 2018) trong phạm vi 5 tỉnh Tây Nguyên. Ảnh vệ tinh được sử dụng

trực tiếp trong GEE mà không cần tải về máy.

* Trích xuất giá trị NDVI, NBR cho các mẫu nghiên cứu trong Google Earth Engine: mẫu

rừng không đổi của mỗi kiểu rừng được đưa vào GEE. Các lệnh trong GEE sẽ hỗ trợ trích xuất

giá trị NDVI hoặc NBR trung bình theo tất cả các mẫu của kiểu rừng đó. Giá trị NDVI hoặc NBR

cho mỗi kiểu rừng được lưu trong 1 file .csv trong GEE và được tải về máy để tính giá trị tương

đối KB cho mỗi kiểu rừng.

* Xác định ngưỡng chỉ số tương đối KB cho rừng không đổi: tác giả tính toán ngưỡng KB

trong khoảng thời gian mùa khô (từ tháng 11 năm trước đến tháng 4 năm sau) cho mỗi kiểu rừng

theo công thức (1). T1 tương ứng với giá trị NDVI, NBR lớn nhất và T2 tương ứng với giá trị

NDVI, NBR nhỏ nhất. Ngưỡng phát hiện rừng không thay đổi được xác định là có giá trị nằm

trong khoảng (a, b), trong đó: a = 0 là giá trị lý tưởng trong trường hợp không có sự thay đổi nào

và b là giá trị KB lớn nhất trong các kiểu rừng nghiên cứu.

2.2.2.2. Nội dung 2: Xác định ngưỡng chỉ số tương đối phát hiện sớm mất rừng, suy thoái rừng

trên ảnh Landsat 8 và Sentinel 2

a) Xác định ngưỡng mất rừng, suy thoái rừng

* Thu thập mẫu mất rừng, suy thoái rừng: các mẫu mất rừng, suy thoái rừng được thu thập

từ Chi cục kiểm lâm của 5 tỉnh vùng Tây Nguyên trong thời gian từ 2015 đến 2018. Sau đó các

mẫu mất rừng, suy thoái rừng được tác giả đưa vào Planet để kiểm chứng và xác định khoảng

8

thời gian mất rừng, suy thoái rừng. Luận án đã lựa chọn được tổng số mẫu mất rừng là 380 mẫu,

trong đó: 230 mẫu được sử dụng để xác định ngưỡng mất rừng, suy thoái rừng và 150 mẫu để

đánh giá độ chính xác phát hiện mất rừng. Tổng số mẫu suy thoái rừng được lựa chọn là 90 mẫu

được dùng để đánh giá độ chính xác phát hiện suy thoái rừng.

* Ảnh vệ tinh sử dụng: ảnh vệ tinh Landsat 8 và Sentinel 2 được luận án sử dụng để xác

định ngưỡng mất rừng, suy thoái rừng trong khoảng thời gian mùa khô năm 2015-2016 và 2016-

2017. Ảnh Landsat 8 và ảnh Sentinel 2 trong khoảng thời gian mùa khô năm 2017-2018 được sử

dụng để đánh giá độ chính xác phát hiện mất rừng, suy thoái rừng. Ảnh vệ tinh Landsat 8 và

Sentinel 2 được tải về máy từ GEE.

* Xác định ngưỡng mất rừng:

Bước 1: Lựa chọn ảnh vệ tinh tại thời điểm T1 (trước khi biến động) và thời điểm T2 (thời

điểm phát hiện biến động). Tính giá trị KB theo công thức (1) bằng công cụ Spatial Analyst Tools

trong phần mềm ArcGIS.

Bước 2. Chiết xuất giá trị KB với tham số giá trị trung bình (Mean) cho các mẫu nghiên

cứu, sử dụng công cụ Zonal Statistics As Table trong phần mềm ArcGIS để thực hiện.

Bước 3. Xác định ngưỡng phát hiện mất rừng. Từ kết quả ở bước 2, với bảng số liệu về

giá trị Mean của số lượng vùng mẫu nghiên cứu, ngưỡng phát hiện mất rừng (KBmatrung) được xác

định là có giá trị nằm trong khoảng (c, d), trong đó: c là giá trị KB nhỏ nhất trong tổng số mẫu

nghiên cứu mẫu và d là giá trị KB lớn nhất trong tổng số mẫu nghiên cứu.

* Xác định ngưỡng suy thoái rừng

Nghiên cứu xác định diện tích rừng bị suy thoái có ngưỡng KBsuythoairung lớn hơn ngưỡng

KBkhongthaydoi (rừng không thay đổi) và nhỏ hơn ngưỡng KBmatrung (rừng bị mất).

b) Phương pháp đánh giá độ chính xác phát hiện mất rừng, suy thoái rừng

Luận án sử dụng 150 mẫu mất rừng và 90 mẫu suy thoái rừng năm 2018 tại các tỉnh vùng

Tây Nguyên để đánh giá độ chính xác bao gồm: độ chính xác phát hiện và độ chính xác về diện

tích.

Tỷ lệ phần trăm (%) phát hiện = tổng số mẫu phát hiện được

tổng số mẫu kiểm chứng𝑥100 (10)

Tỷ lệ sai lệch diện tích (%): M = 100

𝑛∑ |

𝐴𝑡− 𝐹𝑡

𝐴𝑡|𝑛

𝑡=1 (11)

Trong đó: M là tỷ lệ sai lệch về diện tích (%); n là tổng số mẫu kiểm chứng; At là diện tích

kiểm chứng(ha); Ft là diện tích phát hiện trên ảnh (ha).

2.2.2.3. Nội dung 3. Đề xuất hướng ứng dụng công nghệ địa không gian để phát hiện sớm mất

rừng, suy thoái rừng ở vùng Tây Nguyên.

Kết quả thiết lập cơ sở khoa học và xác định ngưỡng chỉ số tương đối KB để phát hiện

sớm mất rừng, suy thoái rừng được sử dụng làm cơ sở cho đề xuất hướng ứng dụng công nghệ

địa không gian để phát hiện sớm mất rừng, suy thoái rừng ở vùng Tây Nguyên. Luận án đề xuất

các bước ứng dụng công nghệ địa không gian để phát hiện mất rừng, suy thoái rừng với việc sử

dụng các ngưỡng chỉ số tương đối KB đã được xác định.

9

Chương 3

ĐẶC ĐIỂM TỰ NHIÊN, KINH TẾ XÃ HỘI KHU VỰC NGHIÊN CỨU

3.1. Đặc điểm tài rừng vùng Tây Nguyên

3.1.1. Diện tích các loại rừng

Theo Bộ NN&PTNT, đến 31/12/2015 diện tích rừng và đất quy hoạch cho lâm nghiệp 5 tỉnh

Tây Nguyên đến 31/12/2015 là 3.354.194 ha; trong đó: diện tích có rừng là 2.567.118 ha (rừng tự

nhiên 2.253.804 ha; rừng trồng 248.714 ha), độ che phủ rừng 45,8%.

3.1.2. Biến động rừng giai đoạn 2015 – 2018

Theo số liệu công bố hiện trạng rừng của Bộ Nông nghiệp và Phát triển nông thôn, giai

đoạn 2015 – 2018, các tỉnh vùng Tây Nguyên có diện tích rừng tự nhiên giảm 39.092 ha trong

khi đó diện tích rừng trồng tăng 34.446 ha. Tỉnh có diện tích rừng tự nhiên giảm mạnh nhất là

Đắk Lắk (-14.537 ha), tiếp đến là tỉnh Đắk Nông (-12.131 ha), tỉnh Gia Lai (-12.092 ha), tỉnh

Kon Tum (-1.132 ha). Riêng tỉnh Lâm Đồng diện tích rừng tự nhiên tăng 800 ha trong giai đoạn

2015 – 2018. Tỉnh có diện tích rừng trồng tăng cao nhất là Gia Lai (+17.272 ha), tiếp theo là tỉnh

Đắk Nông (+12.446 ha), tỉnh Lâm Đồng (+3.785 ha). Số vụ phá rừng trái phép tại 5 tỉnh Tây

Nguyên diễn ra mạnh vào cả mùa khô và mùa mưa. Mùa khô từ tháng 11 năm trước đến tháng 4

năm sau, các vụ phá rừng tập trung vào các tháng 11, 12 và tháng 3. Mùa mưa kéo dài từ tháng 5

đến tháng 10, các vụ phá rừng tập trung mạnh vào tháng 6, 7. Nguyên nhân phá rừng ở Tây

Nguyên được xác định là các vụ khai thác gỗ trái phép tập trung vào mùa khô trong khi đó các

vụ phá rừng lấn chiếm đất rừng xảy ra mạnh vào mùa mưa.

3.2. Đặc điểm ảnh vệ tinh vùng Tây Nguyên

3.2.1. Ảnh vệ tinh Landsat 8

Tổng hợp số liệu về các cảnh ảnh Landsat 8 bao phủ khu vực Tây Nguyên trong thời gian

từ 01/01/2015 đến 31/12/2018 cho thấy, từ tháng 10 của năm trước đến tháng 4 của năm sau kế

tiếp (mùa khô) là khoảng thời gian các tỉnh khu vực Tây Nguyên có nhiều ảnh Landsat 8 với tỷ

lệ mây thấp dưới 10% (chiếm từ 20 đến 40% tổng số ảnh của từng tháng). Trong khi đó các tháng

5, 6, 7, 8, 9 (mùa mưa) ảnh Landsat 8 ở khu vực Tây Nguyên chủ yếu là có tỷ lệ mây trên 30%

(chiếm từ 60 – 70% tổng số ảnh của từng tháng).

3.2.2. Ảnh vệ tinh Sentinel 2

Tổng hợp số liệu về các cảnh ảnh Sentinel 2 bao phủ khu vực Tây Nguyên trong thời gian

từ 01/01/2015 đến 31/12/2018 cho thấy, đối với ảnh Sentinel 2 có tỷ lệ mây thấp vào mùa khô và

có tỷ lệ mây cao vào mùa mưa. Từ tháng 11 năm trước đến tháng 4 năm sau kế tiếp là khoảng

thời gian các tỉnh khu vực Tây Nguyên có nhiều ảnh Sentinel 2 với tỷ lệ mây thấp dưới 10%

(chiếm từ 20 đến 40% tổng số ảnh của từng tháng). Trong khi đó các tháng 5, 6, 7, 8, 9, 10 (mùa

mưa) ảnh Sentinel 2 ở khu vực Tây Nguyên chủ yếu là có tỷ lệ mây trên 30% (chiếm từ 70 – 90%

tổng số ảnh của từng tháng).

10

Chương 4

KẾT QUẢ NGHIÊN CỨU VÀ THẢO LUẬN

4.1. Cơ sở khoa ứng dụng chỉ số viễn thám trong phát hiện mất rừng, suy thoái rừng

4.1.1. Xác định mối quan hệ giữa chỉ số viễn thám và trữ lượng rừng trên ảnh Landsat 8 và

Sentinel 2

Trữ lượng rừng là một trong số những nhân tố quan trọng phản ánh mức độ mất rừng, suy

thoái rừng. Xác định mối quan hệ giữa chỉ số viễn thám và nhân tố trữ lượng rừng là cơ sở để lựa

chọn chỉ số viễn thám trong việc phát hiện những thay đổi của rừng như mất rừng, suy thoái rừng.

Để đánh giá mối quan hệ giữa chỉ số viễn thám và trữ lượng rừng, 6 dạng mô hình tương quan

bao gồm: hàm tuyến tính (Linear), hàm logarit (Logarithmic), hàm bậc hai (Quadratic), hàm bậc

ba (Cubic), hàm lũy thừa (Power), hàm mũ (Exponential) đã được thiết lập với việc sử dụng các

chỉ số viễn thám (NDVI, NBR) và các ảnh vệ tinh (Landsat 8, Sentinel 2).

a) Mối quan hệ giữa trữ lượng rừng và chỉ số NDVI trên ảnh Landsat 8

Bảng 4. 1. Ước lượng tham số các mô hình tương quan giữa trữ lượng rừng và chỉ số NDVI

trên ảnh Landsat 8

Dependent Variable: M (m3/ha)

Equation Model Summary Parameter Estimates

R R Square F df1 df2 Sig. Constant b1 b2 b3

Linear .694 .481 322.760 1 348 .000 -245.757 622.939

Logarithmic .664 .441 274.846 1 348 .000 336.376 374.944

Quadratic .714 .510 180.798 2 347 .000 169.430 -701.545 1000.439

Cubic .713 .509 179.910 2 347 .000 45.024 -74.702 .000 512.529

Power .817 .667 695.691 1 348 .000 411.372 2.478

Exponential .829 .688 766.476 1 348 .000 9.563 4.005

The independent variable is NDVI.

Nghiên cứu đã xây dựng được 06 phương trình tương quan (Bảng 4.1) thể hiện mối quan

hệ giữa trữ lượng rừng (biến Y - m3/ha) và chỉ số NDVI (biến X) trên ảnh Landsat 8 trong đó

phương trình mũ (Exponential): Y = 9,563 x e4,005 x X (R2 = 0,688) phản ánh tốt nhất mối quan hệ

giữa trữ lượng rừng và chỉ số NDVI trên ảnh Landsat 8.

b) Mối quan hệ giữa trữ lượng rừng và chỉ số NBR trên ảnh Landsat 8

Bảng 4. 2. Ước lượng tham số các mô hình tương quan giữa trữ lượng rừng và chỉ số NBR





Linear .714 .510 362.259 1 348 .000 -55.694 474.083

Logarithmic .603 .364 198.979 1 348 .000 310.838 142.491

Quadratic .731 .534 199.072 2 347 .000 47.629 -39.670 533.561

Cubic .733 .537 133.780 3 346 .000 90.274 -503.718 1766.487 -937.803

Power .740 .547 420.744 1 348 .000 347.114 .940

Exponential .831 .691 777.986 1 348 .000 34.070 2.967

The independent variable is NBR.


hệ giữa trữ lượng rừng (biến Y - m3/ha) và chỉ số NBR (biến X) trên ảnh Landsat 8 trong đó

11

phương trình mũ (Exponential): Y = 34,070 x e2,967 x X (R2 = 0,691) phản ánh tốt nhất mối quan

hệ giữa trữ lượng rừng và chỉ số NBR trên ảnh Landsat 8.

c) Mối quan hệ giữa trữ lượng rừng và chỉ số NDVI trên ảnh Sentinel 2

Bảng 4. 3. Ước lượng tham số các mô hình tương quan giữa trữ lượng rừng và chỉ số NDVI

trên ảnh Sentinel 2




Linear .771 .595 511.748 1 348 .000 -99.408 448.980

Logarithmic .736 .541 410.170 1 348 .000 289.615 221.902

Quadratic .804 .647 317.684 2 347 .000 186.131 -653.979 1001.258

Cubic .831 .691 258.207 3 346 .000 -522.891 3911.162 -8218.465 5912.122

Power .837 .701 814.762 1 348 .000 366.652 1.603

Exponential .842 .709 846.039 1 348 .000 23.959 3.109

The independent variable is NDVI.


hệ giữa trữ lượng rừng (biến Y - m3/ha) và chỉ số NDVI (biến X) trên ảnh Sentinel 2 trong đó


hệ giữa trữ lượng rừng và chỉ số NDVI trên ảnh Sentinel 2.

d) Mối quan hệ giữa trữ lượng rừng và chỉ số NBR trên ảnh Sentinel 2

Bảng 4. 4. Ước lượng tham số các mô hình tương quan giữa trữ lượng rừng và chỉ số NBR


Dependent Variable: M(m3/ha)



Linear .804 .646 635.404 1 348 .000 -131.942 518.325

Logarithmic .742 .551 426.571 1 348 .000 295.268 213.752

Quadratic .828 .685 378.031 2 347 .000 51.685 -284.783 797.975

Cubic .828 .686 251.444 3 346 .000 73.981 -460.384 1201.769 -285.473

Power .880 .774 1191.793 1 348 .000 443.482 1.888

Exponential .908 .825 1643.615 1 348 .000 11.615 4.365

The independent variable is NBR.


hệ giữa trữ lượng rừng (biến Y - m3/ha) và chỉ số NBR (biến X) trên ảnh Sentinel 2 trong đó


hệ giữa trữ lượng rừng và chỉ số NBR trên ảnh Sentinel 2.

4.1.2. Kiểm định sự khác biệt về các chỉ số viễn thám giữa các trạng thái rừng trên ảnh Landsat 8

và Sentinel 2

Tác giả đã kiểm định sự khác biệt về chỉ số viễn thám đối với 16 trạng thái rừng bao gồm:

05 trạng thái rừng lá rộng thường xanh (giàu, trung bình, nghèo, nghèo kiệt, phục hồi); 05 trạng

thái rừng lá rộng rụng lá (giàu, trung bình, nghèo, nghèo kiệt, phục hồi); 02 trạng thái rừng lá kim

(giàu, trung bình); 02 trạng thái rừng lá rộng nửa rụng lá (giàu, trung bình); 02 trạng thái rừng

hỗn giao (gỗ - tre nứa và tre nứa – gỗ). Kết qủa kiểm định nhằm xác định ngưỡng chỉ số viễn

thám để phân loại các kiểu rừng như dưới đây:

12

a) Xác định ngưỡng chỉ số NDVI trên ảnh Landsat 8 cho các kiểu rừng ở Tây Nguyên

Nghiên cứu đã kiểm định 120 cặp trạng thái bằng kiểm định Mann-Whitney cho 2 mẫu

độc lập và kết quả cho thấy, có 16 cặp trạng thái có cơ sở để chấp nhận giả thuyết H0 và 104 cặp

trạng thái có cơ sở để chấp nhận giả thuyết H1. Các cặp trạng thái chấp nhận giả thuyết H0 là căn

cứ để nghiên gộp các trạng thái rừng tương đồng thành 5 nhóm kiểu rừng. Sau đó, tác giả tiếp tục

kiểm định sự khác biệt theo phương pháp kiểm định Mann – Whitney, cho 5 nhóm kiểu rừng sau

khi gộp. Kết quả đã cho thấy, tất cả các giá trị |z| lớn hơn 1,96 và tất cả các giá trị (Sig.) là nhỏ

hơn 0,05 do đó ta có thể bác giả thuyết H0 hay có thể nói rằng các nhóm kiểu rừng đã có sự khác

nhau về giá trị trung bình NDVI của mỗi nhóm. Từ đó, cho phép ước lượng ngưỡng giá trị NDVI

trên ảnh Landsat 8 cho các nhóm kiểu rừng như Bảng 4.5.

Bảng 4. 5. Kết quả ước lượng ngưỡng giá trị NDVI cho các nhóm trạng thái rừng

TT Nhóm kiểu rừng

Cận dưới

(�̅� − 𝑆𝑡𝑑 ×

1,96)

Giá trị

trung bình

(�̅�)

Cận trên

(�̅� + 𝑆𝑡𝑑

× 1,96)

1 Rừng gỗ tự nhiên núi đất LRTX (giàu,

trung bình, nghèo) 0,769 0,825 0,881

2

Rừng gỗ tự nhiên núi đất LRTX (nghèo

kiệt, phục hồi), rừng hỗn giao (gỗ - tre nứa,

tre nứa - gỗ), rừng lá kim (giàu, trung bình)

0,627 0,693 0,758

3 Rừng gỗ tự nhiên núi đất LRNRL (giàu,

trung bình) 0,494 0,557 0,620

4 Rừng gỗ tự nhiên núi đất LRRL (giàu,

trung bình) 0,411 0,450 0,489

5 Rừng gỗ tự nhiên núi đất LRRL (nghèo,

nghèo kiệt, phục hồi) 0,243 0,318 0,392

b) Xác định ngưỡng chỉ số NBR trên ảnh Landsat 8 cho các kiểu rừng ở Tây Nguyên








nhau về giá trị trung bình NBR của mỗi nhóm. Từ đó, cho phép ước lượng ngưỡng giá trị NBR

trên ảnh Landsat 8 cho các nhóm kiểu rừng như Bảng 4.6.

13

Bảng 4. 6. Kết quả ước lượng ngưỡng giá trị NBR cho các nhóm trạng thái rừng

TT Nhóm trạng thái rừng

Cận dưới

(�̅� − 𝑆𝑡𝑑 ×1,96)

Giá trị

trung bình

(�̅�)

Cận trên

(�̅� + 𝑆𝑡𝑑× 1,96)


trung bình, nghèo) 0,576 0,661 0,745

2


kiệt, phục hồi), rừng hỗn giao (gỗ - tre nứa,

tre nứa - gỗ), rừng lá kim (giàu, trung bình)

0,484 0,525 0,565


trung bình) 0,220 0,316 0,411


trung bình) 0,067 0,101 0,134

5 Rừng gỗ tự nhiên núi đất LRRL (nghèo,

nghèo kiệt, phục hồi) -0,035 0,021 0,077

c) Xác định ngưỡng chỉ số NDVI trên ảnh Sentinel 2 cho các kiểu rừng ở Tây Nguyên








nhau về giá trị trung bình NDVI của mỗi nhóm. Từ đó, cho phép ước lượng ngưỡng giá trị NDVI

trên ảnh Sentinel 2 cho các nhóm kiểu rừng như Bảng 4.7.

Bảng 4. 7. Kết quả ước lượng ngưỡng giá trị NDVI trên ảnh Sentinel 2

cho các nhóm kiểu rừng


Cận dưới

(�̅� − 𝑺𝒕𝒅 ×𝟏, 𝟗𝟔)

Giá trị

trung

bình (�̅�)

Cận trên

(�̅� + 𝑺𝒕𝒅× 𝟏, 𝟗𝟔)


trung bình, nghèo) 0,603 0,674 0,744

2


kiệt, phục hồi), rừng hỗn giao (gỗ - tre

nứa, tre nứa - gỗ), rừng lá kim (giàu, trung

bình)

0,503 0,552 0,601


trung bình) 0,358 0,410 0,463


trung bình, nghèo) 0,215 0,254 0,294

5 Rừng gỗ tự nhiên núi đất LRRL (nghèo

kiệt, phục hồi) 0,121 0,161 0,201

d) Xác định ngưỡng chỉ số NBR trên ảnh Sentinel 2 cho các kiểu rừng ở Tây Nguyên

14








nhau về giá trị trung bình NBR của mỗi nhóm. Từ đó, cho phép ước lượng ngưỡng giá trị NBR

trên ảnh Sentinel 2 cho các nhóm kiểu rừng như Bảng 4.8.

Bảng 4. 8. Kết quả ước lượng ngưỡng giá trị NBR trên ảnh Sentinel 2 cho các nhóm kiểu

rừng khác nhau


Cận dưới

(�̅� − 𝑺𝒕𝒅 ×𝟏, 𝟗𝟔)

Giá trị

trung

bình (�̅�)

Cận trên

(�̅� + 𝑺𝒕𝒅× 𝟏, 𝟗𝟔)


trung bình, nghèo) 0,529 0,616 0,704

2


kiệt, phục hồi), rừng hỗn giao (gỗ - tre

nứa, tre nứa - gỗ), rừng lá kim (giàu, trung

bình)

0,417 0,468 0,519


trung bình) 0,173 0,217 0,261


trung bình, nghèo) 0,081 0,122 0,163

5 Rừng gỗ tự nhiên núi đất LRRL (nghèo

kiệt, phục hồi) -0,177 -0,055 0,065

4.1.3. Xác định ngưỡng chỉ số tương đối với rừng không thay đổi trên ảnh Landsat 8

Mục tiêu của nghiên cứu là đánh giá sự thay đổi chỉ số NDVI, NBR trên ảnh Landsat 8

của các kiểu rừng trong 6 tháng mùa khô Mùa khô (từ tháng 11 của năm trước đến tháng 4 của

năm kế tiếp) ở Tây Nguyên nhằm xác định ngưỡng biến động của chỉ số viễn thám trong trường

hợp rừng không đổi làm cơ sở cho xác định ngưỡng phát hiện suy thoái rừng, mất rừng ở vùng

Tây Nguyên.

Bảng 4. 9. Kết quả xác định ngưỡng KB(dNDVI) và KB(dNBR) phát hiện rừng không đổi


TT Kiểu rừng KB(dNVDI) KB(dNBR)

1 Lá rộng thường xanh 10,2 10,1

2 Lá kim 14,4 25,0

3 Lồ ô tre nứa 11,4 17,4

4 Hỗn giao gỗ - tre nứa 15,4 15,8

5 Rừng trồng 20,0 23,1

15

Giá trị lớn nhất 20,0 25,0

Kết quả trong Bảng 4.9 đã cho thấy, giá trị KB(dNVDI) lớn nhất trong 5 kiểu rừng nghiên

cứu là 20 và giá trị KB(dNBR) là 25. Từ đó, nghiên cứu xác định ngưỡng KB(dNDVI) và

KB(dNBR) phát hiện rừng không đổi trên ảnh Landsat 8 ở vùng Tây Nguyên lần lượt là 0 – 20

và 0 – 25. Ngưỡng KB(dNDVI) và KB(dNBR) phát hiện rừng không đổi được sử dụng để xác

định ngưỡng suy thoái rừng, mất rừng.

4.1.4. Xác định ngưỡng chỉ số tương đối với rừng không thay đổi trên ảnh Sentinel 2

Tương tự như đối với ảnh Landsat 8, Luận án đánh giá sự thay đổi chỉ số NDVI, NBR

trên ảnh Sentinel 2 của các kiểu rừng trong 6 tháng mùa khô Mùa khô (từ tháng 11 của năm trước

đến tháng 4 của năm kế tiếp) ở Tây Nguyên để xác định ngưỡng rừng không đổi.

Bảng 4. 10. Kết quả xác định ngưỡng KB(dNDVI) và KB(dNBR) phát hiện rừng không

đổi trên ảnh Sentinel 2

TT Kiểu rừng KB(dNVDI) KB(dNBR)

1 Lá rộng thường xanh 14,0 16,8

2 Lá kim 20,0 25,0

3 Lồ ô tre nứa 14,3 17,4

4 Hỗn giao gỗ - tre nứa 18,2 16,9

5 Rừng trồng 17,9 22,3

Giá trị lớn nhất 20,0 25,0

Kết quả trong Bảng 4.10 đã cho thấy, giá trị KB(dNVDI) lớn nhất trong 5 kiểu rừng nghiên

cứu là 20 và giá trị KB(dNBR) là 25. Từ đó, nghiên cứu xác định ngưỡng KB(dNDVI) và

KB(dNBR) phát hiện rừng không đổi trên ảnh Sentinel 2 ở vùng Tây Nguyên lần lượt là 0-20 và

0-25. Kết quả này cho thấy, ngưỡng phát hiện rừng không đổi trên ảnh Sentinel 2 tương tự với

trên ảnh Landsat 8.

4.1.5. Thảo luận

a) Về mối quan hệ giữa chỉ số viễn thám và trữ lượng rừng

Thông qua việc thiết lập 6 mô hình tương quan giữa trữ lượng rừng và các chỉ số NDVI,

NBR trên ảnh Landsat 8 và Sentinel 2, tác giả đã thấy rằng: những thay đổi về trữ lượng rừng có

thể được giải thích tốt nhất thông qua sự thay đổi của 2 chỉ số NDVI và NBR theo hàm số mũ.

Trên ảnh Landsat 8 hoặc ảnh Sentinel 2, chỉ số NBR có thể giải thích tốt hơn chỉ số NDVI về sự

thay đổi của trữ lượng rừng. Đối với việc sử dụng chỉ số NDVI hoặc NBR, ảnh Sentinel 2 có thể

giải thích tốt hơn ảnh Landsat 8 về sự thay đổi trữ lượng rừng. Những phát hiện của tác giả phù

hợp với một số nghiên cứu trước đã được công bố bởi: Motlagh, M. G. et al. (2018); Pandey, P.

C. et al. (2018); Muhd-Ekhzarizal, M. E. et al. (2017); Phạm Văn Duẩn và Vũ Thị Thìn (2016);

Laurin G. V. et al. (2016) và Askar (2018).

b) Về sự khác biệt về chỉ số viễn thám giữa các kiểu trạng thái rừng

16

Kết quả kiểm định sự khác biệt 2 chỉ số viễn thám NDVI và NBR trên ảnh vệ tinh Landsat

8 và Sentinel 2 đối với 16 trạng thái rừng thuộc 5 kiểu rừng chính ở vùng Tây Nguyên, tác giả

thấy rằng, có sự tương đồng về kết quả nghiên cứu khi sử dụng chỉ số NDVI hoặc NBR trên ảnh

Landsat 8 và Sentinel 2. Về phân loại các kiểu rừng: có thể sử dụng chỉ số NDVI, NBR để phân

biệt được 3 kiểu rừng trong số 5 kiểu rừng nghiên cứu bao gồm: rừng tự nhiên lá rộng thường

xanh, rừng tự nhiên lá rộng rụng lá và rừng tự nhiên lá rộng nửa rụng lá. Hai kiểu rừng (rừng lá

kim và rừng hỗn giao gỗ - tre nứa) không có sự khác biệt về chỉ số NDVI và NBR so với các kiểu

rừng lá rộng thường xanh nên không thể phân loại 2 kiểu rừng này. Về phân loại các trạng thái

rừng theo cấp trữ lượng (giàu, trung bình, nghèo, nghèo kiệt, phục hồi): không có sự khác biệt rõ

rệt về chỉ số viễn thám của 5 trạng thái rừng này, nhưng có sự khác biệt về chỉ số viễn thám giữa

2 nhóm trạng thái (giàu, trung bình, nghèo) và nhóm trạng thái (nghèo kiệt, phục hồi). Kết quả

của luận án phù hợp với một số nghiên cứu trước đã được công bố bởi: Yang, Y. et al. (2019);

Koppada, A. G. et al. (2017); Shisshir, S. et al. (2018); Nguyễn Hải Hòa và cộng sự (2019); Phạm

Văn Duẩn và Phùng Văn Khoa (2013).

c) Về ngưỡng chỉ số tương đối phát hiện rừng không đổi

Như đã được đề cập đến trong Phương pháp luận nghiên cứu, không phải mọi thay đổi về

chỉ số viễn thám trên ảnh vệ tinh là liên quan đến mất rừng, suy thoái rừng ngoài thực địa. Do đó,

tác giả nghiên cứu biến động chỉ số viễn thám cho các kiểu rừng không đổi theo thời gian đồng

thời xác định ngưỡng chỉ số tương đối để phát hiện rừng không đổi làm cơ sở cho việc xác định

ngưỡng phát hiện mất rừng, suy thoái rừng.

Nghiên cứu đã xác định biến động chỉ số NDVI, NBR của 6 kiểu rừng (rừng lá rộng

thường xanh, rừng lá rộng rụng lá, rừng lá kim, rừng hỗn giao gỗ - tre nứa, rừng lồ ô – tre nứa,

rừng trồng) vào 6 tháng mùa khô (từ tháng 11 năm trước đến tháng 4 năm kế tiếp) của các năm

2015, 2016, 2017, 2018. Tác giả thấy rằng, kiểu rừng lá rộng rụng lá có sự biến động chỉ số viễn

thám cao nhất và kiểu rừng lá rộng thường xanh có biến động chỉ số viễn thám thấp nhất. Đặc

biệt, chỉ số viễn thám của kiểu rừng lá rộng rụng lá có sự biến động rất mạnh có thể nhầm lẫn với

khu vực mất rừng, suy thoái rừng. Với kết quả này, luận án đã giới hạn lại phạm vi xác định

ngưỡng chỉ số tương đối để phát hiện rừng không đổi ở vùng Tây Nguyên với việc không lựa

chọn kiểu rừng lá rộng rụng lá.

Nghiên cứu đã xác định ngưỡng chỉ số tương đối với 5 kiểu rừng không đổi (rừng lá rộng

thường xanh, rừng lá kim, rừng hỗn giao gỗ - tre nứa, rừng lồ ô – tre nứa, rừng trồng) với kết quả

như sau: KB(dNDVI) và KB(dNBR) phát hiện rừng không đổi lần lượt là: 0-20 và 0-25 trên cả

hai loại ảnh Landsat 8 và Sentinel 2. Kết quả này cho thấy, không có sự khác biệt về ngưỡng chỉ

số tương đối KB sử dụng chỉ số NDVI hoặc NBR trên cả 2 loại ảnh Landsat 8 và Sentinel 2.

Nhưng có sự khác biệt về ngưỡng chỉ số tương đối KB giữa chỉ số NDVI và NBR trên cùng 1

loại ảnh Landsat 8 hoặc Sentinel 2. Khi sử dụng chỉ số NBR cho ngưỡng phát hiện rừng không

đổi KB(dNBR) rộng hơn so với ngưỡng KB(dNDVI) khi sử dụng chỉ số NDVI. Mặc dù, sự khác

17

biệt là không lớn nhưng có thể giải thích như sau: (i) trong công thức tính giá trị NBR sử dụng

kênh dải hồng ngoại sóng ngắn (SWIR) trong khi việc tính giá trị NDVI sử dụng kênh đỏ (RED).

SWIR nhạy cảm với các khu vực khô, ẩm, thực vật bị khô, chết hơn so với kênh RED; (ii) kết

quả nghiên cứu cho thấy, các kiểu rừng (lá kim và rừng trồng) có sự biến động về chỉ số viễn

thám cao hơn so với các kiểu rừng (lá rộng thường xanh, rừng hỗn giao gỗ - tre nứa, rừng lồ ô –

tre nứa). Do đó, ngưỡng chỉ số tương đối phát hiện rừng không đổi trị KB(dNDVI) và KB(dNBR)

đã được xác định dựa vào sự biến động chỉ số viễn thám của 2 kiểu rừng này. Vào mùa khô, đây

là hai kiểu rừng có sự sự biến động về tán nhiều hơn so với các kiểu rừng khác (do tính đặc thù

về kiểu rừng, cũng như các hoạt động khác của con người như phát dọn thực bì, áp dụng các biện

pháp giảm thiểu cháy rừng). Do đó, khi sử dụng chỉ số NBR khả năng phát hiện những biến động

từ hai kiểu rừng này nhạy hơn so với việc sử dụng chỉ số NDVI.

4.2. Xác định ngưỡng mất rừng, suy thoái rừng ở vùng Tây Nguyên trên ảnh Landsat 8 và

Sentinel 2

4.2.1. Sử dụng ảnh Landsat 8

4.2.1.1. Xác định ngưỡng phát hiện mất rừng và suy thoái rừng

Nghiên cứu đã sử dụng phần mềm ArcGIS 10.1 để tính toán và trích xuất giá trị

KB(dNDVI) và KB(dNBR) trên ảnh Landsat 8 theo 230 mẫu mất rừng đã được lựa chọn.

Bảng 4. 11. Xác định ngưỡng phát hiện mất rừng trên ảnh Landsat 8

Kết quả tổng hợp 230 mẫu mất rừng KB (dNDVI) KB (dNBR)

- Giá trị nhỏ nhất 40,0 45,0

- Giá trị lớn nhất 70,0 110,0

- Giá trị trung bình 50,1 75,9

- Độ lệch chuẩn 6,7 13,6

Kết quả trong Bảng 4.11 cho thấy, trong tổng số 230 mẫu nghiên cứu, chỉ số KB(dNDVI)

có giá trị nhỏ nhất là 40,0 và có giá trị lớn nhất là 70,0; chỉ số KB(dNBR) có giá trị nhỏ nhất là

45,0 và có giá trị lớn nhất là 110,0. Từ đó, nghiên cứu đã xác định ngưỡng để phát hiện mất rừng

tại khu vực nghiên cứu cho trường hợp sử dụng chỉ số NDVI và ảnh Landsat 8 có KB(dNDVI)

từ 40,0 đến 70,0. Và ngưỡng để phát hiện mất rừng tại khu vực nghiên cứu cho trường hợp sử

dụng chỉ số NBR và ảnh Landsat 8 có KB(dNBR) từ 45,0 đến 110,0.

Từ kết quả xác định ngưỡng rừng không thay đổi và ngưỡng phát hiện mất rừng tại khu

vực nghiên cứu, nghiên cứu xác định được ngưỡng để phát hiện suy thoái rừng rừng cho trường

hợp sử dụng chỉ số NDVI và ảnh Landsat 8 có KB(dNDVI) từ 20,0 đến 40,0. Và ngưỡng để phát

hiện suy thoái rừng cho trường hợp sử dụng chỉ số NBR và ảnh Landsat 8 có KB(dNBR) từ 25,0

đến 45,0.

4.2.1.2. Đánh giá độ chính xác phát hiện mất rừng, suy thoái rừng

a) Độ chính xác phát hiện mất rừng

18

Tác giả đối chứng kết quả phát hiện mất rừng trên ảnh Landsat 8 với 150 mẫu mất rừng

đã được lựa chọn để đánh giá độ chính xác phát hiện mất rừng.

Bảng 4. 12. Kết quả đánh giá độ chính xác phương pháp phát hiện mất rừng


Đánh giá độ chính xác với 150 mẫu

mất rừng NDVI-Landsat 8 NBR-Landsat 8

- Số mẫu phát hiện được: 113 124

- Độ chính xác phát hiện (%): 75,3 82,7

- Tỷ lệ sai lệch về diện tích (%): 13,5 11,2

- Độ chính xác về diện tích (%): 86,5 88,8

Kết quả trong Bảng 4.12 cho thấy: khi sử dụng chỉ số NDVI, độ chính xác phát hiện mất

rừng là 75,3% và độ chính xác về diện tích mất rừng là 86,5%. Khi sử dụng chỉ số NBR, độ chính

xác phát hiện mất rừng là 82,7% và độ chính xác về diện tích mất rừng là 88,8%.

b) Độ chính xác phát hiện suy thoái rừng

Tác giả đối chứng kết quả phát hiện suy thoái rừng trên ảnh Landsat 8 với 90 mẫu suy

thoái rừng đã được lựa chọn để đánh giá độ chính xác phát hiện suy thoái rừng.

Bảng 4. 13. Kết quả đánh giá độ chính xác phương pháp phát hiện suy thoái rừng


Đánh giá độ chính xác với 90 mẫu suy

thoái rừng

NDVI-Landsat 8

NBR-Landsat 8

- Số mẫu phát hiện được 50 68

- Độ chính xác phát hiện (%) 61,1 75,6

- Tỷ lệ sai lệch về diện tích (%) 35,0 27,8

- Độ chính xác về diện tích (%) 65,0 72,2

Kết quả trong Bảng 4.13 cho thấy: khi sử dụng chỉ số NDVI, độ chính xác phát hiện suy

thoái rừng là 61,1% và độ chính xác về diện tích suy thoái rừng là 65,0%. Khi sử dụng chỉ số

NBR, độ chính xác phát hiện suy thoái rừng là 75,6% và độ chính xác về diện tích suy thoái rừng

là 72,2%.

4.2.2. Sử dụng ảnh vệ tinh Sentinel 2

4.2.2.1. Xác định ngưỡng mất rừng, suy thoái rừng

Nghiên cứu sử dụng phần mềm ArcGIS 10.1 để tính toán và trích xuất giá trị KB(dNDVI)

và KB(dNBR) trên ảnh Sentinel 2 theo 230 mẫu mất rừng đã được lựa chọn.

Bảng 4. 14. Xác định ngưỡng phát hiện mất rừng trên ảnh Sentinel 2

Kết quả tổng hợp 230 mẫu mất rừng KB (dNDVI) KB (dNBR)

- Giá trị nhỏ nhất 40,0 45,0

- Giá trị lớn nhất 90,0 120,0

- Giá trị trung bình 61,6 77,8

19

- Độ lệch chuẩn 9,7 14,3

Kết quả trong Bảng 4.14 cho thấy, trong tổng số 230 mẫu nghiên cứu, chỉ số KB(dNDVI)

có giá trị nhỏ nhất là 40,0 và có giá trị lớn nhất là 90,0; chỉ số KB(dNBR) có giá trị nhỏ nhất là 45,0

và có giá trị lớn nhất là 120,0. Từ đó, nghiên cứu đã xác định ngưỡng để phát hiện mất rừng tại khu

vực nghiên cứu cho trường hợp sử dụng chỉ số NDVI và ảnh Sentinel 2 có KB(dNDVI) từ 40,0 đến

90,0. Và ngưỡng để phát hiện mất rừng tại khu vực nghiên cứu cho trường hợp sử dụng chỉ số NBR

và ảnh Sentinel 2 có KB(dNBR) từ 45,0 đến 120,0.

Từ kết quả xác định ngưỡng rừng không thay đổi và ngưỡng phát hiện mất rừng tại khu

vực nghiên cứu, nghiên cứu đã xác định được ngưỡng để phát hiện suy thoái rừng rừng tại khu

vực nghiên cứu cho trường hợp sử dụng chỉ số NDVI và ảnh Sentinel 2 có KB(dNDVI) từ 20,0

đến 40,0. Và ngưỡng để phát hiện suy thoái rừng tại khu vực nghiên cứu cho trường hợp sử dụng

chỉ số NBR và ảnh Sentinel 2 có KB(dNBR) từ 25,0 đến 45,0. Kết quả cho thấy, ngưỡng xác định

suy thoái rừng trên ảnh Sentinel 2 tương tự như trên ảnh Landsat 8.

4.2.2.2. Đánh giá độ chính xác phát hiện mất rừng, suy thoái rừng

a) Độ chính xác phát hiện mất rừng

Tác giả đối chứng kết quả phát hiện mất rừng trên ảnh Sentinel 2 với 150 mẫu mất rừng

đã được lựa chọn để đánh giá độ chính xác phát hiện mất rừng.

Bảng 4. 15. Kết quả đánh giá độ chính xác phương pháp phát hiện mất rừng



mất rừng NDVI - Sentinel 2 NBR – Sentinel 2





Kết quả trong Bảng 4.15 cho thấy: khi sử dụng chỉ số NDVI, độ chính xác phát hiện mất

rừng là 80,7% và độ chính xác diện tích mất rừng là 88,1%; khi sử dụng chỉ số NBR, độ chính

xác phát hiện mất rừng là 90,7% và độ chính xác về diện tích mất rừng là 90,7%.

b) Độ chính xác phát hiện suy thoái rừng

Tác giả đối chứng kết quả phát hiện suy thoái rừng trên ảnh Sentinel 2 với 90 mẫu suy

thoái rừng đã được lựa chọn để đánh giá độ chính xác phát hiện suy thoái rừng.

Bảng 4. 165. Kết quả đánh giá độ chính xác phương pháp phát hiện suy thoái rừng



suy thoái rừng NDVI – Sentinel 2 NBR – Sentinel 2




20


Kết quả trong Bảng 4.16 cho thấy: khi sử dụng chỉ số NDVI, độ chính xác phát hiện suy

thoái rừng là 74,4% và độ chính xác diện tích suy thoái rừng là 68,8%. Khi sử dụng chỉ số NBR,

độ chính xác phát hiện suy thoái rừng là 81,1% và độ chính xác về diện tích suy thoái rừng là

73,2%.

4.2.3. Thảo luận

a) Về ngưỡng phát hiện mất rừng, suy thoái rừng

Nghiên cứu đã xác định được ngưỡng chỉ số tương đối KB xác định suy thoái rừng, mất

rừng với giá trị lần lượt cho 04 trường hợp đó là: 20 – 40 và 40 – 70 (chỉ số NDVI và ảnh Landsat

8); 25 – 45 và 45 – 110 (chỉ số NBR và ảnh Landsat 8); 20 – 40 và 40 – 90 (chỉ số NDVI và ảnh

Sentinel 2); 25 – 45 và 45 – 120 (chỉ số NBR và ảnh Sentinel 2).

Đất không có thực vật thường có giá trị NDVI <= 0,2 (Yang, Y. et al., 2019), trong khi đó

trạng thái rừng thường xanh có giá trị NDVI cao nhất trong số các trạng thái nghiên cứu với giá

trị NDVI trung bình là 0,74 (Na-U-Dom, T. et al., 2017). Về mặt lý thuyết giả sử trường hợp rừng

thường xanh chuyển sang đất không có rừng (xảy ra mất rừng), tức là giá trị NDVI chuyển từ

0,74 về 0,2 (tương ứng với giá trị KB = 73), giá trị này cao hơn so với kết quả xác định ngưỡng

phát hiện mất rừng của nghiên cứu (KB = 40). Tuy nhiên, trong thực tế các diện tích rừng có chỉ số

thực vật cao thường là rừng giàu, trung bình nằm trong các Ban quản lý rừng đặc dụng, phòng hộ nên

ít xảy ra mất rừng hơn. Các vụ phá rừng dẫn đến mất rừng thường xảy ra tại các diện tích rừng nghèo,

nghèo kiệt (có giá trị NDVI trong khoảng 0, 4 – 0,6). Mặt khác, diện tích mất rừng không phải lúc nào

cũng trở thành đất trống, không có thực vật do đó sau khi xảy ra mất rừng giá trị NDVI thường lớn hơn

0,2 và có thể đạt đến 0,3. Do đó, ngưỡng KB = 40 được xác định để phát hiện mất rừng trong nghiên

cứu này có thể xem là phù hợp với thực tiễn tại khu vực nghiên cứu.

Kết quả nghiên cứu cũng cho thấy, ngưỡng KB(dNDVI) phát hiện mất rừng thấp hơn giá

trị 100 trong khi đó ngưỡng KB(dNBR) lên đến 110 (trên ảnh Landsat 8) và 120 trên ảnh Sentinel

2. Điều này có thể được giải thích như sau: về mặt lý thuyết các khu vực có rừng sẽ có chỉ số

NDVI và NBR với giá trị cao nhất là 1. Khi xảy ra mất rừng, theo kết quả nghiên cứu của luận

án, đối với chỉ số NDVI không thấp hơn 0 theo đó giá trị KB sẽ không lớn hơn 100. Tuy nhiên,

đối với chỉ số NBR, khi xảy ra mất rừng đặc biệt tại và vị trí mất rừng do cháy rừng giá trị NBR

sẽ nhỏ hơn 0 (mang dấu âm), nên giá KB sẽ lớn hơn 100. Kết quả phát hiện vị trí rừng bị cháy có

giá trị NBR nhỏ hơn 0 đã được ghi nhận bởi Cansler, C. A et al. (2012)

b) Về độ chính xác phát hiện mất rừng, suy thoái rừng

Sử dụng chỉ số tương đối KB để phát hiện sớm mất rừng, suy thoái rừng có sai số phát

hiện mất rừng từ 9,3 đến 24,7% và sai số phát hiện suy thoái rừng từ 18,9 đến 38,9% phụ thuộc

vào sử dụng loại chỉ số NDVI hoặc NBR trên ảnh Landsat 8 hoặc Sentinel 2. Sai số trong kết quả

phát hiện mất rừng, suy thoái rừng của luận án hay có thể nói cụ thể hơn là trong 150 mẫu mất

rừng và 90 mẫu suy thoái rừng được sử dụng để đánh giá độ chính xác phát hiện mất rừng, suy

thoái rừng, đã có những mẫu mất rừng, suy thoái rừng không được phát hiện trên ảnh vệ tinh

21

thông qua việc sử dụng ngưỡng chỉ số tương đối KB, điều này có thể được giải thích như sau:

thứ nhất, một số mẫu mất rừng, suy thoái rừng bị trùng với vị trí có bóng mây trên ảnh T1 (tức là

ảnh tại thời điểm trước khi xảy ra mất rừng hoặc suy thoái rừng). Trong bước xử lý mây trên ảnh

vệ tinh trong GEE, một số vị trí trên ảnh bị bóng mây đã chưa được xử lý triệt để. Mặt khác, trong

quá trình chọn mẫu để nghiên cứu, tác giả đã loại bỏ được các mẫu trùng với vị trí có mây trên

ảnh mà chưa xem xét được hết những trường hợp mẫu bị trùng với vị trí có bóng mây (18/150

mẫu mất rừng và 14/90 mẫu suy thoái rừng bị bóng mây); thứ hai, một số mẫu mất rừng bị phân

loại nhầm sang suy thoái rừng do sau khi xảy ra mất rừng, thảm thực bì của những vùng này vẫn

còn dày nên việc sử dụng ngưỡng chỉ số tương đối phát hiện được là suy thoái rừng; thứ ba, một số

mẫu suy thoái rừng không phát hiện được do bị phân loại nhầm sang rừng không đổi. Nguyên nhân

có thể do mức độ khai thác rừng trái phép ở những vùng này với mức độ chưa cao, nhưng đã được

lực lượng kiểm lâm thống kê là suy thoái rừng. Sai số phát hiện mất rừng, suy thoái rừng của luận

án thường được gọi là lỗi bỏ sót. Lỗi bỏ sót được tính bằng 100 trừ đi độ chính xác phát hiện. Sai

số này có thể cải thiện được khi áp dụng kết quả của luận án vào thực tiễn bằng cách khắc phục các

hạn chế của ảnh vệ tinh quan học (mây, bóng mây) đồng thời sử dụng ảnh vệ tinh đã xử lý về mức

phản xạ phổ bề mặt (Landsat8-SR hoặc Sentinel 2-SR).

Kết quả phát hiện sớm mất rừng, suy thoái rừng của luận án có độ chính xác phát hiện mất

rừng, suy thoái rừng từ 61,1% đến 90,7% phù hợp với một số kết quả nghiên cứu trước đã được

công bố bởi Miller, J. D. và Thode, A. E. (2007), Cansler, C. A. et al. (2012), Parks, S. A. et al.

(2014), Santos, S. M. B et al. (2020).

4.3. Đề xuất hướng ứng dụng công nghệ địa không gian để phát hiện sớm mất rừng, suy

thoái rừng ở vùng Tây Nguyên.

Kết quả của luận án cho thấy, có thể sử dụng các chỉ số tương đối KB, NDVI, NBR trên

các loại ảnh Landsat 8, Sentinel 2 để phát hiện mất rừng, suy thoái rừng ở Tây Nguyên. Ngưỡng

chỉ số tương đối KB đã được xác định cho mỗi trường hợp sử dụng các chỉ số NDVI, NBR trên

các ảnh Landsat 8, Sentinel 2. Đây là cơ sở khoa học để tác giả đề xuất hướng ứng dụng công

nghệ địa không gian trong trong phát hiện sớm mất rừng, suy thoái rừng ở vùng Tây Nguyên với

8 bước cơ bản như sau:

Bước 1. Đăng ký tài khoản Google Earth Engine (GEE). Mỗi người sử cần cần đăng ký

một tài khoản đăng nhập để sử dụng chương trình GEE của Google. Người dùng đăng ký tài

khoản GEE bằng cách truy cập vào đường dẫn: https://code.earthengine.google.com/ và đăng ký

bằng tài khoản Email.

Bước 2. Tạo ảnh chỉ số viễn thám và xử lý ảnh vệ tinh trong GEE. Người sử dụng GEE sẽ

viết các đoạn chương trình (Script) với việc sử dụng các hàm tạo chỉ số thực vật trong GEE.

Người dùng cần biết đối với mỗi chỉ số thực vật hay chỉ số viễn thám sẽ sử dụng Band ảnh nào

tương ứng với mỗi loại ảnh vệ tinh khác nhau. Khi sử dụng chỉ số NDVI, trên ảnh Landsat 8 có

BandNIR là Band 5 và BandRED (kênh đỏ) là Band 4; trên ảnh Sentinel 2, BandNIR là Band 8 và

BandRED là Band 4. Khi sử dụng chỉ số NBR, trên ảnh Landsat 8, BandNIR là Band 5 và BandSWIR

là Band 7; trên ảnh Sentinel 2, BandNIR là Band 8 và BandSWIR là Band 12.

https://code.earthengine.google.com/

22

Bước 3. Lựa chọn và tải ảnh vệ tinh trên GEE. Người sử dụng căn cứ vào phạm vi nghiên

cứu, phạm vi sử dụng để xây dựng một lớp bản đồ ranh giới ở dạng vùng (polygon) có định dạng

shapefile (.shp). Lớp ranh bản đồ này được lưu trong một thư mục và được nén lại với định dạng

(.Zip). File Zip này được đưa vào GEE bằng câu lệnh. Người dùng viết mã để GEE hiểu và trả

về tất cả các ảnh vệ tinh trong phạm vi ranh giới đã lựa chọn với khoảng thời gian do người dùng

thiết lập. Ngoài danh sách các ảnh, GEE cung cấp 1 file “Image Properties” chứa thông tin về

mỗi ảnh (tên cảnh ảnh, thời gian chụp ảnh, tỉ lệ mây của anh…).

Bước 4. Cắt ảnh theo phạm vi nghiên cứu trong phần mềm ArcGIS 10.1. Phạm vi nghiên

cứu ở đây chính là toàn bộ các lô có rừng trên lớp bản đồ cập nhật diễn biến rừng. Việc chỉ lựa

chọn các lô có rừng để phát hiện mất rừng, suy thoái rừng là phù hợp với mục đích đồng thời

nhằm làm giảm bớt các sai số cho kết quả. Lớp bản đồ phạm vi nghiên cứu được chuyển từ hệ

tọa độ VN2000 sang hệ tọa độ WGS 84 và nó cũng được chuyển từ dạng vector sang dạng Raster

trong phần mềm ArcGIS với lệnh “Polygon to Raster” để sử dụng cho việc cắt ảnh theo phạm vi

nghiên cứu. Sử dụng công cụ “Raster Calculator” trong phần mềm ArcGIS để cắt ảnh vệ tinh theo

phạm vi nghiên cứu.

Bước 5. Tính toán chỉ số KB trong phần mềm ArcGIS. Ở bước này, người dùng sử dụng

phần mềm ArcGIS để tính toán chỉ số KB trên ảnh vệ tinh theo công thức như sau:

KB = 100 * (T1-T2)/T1

Trong đó: T1, T2 là giá trị NDVI hoặc NBR tại thời điểm trước và sau xảy ra mất rừng,

suy thoái rừng;

Ảnh chỉ số thực vật tại 2 thời điểm (T1, T2) là các ảnh có sẵn trong cơ sở dữ liệu của GEE.

Các cảnh ảnh Landsat 8, Sentinel 2 đã được chuyển giá trị từ (Digital Number - DN) về giá trị

phản xạ phổ bề mặt (Surface Reflectance - SR).

Bước 6. Xác định điểm mất rừng, suy thoái rừng trong phần mềm ArcGIS 10.1. Ảnh chỉ số

viễn thám (NDVI hoặc NBR) sau khi được tính giá trị tương đối KB sẽ được phân loại theo ngưỡng

mất rừng, suy thoái rừng nhằm xác định các vùng mất rừng, suy thoái rừng. Sử dụng ngưỡng giá trị

tương đối KB từ kết quả nghiên cứu của luận án cho việc phân loại mất rừng, suy thoái rừng.

Bước 7. Cập nhật thông tin cho các điểm mất rừng, suy thoái rừng trong phần mềm ArcGIS.

Các điểm mất rừng, suy thoái rừng sau khi được xác định cần được cập nhật các thông tin như: lô,

khoảnh, tiểu khu, trạng thái rừng, tên chủ rừng…những thông tin này phục vụ công tác thông báo,

xác minh, kiểm chứng ngoài thực địa. Người dùng sử dụng lớp bản đồ cập nhật diễn biến rừng của

khu vực nghiên cứu và sử dụng công cụ “Intersect” trong phần mềm ArcGIS 10.1 để cập nhật các

thông tin từ lớp bản đồ cập nhật diễn biến rừng cho các điểm mất rừng, suy thoái rừng.

Bước 8. Biên tập bản đồ vị trí mất rừng, suy thoái rừng. Việc biên tập bản đồ vị trí mất

rừng, suy thoái rừng có thể được thực hiện hoặc không thực hiện dựa vào nhu cầu của người sử

dụng. Việc biên tập bản đồ vị trí mất rừng, suy thoái rừng có thể thực hiện trên các phần mềm

khác nhau như: Mapinfo, ArcGIS hoặc QGIS…vv.

Những thao tác thực hiện trên phần mềm ArcGIS từ bước 4 đến bước 7 có tính chất lặp đi

lặp lại, do đó người dùng có thể sử dụng công cụ ModelBuilder trong phần mềm ArcGIS để xây

dựng một mô hình cho phép thực hiện lần lượt các bước này trong phần mềm ArcGIS.

23

KẾT LUẬN, TỒN TẠI VÀ KIẾN NGHỊ

1. Kết luận

Căn cứ vào mục tiêu, nội dung, phương pháp và các kết quả nghiên cứu nổi bật của luận

án có thể rút ra một số kết luận cơ bản dưới đây:

i) Đã thiết lập được cơ sở khoa học cho việc sử dụng chỉ số viễn thám để phát hiện sớm

mất rừng, suy thoái rừng ở vùng Tây Nguyên, cụ thể:

* Nghiên cứu đã xây dựng được 06 dạng phương trình tương quan thể hiện mối quan hệ

giữa trữ lượng rừng (biến Y - m3/ha) và chỉ số NDVI hoặc NBR (biến X) trên ảnh Landsat 8 và

Sentinel 2, trong đó phương trình mũ (Exponential) phản ánh tốt nhất mối quan hệ giữa trữ lượng

rừng và các chỉ số viễn thám (NDVI, NBR) trên cả ảnh Landsat 8 và Sentinel 2 như dưới đây:

- Phương trình tương quan giữa trữ lượng rừng và chỉ số NDVI trên ảnh Landsat 8:

Y = 9,563 x e4,005 x X (R2 = 0,688).

- Phương trình tương quan giữa trữ lượng rừng và chỉ số NBR trên ảnh Landsat 8:

Y = 34,070 x e2,967 x X (R2 = 0,691).

- Phương trình tương quan giữa trữ lượng rừng và chỉ số NDVI trên ảnh Sentinel 2:

Y = 23,959 x e3,109 x X (R2 = 0,709).

- Phương trình tương quan giữa trữ lượng rừng và chỉ số NBR trên ảnh Sentinel 2:

Y = 11,615 x e4,365 x X (R2 = 0,825).

* Kết quả kiểm định sự khác biệt của chỉ số viễn thám giữa các trạng thái rừng đã cho

thấy, các chỉ số NDVI, NBR trên ảnh Landsat 8 hoặc ảnh Sentinel 2 có thể xác định nhanh được

5 nhóm kiểu rừng ở vùng Tây Nguyên bao gồm: nhóm kiểu rừng lá rộng thường xanh (giàu, trung

bình, nghèo); nhóm kiểu rừng lá rộng thường xanh (nghèo kiệt, phục hồi) + rừng lá kim (giàu,

nghèo) + rừng hỗn giao gỗ - tre nứa và rừng hỗn giao tre nứa – gỗ; nhóm kiểu rừng lá rộng nửa

rụng lá (giàu, trung bình); nhóm kiểu rừng lá rộng rụng lá (giàu, trung bình) hoặc nhóm kiểu rừng lá

rộng rụng lá (giàu, trung bình, nghèo); nhóm kiểu rừng lá rộng rụng lá (nghèo, nghèo kiệt, phục

hồi) hoặc nhóm kiểu rừng lá rộng rụng lá (nghèo kiệt, phục hồi).

* Kết quả xác định ngưỡng chỉ số tương đối phát hiện rừng không đổi trên ảnh vệ tinh

Landsat 8 và Sentinel 2 đã cho thấy, các trạng thái rừng tự nhiên (trừ rừng lá rộng rụng lá), rừng

trồng vào mùa khô, mặc dù không hoặc hầu như không bị tác động dẫn đến mất rừng, suy thoái

rừng (rừng không đổi) nhưng chỉ số tương đối KB phản ánh sự biến động của giá trị NDVI hoặc

NBR trên ảnh Landsat 8 hoặc Sentinel 2 đã được xác định ở mức 20-25%. Kết quả này minh

chứng cho việc, không phải tất cả những thay đổi của chỉ số viễn thám được phát hiện trên ảnh

vệ tinh đều là mất rừng hay suy thoái rừng. Do đó, ngưỡng chỉ số tương đối KB của rừng không

đổi là cơ sở quan trọng để xác định ngưỡng phát hiện mất rừng, suy thoái rừng.

ii) Đã xác định được ngưỡng chỉ số tương đối để phát hiện sớm mất rừng, suy thoái rừng

ở vùng Tây Nguyên với việc sử dụng chỉ số viễn thám NDVI, NBR trên ảnh Landsat 8 và Sentinel

2, cụ thể:

24

* Khi sử dụng chỉ số NDVI trên ảnh Landsat 8, ngưỡng chỉ số tương đối KB để phát hiện

rừng không đổi, suy thoái rừng, mất rừng lần lượt là: 0-20; 20-40; 40-70 với sai số phát hiện mất

rừng, suy thoái rừng từ 24,7-44,4%.

* Khi sử dụng chỉ số NBR trên ảnh Landsat 8, ngưỡng chỉ số tương đối KB để phát hiện

rừng không đổi, suy thoái rừng, mất rừng lần lượt là: 0-25; 25-45; 45-110 với sai số phát hiện

mất rừng, suy thoái rừng từ 17,3-24,4%.

* Khi sử dụng chỉ số NDVI trên ảnh Sentinel 2, ngưỡng chỉ số tương đối KB để phát hiện

rừng không đổi, suy thoái rừng, mất rừng lần lượt là: 0-20; 20-40; 40-90 với sai số phát hiện mất

rừng, suy thoái rừng từ 19,3-25,6%.

* Khi sử dụng chỉ số NBR trên ảnh Sentinel 2, ngưỡng chỉ số tương đối KB để phát hiện

rừng không đổi, suy thoái rừng, mất rừng lần lượt là: 0-25; 25-45; 45-120 với sai số phát hiện

mất rừng, suy thoái rừng từ 9,3-18,9%.

iii) Đã đề xuất được hướng ứng dụng công nghệ địa không gian để phát hiện sớm mất

rừng, suy thoái rừng ở vùng Tây Nguyên dưới dạng một quy trình kỹ thuật để ứng dụng vào thực

tiễn cho các lực lượng chuyên trách và bán chuyên trách, cho các nhà quản lý bảo vệ và phát triển

rừng. Quy trình gồm có 8 bước: đăng ký tài khoản Google Earth Engine (GEE); tạo ảnh chỉ số và

xử lý ảnh; lựa chọn ảnh vệ tinh; cắt ảnh theo phạm vi; tính giá trị chỉ số tương đối; xác định điểm

mất rừng, suy thoái rừng; cập nhật thông tin cho điểm mất rừng, suy thoái rừng và biên tập bản

đồ vị trí mất rừng, suy thoái rừng. Quy trình đã được kiểm chứng và đạt độ chính xác phát hiện

mất rừng, suy thoái rừng từ 61,1 đến 90,7%.

2. Tồn tại

Luận án còn những tồn tại sau: thứ nhất, phương pháp sử dụng chỉ số tương đối với chỉ số

NDVI, NBR chưa phát hiện được mất rừng, suy thoái rừng cho kiểu rừng rụng lá ở Tây nguyên

vào mùa khô; và thứ hai, vào mùa mưa ảnh Landsat 8 và Sentinel 2 có tỷ lệ mây cao do đó việc

ứng dụng kết quả nghiên cứu của luận án còn những hạn chế bắt nguồn từ hạn chế của ảnh quang

học.

3. Kiến nghị

Tác giả kiến nghị một số vấn đề tiếp tục sau luận án: (i) xác định biến động chỉ số viễn

thám cho rừng không đổi trong 12 tháng của năm; (ii) tìm các chỉ số viễn thám có thể phát hiện

mất rừng, suy thoái rừng vào mùa khô cho kiểu rừng rụng lá; (iii) mở rộng kết quả nghiên cứu

với việc sử dụng ảnh Radar để phát hiện mất rừng, suy thoái rừng vào mùa mưa; (iv) mở rộng kết

quả nghiên cứu với việc xác định ngưỡng chỉ số tương đối để phát hiện rừng trồng mới, rừng tăng

cường chất lượng; (v) sử dụng các tư liệu ảnh vệ tinh có độ phân giải cao hơn, kết hợp với các ô

định vị theo dõi dưới mặt đất để làm tăng độ chính xác và hàm lượng khoa học của kết quả nghiên

cứu về phát hiện mất rừng, suy thoái rừng.

Documents

TÓM T N ÁN TIẾN SĨ LÂM NGHIỆP