Nghiên cứu áp dụng công cụ viễn thám và bộ chỉ số giám sát cây trồng - phân tích đánh giá thí điểm năng suất cho khu tưới thuộc tỉnh Ninh Thuận

Nghiên cứu này xây dựng các công cụ giải đoán ảnh vệ tinh Sentinel để phân tách vùng trồng lúa, đánh giá chu kỳ sinh trưởng của lúa và giải thuật dự báo năng suất lúa với các biến động trong chu kỳ sinh trưởng. Các kết quả nghiên cứu cho thấy tương quan rất lớn của các giải thuật phân tích (với sai số dự báo năng suất nhỏ ở mức 3.3%) cho vùng tưới hồ Bà Râu - Ninh Thuận. Phương pháp phân tích và kết quả cho phép mở rộng kết quả nghiên cứu cho các vùng khác của Việt Nam và các loại cây trồng khác.

KHOA HỌC CÔNG NGHỆ NGHIÊN CỨU ÁP DỤNG CÔNG CỤ VIỄN THÁM VÀ BỘ CHỈ SỐ GIÁM SÁT CÂY TRỒNG - PHÂN TÍCH ĐÁNH GIÁ THÍ ĐIỂM NĂNG SUẤT CHO KHU TƯỚI THUỘC TỈNH NINH THUẬN Trần Đức Trinh, Vũ Thị Thủy, Nguyễn Hương Giang Viện Khoa học Thủy lợi Việt Nam Lương Tuấn Trung Viện Khoa học khí tượng thủy văn Biến đổi khí hậu Lưu Anh Tuấn Cơng ty TNHH MTV Khai thác cơng trình thủy lợi Ninh Thuận Đặng Thanh Nam Viện Hàng hải – Đại học Giao thơng vận tải Tp Hồ Chí Minh Tóm tắt: Giám sát viễn thám ngày phổ biến với việc đưa vào hệ thống cảm biến vệ tinh độ phân giải cao ngày nhiều Có nhiều nghiên cứu ứng dụng tận dụng công cụ ngày mạnh mẽ hệ thống thông tin vệ tinh để đưa ứng dụng vào ngành môi trường, tài nguyên, khoa học trái đất Việc xây dựng cơng cụ giải đốn dựa phổ ảnh tương quan với trình sinh trưởng trồng ứng dụng nhiều loại trồng giới với mức độ thành công cao Tuy nhiên việc xây dựng đánh giá dự báo diễn biến trồng suất mùa vụ phụ thuộc nhiều vào điều kiện canh tác chỗ, nguồn nước, chất đất, chăm sóc nghiên cứu cần phải có q trình đánh giá cụ thể cho khu vực dựa thông tin giám sát lịch sử Nghiên cứu xây dựng cơng cụ giải đốn ảnh vệ tinh Sentinel để phân tách vùng trồng lúa, đánh giá chu kỳ sinh trưởng lúa giải thuật dự báo suất lúa với biến động chu kỳ sinh trưởng Các kết nghiên cứu cho thấy tương quan lớn giải thuật phân tích (với sai số dự báo suất nhỏ mức 3.3%) cho vùng tưới hồ Bà Râu - Ninh Thuận Phương pháp phân tích kết cho phép mở rộng kết nghiên cứu cho vùng khác Việt Nam loại trồng khác Từ khóa: Viễn thám; Giám sát trồng; Năng suất lúa; Cân nước; Google Earth Engine Summary: Remote sensing monitoring is increasingly popular with the commissioning of high-resolution sensor systems There are many research and applications that have leverage the increasingly powerful tools of satellite observing systems to bring applications into the fields of environment, natural resources, and earth sciences The construction of predictive tools based on the remote-sensed spectrum correlated with the phenotype of plants has been applied to many crops in the world with a very high degree of success However, the development of predictive assessments of rice phenotype and crop yield is highly dependent on local farming conditions, such as water resource, soil quality, and agriculture extension There must be a insitu assessment based on historical time series This study developed algorithm for Sentinel satellite image interpretation to separate rice growing areas, assess rice growth cycle and predict rice yield corresponding with the growth cycle Results show a very high correlation of the analysis algorithms (with a small prediction error at 3.3% for the yield) for the irrigation area of Ba Rau reservoir - Ninh Thuan The analytical method, algorithm and results allow to replicate the research results to other regions of Vietnam and other crops Keywords: Remote sensing; Crop monitoring; Yield prediction; Water Balance; Google Earth Engine GIỚI THIỆU * Mục tiêu phát triển bền vững Liên hợp quốc năm 2015 nhấn mạnh tiêu đảm bảo an ninh lương thực, thúc đẩy hệ thống nông nghiệp bền vững giảm đói nghèo Mặc dù có tiến sản xuất nông nghiệp Ngày nhận bài: 22/6/2021 Ngày thông qua phản biện: 15/7/2021 năm gần đây, lĩnh vực đặt thách thức không nhỏ mối tương tác phức tạp mùa vụ yếu tố biến động thời tiết, khan nước hay thiên tai Trong thập kỷ trở lại giới Việt Nam chứng kiến thay đổi bất thường Ngày đuyệt đăng: 19/7/2021 TẠP CHÍ KHOA HỌC VÀ CƠNG NGHỆ THỦY LỢI SỐ 67 - 2021 KHOA HỌC CÔNG NGHỆ yếu tố thời tiết, nguồn nước làm đảo lộn nhiều yếu tố thị trường loại nông sản (như ngô, gạo, lúa mì) Đối với quốc gia hay ngành sản xuất, việc đánh giá trạng sản xuất dự báo sản lượng cần thiết để có hoạch định ứng phó chuỗi cung ứng giảm thiểu tác động bất lợi đến xã hội mục tiêu phát triển bền vững Do đó, việc có hệ thống giám sát mùa vụ kết nối với nhu cầu khả nguồn nước điều kiện sản xuất đặt cho nhiều nước, vùng lãnh thổ [1] Do đặc thù sản xuất nơng nghiệp có biến động lớn theo mùa với trình sinh trưởng yếu tố thời tiết, quản lý canh tác khác điều kiện thổ nhưỡng (đất, dinh dưỡng) Các yếu tố tác động đến sản xuất nơng nghiệp có xu hướng biến động theo khơng gian thời gian Ngồi yếu tố phụ thuộc nguồn nước cho canh tác yếu tố đề cập cần quan trắc để đánh giá phát triển mùa vụ dự báo sản lượng Vì yếu tố cập nhật cần thiết biến động nhanh sức khỏe trồng (các lương thực, ngắn ngày) với điều kiện bất lợi [2] Tùy theo mục đích khác hệ thống giám sát trồng mà hệ thống giám sát trồng sử dụng loại liệu nền, liệu vệ tinh khác để đưa dự báo, đánh giá cho người dùng Phổ biến hệ thống đánh giá cho toàn cầu GIEWS, FEWS NET, CROPWATCH GIEWS xây dựng đầu năm 70 kỷ XX, nguồn thơng tin tồn cầu hỗ trợ thông tin an ninh lương thực tổ chức FAO Hệ thống GIEWS thường xuyên giám sát sản lượng lương thực giới, nhu cầu lương thực sử dụng liệu không gian đầu vào quan trọng để phát vấn đề liên quan đến thời tiết có tác động xấu tới sản xuất nông nghiệp quốc gia thành viên [3] Ngồi ước tính lượng mưa Chỉ số chuẩn hóa khác biệt thực vật (NDVI), GIEWS sử dụng Chỉ số căng thẳng nông nghiệp (ASI), thông qua vào năm 2013, số để xác định sớm khu vực nơng nghiệp bị ảnh hưởng đợt khô hạn [4], thiết kế để hỗ trợ khoảng trống thông tin hệ thống cảnh báo sớm nơng nghiệp có Hệ thống ASI tạo đồ (theo tần suất 10 ngày) cho thấy điểm nóng nơi trồng bị ảnh hưởng áp lực thiếu nước thời kỳ phát triển, sau số xác minh liệu từ tổ chức công cộng sử dụng mơ hình khí tượng nơng nghiệp dựa liệu thu từ mạng khí tượng quốc gia [5] Từ năm 1985, hệ thống FEWS NET2 Cơ quan hỗ trợ phát triển Hoa Kỳ (USAID) khởi xướng để cung cấp hỗ trợ định cho chương trình hỗ trợ thực phẩm quan cứu trợ FEWS NET xây dựng hệ thống hỗ trợ định lượng thay đổi diện tích trồng suất trồng không giám sát trực tiếp trình sản xuất [6] Hệ thống FEWS NET sử dụng liệu từ đánh giá thực địa, khí hậu nơng nghiệp, giám sát thị trường/giá cả, giám sát dinh dưỡng xung đột kết hợp để xây dựng kịch bản, thực phân tích sinh kế đưa thông tin để hỗ trợ định hiệu FEWS NET sử dụng nhiều liệu khí hậu nơng nghiệp để phân tích an ninh lương thực, chủ yếu dựa vào phân tích dị thường [7] CropWatch, phát triển Viện Viễn thám Kỹ thuật số trái đất Viện Hàn lâm Khoa học Trung Quốc, đánh giá quốc gia sản xuất trồng toàn cầu Bắt đầu vào năm 1998, mục tiêu hệ thống cung cấp dự báo kịp thời, đáng tin cậy độc lập điều kiện trồng sản xuất, Trung Quốc toàn cầu, để lên kế hoạch trồng trọt, nhập khẩu, xuất khẩu, giá đảm bảo an ninh lương thực quốc gia [8] Kể từ năm 2013, CropWatch phát hành tin quốc tế Bốn cấp độ khơng gian xem xét: tồn cầu, khu vực, quốc gia TẠP CHÍ KHOA HỌC VÀ CƠNG NGHỆ THỦY LỢI SỐ 67 - 2021 KHOA HỌC (31 quốc gia bao gồm Trung Quốc) địa phương Các mô hình tồn cầu điều kiện sinh trưởng phân tích số lượng mưa, nhiệt độ, xạ quang hợp (PAR) sinh khối tiềm Ở quy mô khu vực, số khác số sức khỏe thực vật (VHI) Chỉ số điều kiện thảm thực vật (VCI) sử dụng để mơ tả tình trạng trồng, mức độ thâm canh căng thẳng trồng CropWatch thực chi tiết phân tích điều kiện quy mơ quốc gia địa phương với loạt biến số tồn diện để đưa ước tính sản xuất lương thực [8 9] Ở cấp độ quốc gia vùng canh tác, đánh giá nước cho thấy mức độ tin cậy tính khả dụng giám sát vệ tinh với số để đánh giá suất trồng Ở Argentina Brazil, đánh giá dùng số dị biệt NDVI, EVI, NDWI cho thấy có tương quan lớn thay đổi suất đậu tương dị biệt hệ số [10] Ở Tây nguyên Việt Nam, dự báo suất đánh giá kết hợp số liệu thống kê số bốc thoát ETa (từ nguồn số liệu vệ tinh) landsat 5, landsat landsat cho cà phê đến cấp độ trang trại cho mức độ sai lệch dự báo suất từ 8-13% [11] Ở Canada, NDVI sản lượng lúa mì, lúa mạch, họ đậu vùng canh tác (giá trị tương quan đánh giá theo số R2 từ 0.55 đến 0.6), số vùng bán khô hạn giá trị tương quan lên đến 0.8 0.9 [12] Tại Ethiopia với việc áp dụng số giám sát viễn thám hệ thống CROPWATCH mơ hình tăng trưởng trồng WOFOST [13] cho phép dự báo suất lúa mì với độ xác tăng 30% (từ 0.5 khơng có mơ hình sinh trưởng 0.8 với mơ hình sinh trưởng) Như số giám sát vệ tinh có nhiều lợi việc cung cấp chuỗi liệu theo không gian thời gian cho diện tích khu vực từ cánh đồng đến vùng canh tác quy mô toàn cầu Tuy nhiên, việc sinh trưởng trồng vùng đánh giá khác CÔNG NGHỆ nhau, việc hiệu chỉnh cần thiết [8, 12, 14] Để từ việc sử dụng số tương quan với tăng trưởng, suất trồng điều chỉnh phản ánh đặc điểm vùng địa lý, điều kiện tập quán canh tác Bài báo giới thiệu ứng dụng số giám sát vệ tinh với thông số thống kê suất cho vùng tưới tỉnh Ninh Thuận để làm tảng cho đánh giá sâu liên kết số giám sát với quy trình vận hành hệ thống tưới sau Vùng nghiên cứu lựa chọn khu tưới độc lập thuộc hạ lưu hồ chứa thủy lợi Bà Râu – Ninh Thuận Vùng nghiên cứu thuộc Huyện Thuận Bắc nằm khu vực khô hạn nước, có khí hậu nhiệt đới gió mùa bán khơ hạn điển hình với đặc trưng khơ nóng, mưa bão, nắng gió quanh năm Nhiệt độ trung bình hàng năm 270C, lượng mưa hàng năm từ 700-800mm, mùa mưa thường bắt đầu vào tháng kết thúc vào tháng 11 hàng năm Hình 1: Bản đồ lưu vực hồ chứa nước Bà Râu - Ninh Thuận khu tưới Hồ Bà Râu: Hồ Bà Râu đưa vào sử dụng cuối năm 2012 với dung tích chứa 4,7 triệu m3, diện tích lưu vực 29 km2 Hồ Bà Râu bảo đảm cung cấp nước tưới cho 300 đất sản xuất nông nghiệp thuộc xã Lợi Hải, Phước Kháng cấp nước sinh hoạt vùng đồng thời cung cấp đủ 1.000 m3 nước/ngày cho khu công nghiệp Du Long Khu tưới hồ Bà Râu nằm khu vực: Xã Phước Kháng, Lợi Hải, với 3000 hộ dân dân số khoảng 13.400 TẠP CHÍ KHOA HỌC VÀ CƠNG NGHỆ THỦY LỢI SỐ 67 - 2021 KHOA HỌC CÔNG NGHỆ dân (năm 2018) PHƯƠNG PHÁP NGHIÊN CỨU Để xây dựng hệ thống tích hợp số giám sát, tăng trưởng suất cho vùng lúa tỉnh Ninh Thuận, nghiên cứu sử dụng phương pháp phân tách lúa từ ảnh vệ tinh, giám sát sinh trưởng cho lúa số NDVI, cuối phương pháp xây dựng quan hệ số giám sát suất lúa 2.1 Mơ hình phân tách lúa Trong nghiên cứu này, mơ hình phân tách lúa ảnh radar xây dựng dựa đặc tính sinh trưởng theo thời vụ lúa Hình thái (giai đoạn sinh trưởng) lúa bắt đầu việc gieo trồng, trỗ kết thúc thu hoạch [15] Ngày gieo trồng phụ thuộc vào nhiệt độ đất, độ ẩm đất, điều kiện thời tiết tập quán người nông dân Sau trồng, trồi giai đoạn phát triển sinh dưỡng yếu tố dự báo thành công vụ mùa Biết xuất trồng thời kỳ sinh trưởng sớm quan trọng cho việc lập đồ trồng sớm theo dõi tình trạng trồng Thu hoạch giai đoạn sinh trưởng cuối thể kết thúc mùa vụ loại trồng, thời điểm xác định sinh khối suất trồng Hình 2: Minh họa phản xạ sóng radar theo thời kỳ sinh trưởng lúa theo mùa vụ [15] Vệ tinh viễn thám cung cấp quan sát thường xuyên đặc tính bề mặt đất, mơ tả đặc điểm trồng thảm thực vật Thời gian cường độ phản xạ sóng điện từ có mối quan hệ với hình thái sinh trưởng thời kỳ lúa Các số phản xạ sóng điện từ cung cấp thơng tin trồng thời điểm sinh trưởng cụ thể thực vật, đặc điểm chuỗi thời gian khác cực tiểu, cực đại, biên độ Hình thái cụ thể trồng đóng vai trị thơng tin ưu tiên để hợp với liệu viễn thám quan sát Dữ liệu hợp sau sử dụng để ước tính hình thái đặc trưng trồng thời điểm Các phương pháp lập đồ từ ảnh viễn thám phân loại theo nhiều cách khác nhau, kể đến hai hướng tiếp cận chủ yếu phân loại dựa đường cong tham chiếu (curve-based) phân loại dựa xu hướng (trend-based)[16] Phương pháp tiếp cận dựa đường cong yêu cầu thông tin diễn biến thảm thực vật từ năm lịch sử làm thông tin phụ trợ cho năm Trong cách tiếp cận này, đường cong tiêu chuẩn cho loại lớp phủ từ năm lịch sử sử dụng để khớp với quan sát viễn thám năm Không giống phương pháp dựa đường cong, phương pháp dựa xu hướng sử dụng liệu viễn thám gần quan sát từ mùa vụ Trong hướng này, yếu tố quan trọng cần xác định xu hướng thay đổi từ chuỗi thời gian giá trị phản xạ sóng phát ngày chuyển đổi cho thấy thay đổi đáng kể Reed cộng [17] sử dụng phương pháp tiếp cận đường trung bình động để phát đặc tính sức khỏe trồng mùa từ chuỗi thời gian AVHRR Gao cộng [16] sử dụng phương pháp phân kỳ hội tụ trung bình động làm báo để phát xu hướng tăng giảm chuỗi thời gian liệu Sentinel-2 Các phương pháp tiếp cận dựa xu hướng không phụ thuộc vào đường cong trồng điều kiện từ năm trước không cần thông tin loại trồng Xem xét tính sẵn có liệu cho khu vực nghiên cứu, nghiên cứu chọn thực phương pháp phân tích tán xạ ngược đa thời TẠP CHÍ KHOA HỌC VÀ CÔNG NGHỆ THỦY LỢI SỐ 67 - 2021 KHOA HỌC CÔNG NGHỆ gian liệu SAR Sentinel-1A band C để lập đồ lúa Sau bước tiền xử lý gồm lọc bỏ nhiễu, hiệu chỉnh xạ, lọc đốm ảnh nắn chỉnh hình học, để tạo chuỗi thời gian đủ dày cho việc lập đồ lúa, liệu Sentinel 1A đượng tổng hợp từ năm 2016 (thời điểm liệu Sentinel bắt đầu ổn định) thành tập liệu Các liệu thời gian thu nhận ảnh chuyển đổi sang số thứ tự ngày năm (DOY) bỏ qua năm hình ảnh chụp để tìm quy luật biến đổi chung liệu phản xạ theo mùa vụ năm (đông xuân, hè thu, vụ mùa) Chuỗi giá trị σo đại diện cho đặc trưng phản xạ vùng nghiên cứu khoảng thời gian từ 2016 đến 2020 với khoảng cách thời gian thu nhận trung bình 12 ngày thuộc vào dải biên độ giá trị, thuật toán xem xét áp dụng nghiên cứu Thông thường, chuỗi liệu phản xạ gặp phải nhiễu động thay đổi sử dụng đất, chuyển dịch mùa trồng trọt, điểm bắt đầu kết thúc mùa vụ, độ dài thời gian canh tác Các loại lỗi cho có tính chất ngẫu nhiên để làm mượt chuỗi giá trị phản xạ, lọc Gaussian chọn để lọc theo thời gian đồng liệu thành đường cong phù hợp với trình sinh trưởng lúa, với giá trị đỉnh riêng biệt chuyển tiếp rõ ràng Sau đường đồng xây dựng cho chuỗi giá trị phản xạ điểm ảnh liệu Sentinel-1A, đồ thị Gaussian đặc trưng cho hình thái phản xạ đối tượng bề mặt đất Dựa vào khác tham số đồ thị (A,  ), phân loại đối tượng thành loại thảm phủ khác Khu vực nghiên cứu phân loại loại thảm phủ thành bốn nhóm gồm: nước, đất trống, lúa thực vật khác Việc phân loại sử dụng hàm phân loại K-means Hàm Gaussian biểu thị cơng thức: Hàm biểu diễn đồ thị đường cong hình chng đối xứng tâm vị trí x=, với A chiều cao đỉnh  đặc trưng chiều rộng đáy đồ thị Bài toán đặt định tham số A,   tối ưu Với lưu ý hàm Gaussian cấp số nhân hàm bậc hai, phương pháp đơn giản đề xuất Caruana cộng sự, với việc tính tốn logarit tự nhiên liệu trước tiên sau khớp kết với đường parabol Với ưu điểm xử lý nhiễu liệu quan sát độ xác phụ Thuật tốn Caruana dựa thực tế hàm Gaussian tích lũy thừa hàm bậc hai Lấy logarit tự nhiên hàm Gaussian cho kết quả: Bằng cách này, phương trình phi tuyến với ẩn số A,   biến đổi thành phương trình tuyến tính với ẩn số a, b c, làm giảm độ phức tạp tính tốn Trong đó: a = ln(A) - 2/22, b = /2, c = -1/22 K-means thuật toán phân cụm đơn giản thuộc loại không giám sát (tức tệp liệu tham chiếu người dùng định sẵn) sử dụng để giải toán phân loại, số lượng nhóm cho trước k Cơng việc phân nhóm xác lập dựa nguyên lý: Các điểm liệu cụm phải có số tính chất định Tức điểm cụm phải có liên quan lẫn Thơng thường, điểm cụm điểm liệu gần Như vậy, với phương pháp phân loại dựa đặc tính phản xạ đối tượng theo chuỗi thời gian năm, điểm ảnh TẠP CHÍ KHOA HỌC VÀ CƠNG NGHỆ THỦY LỢI SỐ 67 - 2021 KHOA HỌC CÔNG NGHỆ phân loại vào nhóm trùng với xu đường đồ thị tương ứng 2.2 Phương pháp số giám sát lúa Bộ số liệu giám sát trồng Cropwatch lựa chọn để giám sát tình trạng lúa Các số liệu bao gồm: NDVI, VCI  Giải thuật phân tích NDVI: Chỉ số thực vật chuẩn hóa (NDVI) trung bình hóa chuỗi số liệu theo thời gian công cụ để giám sát thay đổi trạng thái thực vật Chỉ số NDVI tính theo cơng thức sau: 𝑁𝐷𝑉𝐼 =(𝑁𝐼𝑅 − 𝑅)/ (𝑁𝐼𝑅 + 𝑅) Trong NIR, R phổ phản xạ bề mặt dải sóng cận hồng ngoại dải đỏ Giá trị NDVI dãy số –1 đến +1; Giá trị NDVI thấp thể nơi NIR (near infrared) R có độ phản xạ gần nhau, thị độ phủ thực vật thấp Giá trị NDVI có giá trị âm cho thấy R có độ phản xạ cao độ phản xạ NIR (near infrared), thảm phủ khơng phải thực vật mà mặt nước mây phủ tiểu xác định cho điểm ảnh Mỗi có liệu NDVI mới, liệu cập nhật vào chuỗi NDVI tham chiếu, đảm bảo chuỗi trạng thái động (các giá trị cực đại, cực tiểu cập nhật)  Giải thuật dự báo suất lúa Sự thay đổi suất cho loại trồng hiệu chỉnh dựa chuỗi thời gian NDVI, sử dụng phương trình sau: ∆Yi = f (NDVIi, NDVIi-1) NDVIi NDVIi-1 lấy từ chuỗi thời gian trung bình khơng gian NDVI lúa cho thời điểm trước ∆Yi tính tốn hồi quy so với NDVI trung bình cao (tùy theo giá trị cho kết hồi quy tốt nhất), xem xét đặc điểm mùa vụ loại trồng khu vực cụ thể Nghiên cứu thử nghiệm giá trị NDVI sử dụng thời điểm: - Giai đoạn I: thời kì gieo trỗ địng (NDVI có xu hướng lên) Trong phạm vi nghiên cứu sử dụng liệu ảnh quang học Landsat Sentinel 2A để tính tốn cho số NDVI - Giai đoạn II: thời kỳ trổ đòng (NDVI cực đại)  Giải thuật phân tích số VCI: KẾT QUẢ VÀ THẢO LUẬN Chỉ số trạng thái thực vật xem thước đo để đánh giá trạng thái sinh trưởng phát triển lớp phủ thực vật với thứ nguyên phần trăm (%) Giá trị VCI dao động khoảng 50% - thực vật phát triển bình thường, VCI > 50% - thực vật phát triển tốt VCI đạt gần mức 100% thực vật phát triển tốt Cơng thức tính: Như trình bày phần trên, chuỗi giá trị phản xạ sóng điện từ với kênh VV, VH VV/VH xây dựng với nhóm đối tượng thảm phủ chủ yếu lúa, nước, đất trống thực vật khác Mơ hình đối tượng có đặc tính phản xạ sóng khác theo khoảng thời gian năm Cụ thể, với đối tượng lúa, biến thiên đồ thị rõ chu kỳ riêng biệt với đỉnh rõ ràng, phù hợp với thực tế canh tác lúa vụ địa bàn tỉnh Ninh Thuận Trong đó, đối tượng đất trống mặt nước gần có tính phản xạ ổn định suốt chiều dài năm Các đối tượng thực vật khác (cây, cỏ …) có tỷ lệ phản xạ nhỏ so với lúa thường có xu NDVI − NDVImin VCI = NDVI max − NDVImin Để tính tốn công thức VCI, chuỗi liệu NDVI lịch sử để tham chiếu tính tốn từ tập ảnh vệ tinh Landsat Sentinel 2A theo thời gian tình bày Dựa chuỗi NDVI này, giá trị cực đại cực - Giai đoạn III: thời kỳ trổ đòng – thu hoạch (NDVI) có xu hướng xuống TẠP CHÍ KHOA HỌC VÀ CÔNG NGHỆ THỦY LỢI SỐ 67 - 2021 KHOA HỌC hướng phản xạ mạnh vào mùa mưa phản xạ CƠNG NGHỆ thấp vào mùa khơ Hình 3: Hình thái phản xạ sóng điện từ số đối tượng nghiên cứu với chuỗi thời gian năm sau đồng Dựa vào kết mơ hình đồng chuỗi phản xạ sóng radar đối tượng, thấy rõ giá trị điểm ảnh đại diện cho vùng trồng lúa có khác biệt rõ rệt biên độ chu kỳ dao động năm Đặc biệt, kênh sóng VV/VH thể mạnh khác biệt đối tượng, kênh ảnh sử dụng làm đầu vào cho mơ hình phân tách lúa với thuật tốn K-means Hình 5: Khu vực trồng lúa (màu xanh) thời điểm khác phân tách từ ảnh Sentinel-1A phương pháp Gaussian fitting K-means Hình 4: Tổng hợp đường đặc tính phản xạ VV/VH số thảm phủ trích xuất từ ảnh Sentinel-1A Kết phân lớp lúa đánh giá với số liệu thống kê thu thập với khu vực thí điểm khu tưới hồ Bà Râu thể bảng Số liệu so sánh tổng diện tích gieo trồng lúa năm từ năm 2016 đến 2020 Sai số số liệu thống kê diện tích nằm khoảng 10%, tính tốn từ mơ hình có xu hướng thiên thấp so với liệu thực tế TẠP CHÍ KHOA HỌC VÀ CƠNG NGHỆ THỦY LỢI SỐ 67 - 2021 KHOA HỌC CÔNG NGHỆ Bảng 1: So sánh kết sử dụng mô hình mà liệu thực tế đánh giá diện tích gieo trồng lúa khu vực Hồ Bà Râu Năm Diện tích thống kê (ha) Diện tích từ mơ hình (ha) Sai số (%) 2016 515 498.8 3.2 Phân tích số NDVI thời điểm tính trung bình tất giá trị NDVI pixel đặc trưng cho lúa Chuỗi giá trị NDVI thể xu sinh trưởng lúa: tăng dần từ đầu vụ đến đạt đỉnh bắt đầu giảm đến lúc thu hoạch, phù hợp với diễn biến 2017 747.4 682.4 9.5 2018 471 459.4 2.5 2019 458.6 419.5 9.3 2020 218.3 200.8 8.7 mức độ “xanh” lúa Đặc biệt, số NDVI xuống thấp 0.2 khoảng thời gian dài (vụ hè thu 2018 2019, đông xuân hè thu 2020) phản ánh việc khu vực hồ Bà Râu ngừng trồng lúa tình trạng thiếu nước khơ hạn Hình 6: Diễn biến NDVI phân bố NDVI theo không gian vùng trồng lúa Hồ Bà Râu  Phân tích số VCI Nhìn chung, xu hướng sơ VCI có tương quan bám sát xu hướng NDVI, nhiên số có tính đến giá trị cực đại cực tiểu NDVI, phản ánh tốt tình trạng trồng, đặc biệt thời kỳ khô hạn xảy Khoảng dao động giá trị VCI lớn hơn, thể đặc trưng trồng chi tiết Hình 7: Diễn biến VCI phân bố VCI theo không gian vùng trồng lúa Hồ Bà Râu Với mơ hình dự báo suất lúa mô tả nghiên cứu xác định cách chọn từ xây dựng, xu suất lúa cho vùng loạt hàm số theo dạng tuyến tính, phi TẠP CHÍ KHOA HỌC VÀ CƠNG NGHỆ THỦY LỢI SỐ 67 - 2021 KHOA HỌC tuyến tính, trung bình trượt với bước trượt khác cho phù hợp với suất thực tế vùng chọn Các liệu biến động NDVI giả định có mối tương CƠNG NGHỆ quan với biến thiên suất lúa Kết tính tốn NDVI cho mùa vụ năm giai đoạn 2016 - 2019 khu vực hồ Bà Râu thể bảng sau: Bảng 2: Năng suất lúa vụ hồ Bà Râu giá trị NDVI trung bình tương ứng Năng suất (tấn/ha) thống kê 6,02 5,75 5,20 6,04 5,92 5,13 6,67 5,87 4,71 6,16 5,00 6,11 5,20 5,82 NDVI giai đoạn I NDVI giai đoạn II NDVI giai đoạn III 0,27 0,25 0,2 0,28 0,275 0,2 0,32 0,26 0,22 0,38 0,24 0,29 0,23 0,26 0,6 0,42 0,41 0,58 0,55 0,42 0,63 0,5 0,4 0,57 0,5 0,53 0,47 0,51 0,45 0,37 0,37 0,4 0,34 0,3 0,5 0,45 0,3 0,4 0,28 0,39 0,35 0,33 a) b) c) Hình 8: Tương quan suất (trục x) giá trị NDVI (trục y) giai đoạn I (a), giai đoạn II (b), giai đoạn III (c) Dựa đồ thị tương quan NDVI – suất lúa, phương trình tỷ lệ xác định sau: - Giai đoạn I (từ lúc gieo đến lúc trổ đòng): y = 0.0611x - 0.0833, R² = 0.6465 - Giai đoạn II (thời đoạn trổ đòng): y = 0.1136x - 0.1386, R² = 0.6917 - Giai đoạn III (sau trổ đòng đến lúc thu hoạch): y = 0.0834x - 0.1009, R² = 0.6555 Trong y giá trị NDVI, x suất lúa (tấn/ha), R2 hệ số tương quan TẠP CHÍ KHOA HỌC VÀ CƠNG NGHỆ THỦY LỢI SỐ 67 - 2021 KHOA HỌC CÔNG NGHỆ Như vậy, thấy giá trị NDVI thời đoạn sinh trưởng lúa khu vực hồ Bà Râu có tương quan với suất lúa với tỷ số tương quan 0,6 Trong đó, NDVI thời điểm trổ đòng (đạt giá trị cực đại) thể rõ xu suất lúa khu vực nghiên cứu Kiểm nghiệm đánh giá kết dự báo suất lúa để xác định mức độ tin cậy mơ hình dự báo đánh giá khoảng dao động sai số dự báo áp dụng cho số liệu thống kê vụ mùa 2020 hồ Bà Râu Mức độ phù hợp kết tính suất theo mơ hình so với suất thực thể bảng sau: Bảng 3: So sánh kết dự báo suất suất thực tế Giai đoạn I Giai đoạn II Giai đoạn III NDVI 0,26 0,51 0,33 Năng suất ước tính (tấn/ha) 5,62 5,71 5,2 Năng suất thực tế (tấn/ha) 5,9 5,9 5,9 Sai số (%) 5% 3,3% 13,5% Như vậy, sai số lớn 13,5% xảy với trường hợp sử dụng NDVI trung bình giai đoạn III, NDVI thời điểm lúa sinh trưởng mạnh cho sai số nhỏ 3,3% tương đương 0,2 tấn/ha Kết phân tích đánh giá cho thấy có đồng thuận lớn với nghiên cứu khác sử dụng dạng số từ nguồn ảnh viễn thám số CROPWATCH việc đánh giá sinh trưởng suất trồng cho dạng trồng khác giới (như đậu tương, ngơ, khoai, lúa mì) [10, 12] KẾT LUẬN Nghiên cứu xây dựng giải thuật công cụ để sử dụng số giám sát viễn thám áp dụng cho vùng trồng lúa khu vực khô hạn chịu ảnh hưởng nặng yếu tố khí hậu điều kiện canh tác Các đánh giá phân tác diện tích trồng, đánh giá số tăng trưởng trồng cho khu vực tưới hồ chứa Bà Râu Ninh Thuận cho thấy số phản ánh sát với tăng trưởng thực tế trồng Việc xây dựng cơng cụ để áp dụng với ảnh Sentinel Landsat với độ phân giải cao cho TÀI LIỆU THAM KHẢO 10 phép phương pháp nghiên cứu áp dụng rộng rãi cho vùng khác với mảnh ruộng khu tưới bé đồng trồng vùng thâm canh lúa khác nước Phân tích đánh giá nghiên cứu cho thấy có tương quan suất lúa giá trị NDVI khu vực hồ Bà Râu giai đoan từ 2016 đến nay, nhiên, chuỗi liệu lịch sử chưa thu thập đủ dài, tương quan có khả chưa phản ánh đầy đủ tối ưu mối quan hệ hai đại lượng Bên cạnh đó, phương pháp áp dụng cho khu vực hồ Bà Râu, cần kiểm nghiệm thêm với dạng số khác liên quan đến bốc thoát nước, mức đáp ứng nguồn nước khu tưới để đưa giải pháp sớm cho canh tác lúa vận hành hệ thống thủy lợi điều kiện Kết nghiên cứu làm tảng cho việc xây dựng hệ thống thông tin giám sát trồng (cây lương thực công nghiệp) vận hành tài nguyên nước thời gian thực TẠP CHÍ KHOA HỌC VÀ CÔNG NGHỆ THỦY LỢI SỐ 67 - 2021 KHOA HỌC [1] [2] [3] [4] [5] [6] [7] [8] [9] [10] [11] [12] [13] [14] [15] [16] [17] CÔNG NGHỆ Atzberger, C., Advances in remote sensing of agriculture: Context description, existing operational monitoring systems and major information needs Remote sensing, 2013 5(2): p 949-981 Basso, B., D Cammarano, and E Carfagna Review of crop yield forecasting methods and early warning systems in Proceedings of the first meeting of the scientific advisory committee of the global strategy to improve agricultural and rural statistics, FAO Headquarters, Rome, Italy 2013 Fritz, S., et al., A comparison of global agricultural monitoring systems and current gaps Agricultural systems, 2019 168: p 258-272 Rojas, O., A Vrieling, and F Rembold, Assessing drought probability for agricultural areas in Africa with coarse resolution remote sensing imagery Remote sensing of Environment, 2011 115(2): p 343-352 Rojas, O., Protocol for Country-Level ASIS: Calibration and National Adaptation Process Food and Agriculture Organization of the United Nations, 2015 Brown, M.E., Famine early warning systems and remote sensing data 2008: Springer Science & Business Media Senay, G., et al., Drought monitoring and assessment: remote sensing and modeling approaches for the famine early warning systems network, in Hydro-meteorological hazards, risks and disasters 2015, Elsevier p 233-262 Wu, B., et al., Global Crop Monitoring: A Satellite-Based Hierarchical Approach Remote Sensing, 2015 7(4): p 3907-3933 Wu, B., et al., Remote sensing-based global crop monitoring: experiences with China's CropWatch system International Journal of Digital Earth, 2014 7(2): p 113-137 Nolasco, M., et al., Estimating soybean yield using time series of anomalies in vegetation indices from MODIS International Journal of Remote Sensing, 2021 42(2): p 405-421 Kouadio, L., et al., Probabilistic yield forecasting of robusta coffee at the farm scale using agroclimatic and remote sensing derived indices Agricultural and Forest Meteorology, 2021 306: p 108449 Mkhabela, M.S., et al., Crop yield forecasting on the Canadian Prairies using MODIS NDVI data Agricultural and Forest Meteorology, 2011 151(3): p 385-393 Van Diepen, C.v., et al., WOFOST: a simulation model of crop production Soil use and management, 1989 5(1): p 16-24 Beyene, A.N., et al., Coupling remote sensing and crop growth model to estimate national wheat yield in Ethiopia Big Earth Data, 2021: p 1-18 Inteti, R.S., et al., Analysis of Rice Crop Phenology Using Sentinel-1 and Sentinel-2 Satellite Data, in Advances in Geotechnical and Transportation Engineering 2020, Springer p 257266 Gao, F and X Zhang, Mapping crop phenology in near real-time using satellite remote sensing: Challenges and opportunities Journal of Remote Sensing, 2021 2021 Reed, B.C., et al., Measuring phenological variability from satellite imagery Journal of vegetation science, 1994 5(5): p 703-714 TẠP CHÍ KHOA HỌC VÀ CƠNG NGHỆ THỦY LỢI SỐ 67 - 2021 11 ... PHÁP NGHIÊN CỨU Để xây dựng hệ thống tích hợp số giám sát, tăng trưởng suất cho vùng lúa tỉnh Ninh Thuận, nghiên cứu sử dụng phương pháp phân tách lúa từ ảnh vệ tinh, giám sát sinh trưởng cho. .. HỌC VÀ CƠNG NGHỆ THỦY LỢI SỐ 67 - 2021 KHOA HỌC CÔNG NGHỆ phân loại vào nhóm trùng với xu đường đồ thị tương ứng 2.2 Phương pháp số giám sát lúa Bộ số liệu giám sát trồng Cropwatch lựa chọn để giám. .. Nghiên cứu xây dựng giải thuật công cụ để sử dụng số giám sát viễn thám áp dụng cho vùng trồng lúa khu vực khô hạn chịu ảnh hưởng nặng yếu tố khí hậu điều kiện canh tác Các đánh giá phân tác diện tích