NGHIÊN CỨU MÔ HÌNH ƯỚC TÍNH SINH KHỐI, TRỮ LƯỢNG CÁC BON RỪNG NGẬP MẶN TRÊN CƠ SỞ ỨNG DỤNG VIỄN THÁM VÀ GIS TẠI TỈNH CÀ MAU

BỘ GIÁO DỤC VÀ ĐÀO TẠO BỘ NÔNG NGHIỆP VÀ PTNT TRƢỜNG ĐẠI HỌC LÂM NGHIỆP NGUYỄN THỊ HÀ NGHIÊN CỨU MƠ HÌNH ƢỚC TÍNH SINH KHỐI, TRỮ LƢỢNG CÁC BON RỪNG NGẬP MẶN TRÊN CƠ SỞ ỨNG DỤNG VIỄN THÁM VÀ GIS TẠI TỈNH CÀ MAU LUẬN ÁN TIẾN SĨ LÂM NGHIỆP Hà Nội, 2007 BỘ GIÁO DỤC VÀ ĐÀO TẠO BỘ NÔNG NGHIỆP VÀ PTNT TRƢỜNG ĐẠI HỌC LÂM NGHIỆP NGUYỄN THỊ HÀ NGHIÊN CỨU MƠ HÌNH ƢỚC TÍNH SINH KHỐI, TRỮ LƢỢNG CÁC BON RỪNG NGẬP MẶN TRÊN CƠ SỞ ỨNG DỤNG VIỄN THÁM VÀ GIS TẠI TỈNH CÀ MAU Chuyên ngành: Lâm sinh Mã số: 62 62 02 05 LUẬN ÁN TIẾN SĨ LÂM NGHIỆP NGƢỜI HƢỚNG DẪN KHOA HỌC: PGS.TS VIÊN NGỌC NAM TS LÂM ĐẠO NGUYÊN Hà Nội, 2017 i LỜI CAM ĐOAN Tôi xin cam đoan cơng trình nghiên cứu riêng tơi Các số liệu, kết nêu luận án trung thực chƣa đƣợc công bố cơng trình khác Tác giả NCS NGUYỄN THỊ HÀ ii LỜI CẢM ƠN Luận án thực hồn thành theo Chương trình đào tạo Tiến sĩ Trường Đại học Lâm nghiệp, Xuân Mai, Hà Nội Nhân dịp hoàn thành luận án, Tác giả bày tỏ lòng biết ơn sâu sắc tới PGS.TS Viên Ngọc Nam, TS Lâm Đạo Nguyên, GS.TS Nguyễn Xuân Quát, người trực tiếp hướng dẫn, giúp đỡ cho tác giả trình tổ chức thực hoàn thành báo cáo luận án Xin trân trọng cảm ơn GS.TS Vũ Tiến Hinh, PGS.TS Phạm Xuân Hoàn, PGS.TS Trần Quang Bảo, PGS.TS Phùng Văn Khoa, PGS TS Bùi Thế Đồi (Đại học Lâm nghiệp); TS Bùi Việt Hải (Đại học Nông Lâm TP.HCM); TS Phạm Bách Việt (Viện Địa lý Tài nguyên TP HCM) đóng góp nhiều ý kiến q báu q trình hồn thành Luận án Cũng này, xin cám ơn Cán thuộc Viện Sinh thái rừng Môi trường Trường Đại học Lâm nghiệp, Cán Viện Địa lý Tài nguyên TP.HCM, Cán Trung tâm Ứng dụng Công nghệ Vệ tinh miền Nam giúp đỡ, tạo điều kiện hỗ trợ trình xử lý số liệu, trân trọng cám ơn Cán thuộc Chi cục Kiểm lâm Cà Mau, LNT VQG Đất Mũi giúp đỡ tơi q trình thu thập số liệu Xin trân trọng cảm ơn Ban Giám hiệu, Tập thể Bộ môn Lâm sinh, Khoa Lâm học, Tập thể lãnh đạo Phòng đào tạo Sau Đại học Trường Đại học Lâm nghiệp; Ban Giám đốc Phân hiệu (Phân hiệu Đại học Lâm nghiệp) Khoa Quản lý tài nguyên rừng Môi trường động viên, giúp đỡ tạo điều kiện cho Tác giả hoàn thành luận án Cuối xin cảm ơn gia đình ln đồng hành, động viên chia sẻ khó khăn tơi q trình thực Luận án Tác giả luận án NCS Nguyễn Thị Hà iii DANH MỤC CÁC CHỮ VIẾT TẮT Từ viết tắt Ý nghĩa AGB Sinh khối mặt đất (tấn/kg) BĐKH: Biến đổi khí hậu C: Các bon – carbon CDM: Clean Development Mechanism – Cơ chế phát triển CER: Certified Emission Reduction – Giảm phát thải đƣợc chứng nhận CH 4: Methane – Mêtan CO2: Carbon Dioxide – Cácbonic CO2e: COP: Carbon Dioxide Equivalent – Đơn vị cácbonic tƣơng đƣơng Conference of the Parties ( UNFCCC) – Hội nghị Bên tham DVMTR: Dịch vụ môi trƣờng rừng : FAO: Tổ chức Nông lƣơng giới ER: Emissions Reductions – Giảm phát thải GIS: Hệ thống thông tin địa lý GHG: Greenhouse Gas – Khí nhà kính KNK: Khí nhà kính IPCC: Intergovernmental Panel on Climate Change – Ban liên phủ biến đổi khí hậu khí hậu RNM: Rừng ngập mặn REDD: Giảm phát thải từ rừng suy thoái rừng REDD+: Giảm phát thải từ rừng suy thoái rừng, Bảo tồn t ng cƣờng tr lƣợng Các bon Quản l rừng bền v ng UNEP: Chƣơng trình Mơi trƣờng Liên hợp quốc UNFCCC Công ƣớc khung Liên Hợp Quốc biến đổi khí hậu WMO: Tổ chức Khí tƣợng Thế giới C0,3 Chu vi thân vị trí 0,3 m từ chân rễ chống Đƣớc (cm) D0,3 Đƣờng kính vị trí 0,3 m từ chân rễ chống Đƣớc (cm) iv Dt Đƣờng kính tán (m) HH Phân cực ngang chiều phát thu sóng phản xạ HV Phát theo phân cực ngang, thu theo phân cực đứng Hvn RNM: Chiều cao vút (m) Rừng ngập mặn TAGB Tổng sinh khối mặt đất quần thể (tấn/ha) TC Độ tàn che VV Phân cực đứng phát thu sóng phản xạ Wki Khối lƣợng khô kiệt mẫu i sau sấy (kg) Wti Khối lƣợng tƣơi mẫu i trƣớc sấy (kg) Wt Tổng sinh khối (kg, tấn/ha) WSk Sinh khối khô phận thân (kg, tấn/ha) WBrk Sinh khối khô phận cành (kg, tấn/ha) Wrk Sinh khối khô phận rễ (kg, tấn/ha) Wlk Sinh khối khô phận (kg, tấn/ha) WSt Sinh khối tƣơi phận thân (kg, tấn/ha) WBrt Sinh khối tƣơi phận cành (kg, tấn/ha) Wrt Sinh khối tƣơi phận rễ (kg, tấn/ha) Wlt Sinh khối tƣơi phận (kg, tấn/ha) v MỤC LỤC Trang TRANG PHỤ BÌA LỜI CAM ĐOAN i LỜI CẢM ƠN ii DANH MỤC CÁC CHỮ VIẾT TẮT iii MỤC LỤC v DANH MỤC CÁC BẢNG viii DANH MỤC CÁC HÌNH x MỞ ĐẦU 1 Sự cần thiết Mục tiêu nghiên cứu đề tài Mục tiêu tổng quát 2 Mục tiêu cụ thể 3 Ý nghĩa khoa học thực tiễn Nh ng đóng góp đề tài Đối tƣợng, phạm vi giới hạn nghiên cứu Kết cấu luận án Chƣơng 1: TỔNG QUAN VẤN ĐỀ NGHIÊN CỨU 1.1 Tình hình nghiên cứu giới liên quan đến đề tài 1.1.1 Vai trò bể chứa bon việc giảm thiểu biến đổi khí hậu 1.1.2 Những nghiên cứu sinh khối bon rừng 1.1.3 Viễn thám GIS ứng dụng nghiên cứu tài nguyên rừng 18 1.2 Tình hình nghiên cứu nƣớc liên quan đến đề tài 27 1.2.1 Những nghiên cứu sinh khối bon rừng 27 1.2.2 Nghiên cứu sinh khối bon rừng ngập mặn 31 1.2.3 Viễn thám GIS ứng dụng nghiên cứu sinh khối rừng 34 1.3 Thảo luận 36 Chƣơng 2: NỘI DUNG VÀ PHƢƠNG PHÁP NGHIÊN CỨU 39 2.1 Nội dung nghiên cứu 39 vi 2 Phƣơng pháp nghiên cứu 39 2.2.1 Quan điểm phương pháp luận 39 2.2.2 Phương pháp kế thừa tài liệu 43 2.2.3 Phương pháp thu thập số liệu sinh khối mặt đất 43 2.2.4 Phương pháp xử lý số liệu sinh khối mặt đất 49 2.2.5 Phương pháp nghiên cứu mối tương quan liệu viễn thám (giá trị phản xạ phổ, số NDVI hệ số tán xạ ngược) với sinh khối rừng Đước 56 Chƣơng 3: ĐẶC ĐIỂM ĐỐI TƢỢNG VÀ KHU VỰC NGHIÊN CỨU 66 3.1 Đặc điểm đối tƣợng nghiên cứu 66 3.1.1 Đặc điểm phân bố Đước 66 3.1.2 Hình thái đặc điểm sinh trưởng 66 3.1.3 Đặc tính sinh thái 67 3.1.4 Công dụng ý nghĩa kinh tế 67 Đặc điểm khu vực nghiên cứu 67 3.2.1 Vị trí địa lý, địa hình giới hạn lãnh thổ 67 3.2.2 Khí hậu 68 3.2.3 Sơng ngịi – Thủy văn 69 3.2.4 Tài nguyên đất 69 3.2.5 Tài nguyên rừng 70 Chƣơng 4: KẾT QUẢ NGHIÊN CỨU VÀ THẢO LUẬN 71 4.1 Nghiên cứu sinh khối bon phƣơng pháp đo đếm trực tiếp .71 4.1.1 Phương trình sinh khối cá thể 71 4.1.2 Phương trình sinh khối quần thể Đước 81 4.1.3 Phương trình tích lũy bon quần thể Đước 90 4.1.4 Tương quan sinh khối tuổi rừng Đước 92 4.1.5 Lượng giá giá trị tích lũy bon rừng 94 4.2 Nghiên cứu sinh khối tích lũy bon rừng dựa vào phƣơng pháp sử dụng d liệu ảnh viễn thám GIS 95 4.2.1 Phân loại lớp phủ rừng ngập mặn sử dụng ảnh quang học 95 vii 4.2.2 Phân tích quan hệ giá trị tán xạ ngược giá trị phản xạ ảnh vệ tinh sinh khối rừng mặt đất 96 4.2.3 Mơ hình tương quan hồi quy ước tính sinh khối rừng 105 4.2.4 Bản đồ sinh khối bon rừng Đước Cà Mau 111 4.3 Thảo luận kết nghiên cứu 115 4.3.1.Về kết ước tính sinh khối tích lũy bon mặt đất 115 4.3.2 Về mối quan hệ sinh khối với nhân tố điều tra lâm phần 116 4.3.3 Về mơ hình ước tính sinh khối tích lũy bon 118 4.3.4 Đối với phương pháp ứng dụng viễn thám ước tính sinh khối rừng 119 KẾT LUẬN, TỒN TẠI VÀ KIẾN NGHỊ 121 Kết luận 121 Tồn 123 Kiến nghị 124 DANH MỤC CÁC CƠNG TRÌNH ĐÃ CƠNG BỐ 125 TÀI LIỆU THAM KHẢO 126 PHỤ LỤC viii DANH MỤC CÁC BẢNG TT Tên bảng Trang 1.1 Phƣơng trình tƣơng quan Đƣớc dựa vào đƣờng kính ngang ngực 18 1.2 Mơ hình hồi quy ƣớc tính sinh khối trích xuất từ d liệu ảnh 23 2.1 Số lƣợng ô tiêu chuẩn sử dụng luận án 44 2.2 Số lƣợng tiêu chuẩn giải tích để xây dựng phƣơng trình sinh khối cá thể 46 2.3 Các dạng phƣơng trình tƣơng quan tổng quát đƣợc sử dụng 50 4.1 Kết cấu sinh khối theo phận cá thể Đƣớc 71 4.2 Mơ hình ƣớc tính tổng sinh khối tƣơi mặt đất Đƣớc 72 4.3 Kết kiểm nghiệm phƣơng trình sinh khối tƣơi cá thể 74 4.4 Tỉ lệ sinh khối khơ trung bình theo cấp tuổi 75 4.5 Kết tính hệ số biến động sinh khối khô theo cấp tuổi 76 4.6 Kết tính số tiêu chuẩn cần chặt hạ xác định tỷ lệ sinh khối khô theo cấp tuổi (n số cây) 76 4.7 Mơ hình ƣớc tính tổng sinh khối khô mặt đất Đƣớc 77 4.8 Kiểm tra sai số tƣơng đối phƣơng trình sinh khối khơ theo quần thể 78 4.9 Kết tính hệ số bon cho phân theo cấp tuổi 79 4.10 Phƣơng trình ƣớc tính bon cá thể Đƣớc 80 4.11 Kiểm tra sai số tƣơng đối phƣơng trình bon theo cấp tuổi 80 4.12 Mơ hình ƣớc tính sinh khối quần thể Đƣớc 89 4.13 Mơ hình ƣớc tính bon quần thể Đƣớc 91 4.14 T ng trƣởng sinh khối rừng Đƣớc theo tuổi 92 4.15 Ƣớc lƣợng giá trị hấp thụ CO2 rừng Đƣớc 4.16 Mơ hình hồi quy biến gi a giá trị tán xạ ảnh ALOS PALSAR sinh khối mặt đất 95 4.17 Mơ hình hồi quy đa biến gi a giá trị tán xạ ảnh ALOS PALSAR sinh khối mặt đất 105 106 Simple Regression - TABG vs HH Dependent variable: TABG Independent variable: HH Exponential model: Y = exp(a + b*X) Coefficients Least Squares Standar T d Paramet Estimate er Error Statistic PValue Intercept 0.393 0.626 0.627 0.5315 Slope 0.0435 -7.12 0.0000 -0.309 NOTE: intercept = ln(a) Analysis of Variance Source Sum of Squares Df Mean Square FRatio P-Value Model 22.4 22.4 50.64 0.0000 Residual 58.8 133 0.442 Total (Corr.) 81.2 134 Correlation Coefficient = -0.525 R-squared = 27.6 percent R-squared (adjusted for d.f.) = 27.0 percent Standard Error of Est = 0.665 Mean absolute error = 0.536 Durbin-Watson statistic = 0.458 (P=0.0000) Lag residual autocorrelation = 0.725 The StatAdvisor The output shows the results of fitting an exponential model to describe the relationship between TABG and HH The equation of the fitted model is TABG = exp(0.393 - 0.309*HH) Since the P-value in the ANOVA table is less than 0.05, there is a statistically significant relationship between TABG and HH at the 95.0% confidence level The R-Squared statistic indicates that the model as fitted explains 27.6% of the variability in TABG after transforming to a reciprocal scale to linearize the model The correlation coefficient equals -0.525, indicating a moderately strong relationship between the variables The standard error of the estimate shows the standard deviation of the residuals to be 0.665 This value can be used to construct prediction limits for new observations by selecting the Forecasts option from the text menu The mean absolute error (MAE) of 0.536 is the average value of the residuals The DurbinWatson (DW) statistic tests the residuals to determine if there is any significant correlation based on the order in which they occur in your data file Since the P-value is less than 0.05, there is an indication of possible serial correlation at the 95.0% confidence level Plot the residuals versus row order to see if there is any pattern that can be seen Multiple Regression - log(TABG) Dependent variable: log(TABG) Independent variables: HV^-3 HH HVHH HHHV Standar T d Parameter Estimat Error Statistic P-Value e CONSTAN 54.2 T 8.56 6.33 0.0000 HV^-3 8.4E4 1.28E4 6.59 0.0000 HH 1.49 0.272 5.48 0.0000 HVHH -14.1 2.32 -6.08 0.0000 HHHV 2.06 0.915 2.25 0.0274 Analysis of Variance Source Sum Squares of Df Mean Square Model 23.8 Residual 14.1 68 0.208 Total (Corr.) 38.0 72 5.96 FRatio P-Value 28.71 0.0000 R-squared = 62.8 percent R-squared (adjusted for d.f.) = 60.6 percent Standard Error of Est = 0.456 Mean absolute error = 0.342 Durbin-Watson statistic = 0.846 (P=0.0000) Lag residual autocorrelation = 0.541 The StatAdvisor The output shows the results of fitting a multiple linear regression model to describe the relationship between log(TABG) and independent variables The equation of the fitted model is log(TABG) = 54.2 + 8.4E4*HV^-3 + 1.49*HH - 14.1*HVHH + 2.06*HHHV Since the P-value in the ANOVA table is less than 0.05, there is a statistically significant relationship between the variables at the 95.0% confidence level The R-Squared statistic indicates that the model as fitted explains 62.8% of the variability in log(TABG) The adjusted R-squared statistic, which is more suitable for comparing models with different numbers of independent variables, is 60.6% The standard error of the estimate shows the standard deviation of the residuals to be 0.456 This value can be used to construct prediction limits for new observations by selecting the Reports option from the text menu The mean absolute error (MAE) of 0.342 is the average value of the residuals The Durbin-Watson (DW) statistic tests the residuals to determine if there is any significant correlation based on the order in which they occur in your data file Since the Pvalue is less than 0.05, there is an indication of possible serial correlation at the 95.0% confidence level Plot the residuals versus row order to see if there is any pattern that can be seen In determining whether the model can be simplified, notice that the highest P-value on the independent variables is 0.0274, belonging to HHHV Since the P-value is less than 0.05, that term is statistically significant at the 95.0% confidence level Consequently, you probably don't want to remove any variables from the model Phụ lục 12 : Một số kết xử lý mơ hình sinh khối rừng Đƣớc dựa vào liệu ảnh SPOT Simple Regression - log(TAGB) vs NIR^-2 Dependent variable: log(TAGB) Independent variable: NIR^-2 Reciprocal-Y squared-X: Y = 1/(a + b*X^2) Coefficients Least Squares Standard T Paramet Estimate er Error Statistic PValue Intercept 0.0999 0.0181 5.52 0.0000 Slope 0.000041 6.32 0.0000 0.000264 Analysis of Variance Source Sum of Squares Df Mean Square FRatio P-Value Model 0.0829 39.98 0.0000 Residual 0.0892 43 0.00207 Total (Corr.) 0.172 44 0.0829 Correlation Coefficient = 0.694 R-squared = 48.2 percent R-squared (adjusted for d.f.) = 47.0 percent Standard Error of Est = 0.0455 Mean absolute error = 0.0299 Durbin-Watson statistic = 1.2 (P=0.0019) Lag residual autocorrelation = 0.221 The StatAdvisor The output shows the results of fitting a reciprocal-Y squared-X model to describe the relationship between log(TAGB) and NIR^-2 The equation of the fitted model is log(TAGB) = 1/(0.0998635 + 0.000263852*NIR^-2^2) Since the P-value in the ANOVA table is less than 0.05, there is a statistically significant relationship between log(TAGB) and NIR^-2 at the 95.0% confidence level The R-Squared statistic indicates that the model as fitted explains 48.179% of the variability in log(TAGB) The correlation coefficient equals 0.694111, indicating a moderately strong relationship between the variables The standard error of the estimate shows the standard deviation of the residuals to be 0.0455368 This value can be used to construct prediction limits for new observations by selecting the Forecasts option from the text menu The mean absolute error (MAE) of 0.0298666 is the average value of the residuals The Durbin-Watson (DW) statistic tests the residuals to determine if there is any significant correlation based on the order in which they occur in your data file Since the P-value is less than 0.05, there is an indication of possible serial correlation at the 95.0% confidence level Plot the residuals versus row order to see if there is any pattern that can be seen Simple Regression - log(TAGB) vs Red^-2 Dependent variable: log(TAGB) Independent variable: Red^-2 Square root-Y reciprocal-X model: Y = (a + b/X)^2 Coefficients Least Squares Standar T d Paramet Estimate er Error Statistic PValue Intercept 2.75 0.0532 51.8 0.0000 Slope 16.2 -10.1 0.0000 -163 Analysis of Variance Source Sum Squares of Df Mean Square Model 1.54 Residual 0.649 43 0.0151 Total (Corr.) 2.18 44 1.54 Correlation Coefficient = -0.838 R-squared = 70.3 percent R-squared (adjusted for d.f.) = 69.6 percent Standard Error of Est = 0.123 Mean absolute error = 0.0952 Durbin-Watson statistic = 1.63 (P=0.0818) Lag residual autocorrelation = 0.0719 FRatio P-Value 101.66 0.0000 The StatAdvisor The output shows the results of fitting a square root-Y reciprocal-X model to describe the relationship between log(TAGB) and Red^-2 The equation of the fitted model is log(TAGB) = (2.75296 - 163.465/Red^-2)^2 Since the P-value in the ANOVA table is less than 0.05, there is a statistically significant relationship between log(TAGB) and Red^-2 at the 95.0% confidence level The R-Squared statistic indicates that the model as fitted explains 70.2753% of the variability in log(TAGB) The correlation coefficient equals -0.838304, indicating a moderately strong relationship between the variables The standard error of the estimate shows the standard deviation of the residuals to be 0.12288 This value can be used to construct prediction limits for new observations by selecting the Forecasts option from the text menu The mean absolute error (MAE) of 0.0952062 is the average value of the residuals The Durbin-Watson (DW) statistic tests the residuals to determine if there is any significant correlation based on the order in which they occur in your data file Since the P-value is greater than 0.05, there is no indication of serial autocorrelation in the residuals at the 95.0% confidence level Simple Regression - TAGB vs Green^2 Dependent variable: TAGB Independent variable: Green^2 Logarithmic-Y squared-X: Y = exp(a + b*X^2) Coefficients Least Squares Standar T d Paramet Estimate er Error Statistic PValue Intercept 6.52 0.164 39.8 Slope 3.57E3 -9.77 -3.49E4 0.0000 0.0000 NOTE: intercept = ln(a) Analysis of Variance Source Sum Squares of Df Mean Square Model 25.3 Residual 11.4 43 0.265 Total (Corr.) 36.7 44 25.3 FRatio P-Value 95.38 0.0000 Correlation Coefficient = -0.83 R-squared = 68.9 percent R-squared (adjusted for d.f.) = 68.2 percent Standard Error of Est = 0.515 Mean absolute error = 0.4 Durbin-Watson statistic = 1.56 (P=0.0501) Lag residual autocorrelation = 0.133 The StatAdvisor The output shows the results of fitting a logarithmic-Y squared-X model to describe the relationship between TAGB and Green^2 The equation of the fitted model is TAGB = exp(6.52215 - 34860.3*Green^2^2) Since the P-value in the ANOVA table is less than 0.05, there is a statistically significant relationship between TAGB and Green^2 at the 95.0% confidence level The R-Squared statistic indicates that the model as fitted explains 68.927% of the variability in TAGB The correlation coefficient equals -0.830223, indicating a moderately strong relationship between the variables The standard error of the estimate shows the standard deviation of the residuals to be 0.51485 This value can be used to construct prediction limits for new observations by selecting the Forecasts option from the text menu The mean absolute error (MAE) of 0.400058 is the average value of the residuals The Durbin-Watson (DW) statistic tests the residuals to determine if there is any significant correlation based on the order in which they occur in your data file Since the P-value is greater than 0.05, there is no indication of serial autocorrelation in the residuals at the 95.0% confidence level Simple Regression - log(TAGB) vs NDVI Dependent variable: log(TAGB) Independent variable: NDVI S-curve model: Y = exp(a + b/X) Coefficients Least Squares Standar T d Paramet Estimate er Error Statistic PValue Intercept 3.02 0.113 26.8 0.0000 Slope 0.0675 -12.6 0.0000 -0.852 NOTE: intercept = ln(a) Analysis of Variance Source Sum Squares of Df Mean Square Model 1.74 Residual 0.468 43 0.0109 Total (Corr.) 2.2 44 1.74 Correlation Coefficient = -0.887 R-squared = 78.8 percent R-squared (adjusted for d.f.) = 78.3 percent FRatio P-Value 159.43 0.0000 Standard Error of Est = 0.104 Mean absolute error = 0.0839 Durbin-Watson statistic = 1.79 (P=0.2012) Lag residual autocorrelation = 0.0338 The StatAdvisor The output shows the results of fitting a S-curve model model to describe the relationship between log(TAGB) and NDVI The equation of the fitted model is log(TAGB) = exp(3.02231 - 0.851803/NDVI) Since the P-value in the ANOVA table is less than 0.05, there is a statistically significant relationship between log(TAGB) and NDVI at the 95.0% confidence level The R-Squared statistic indicates that the model as fitted explains 78.7576% of the variability in log(TAGB) The correlation coefficient equals -0.887455, indicating a moderately strong relationship between the variables The standard error of the estimate shows the standard deviation of the residuals to be 0.104329 This value can be used to construct prediction limits for new observations by selecting the Forecasts option from the text menu The mean absolute error (MAE) of 0.0838533 is the average value of the residuals The Durbin-Watson (DW) statistic tests the residuals to determine if there is any significant correlation based on the order in which they occur in your data file Since the P-value is greater than 0.05, there is no indication of serial autocorrelation in the residuals at the 95.0% confidence level Simple Regression - log(TAGB) vs NDVI^2 Dependent variable: log(TAGB) Independent variable: NDVI^2 S-curve model: Y = exp(a + b/X) Coefficients Least Squares Standar T d Paramet Estimate er Error Statistic PValue Intercept 2.24 0.0495 45.3 0.0000 Slope 0.0169 -13.4 0.0000 -0.226 NOTE: intercept = ln(a) Analysis of Variance Source Sum Squares of Df Mean Square Model 1.78 Residual 0.426 43 0.00991 Total (Corr.) 2.2 44 1.78 FRatio P-Value 179.44 0.0000 Correlation Coefficient = -0.898 R-squared = 80.7 percent R-squared (adjusted for d.f.) = 80.2 percent Standard Error of Est = 0.0995 Mean absolute error = 0.0797 Durbin-Watson statistic = 1.75 (P=0.1658) Lag residual autocorrelation = 0.078 The StatAdvisor The output shows the results of fitting a S-curve model model to describe the relationship between log(TAGB) and NDVI^2 The equation of the fitted model is log(TAGB) = exp(2.24351 - 0.226061/NDVI^2) Since the P-value in the ANOVA table is less than 0.05, there is a statistically significant relationship between log(TAGB) and NDVI^2 at the 95.0% confidence level The R-Squared statistic indicates that the model as fitted explains 80.6693% of the variability in log(TAGB) The correlation coefficient equals -0.898161, indicating a moderately strong relationship between the variables The standard error of the estimate shows the standard deviation of the residuals to be 0.0995244 This value can be used to construct prediction limits for new observations by selecting the Forecasts option from the text menu The mean absolute error (MAE) of 0.0797458 is the average value of the residuals The Durbin-Watson (DW) statistic tests the residuals to determine if there is any significant correlation based on the order in which they occur in your data file Since the P-value is greater than 0.05, there is no indication of serial autocorrelation in the residuals at the 95.0% confidence level Simple Regression - log(TAGB) vs A^-2 Dependent variable: log(TAGB) Independent variable: A^-2 Reciprocal-Y square root-X: Y = 1/(a + b*sqrt(X)) Coefficients Least Squares Paramet Estimate Standar T d Error Statistic P- er Intercept 0.153 0.00322 47.6 Value 0.0000 Slope 0.0499 0.0000 0.465 9.3 Analysis of Variance Source Sum Model Squares 0.00137 Residual 0.000191 12 0.0000159 Total 0.00156 13 (Corr.) of Df Mean Square 0.00137 F- P-Value Ratio 86.57 0.0000 Correlation Coefficient = 0.937 R-squared = 87.8 percent R-squared (adjusted for d.f.) = 86.8 percent Standard Error of Est = 0.00398 Mean absolute error = 0.00286 Durbin-Watson statistic = 2.81 (P=0.9067) Lag residual autocorrelation = -0.434 The StatAdvisor The output shows the results of fitting a reciprocal-Y square root-X model to describe the relationship between log(TAGB) and A^-2 The equation of the fitted model is log(TAGB) = 1/(0.153 + 0.465*sqrt(A^-2)) Since the P-value in the ANOVA table is less than 0.05, there is a statistically significant relationship between log(TAGB) and A^-2 at the 95.0% confidence level The R-Squared statistic indicates that the model as fitted explains 87.8% of the variability in log(TAGB) after transforming to a square root scale to linearize the model The correlation coefficient equals 0.937, indicating a relatively strong relationship between the variables The standard error of the estimate shows the standard deviation of the residuals to be 0.00398 This value can be used to construct prediction limits for new observations by selecting the Forecasts option from the text menu The mean absolute error (MAE) of 0.00286 is the average value of the residuals The Durbin-Watson (DW) statistic tests the residuals to determine if there is any significant correlation based on the order in which they occur in your data file Since the P-value is greater than 0.05, there is no indication of serial autocorrelation in the residuals at the 95.0% confidence level Simple Regression - log(TAGB) vs A^-2 Dependent variable: log(TAGB) Independent variable: A^-2 Logarithmic-Y square root-X model: Y = exp(a + b*sqrt(X)) Coefficients Least Squares Paramet Estimate er Intercept 1.86 Slope -2.46 NOTE: intercept = ln(a) Standar T d Error Statistic PValue 0.00832 223 0.0000 0.0991 -24.8 0.0000 Analysis of Variance Source Model Residual Total (Corr.) Sum of Squares 0.153 0.00298 0.156 Df Mean Square 0.153 12 0.000248 13 FP-Value Ratio 617.51 0.0000 Correlation Coefficient = -0.99 R-squared = 98.1 percent R-squared (adjusted for d.f.) = 97.9 percent Standard Error of Est = 0.0158 Mean absolute error = 0.0101 Durbin-Watson statistic = 1.97 (P=0.3640) Lag residual autocorrelation = -0.00119 The StatAdvisor The output shows the results of fitting a logarithmic-Y square root-X model to describe the relationship between log(TAGB) and A^-2 The equation of the fitted model is log(TAGB) = exp(1.86 - 2.46*sqrt(A^-2)) Since the P-value in the ANOVA table is less than 0.05, there is a statistically significant relationship between log(TAGB) and A^-2 at the 95.0% confidence level The R-Squared statistic indicates that the model as fitted explains 98.1% of the variability in log(TAGB) The correlation coefficient equals -0.99, indicating a relatively strong relationship between the variables The standard error of the estimate shows the standard deviation of the residuals to be 0.0158 This value can be used to construct prediction limits for new observations by selecting the Forecasts option from the text menu The mean absolute error (MAE) of 0.0101 is the average value of the residuals The Durbin-Watson (DW) statistic tests the residuals to determine if there is any significant correlation based on the order in which they occur in your data file Since the P-value is greater than 0.05, there is no indication of serial autocorrelation in the residuals at the 95.0% confidence level ... LỤC Trang TRANG PHỤ BÌA LỜI CAM ĐOAN i LỜI CẢM ƠN ii DANH MỤC CÁC CHỮ VIẾT TẮT iii MỤC LỤC v DANH MỤC CÁC BẢNG viii DANH... 124 DANH MỤC CÁC CƠNG TRÌNH ĐÃ CƠNG BỐ 125 TÀI LIỆU THAM KHẢO 126 PHỤ LỤC viii DANH MỤC CÁC BẢNG TT Tên bảng Trang 1.1 Phƣơng trình tƣơng quan Đƣớc dựa vào đƣờng kính ngang... dung nhƣ: Lời cam đoan; Lời cảm ơn, Mục lục, Danh mục bảng biểu, Hình ảnh, Danh mục từ viết tắt; Danh mục cơng trình cơng bố; Tài liệu tham khảo Phụ lục Phần luận án dài 136 trang có kết cấu nhƣ