Bài viết Sử dụng chỉ số thực vật kháng khí quyển để phát hiện mất rừng và suy thoái rừng tại Khu bảo tồn quốc gia Nam Kading, CHDCND Lào tập trung vào ba điểm chính: (1) Thu thập, xây dựng chỉ số viễn thám trên cơ sở chỉ số ARVI phù hợp có thể phát hiện sớm suy thoái rừng tại Khu bảo tồn quốc gia Nam Kading; (2) Xác định ngưỡng chỉ số viễn thám có thể phát hiện sớm mất rừng và suy thoái rừng; (3) Ứng dụng ngưỡng chỉ số xác định diện tích mất rừng trong diện tích Vườn quốc gia Nam Kading.
Quản lý Tài nguyên rừng & Môi trường SỬ DỤNG CHỈ SỐ THỰC VẬT KHÁNG KHÍ QUYỂN ĐỂ PHÁT HIỆN MẤT RỪNG VÀ SUY THOÁI RỪNG TẠI KHU BẢO TỒN QUỐC GIA NAM KADING, CHDCND LÀO Bakham Chanthavong1,2, Phùng Văn Khoa2, Lê Thái Sơn2 Trường Đại học Quốc gia Lào Trường Đại học Lâm nghiệp TÓM TẮT Đối với ngành lâm nghiệp CHDCND Lào, ảnh viễn thám nghiên cứu ứng dụng công tác quản lý tài nguyên rừng, song chưa có nghiên cứu ứng dụng công nghệ phát sớm rừng suy thoái rừng Khu bảo tồn quốc gia Nam Kading, tỉnh Bolikhamsay Nghiên cứu xây dựng phương pháp phát sớm rừng suy thoái rừng sở liệu ảnh Sentinel-2 với hỗ trợ Google Earth Engine, với ba điểm chính: (1) thu thập, xây dựng số viễn thám phù hợp sở số ARVI để phát sớm suy thoái rừng Khu bảo tồn quốc gia Nam Kading; (2) xác định ngưỡng số viễn thám để phát sớm rừng suy thoái rừng; (3) ứng dụng ngưỡng số xác định diện tích rừng diện tích Khu bảo tồn quốc gia Nam Kading Chỉ số KB tính tốn nhằm thể biến động số ARVI khoảng thời gian xảy biến động tài nguyên rừng Kết nghiên cứu xác định ngưỡng số KB(ARVI) khu vực rừng bị suy thoái rừng bị -29,83 ÷ -5,44 -88,76 ÷ -65,77 với độ xác tương ứng 84,2% 98% Kết nghiên cứu có giá trị ứng dụng lớn cơng tác quản lý tài nguyên rừng khu vực nghiên cứu nói riêng Lào nói chung, nỗ lực nhằm đưa liệu kiểm kê rừng tồn quốc Lào chưa có kết cụ thể Từ khóa: ARVI, Google Earth Engine, rừng, Nam Kading, Sentinal-2, suy thoái rừng ĐẶT VẤN ĐỀ Vấn đề quản lý rừng bền vững đã, chủ đề nóng nhiều quốc gia, nhiều tổ chức cá nhân quan tâm Câu hỏi đặt làm phát sớm rừng bị hay rừng suy thoái để từ có giải pháp ngăn chặn kịp thời Ngày nay, phát triển khoa học công nghệ, có đời cơng nghệ ảnh vệ tinh GIS, hỗ trợ người nhiều giám sát đánh giá biến động tài nguyên rừng cách nhanh chóng kịp thời (Krakauer et al., 2017; Singh et al., 2016) Các nguồn liệu viễn thám có tính chất đa phổ, đa thời gian, cảnh ảnh bao phủ diện tích rộng cho phép cập nhật thông tin, tiến hành nghiên cứu cách nhanh chóng, hiệu tiết kiệm thời gian công sức Việc kết hợp sử dụng ảnh viễn thám có độ phân giải cao việc quản lý tài nguyên hướng phục vụ cho công tác quy hoạch tài nguyên thiên nhiên nói chung tài nguyên rừng nói riêng (Schepers et al., 2014; Xie et al., 2008; Wu et al., 2017) Tỉnh Bolikhamsay, miền Trung Lào có 50 nguồn tài nguyên thiên nhiên phong phú, có Vườn quốc gia (VQG) Nam Kading Khu bảo tồn bị cắt ngang dịng sơng Nam Kading, có địa hình gồ ghề, phức tạp phần lớn khơng thể tiếp cận Nam Kading có tính đa dạng sinh thái phong phú, đa dạng sinh học cao tạo nên tiềm to lớn du lịch sinh thái cho tỉnh, nơi sinh sống nhiều loài động thực vật bị đe dọa (Sayer, 2013) Tuy nhiên, năm gần tình trạng thay đổi diện tích rừng vùng đệm, thay đổi mục đích sử dụng đất gây ảnh hưởng khơng nhỏ đến tính đa dạng sinh học ổn định hệ sinh thái rừng, gây nhiều khó khăn cho quan chức việc quản lý Do vậy, cần có giải pháp ngăn chặn xâm phạm tài nguyên rừng trở thành vấn đề cấp thiết Khu bảo tồn Để có thêm sở khoa học nhằm xác định nguyên nhân xác định thay đổi khơng gian diện tích rừng, bối cảnh điều kiện tiếp cận với khu vực gặp nhiều hạn chế, việc sử dụng ảnh viễn thám để phát sớm suy thoái rừng rừng Khu bảo tồn quốc gia Nam Kading đóng vai trị quan trọng TẠP CHÍ KHOA HỌC VÀ CƠNG NGHỆ LÂM NGHIỆP SỐ - 2021 Quản lý Tài nguyên rừng & Môi trường Chỉ số thực vật kháng khí (Atmospherically Resistant Vegetation Index ARVI) loại số viễn thám sử dụng để theo dõi biến đổi thực vật Khác với số thực vật khác, ARVI hiệu trước hiệu ứng địa hình khí quyển, điều khiến trở thành công cụ giám sát chất lượng rừng cho vùng núi nhiệt đới nước phát triển, nơi có hàm lượng chất lơ lửng (mưa, sương mù, bụi, khói, nhiễm) khơng khí cao (Kaufman et al., 1992) Trong nghiên cứu này, nhóm tác giả tập trung vào ba điểm chính: (1) Thu thập, xây dựng số viễn thám sở số ARVI phù hợp phát sớm suy thoái rừng Khu bảo tồn quốc gia Nam Kading; (2) Xác định ngưỡng số viễn thám phát sớm rừng suy thoái rừng; (3) Ứng dụng ngưỡng số xác định diện tích rừng diện tích Vườn quốc gia Nam Kading Kết nghiên cứu góp phần làm sở khoa học đưa giải pháp quản lý rừng hiệu tương lai khu vực nghiên cứu khu vực khác có điều kiện tương tự PHƯƠNG PHÁP NGHIÊN CỨU 2.1 Đối tượng nghiên cứu Đối tượng nghiên cứu khu vực rừng bị suy thoái giai đoạn 2016-2019 VQG Nam Kading huyện lân cận tỉnh Bolikhamsai, Lào (Hình 1) Hình Khu vực nghiên cứu 2.2 Phương pháp nghiên cứu 2.2.1 Thu thập liệu a) Dữ liệu thứ cấp Thu thập tài liệu thứ cấp liên quan: Bản đồ địa hình đồ quy hoạch VQG Nam Kading, tài liệu liên quan thực trạng công tác quản lý rừng, bao gồm số liệu báo cáo tổng kết công tác hàng năm VQG Nam Kading, huyện thuộc khu vực nghiên cứu Sử dụng tư liệu ảnh viễn thám Sentinel- giai đoạn 2016-2019 Dữ liệu viễn thám Sentinel-2 khu vực nghiên cứu (các cảnh ảnh T48QVF T48QUF) khoảng thời gian từ 1/1/2016 đến 31/10/2019 Các ảnh tiền xử lý, hiệu chỉnh đưa giá trị phản xạ bề mặt (Surface Reflectance – SR) Google Earth Engine (GEE) nhằm thuận tiện cho việc thu thập liệu ảnh phù hợp với khoảng thời gian xảy rừng mẫu điều tra thực TẠP CHÍ KHOA HỌC VÀ CÔNG NGHỆ LÂM NGHIỆP SỐ - 2021 51 Quản lý Tài nguyên rừng & Môi trường tế Nghiên cứu sử dụng mã GEE có sẵn sử dụng thuật toán loại bỏ mây dựa vào chuỗi giá trị kênh ảnh pixel Các đám mây bóng chúng bị xóa khỏi tất hình ảnh Dữ liệu Sentinel-2 Các đám mây xác định từ tập liệu xác suất đám mây S2 (s2cloudless) bóng chúng xác định phép chiếu đám mây kết hợp với điểm ảnh có phản xạ cận hồng ngoại (NIR) thấp (https://developers.google.com/earthengine/tutorials/community/sentinel-2s2cloudless) Toàn liệu chuyển sang hệ tọa độ WGS_1984_UTM_Zone_48N phù hợp với khu vực nghiên cứu b) Dữ liệu điều tra Điều tra ngoại nghiệp thực để thu thập thơng tin vị trí xác định xảy suy thoái rừng rừng hoàn toàn thực tế theo báo cáo tài nguyên rừng huyện khu vực nghiên cứu Vị trí đối tượng xác định GPS MAP64s điểm rừng hoàn toàn Tiến hành lấy tọa độ điều tra ô tiêu chuẩn 500 m2 điểm mẫu suy thoái rừng để xác định đặc điểm cấu trúc rừng (các tiêu chiều cao vút ngọn, chiều cao cành, đường kính ngang ngực) nhằm đánh giá chất lượng rừng có bị suy thối hay khơng Tổng cộng có 75 điểm mẫu suy thoái rừng 212 điểm mẫu rừng thu thập Ranh giới vùng rừng bị suy thoái, rừng tương ứng với điểm mẫu số hóa dựa phương pháp giải đốn ảnh mắt tư liệu ảnh viễn thám Sentinel-2, Google Earth đồ ArcGIS 10.4.1 c) Phương pháp xác định ngưỡng số viễn thám nhằm phát sớm rừng/suy thoái rừng Các ảnh số ARVI khu vực nghiên cứu thu thập trực tiếp GEE để tiết kiệm thời gian xử lý dung lượng lưu trữ liệu, tính tốn dựa vào cơng thức: ARVI = [NIR - (2 × RED) + BLUE] / [NIR + (2 × RED) + BLUE] Trong đó: Đối với ảnh Sentinel-2, NIR (kênh cận hồng ngoại) Band 8A; RED (kênh đỏ) 52 Band 4; BLUE (kênh xanh lam) Band Giá trị số ARVI nằm khoảng -1 ÷ Nếu giá trị ARVI cao khu vực có độ che phủ thực vật tốt Nếu giá trị ARVI thấp khu vực có độ thực phủ thấp (Kaufman et al., 1992) Với mẫu thu thập thực địa, mẫu thu thập năm 2016-2018 (162 212 mẫu rừng, tương ứng 76,4%; 56 75 mẫu suy thoái rừng, chiếm 74,7%) sử dụng để xác định ngưỡng giá trị số viễn thám nhằm phát sớm rừng suy thoái rừng Để xác định ngưỡng, nghiên cứu sử dụng số biến động KB(ARVI) (Phùng Văn Khoa cộng sự, 2019) tính theo cơng thức: KB(ARVI) = (ARVIT2 ARVIT1) × 100 / ARVIT1 Trong đó, ARVIT1 ARVIT2 giá trị ARVI thời điểm trước sau xảy biến động Chỉ số KB(ARVI) tính tốn cơng cụ Raster Calculator ArcGIS 10.4.1 Các giá trị thống kê số KB(ARVI) chiết xuất cho vùng mẫu Trong đó, tập hợp giá trị trung bình (Mean) ứng với mẫu sử dụng để xác định ngưỡng rừng suy thoái rừng c) Phương pháp kiểm chứng kết định ngưỡng Các vùng mẫu thu thập năm 2019 (50 212 mẫu rừng, tương ứng 23,6%; 19 75 mẫu suy thoái rừng, tương ứng 25,3% tổng số mẫu) dùng để kiểm chứng kết Các giá trị vùng mẫu kiểm chứng xem xét có nằm ngưỡng giá trị xác định từ mẫu từ 2016-2018 hay không, từ đưa độ xác tổng qt kết định ngưỡng Công thức kiểm chứng sau: P = 100 × N1 / N Trong đó, N1 số mẫu xác, N tổng số mẫu dùng để kiểm chứng d) Phương pháp ứng dụng ngưỡng số xác định diện tích rừng suy thối rừng Với kết ngưỡng rừng suy thối rừng, nghiên cứu tiến hành phân tích diện tích rừng che phủ với liệu viễn thám TẠP CHÍ KHOA HỌC VÀ CƠNG NGHỆ LÂM NGHIỆP SỐ - 2021 Quản lý Tài nguyên rừng & Môi trường thuộc quãng thời gian gần sử dụng nghiên cứu để thành lập đồ rừng suy thối rừng diện tích Khu Bảo tồn quốc gia Nam Kading KẾT QUẢ VÀ THẢO LUẬN 3.1 Các vùng mẫu nghiên cứu Các vị trí mẫu ngồi thực địa sử dụng cho việc giải đoán mắt dựa vào nhiều loại tư liệu viễn thám có độ phân giải cao, khoanh vẽ vùng mẫu phục vụ nghiên cứu, ví dụ thể hình hình Hình Các vùng mẫu rừng vị trí (1) XY = (353204; 2061092); (2) XY = (351389; 2058540) Ảnh tổ hợp màu Sentinel-2 (RGB: 12-8A-4) GEE thời điểm trước (A –Sentinel 2B ngày 24/02/2017) sau (B – Sentinel 2B ngày 14/04/2017) rừng Hình Các vùng mẫu suy thối rừng vị trí XY = (491062; 1988120) Ảnh tổ hợp màu Sentinel-2 (RGB: 12-8A-4) GEE thời điểm trước (A – Sentinel 2A ngày 09/04/2016) sau (B – Sentinel 2A ngày 04/04/2017) suy thoái rừng Sự phân bố điểm mẫu thu thập thực địa thể hình Vì lý địa hình gồ ghề, phức tạp nên số vùng mẫu rừng thu thập VQG Nam Kading Phần lớn vùng mẫu nằm khu vực huyện lân cận Trong đó, vùng mẫu rừng chủ yếu phân bố rải rác toàn diện tích huyện Borikhane huyện Viengthong (Hình 4) Các vùng mẫu suy thối rừng tập trung phía tây nam huyện Viengthong Kết cho thấy diện tích vùng mẫu rừng nhỏ 1,81 ha, cịn mẫu suy thối rừng 1,95 TẠP CHÍ KHOA HỌC VÀ CƠNG NGHỆ LÂM NGHIỆP SỐ - 2021 53 Quản lý Tài nguyên rừng & Mơi trường Hình Phân bố khơng gian vùng mẫu nghiên cứu 3.2 Xác định ngưỡng số viễn thám kiểm chứng kết Các lớp liệu số ARVI tính tốn cho thời điểm cụ thể, thể rõ biến động số vùng mẫu bị rừng suy thối rừng Ví dụ minh họa hình hình Hình Ảnh số ARVI ví dụ vùng mẫu trước (A) sau (B) rừng ảnh số KB(ARVI) tương ứng (C) Kết thể rõ thay đổi số ARVI khu vực rừng, mặt giá trị số mặt hiển thị (Hình 5A, B) Qua đó, số KB(ARVI) có khác biệt rõ rệt khu vực rừng khu vực lân cận 54 (Hình 5C) Ở mẫu suy thoái rừng, việc thay đổi màu sắc hiển thị ảnh ARVI không thực rõ nét, điểm ảnh có thay đổi rõ ràng khơng tập trung dẫn đến vùng mẫu hiển thị chưa tương phản bật (Hình 6) TẠP CHÍ KHOA HỌC VÀ CÔNG NGHỆ LÂM NGHIỆP SỐ - 2021 Quản lý Tài ngun rừng & Mơi trường Hình Ảnh số ARVI ví dụ vùng mẫu trước (A) sau (B) suy thoái rừng, ảnh số KB(ARVI) tương ứng (C) Tóm tắt đặc điểm thống kê vùng mẫu để xác định ngưỡng giá trị trình bày bảng Bảng Đặc điểm thống kê vùng mẫu định ngưỡng nghiên cứu Số lượng Độ lệch chuẩn Trung bình Giá trị thấp Giá trị cao Mẫu rừng 162 4,661 -75,603 -88,764 -65,770 Mẫu suy thoái rừng 56 5,416 -18,569 -29,831 -5,441 Tổng mẫu 218 Mẫu Từ kết bảng 1, nghiên cứu xác định ngưỡng số xác định diện tích rừng (88,764 ÷ -65,770 ngưỡng giá trị suy thối rừng (-29,831 ÷ -5,441) Kết kiểm chứng ngưỡng giá trị thể bảng Bảng Đặc điểm thống kê vùng mẫu kiểm chứng kết kiểm chứng Đặc điểm Mẫu rừng (kiểm chứng) Mẫu suy thoái rừng (kiểm chứng) Số lượng mẫu 50 19 Độ lệch chuẩn 4,105 5,560 Trung bình -75,109 -18,569 Giá trị thấp -83,359 -30,831 Giá trị cao -66,659 -5,223 Số lượng mẫu ngưỡng 49 16 Số lượng mẫu vượt ngưỡng 1 Số lượng mẫu ngưỡng 98% 84,2% Tỷ lệ xác TẠP CHÍ KHOA HỌC VÀ CÔNG NGHỆ LÂM NGHIỆP SỐ - 2021 55 Quản lý Tài nguyên rừng & Môi trường Kết kiểm chứng cho thấy ngưỡng xác định rừng có tỷ lệ xác cao, có triển vọng áp dụng vào thực tiễn Đối với ngưỡng xác định suy thối rừng, tỷ lệ xác tương đối cao, nhiên cần có nghiên cứu bổ sung số lượng mẫu để đưa kết định ngưỡng kiểm chứng thuyết phục 3.3 Bản đồ rừng suy thoái rừng Vườn quốc gia Nam Kading Sau áp dụng ngưỡng xác định rừng suy thoái rừng (đối với rừng sử dụng ngưỡng trên, giá trị KB(ARVI) giảm thể rừng rõ rệt), nghiên cứu đưa đồ phân bố vùng rừng suy thoái rừng phát vào cuối thời gian nghiên cứu: năm 2019 (Hình 7) Hình Kết áp dụng ngưỡng xác định rừng suy thối rừng năm 2019 Kết cho thấy, diện tích rừng khơng nhiều (61,98 ha) với diện tích nhỏ phát 1,7 (170 pixels) lớn 6,59 (659 pixels) Các vùng phân bố rải rác phía bắc VQG, nơi có hệ thống đường giao thơng tiếp cận dễ dàng Trong đó, diện tích rừng bị suy giảm chất lượng tương đối lớn (732,13 ha) với diện tích phát từ 1,27 đến 9,89 ha, phân bố chủ yếu khu vực gần ranh giới phía Bắc phía Tây Nam 56 VQG Tuy nhiên, kết xác định suy thoái rừng cần phải kiểm chứng nghiên cứu cần thay đổi nhỏ đến giá trị phản xạ phổ đối tượng rừng dẫn đến giá trị ARVI thay đổi giá trị KB(ARVI) nằm ngưỡng xác định suy thoái cách khơng xác Các ngun nhân tượng tán xạ khí quyển, tầng mây mỏng, đặc biệt bóng đổ địa hình giống khu TẠP CHÍ KHOA HỌC VÀ CÔNG NGHỆ LÂM NGHIỆP SỐ - 2021 Quản lý Tài nguyên rừng & Môi trường vực sườn núi cao phía tây nam VQG 3.4 Thảo luận Trên thực tế, việc phát việc rừng, đặc biệt suy thoái rừng, thời điểm xảy vụ vi phạm quản lý tài nguyên rừng khó thực thơng qua việc điều tra thực địa Nguyên nhân kể tới việc lực lượng bảo vệ rừng mỏng phải quản lý diện tích lớn, vụ vi phạm xảy địa bàn hẻo lánh, khó tiếp cận đối tượng vi phạm tổ chức tinh vi nhằm tránh phát quan chức Vì vậy, khả phát kịp thời ngăn chặn nguy diện tích rừng bị tác động bị mở rộng, khơng có can thiệp kịp thời lực lượng quản lý tài ngun rừng Vì vậy, cơng cụ hỗ trợ nhằm xác định sớm thời điểm rừng suy thoái rừng địa bàn rộng lớn cần thiết Trong nghiên cứu này, việc sử dụng thành công liệu ảnh Sentinel-2 để xác định sớm thời điểm rừng suy thoái rừng khu vực nghiên cứu đem lại triển vọng lớn việc nâng cao hiệu bảo vệ rừng địa phương Với mục đích này, điểm mạnh tư liệu ảnh Sentinel-2 (1) tư liệu ảnh đa phổ cung cấp miễn phí từ sở liệu cập nhật liên tục; (2) có độ phân giải thời gian cao có chu kỳ lặp 05 ngày; (3) có độ phân giải khơng gian cao (10 m) so sánh với liệu ảnh ứng dụng phổ biến theo dõi tài nguyên rừng hệ ảnh Landsat (chu kỳ lặp 16 ngày; độ phân giải không gian 30 m) Đối với khu vực miền Trung Lào nói chung khu vực VQG Nam Kading, nghiên cứu cho thấy vùng mẫu xây dựng từ liệu ảnh chụp thời gian từ cuối tháng chín đến đầu tháng hai năm sau Đây tháng mùa khô, lượng mưa thấp khoảng 50 -100 mm/tháng, nên tư liệu ảnh bị ảnh hưởng mây Ở tháng mùa mưa, đặc biệt từ tháng đến tháng 7, với lượng mưa lớn (>300 mm/tháng), tỷ lệ mây che phủ cao, việc sử dụng tư liệu viễn thám quang học nói chung, ảnh Sentinel 2, để theo dõi tài nguyên rừng không khả thi Tuy nhiên, kết thu thập cho thấy vụ mất/suy thoái rừng khu vực nghiên cứu diễn vào mùa khô Nguyên nhân thời tiết vào mùa mưa không tạo điều kiện tốt cho hoạt động đốt nương làm rẫy vụ cháy rừng xảy Thêm vào đó, vào mùa mưa đường mịn đường vận xuất gỗ khơng thể sử dụng mưa lớn, gây cản trở cho việc tiếp cận khu vực rừng có giá trị cao, nên vụ chặt phá rừng khó thực Vì vậy, việc áp dụng tư liệu ảnh Sentinel-2 để phát sớm rừng suy thối rừng khu vực VQG Nam Kading hồn tồn thực KẾT LUẬN Nghiên cứu thành công việc xác định ngưỡng rừng suy thoái rừng dựa số ARVI kết hợp công nghệ địa không gian (Google Earth Engine, GIS viễn thám) Kết nghiên cứu tính tốn đưa ngưỡng số xác định diện tích rừng (88,764 ÷ -65,770 ngưỡng giá trị suy thối rừng (-29,831 ÷ -5,441) Kết kiểm chứng cho thấy khả quan việc sử dụng số viễn thám để phát sớm rừng suy thoái rừng cho VQG Nam Kading Kết nghiên cứu có triển vọng áp dụng khu vực rừng miền Trung Lào khu vực có điều kiện tương đồng Một cách tương đối, chu kỳ lặp 05 ngày tư liệu ảnh giúp phát sớm biến động tiêu cực tài nguyên rừng Tuy nhiên, để nâng cao hiệu quy trình, rút ngắn thời gian phát hiện, cần có thêm nghiên cứu kết hợp đồng thời ảnh Sentinel với tư liệu ảnh khác Landsat, SPOT… để nâng cao độ phân giải thời gian độ xác TÀI LIỆU THAM KHẢO Phùng Văn Khoa, Nguyễn Quốc Hiệu, Nguyễn Quang Huy (2019) Sử dụng ảnh Landsat Google Earth Engine phát sớm rừng, suy thoái rừng vùng Tây Nguyên: trường hợp tỉnh Đắk Nơng Tạp chí Khoa học Công nghệ Lâm nghiệp, 5:106-116 Kaufman, Y.J., Tanre, D 1992 Atmospherically Resistant Vegetation Index (ARVI) for eos-modis Transactions On Geoscience And Remote Sensing, 30(2), 261-270 TẠP CHÍ KHOA HỌC VÀ CÔNG NGHỆ LÂM NGHIỆP SỐ - 2021 57 Quản lý Tài nguyên rừng & Môi trường Krakauer, N.Y., Lakhankar, T., Anadon, J.D, 2017 Mapping and attributing normalised difference vegetation index trends for Nepal Remote Sensing 9:1-15 Sayer, J 2013 Chapter 8: Nam Kading National Protected Area In Sunderland, Terry C H.; Sayer, Jeffrey; Hoang, Minh Ha (eds.) Evidence-based Conservation: Lessons from the Lower Mekong Routledge pp 91–109 Schepers, L., Haest, B., Veraverbeke, S., Spanhove, T., Borre, J.V., Goossens, R, 2014 Burned area detection and burn severity assessment of a heatland fire in Belgium using airborne imaging spectroscopy (APEX) Remote Sensing 6:1803-1826 Singh, R.P., Singh, N., Singh, S., Mukheriee, S, 2016 Normalised Difference Vegetation Index (NDVI) based classification to assess the change in land use/land cover (LULC) in lower Assam, India International Journal of Advanced Remote Sensing and GIS 5(10): 1963-1970 Xie, Y., Sha, Z., Yu, M, 2008 Remote sensing imagery in vegetation mapping: a review Journal of plant ecology 1(1):9- 23 Wu, Z., Middleton, B., Hetzler, R., Vogel, J., Dye, D, 2017 Vegetation burn severity mapping using Landsat and Worldview Photogrammetric Engineering and Remote Sensing 84(2):143-154 USING ATMOSPHERICALLY RESISTANT VEGETATION INDEX TO DETECT DEFORESTATION AND FOREST DEGRADATION IN NAM KADING NATIONAL PROTECTED AREA, LAOS Bakham Chanthavong1,2, Phung Van Khoa2, Le Thai Son2 The National University of Laos Vietnam National University of Forestry SUMMARY For the forestry industry in Laos, remote sensing images have been studied and applied in forest resources management, but there has been no research on the application of this technology in the early detection of deforestation and forest degradation in Nam Kading National Protected Area, Bolikhamsay province This study developed a method for early detection of deforestation and forest degradation based on the Sentinel-2 image database with the support of Google Earth Engine, including three main contents: (1) collecting data and calculating a remote sensing index on the basis of an appropriate ARVI index that can detect forest degradation early in the Nam Kading National Reserve; (2) determining the threshold of remote sensing index that can detect deforestation and forest degradation early; (3) applying index thresholds to determine the area of deforestation in the study area The KB index was calculated to represent the variation of the ARVI index during the period of forest resource influence The results of the study determined that the thresholds of KB (ARVI) index of degraded and lost forest areas were -29.83 ÷ -5.44 and -88.76 ÷ -65.77, respectively, with the accuracy of 84.2% and 98.0% respectively The results of this study have offered the great potential to apply in the management of forest resources in the study area in particular and in Laos in general, while the efforts to produce national inventory data have been made without specific results yet Keywords: ARVI, deforestation, forest degradation, Google Earth Engine, Nam Kading, Sentinal-2 Ngày nhận Ngày phản biện Ngày định đăng 58 : 02/8/2021 : 08/9/2021 : 20/9/2021 TẠP CHÍ KHOA HỌC VÀ CƠNG NGHỆ LÂM NGHIỆP SỐ - 2021 ... trung vào ba điểm chính: (1) Thu thập, xây dựng số viễn thám sở số ARVI phù hợp phát sớm suy thoái rừng Khu bảo tồn quốc gia Nam Kading; (2) Xác định ngưỡng số viễn thám phát sớm rừng suy thoái rừng; ... mẫu rừng, tương ứng 76,4%; 56 75 mẫu suy thoái rừng, chiếm 74,7%) sử dụng để xác định ngưỡng giá trị số viễn thám nhằm phát sớm rừng suy thoái rừng Để xác định ngưỡng, nghiên cứu sử dụng số biến... lý Tài nguyên rừng & Môi trường Chỉ số thực vật kháng khí (Atmospherically Resistant Vegetation Index ARVI) loại số viễn thám sử dụng để theo dõi biến đổi thực vật Khác với số thực vật khác, ARVI