Sử dụng chỉ số viễn thám phát hiện mất rừng trên ảnh Sentinel-2 tại tỉnh Thừa Thiên-Huế

Bài viết Sử dụng chỉ số viễn thám phát hiện mất rừng trên ảnh Sentinel-2 tại tỉnh Thừa Thiên-Huế xây dựng một ứng dụng phát hiện mất rừng bằng chỉ số viễn thám từ ảnh vệ tinh Sentinel-2 thông qua nền tảng trực tuyến Google Earth Engine.

Quản lý Tài nguyên rừng & Môi trường SỬ DỤNG CHỈ SỐ VIỄN THÁM PHÁT HIỆN MẤT RỪNG TRÊN ẢNH SENTINEL-2 TẠI TỈNH THỪA THIÊN - HUẾ Vũ Văn Thái1, Nguyễn Hải Hòa2, Lê Thị Quỳnh Hoa1, Nguyễn Minh Ngọc3, Tống Phước Hồng Hiếu4, Nguyễn Duy Liêm5 Cơng ty TNHH Tư vấn Phát triển Đồng Xanh Trường Đại học Lâm nghiệp Viện Công nghệ Vũ trụ, Viện Hàn lâm Khoa học Công nghệ Việt Nam Chi cục Kiểm lâm tỉnh Thừa Thiên - Huế Trường Đại học Nơng Lâm Thành phố Hồ Chí Minh TÓM TẮT Nghiên cứu xây dựng ứng dụng phát rừng số viễn thám từ ảnh vệ tinh Sentinel-2 thông qua tảng trực tuyến Google Earth Engine Các lô rừng bị kì đầu kì sau phát thơng qua việc kết hợp ngưỡng có rừng, khơng có rừng rừng theo hai số Normalized Difference Vegetation Index (NDVI) Normalized Burn Ratio (NBR) cho địa bàn tỉnh Thừa Thiên - Huế Đối với NDVI, giá trị NDVI kì đầu ≥ 0,59, NDVI kì sau < 0,59 chênh lệch NDVI kì sau so với kì đầu ≤ 0,28 Đối với NBR, giá trị NBR kì đầu ≥ 0,61, NBR kì sau < 0,61 chênh lệch NBR kì sau so với kì đầu ≤ -0,51 Kết kiểm chứng khoảng thời gian từ tháng 3/2020 đến tháng 5/2020 cho thấy tỉ lệ phát lô rừng 70%, sai số tuyệt đối trung bình diện tích Những kết đạt nêu hỗ trợ hiệu cho công tác theo dõi, cập nhật diễn biến rừng góp phần ngăn chặn phá rừng, khai thác rừng trái phép địa bàn tỉnh Thừa Thiên - Huế Ngồi ra, ứng dụng nhân rộng cho địa phương khác Việt Nam Từ khóa: Google Earth Engine, NBR, NDVI, phát rừng, Sentinel-2, Thừa Thiên - Huế ĐẶT VẤN ĐỀ Theo Quỹ Nông Lương Liên hợp quốc (FAO, 2015), rừng chuyển đổi rừng sang trạng thái sử dụng khác suy giảm độ che phủ rừng xuống ngưỡng tối thiểu 10% khoảng thời gian dài Tại Việt Nam, Luật Lâm nghiệp 2017 đề cập đến khái niệm rừng suy thoái rừng mà chưa đưa định nghĩa rừng Do vậy, phạm vi nghiên cứu này, rừng hiểu chuyển đổi từ trạng thái đất có rừng (rừng tự nhiên rừng trồng) sang trạng thái đất trống Viễn thám phương pháp đại sử dụng giám sát diễn biến rừng, đặc biệt khu vực rộng lớn khó tiếp cận Để phát động thái rừng dựa ảnh viễn thám đa thời gian, số viễn thám cách tiếp cận phổ biến Chỉ số viễn thám thuật toán chuyển đổi liệu đa phổ thành thành phần So với kênh phổ, số viễn thám có ưu điểm tăng cường hiệu ứng quan tâm (ví dụ, thay đổi trạng thái thực vật) giảm thiểu đặc điểm không mong muốn 118 (chẳng hạn nhiễu khí địa hình) Có nhiều số viễn thám sử dụng để phát rừng Meng cộng (2016) sử dụng ảnh MODIS (Moderate Resolution Imaging Spectroradiometer) đa thời gian để phát rừng rừng mưa Amazon, Brazil Watanabe cộng (2017) phát triển thuật toán phát sớm rừng bang Ucayali vùng phụ cận Peru việc sử dụng chuỗi liệu PALSAR-2/ScanSAR (Phased Array type L-band Synthetic Aperture Radar) Landsat Saleh cộng (2019) sử dụng ảnh vệ tinh SPOT-4, (Satellite pour l'Observation de la Terre) phát rừng tỉnh Tây Kalimantan, Indonesia năm 2007, 2012, 2014 thông qua ba số NDVI (Normalized Difference Vegetation Index), GNDVI (Green-Normalized Difference Vegetation Index) NRGI (Normalized Green-Red Vegetation Index) Mozgovoy cộng (2019) sử dụng ảnh Landsat-7, 8, Sentinel-2 Terra ASTER (Advanced Spaceborne Thermal Emission and Reflection Radiometer) phân tích số NDVI, EVI TẠP CHÍ KHOA HỌC VÀ CƠNG NGHỆ LÂM NGHIỆP SỐ - 2021 Quản lý Tài nguyên rừng & Môi trường (Enhanced Vegetation Index), ARVI (Atmospherically Resistant Vegetation Index), SAVI (Soil Adjusted Vegetation Index) để phát rừng tỉnh Akmola, Kazakhstan Reinisch cộng (2020) sử dụng kết hợp ảnh đa phổ với ảnh radar để phát khu vực bị rừng dãy núi Jemez, Hoa Kì Tại Việt Nam, Nguyễn Thanh Hoàn cộng (2017) sử dụng phương pháp phân tích vectơ thay đổi đa biến ảnh Landsat-8 để xác định vị trí rừng hai huyện Tuy Đức Đắk Song thuộc tỉnh Đắk Nông Nguyễn Văn Thị cộng (2018) kết hợp ảnh viễn thám quang học radar giám sát rừng thông qua nghiên cứu quan hệ tán xạ ngược ảnh Sentinel-1 số NDVI từ ảnh Sentinel-2 cho rừng khộp tỉnh Đắk Lắk Phùng Văn Khoa cộng (2019) sử dụng ảnh Landsat tảng Google Earth Engine (GEE) phát rừng, suy thối rừng tỉnh Đắk Nơng Theo kết công bố trạng rừng tỉnh Thừa Thiên - Huế năm 2020 (Quyết định số 439/QĐ-UBND ngày 27/02/2021), diện tích rừng tự nhiên rừng trồng có trữ lượng tồn tỉnh 288.401,82 ha, tỉ lệ che phủ rừng đạt 57,38% Diện tích rừng lớn, phân bố địa bàn huyện, thành phố trải dài từ dãy núi Trường Sơn đến tận Biển Đông gây trở ngại cho cơng tác quản lý, bảo vệ rừng, phịng cháy chữa cháy rừng địa bàn tỉnh Thừa Thiên Huế Thêm vào đó, tình trạng phá rừng lấy gỗ, lâm sản đất sản xuất trái phép diễn phức tạp với vấn nạn cháy rừng thường trực điều kiện thời tiết nắng nóng mùa khơ tác nhân đốt xử lý thực bì, đốt hương, vàng mã mối đe dọa gây rừng địa bàn tỉnh Chính vậy, cần thiết phải ứng dụng khoa học cơng nghệ phát sớm rừng nhằm góp phần tiết kiệm thời gian, công sức cho hoạt động tuần tra, giám sát tài nguyên rừng nâng cao hiệu quản lý, bảo vệ rừng, phòng cháy chữa cháy rừng Trong nghiên cứu này, phát triển ứng dụng phát rừng số viễn thám thông qua tảng trực tuyến GEE cho tỉnh Thừa Thiên - Huế Trước tiên, chuỗi ảnh vệ tinh quang học Sentinel-2 thu thập, loại bỏ mây, ghép ảnh Sau đó, ngưỡng có rừng, khơng có rừng rừng xác định dựa số NDVI, NBR (Normalized Burn Ratio) tính từ chuỗi ảnh Sentinel-2 khu vực có rừng, khơng có rừng rừng đồ diễn biến rừng Cuối cùng, đánh giá độ xác phát rừng dựa so sánh lô rừng phát ảnh vệ tinh với lô rừng bị thực tế từ liệu khảo sát thực địa PHƯƠNG PHÁP NGHIÊN CỨU 2.1 Dữ liệu Bộ liệu ảnh vệ tinh Sentinel-2, mức xử lý 1C (đã hiệu chỉnh khí nắn chỉnh hình học) ghi nhận tháng 4/2017, 4/2018, 5/2020 năm 2019 cho tỉnh Thừa Thiên - Huế với cảnh ảnh (48PYC, 48PZC, 48QYD, 48QZD) Hình Sentinel2 bao gồm hai vệ tinh Sentinel-2A, 2B chuyển động theo quỹ đạo gần cực độ cao 786 km, đưa lên quỹ đạo vào ngày 23/6/2015 7/3/2017 Độ rộng vệt quét lớn (290 km) chu kì chụp ảnh cao (10 ngày xích đạo cho vệ tinh ngày xích đạo kết hợp hai vệ tinh) Phạm vi quan sát từ 84° vĩ độ Nam đến 84° vĩ độ Bắc Vệ tinh có khả thu nhận ảnh đa phổ độ phân giải xạ 12 bit với 13 kênh (0,443 - 2,190 µm) bao gồm: kênh có độ phân giải khơng gian 10 m, kênh có độ phân giải khơng gian 20 m kênh có độ phân giải không gian 60 m (Bảng 1) Các vùng mẫu có rừng, khơng có rừng, rừng trích xuất từ đồ diễn biến rừng tỉnh Thừa Thiên - Huế (FRMS http://frms.vnforest.gov.vn/) Ngoài ra, để đánh giá độ xác phát rừng dựa ảnh vệ tinh Sentinel-2, nghiên cứu sử dụng liệu khảo sát thực địa lô rừng bị từ tháng 3/2020 đến tháng năm 2020 Chi cục Kiểm lâm Thừa Thiên - Huế TẠP CHÍ KHOA HỌC VÀ CÔNG NGHỆ LÂM NGHIỆP SỐ - 2021 119 Quản lý Tài nguyên rừng & Môi trường Bảng Đặc điểm kênh phổ ảnh Sentinel-2 Bước Độ phân giải Kênh Mơ tả sóng (µm) khơng gian (m) Band - Coastal aerosol 0,443 60 Sol khí Band - Blue 0,490 10 Lam Band - Green 0,560 10 Lục Band - Red 0,665 10 Đỏ 0,705 20 Cận đỏ Band - Vegetation red edge Band - Vegetation red edge 0,740 20 Cận đỏ Band - Vegetation red edge 0,783 20 Cận đỏ Band - NIR 0,842 10 Cận hồng ngoại Band 8A - Vegetation red edge 0,865 20 Cận đỏ Band - Water vapour 0,945 60 Hơi nước Band 10 - SWIR – Cirrus 1,375 60 Mây Band 11 - SWIR 1,610 20 Hồng ngoại sóng ngắn Band 12 - SWIR 2,190 20 Hồng ngoại sóng ngắn Hình Sơ đồ cảnh ảnh vệ tinh Sentinel-2 khu vực tỉnh Thừa Thiên - Huế 2.2 Phương pháp xác định lô rừng bị Phương pháp xác định lô rừng bị dựa việc áp dụng ngưỡng có rừng, rừng, rừng theo số NDVI, NBR Sau loại bỏ lơ nằm ngồi ba loại rừng, diện tích cịn lại lơ rừng Tiến trình phát rừng mơ tả theo hình Từ tập ảnh vệ tinh Sentinel-2 thu thập, tiến hành loại bỏ mây, ghép ảnh Có nhiều cách để loại bỏ mây ảnh Sentinel-2 Một số phương pháp sử dụng ảnh đa thời gian, bù 120 trừ mây dựa kênh ảnh “QA60” (Meng cs, 2016) Nghiên cứu sử dụng ảnh Sentinel-2 đa thời gian loại bỏ mây dựa kênh ảnh “Probability” (Elena cs, 2020) Sau loại mây theo thời gian, ảnh ghép lại thành ảnh hàm median() GEE Trong bốn thời điểm tháng 4/2017, 4/2018, 4/2019, 5/2020, có tổng cộng 42 kỳ ảnh, 210 cảnh ảnh với tỉ lệ mây bình quân 40,36% thu thập Trong tháng 4/2017, có kỳ ảnh 30 cảnh ảnh Trong tháng 4/2018, 4/2019 5/2020, tháng có 12 kỳ ảnh 60 TẠP CHÍ KHOA HỌC VÀ CÔNG NGHỆ LÂM NGHIỆP SỐ - 2021 Quản lý Tài nguyên rừng & Môi trường cảnh ảnh Một ảnh trung vị đại diện cho thời điểm tạo dựa ghép chuỗi ảnh ghi nhận thời điểm tương ứng Sau đó, ảnh trung vị loại mây hai phương pháp dựa kênh ảnh “QA60” (Hình 3) “Probability” (Hình 4) Kết cho thấy phương pháp thứ hai đạt hiệu tốt Trong năm 2019, có 139 kì ảnh, 701 cảnh ảnh với tỉ lệ mây bình quân 54,74% thu thập Riêng tháng 1, 7, 8, 12, lượng mây bình quân/cảnh ảnh lớn nhất, dao động từ 69% trở lên Các tháng 2, có lượng mây bình quân/cảnh ảnh thấp nhất, 35% Một ảnh trung vị đại diện cho tháng tạo dựa ghép chuỗi ảnh ghi nhận tháng Sau đó, ảnh trung vị loại mây phương pháp dựa kênh ảnh “Probability” đưa vào bước xử lý Hình Phương pháp phát rừng dựa vào số viễn thám NDVI, NBR Hình Ảnh Sentinel-2 trung vị tháng 5/2020 sau loại bỏ mây sử dụng kênh “QA60” Hình Ảnh Sentinel-2 trung vị tháng 5/2020 sau loại bỏ mây sử dụng kênh “Probability” TẠP CHÍ KHOA HỌC VÀ CƠNG NGHỆ LÂM NGHIỆP SỐ - 2021 121 Quản lý Tài nguyên rừng & Môi trường Hai số viễn thám NDVI NBR trích xuất từ ảnh Sentinel-2 trung vị Chỉ số NDVI tính cách sử dụng kênh (NIR - cận hồng ngoại) kênh (RED - đỏ) thông qua hàm (normalizedDifference(['B8','B4'])) GEE, tương ứng với công thức: NDVI = (Emre cs, 2020) Chỉ số NBR tính cách sử dụng kênh (NIR - cận hồng ngoại) kênh 12 (SWIR - kênh hồng ngoại sóng ngắn) thơng qua hàm (normalizedDifference(['B8','B12'])) GEE, tương ứng với công thức: NBR (Alfonso, 2016) Hai ngưỡng có rừng khơng có rừng xác định dựa số NDVI, NBR ảnh Sentinel-2 ghi nhận 12 tháng năm 2019 khu vực có rừng, khơng có rừng đồ diễn biến rừng Trước tiên, nghiên cứu lựa chọn ngẫu nhiên 179 mẫu (Hình 5), bao gồm: 89 mẫu đất có rừng tự nhiên rộng thường xanh (rừng tự nhiên giàu, trung bình, nghèo phục hồi), 60 mẫu đất khơng có rừng (đất trống mặt nước) 30 mẫu đất nơng nghiệp Các trạng thái rừng có diện tích nhỏ rừng tre nứa, rừng kim khơng có diện tích rừng rụng khơng lấy mẫu Sau đó, tính giá trị NDVI, NBR 12 ảnh Sentinel-2 trung vị 12 tháng năm 2019 cho vùng mẫu Ngưỡng có rừng, khơng có rừng xác định theo giá trị NDVI, NBR trung bình nhỏ trạng thái có rừng Hình Vị trí vùng mẫu khu vực nghiên cứu Ngưỡng rừng xác định dựa chênh lệch số NDVI, NBR ảnh Sentinel-2 tháng 4/2019 tháng 5/2020 khu vực rừng đồ diễn biến rừng Cụ thể, nghiên cứu sử dụng 50 vùng rừng tháng 5/2020 so với tháng 4/2019 khu vực nghiên cứu Sau đó, tính chênh lệch giá trị NDVI, NBR hai ảnh Sentinel-2 trung vị 122 hai thời điểm cho vùng mẫu Ngưỡng rừng xác định theo giá trị chênh lệch NDVI, NBR trung bình hai thời điểm Ba cặp thời điểm kì trước, kì sau xem xét bao gồm tháng 4/2017 - 4/2018, tháng 4/2018 - 4/2019, tháng 4/2019 - 5/2020 Đối với cặp thời điểm, áp dụng ngưỡng có rừng, TẠP CHÍ KHOA HỌC VÀ CƠNG NGHỆ LÂM NGHIỆP SỐ - 2021 Quản lý Tài nguyên rừng & Môi trường khơng có rừng, rừng để loại bỏ vùng khơng phải rừng thời kì đầu rừng kì sau có giá trị chênh lệch NDVI, NDR hai kì vượt ngưỡng rừng; phần cịn lại lơ rừng bị Độ xác phát rừng đánh giá dựa so sánh lô rừng phát ảnh vệ tinh giai đoạn tháng 4/2019 5/2020 với lô rừng bị thực tế giai đoạn tháng 3/2020 - 5/2020 từ liệu khảo sát thực địa Trước tiên, nghiên cứu lựa chọn ngẫu nhiên 45 mẫu rừng bao gồm 15 mẫu rừng tự nhiên 30 mẫu rừng trồng khoảng thời gian từ tháng 3/2020 đến tháng 5/2020 tỉnh Thừa Thiên - Huế (Hình 5) Sau đó, sử dụng phần mềm QGIS Desktop để chồng lớp rừng thực tế với lớp rừng phân loại ảnh vệ tinh Tiếp theo, thống kê số lượng lô rừng thực tế phát chưa phát ảnh vệ tinh diện tích lơ rừng thực tế phân loại ảnh vệ tinh Cuối cùng, đánh giá độ xác phát rừng dựa hai số tỉ lệ phát lô rừng (TPR) sai số tuyệt đối trung bình diện tích (MAE) tính theo cơng thức: TP TPR TP + FN ∑ |O − P | MAE n Trong đó, TPR tỉ lệ phát lô rừng, TP số lô rừng phân loại ảnh vệ tinh với thực tế, FN số lô không rừng phân loại ảnh vệ tinh thực tế lô rừng, MAE sai số tuyệt đối trung bình diện tích (ha), Oi diện tích lơ rừng thứ i thực tế (ha), Pi diện tích lô rừng thứ i phân loại ảnh vệ tinh (ha), n tổng số lô rừng thực tế KẾT QUẢ VÀ THẢO LUẬN 3.1 Ngưỡng có rừng khơng có rừng Các giá trị trung bình, độ lệch chuẩn loại đất loại rừng theo số NDVI, NBR năm 2019 thể Bảng Theo đó, giá trị NDVI NBR trung bình thấp trạng thái có rừng thuộc rừng nghèo với giá trị tương ứng 0,59 (∓ 0,05) 0,61 (∓ 0,04) Các trạng thái đất khơng có rừng bao gồm đất nơng nghiệp, đất trống mặt nước có giá trị NDVI NBR trung bình khơng vượt q 0,35 (∓ 0,13) 0,51 (∓ 0,09) Xét biến thiên NDVI, NBR tháng năm 2019 (xem Hình 6), thấy trạng thái có rừng có giá trị cao biến đổi so với trạng thái khơng có rừng Trạng thái đất nông nghiệp biến động theo mùa vụ rõ rệt NDVI, NBR cao từ tháng đến tháng từ tháng đến tháng Với đặc trưng giá trị trung bình mức độ biến thiên theo tháng trên, nghiên cứu chọn ngưỡng phân biệt trạng thái có rừng 0,59 (∓ 0,05) cho NDVI 0,61 (∓ 0,05) cho NBR Bảng Giá trị thống kê NDVI, NBR cho loại đất loại rừng năm 2019 NDVI NBR Loại đất loại rừng Giá trị trung bình Độ lệch chuẩn Giá trị trung bình Độ lệch chuẩn Đất nơng nghiệp 0,35 0,06 0,51 0,08 Đất trống 0,18 0,13 0,16 0,09 Mặt nước -0,08 0,05 0,46 0,05 Rừng trồng 0,60 0,05 0,67 0,05 Rừng tự nhiên giàu 0,59 0,05 0,62 0,03 trung bình Rừng tự nhiên nghèo 0,59 0,05 0,61 0,04 Rừng tự nhiên phục hồi 0,62 0,05 0,62 0,04 TẠP CHÍ KHOA HỌC VÀ CƠNG NGHỆ LÂM NGHIỆP SỐ - 2021 123 Quản lý Tài nguyên rừng & Môi trường Hình Giá trị trung bình NDVI (bên trái), NBR (bên phải) cho loại đất loại rừng 12 tháng năm 2019 3.2 Ngưỡng rừng Các giá trị chênh lệch trung bình, độ lệch chuẩn vùng rừng theo số NDVI, NBR tháng 5/2020 so với tháng 4/2019 thể bảng Theo đó, nghiên cứu chọn ngưỡng phân biệt rừng -0,28 (∓ 0,10) cho chênh lệch NDVI -0,51 (∓ 0,15) cho chênh lệch NBR Bảng Giá trị thống kê chênh lệch NDVI, NBR cho vùng rừng Chỉ số Giá trị trung bình Độ lệch chuẩn -0,28 0,10 Chênh lệch NDVI -0,51 0,15 Chênh lệch NBR 3.3 Độ xác phát rừng Trong tổng số 45 mẫu rừng ghi nhận từ tháng 3/2020 đến tháng 5/2020, số lô rừng phát ảnh vệ tinh dựa vào số NDVI, NBR 37 32, tương đương với tỉ lệ phát lô rừng 82,22% 71,11% (Bảng 4) Diện tích mẫu rừng dao động khoảng 0,10 ÷ 23,97 với giá trị trung bình 2,46 Các lô rừng phát ảnh vệ tinh dựa vào số NDVI có diện tích biến thiên từ 0,26 đến 20,86 với giá trị trung bình 2,39 Trong số NBR, diện tích biến thiên nhỏ từ 0,27 đến 20,31 với giá trị trung bình 2,41 Sai số tuyệt đối trung bình diện tích 0,41 0,38 tương ứng với số NDVI NBR Như vậy, thấy phương pháp phát rừng dựa vào số NDVI cho kết tốt so với số NBR Bảng Độ xác phát rừng ảnh vệ tinh theo hai số NDVI NBR Thông số NDVI NBR Số lô rừng phân loại ảnh vệ tinh 37/45 32/45 với thực tế Tỉ lệ phát lô rừng (%) 82,22 71,11 Diện tích lơ rừng (ha) 0,26 ÷ 20,86 (2,39)* 0,27 ÷ 20,31 (2,41)* Sai số tuyệt đối diện tích (ha) 0,02 ÷ 3,11 (0,41)* 0,01 ÷ 3,66 (0,38)* *Giá trị thứ nhất, thứ hai giá trị nhỏ nhất, lớn Giá trị dấu ngoặc đơn giá trị trung bình 3.4 Thảo luận Theo kết công bố trạng rừng tỉnh Thừa Thiên - Huế năm 2020 (Quyết định số 124 439/QĐ-UBND ngày 27/02/2021), bốn nguyên nhân chủ yếu gây rừng tự nhiên địa bàn tỉnh bao gồm: (1) chuyển mục đích sử dụng TẠP CHÍ KHOA HỌC VÀ CÔNG NGHỆ LÂM NGHIỆP SỐ - 2021 Quản lý Tài nguyên rừng & Môi trường rừng phát triển sở hạ tầng mở tuyến giao thông, xây dựng hồ thủy điện, thủy lợi; (2) sạt lở; (3) phá rừng trái pháp luật, lấn chiếm rừng; (4) cháy rừng Trong đó, tình trạng suy giảm diện tích rừng trồng bắt nguồn từ năm nguyên nhân chính: (1) khai thác rừng; (2) chuyển mục đích sử dụng rừng; (3) cháy rừng; (4) sạt lở; (5) phá rừng trái pháp luật, lấn chiếm rừng Các tác nhân rừng phần lớn diễn vào mùa khô năm điều kiện thuận lợi cho việc ứng dụng ảnh vệ tinh quang học Sentinel-2 miễn phí với phạm vi phủ trùm rộng 290 km/cảnh ảnh, độ phân giải không gian cao 10 m, chu kì chụp ảnh ngắn ngày, giám sát diễn biến rừng, phát rừng địa bàn tỉnh Các lô rừng bị kì đầu kì sau địa bàn nghiên cứu phát thông qua việc kết hợp ngưỡng có rừng, khơng có rừng rừng theo hai số NDVI NBR Đối với NDVI, giá trị NDVI kì đầu ≥ 0,59, NDVI kì sau < 0,59 chênh lệch NDVI kì sau so với kì đầu ≤ -0,28 Đối với NBR, giá trị NBR kì đầu ≥ 0,61, NBR kì sau < 0,61 chênh lệch NBR kì sau so với kì đầu ≤ -0,51 Phần lớn diện tích rừng địa bàn tỉnh Thừa Thiên - Huế thuộc kiểu rừng rộng thường xanh nên việc áp dụng ngưỡng phù hợp tỉ lệ phát lô rừng 70%, sai số tuyệt đối trung bình diện tích Tuy nhiên, áp dụng ngưỡng cho khu vực có kiểu rừng rụng nửa rụng cần phải lấy mẫu bổ sung cho kiểu rừng này, kéo theo thay đổi giá trị ngưỡng cho phù hợp với điều kiện thực tế Thừa Thiên - Huế tỉnh nước ta sử dụng liệu ảnh vệ tinh để quản lý bảo vệ rừng Việc khảo sát thực địa kết hợp với ứng dụng viễn thám kể từ năm 2013 giúp lực lượng kiểm lâm kịp thời phát hiện, ngăn chặn vụ phá rừng trái pháp luật, lấn chiếm rừng Trong bối cảnh đó, nghiên cứu đưa ngưỡng giá trị có rừng, khơng có rừng rừng vào GEE để xây dựng ứng dụng phát rừng tự động địa https://ninhbinhquetoi.users.earthengine.app/vi ew/detectdeforestationtth (Hình 7) Người dùng cần khai báo kì đầu, kì sau khu vực cần phát rừng Ứng dụng tự động tính tốn trả kết lơ nghi ngờ rừng hai kì (Hình 8) Trong năm 2020, cán kiểm lâm Chi cục Kiểm lâm Thừa Thiên - Huế huyện sử dụng ứng dụng để xác minh trạng cập nhật diễn biến rừng Kết ứng dụng hỗ trợ cập nhật diễn biến rừng hàng năm, góp phần nâng cao hiệu quản lý, bảo vệ rừng lực lượng kiểm lâm tỉnh Thừa Thiên - Huế Hình Ứng dụng phát rừng thử nghiệm tỉnh Thừa Thiên - Huế TẠP CHÍ KHOA HỌC VÀ CÔNG NGHỆ LÂM NGHIỆP SỐ - 2021 125 Quản lý Tài nguyên rừng & Môi trường (a) Tháng 4/2019 (b) Tháng 5/2020 Hình Ảnh Sentinel-2 tổ hợp màu thật lô rừng (đường bao màu lục) trước (a) sau (b) bị KẾT LUẬN Tỉnh Thừa Thiên - Huế có tỉ lệ che phủ rừng lớn, xếp thứ hai khu vực Bắc Trung Bộ sau Nghệ An Tuy số vụ diện tích rừng bị phá năm địa bàn tỉnh có giảm tình trạng phá rừng, khai thác rừng trái phép khu rừng tự nhiên, rừng giáp ranh diễn Nghiên cứu phát triển ứng dụng phát rừng địa bàn tỉnh Thừa Thiên - Huế dựa ảnh vệ tinh quang học Sentinel2 sử dụng tảng trực tuyến GEE Việc sử dụng ngưỡng có rừng, khơng có rừng rừng theo hai số viễn thám NDVI NBR chứng minh tính phù hợp hiệu tỉ lệ phát lô rừng 70%, sai số tuyệt đối trung bình diện tích Trong năm 2020, ứng dụng triển khai thực tế Chi cục Kiểm lâm Thừa Thiên Huế mang lại hiệu ứng tích cực cho cơng tác theo dõi, cập nhật diễn biến rừng, tạo tiền đề cho việc hình thành mơ hình quản lý bảo vệ rừng thông qua ảnh viễn thám Với khả tùy biến dễ dàng, miễn phí mình, ứng dụng có triển vọng cao để áp dụng cho địa phương khác có điều kiện tương đồng Việc áp dụng số viễn thám ảnh Sentinel-2 để phát rừng phát huy hiệu tốt vào thời điểm mùa khô Đối với 126 mùa mưa, mây thường xuyên che phủ nên khả áp dụng phương pháp bị hạn chế Để khắc phục nhược điểm trên, sử dụng kết hợp ảnh quang học Sentinel-2 với ảnh radar Sentinel-1 TÀI LIỆU THAM KHẢO Nguyễn Thanh Hoàn, Phạm Văn Duẩn, Lê Sỹ Doanh Nguyễn Văn Dũng (2017), Xác định vị trí rừng phương pháp phân tích véc tơ thay đổi đa biến (MCVA) tư liệu vệ tinh Landsat-8, Tạp chí Khoa học Cơng nghệ Lâm nghiệp Số 4/2017, 96-105 Phùng Văn Khoa, Nguyễn Quốc Hiệu Nguyễn Quang Huy (2019), Sử dụng ảnh Landsat Google Earth Engine để phát rừng, suy thoái rừng khu vực Tây Nguyên: Trường hợp tỉnh Đắk Nơng, Tạp chí Khoa học Cơng nghệ Lâm nghiệp Số - 2019 Nguyễn Văn Thị, Nguyễn Đình Dương Trần Quang Bảo (2018), Quan hệ tán xạ ngược ảnh radar Sentinel-1 với số NDVI ảnh quang học Sentinel-2: trường hợp nghiên cứu cho đối tượng rừng khộp tỉnh Đắk Lắk, Tạp chí Khoa học Cơng nghệ Lâm nghiệp Số 3/2018, 167 - 176 Alfonso Fernandez-manso, Oscar FernándezManso and C Quintano (2016), SENTINEL-2A red-edge spectral indices suitability for discriminating burn severity, International Journal of Applied Earth Observation and Geoinformation 50, 170-175 Meng Lu, Edzer Pebesma, Alber Sanchez and Jan Verbesselt (2016), Spatio-temporal change detection from multidimensional arrays: Detecting deforestation from MODIS time series, ISPRS Journal of Photogrammetry and Remote Sensing 117 TẠP CHÍ KHOA HỌC VÀ CƠNG NGHỆ LÂM NGHIỆP SỐ - 2021 Quản lý Tài nguyên rừng & Môi trường Mozgovoy Dmitry, Svynarenko Dmytro, Leong Y., Zhigalov K., Tsarev Roman, Yamskikh Tatiana and Bystrova N., (2019), Automated detection of deforestation based on multi-spectrum satellite data, Journal of Physics: Conference Series 1399, 044101 Elena Reinisch, Amanda Ziemann, Eric Flynn, James Theiler (2020), Combining multispectral imagery and synthetic aperture radar for detecting deforestation, SPIE Defense + Commercial Sensing, Vol 11392, SPIE FAO (2015) The Forest Resource Assessment (FRA): Terms and Definitions Saleh Muhammad Jaya, I Nengah Santi, Nitya Sutrisno, Dewayany Carolita, Ita Yuxing, Zhang Xuenjun and Wang Qian Liu (2019), Algorithm for detecting deforestation and forest degradation using vegetation indices, TELKOMNIKA (Telecommunication Computing Electronics and Control) 17, 2335 10 Watanabe Manabu, Christian Koyama, Hayashi Masato, Kaneko Yutaka and Shimada Masanobu (2017), Development of early-stage deforestation detection algorithm (advanced) with PALSAR-2/ScanSAR for JICA-JAXA program (JJ-FAST), 2446-2449 11 Emre Çolak and Filiz Sunar (2020), Evaluation of forest fire risk in the Mediterranean Turkish forests: A case study of Menderes region, Izmir, International Journal of Disaster Risk Reduction 45, 101479 USING SPECTRAL INDICES DERIVED FROM SENTINEL-2 IMAGERY TO DETECT FOREST LOSS IN THUA THIEN - HUE PROVINCE, VIETNAM Vu Van Thai1, Nguyen Hai Hoa2, Le Thi Quynh Hoa1, Nguyen Minh Ngoc3, Tong Phuoc Hoang Hieu4, Nguyen Duy Liem5 Greenfield Consulting and Development Company Limited Vietnam National University of Forestry Space Technology Institute, Vietnam Academy of Science and Technology Forest Protection Department of Thua Thien - Hue Province Nong Lam University – Ho Chi Minh City SUMMARY This study developed a Google Earth Engine application to detect forest loss by using spectral indices derived from Sentinel-2 imagery The plots of forest loss between the early and later periods were detected based on the thresholds of forested, non-forested and deforested which were determined by Normalized Difference Vegetation Index (NDVI) and Normalized Burn Ratio (NBR) for Thua Thien - Hue province For NDVI, the value of the early period is greater than or equal to 0.59, the value of the later period is less than 0.59, and the difference between the later and early periods is less than or equal to -0.28 For NBR, the value of the early period is greater than or equal to 0.61, the value of the later period is less than 0.61, and the difference between the later and early periods is less than or equal to -0.51 Accuracy assessment in the period from March to May of 2020 showed that the correct detection rate of forest loss plots was over 70%, the mean absolute error was less than one hectare These results contribute to monitoring and updating changes in forest resources as well as promptly preventing deforestation and illegal logging in Thua Thien - Hue province In addition, the application developed in this study can be implemented with minimum effort in other provinces in Vietnam Keywords: forest loss detection, Google Earth Engine, Normalized Burn Ratio, Normalized Difference Vegetation Index, Sentinel-2, Thua Thien Hue Ngày nhận Ngày phản biện Ngày định đăng : 30/6/2021 : 29/7/2021 : 11/8/2021 TẠP CHÍ KHOA HỌC VÀ CƠNG NGHỆ LÂM NGHIỆP SỐ - 2021 127 ... cứu phát triển ứng dụng phát rừng địa bàn tỉnh Thừa Thiên - Huế dựa ảnh vệ tinh quang học Sentinel2 sử dụng tảng trực tuyến GEE Việc sử dụng ngưỡng có rừng, khơng có rừng rừng theo hai số viễn thám. .. từ ảnh Sentinel-2 cho rừng khộp tỉnh Đắk Lắk Phùng Văn Khoa cộng (2019) sử dụng ảnh Landsat tảng Google Earth Engine (GEE) phát rừng, suy thối rừng tỉnh Đắk Nơng Theo kết công bố trạng rừng tỉnh. .. đồ cảnh ảnh vệ tinh Sentinel-2 khu vực tỉnh Thừa Thiên - Huế 2.2 Phương pháp xác định lô rừng bị Phương pháp xác định lô rừng bị dựa việc áp dụng ngưỡng có rừng, khơng phải rừng, rừng theo số