Nghiên cứu xây dựng mô hình ước tính sinh khối bề mặt rừng lá rộng rụng lá sử dụng ảnh Landsat 8 tại tỉnh Đắk Lắk

Bài viết Nghiên cứu xây dựng mô hình ước tính sinh khối bề mặt rừng lá rộng rụng lá sử dụng ảnh Landsat 8 tại tỉnh Đắk Lắk trình bày việc xây dựng mô hình ước tính sinh khối rừng (AGB) lá rộng rụng lá (rừng Khộp) trên địa bàn tỉnh Đắk Lắk.

NGHIÊN CỨU XÂY DỰNG MƠ HÌNH ƯỚC TÍNH SINH KHỐI BỀ MẶT RỪNG LÁ RỘNG RỤNG LÁ SỬ DỤNG ẢNH LANDSAT TẠI TỈNH ĐẮK LẮK Dương Đăng Khôi Trường Đại học Tài ngun Mơi trường Hà Nội Tóm tắt Ước tính sinh khối rừng sở cho ước tính lượng cacbon lưu giữ rừng, đóng góp thực thi chi trả dịch vụ lưu giữ cacbon rừng, nhằm giảm thiểu biến đổi khí hậu tồn cầu Mục đích nghiên cứu xây dựng mơ hình ước tính sinh khối rừng (AGB) rộng rụng (rừng Khộp) địa bàn tỉnh Đắk Lắk Phương pháp phân tích hồi quy đa biến tích hợp phần mềm IPM SPSS 20, áp dụng để xây dựng mơ hình ước tính sinh khối rừng rộng rụng từ ảnh Landsat số liệu điều tra AGB rừng Kết nghiên cứu cho biết, AGB rừng rộng rụng tương quan với kênh 2, ảnh Landsat 8; số thực vật NDVI, CIgreen Dựa mối tương quan này, nghiên cứu xây dựng 04 mơ hình ước tính AGB rừng địa bàn tỉnh Đắk Lắk Các mô hình hồi quy tuyến tính đảm bảo ý nghĩa thống kê với hệ số xác định điều chỉnh cao (Adjusted R2 = 0,643 - 0,704) sai số (RMSE) phù hợp Chúng khuyến nghị áp dụng 02 mô hình cho lập đồ sinh khối rừng rộng rụng địa bàn tỉnh Đắk Lắk, bao gồm: AGBB134 = 513,725 + 0,027*B1 - 0,024*B3 - 0,06*B4 AGBB13CIgreen = 211,19*CI_green + 0,042*B1 - 0,036*B3 - 146,844 Từ khóa: Sinh khối bề mặt (AGB); Rừng rộng rụng lá; Landsat 8; Đắk Lắk Abstract Development of Aboveground biomass estimation model of deciduous broadleaf forest using Landsat in Dak Lak province Estimation of aboveground biomass (AGB) is the basis for calculating the amount of carbon stored by forests, contributing to the payment of forest carbon storage to mitigate global climate change The purpose of the study is to develop data based models for estimating the AGB of the deciduous broadleaf (dipterocarp) forest in Dak Lak province Multivariate regression analysis method integrated in the IPM SPSS 20 sofware was employed to fit the models using the Landsat imagery and the AGB measurements The analysis results show that the AGB are highly correlated with the bands 2, and of the Landsat imagery; NDVI, CIgreen vegetation indices Therefore, the study has produced empirically fitted four models from the field based AGB data and the Landsat imagery in the region The adjusted R2 of the models varies between 0.643 and 0.704 and the RMSE level is suitable Among the four models, the optimum models AGBB134 = 513,725 + 0,027*B1 - 0,024*B3 - 0,06*B4 and the model AGBB13CIgreen = 211,19*CI_green + 0,042*B1 0,036*B3 - 146,844 can be applied for mapping the AGB of the deciduous broadleaf forest in Dak Lak province Keywords: Aboveground biomass (AGB); Deciduous broadleaf forest; Landsat 8; DakLak Đặt vấn đề Một vai trò quan trọng hệ sinh thái rừng hấp thụ lưu giữ cacbon, góp phần giảm thiểu lượng khí CO2 gia tăng khí quyển, gây hiệu ứng nhà kính Đánh giá trữ lượng sinh khối rừng tích lũy Cacbon nhằm cung cấp sở cho thực thi sách chi trả dịch vụ hấp thụ cacbon rừng quản lý rừng bền vững Theo Tổ chức Nông nghiệp Lương thực 190 Nghiên cứu chuyển giao, ứng dụng khoa học công nghệ sử dụng hợp lý tài nguyên, bảo vệ môi trường phát triển bền vững Liên Hợp Quốc (FAO), tổng diện tích rừng giới năm 2020 4,09 tỉ ha, chiếm 31 % tổng diện tích bề mặt đất liền Trái Đất Rừng giới đạt trữ lượng sinh khối bề mặt (AGB) khoảng 606 tỉ 59 tỉ sinh khối dạng gỗ chết, thảm mục (FAO, 2020) Yude Pan cs (2011) ước tính lượng cacbon tích lũy hệ sinh thái rừng giới khoảng 1,1 ± 0,8 tỉ cacbon/năm Như vậy, rừng giới đóng vai trị lớn hấp thụ lưu giữ khí CO2, đóng góp quan trọng giảm thiểu biến đổi khí hậu tồn cầu Việc giám sát đánh giá trữ lượng sinh khối cacbon rừng thách thức lớn lượng sinh khối biến động theo phân bố trạng thái rừng (Basuki cs, 2011) Đánh giá trữ lượng cacbon rừng thường thực thông qua điều tra thực địa Đây phương pháp tiêu chuẩn đảm bảo độ xác chi phí điều tra lớn, thời gian điều tra kéo dài cần nguồn nhân lực lớn Dữ liệu ảnh vệ tinh viễn thám nguồn liệu hữu ích, vậy, cơng cụ thay hiệu để giám sát biến động sinh khối rừng theo không gian lãnh thổ (Powell, 2010) Ảnh viễn thám không đo trực tiếp lượng sinh khối rừng, nhiên, liệu ảnh viễn thám thể mối quan hệ với tham số quan trắc rừng, sinh khối rừng Vì vậy, liệu ảnh viễn thám nghiên cứu ứng dụng để ước tính sinh khối rừng dựa theo mối quan hệ (Zhang cs, 2014; Clerici cs, 2016) Ở nước ta, việc nghiên cứu ứng dụng ảnh viễn thám quang học nói chung ảnh viễn thám Landsat nói riêng để đánh giá sinh khối rừng bước đầu nhà khoa học ý nghiên cứu năm gần Tuy nhiên, nghiên cứu đạt số kết ban đầu Phần lớn nghiên cứu tập trung vào áp dụng thuật tốn phân lớp có kiểm định để lập đồ sinh khối rừng dựa vào ảnh viễn thám, nghiên cứu xây dựng mơ hình dự báo sinh khối rừng cho loại rừng khác chưa ý nghiên cứu nhiều Vì vậy, nghiên cứu nhằm mục đích xây dựng mơ hình dự báo sinh khối rừng tỉnh Đắk Lắk để ước tính trữ lượng sinh khối rừng cacbon rừng làm sở cho thực thi chi trả dịch vụ lưu giữ cacbon rừng địa phương Trong nghiên cứu giới hạn đối tượng nghiên cứu rừng rộng rụng (rừng Khộp) địa bàn tỉnh Đắk Lắk Phương pháp nghiên cứu 2.1 Đặc điểm đối tượng nghiên cứu Nghiên cứu tập trung vào đối tượng rừng rộng rụng (LRRL), thường gọi rừng Khộp huyện Buôn Đôn, huyện Ea Súp, huyện Ea H’leo Đây địa bàn phân bố chủ yếu rừng LRRL tỉnh Đắk Lắk Đặc điểm khu vực nghiên cứu chủ yếu dạng địa hình kiểu bình nguyên, bán bình nguyên, với loại địa hình địa hình đồi núi thấp, địa hình cao nguyên, địa hình dốc tụ, độ cao biến động khoảng 170 m - 250 m so với mực nước biển Rừng LRRL có đặc điểm đặc trưng mật độ gỗ thưa, rụng vào mùa khô hàng năm từ tháng 12 đến tháng 04 năm sau Thành phần loài thực vật chiếm ưu rừng LRRL địa bàn nghiên cứu loài thuộc họ Thầu Dầu (Dipterocarpaceae) Theo kết kiểm kê rừng năm 2020, diện tích rừng LRRL ước tính khoảng 183.303,64 tồn tỉnh, tập trung nhiều huyện Bn Đôn (Sở Nông nghiệp Phát triển nông thôn, 2020) Trong đó, trạng thái rừng LRRL nghèo, nghèo kiệt trung bình chiếm phần lớn diện tích rừng LRRL, trạng thái rừng LRRL giàu chiếm tỷ lệ diện tích nhỏ 2.2 Tiền xử lý ảnh Landsat Ảnh Landsat thu ngày 27 tháng 01 năm 2020 sử dụng để tính tốn số thực vật Phân tích tiền xử lý tiến hành nhằm hiệu chỉnh sai lệch vị trí ảnh hưởng khí Trong nghiên cứu này, ảnh Landsat thu thập mức xử lý mức (level 1), nghĩa liệu Landsat khu vực nghiên cứu hiệu chỉnh trực ảnh Tuy nhiên, để bảo đảm độ Nghiên cứu chuyển giao, ứng dụng khoa học cơng nghệ sử dụng hợp lý tài nguyên, bảo vệ môi trường phát triển bền vững 191 xác, ảnh nắn chỉnh lại theo đồ địa hình tỷ lệ 1/100.000 Sở Tài nguyên Môi trường cung cấp Để giảm thiểu ảnh hưởng khí quyển, kênh ảnh Landsat hiệu chỉnh theo phương pháp trừ đối tượng tối (DOS), sử dụng mô đun SCP (Semi-Automatic Classification Plugin) tích hợp phần mềm QGIS mã nguồn mở 2.3 Ước tính sinh khối rừng điều tra Số liệu đo sinh khối bề mặt rừng kế thừa từ số liệu điều tra rừng tỉnh Đắk Lắk, kết hợp điều tra thực địa Tổng số ô điều tra (điểm điều tra) 285 phân bố địa bàn huyện Buôn Đôn, huyện Ea Súp huyện Ea H’leo, tỉnh Đắk Lắk Các ô điều tra có diện tích 1000 m2, chu vi tất với đường kính > cm, đo để ước tính sinh khối theo phương trình sinh trắc lựa chọn Từ số liệu đo chu vi điều tra thực địa, tiến hành tính sinh khối (AGB) theo ô điều tra sử dụng phương trình sinh trắc rừng rộng rụng tác giả Bảo Huy cộng sự, (2016) Phương trình có dạng: AGB (kg/cây) = 0,04742*DBH2,66663 Trong đó: AGB sinh khối (kg/cây), DBH đường kính ngang ngực (cm) Vì số liệu đo trường chu vi cây, vậy, đường kính ngang ngực (DBH) ước lượng theo biểu thức: DBH = C/3,14 Trong đó: C chu vi (cm) Hình 1: Điểm đo sinh khối rừng rộng rụng 2.4 Tính toán số thực vật Nhiều nghiên cứu ứng dụng ảnh viễn thám ước tính sinh khối rừng khẳng định rằng, số thực vật tương quan với sinh khối rừng (Basuki cs, 2011; Powell cs, 2010; Zhang cs, 2014; Ploton cs, 2017) Vì vậy, số thực vật lựa chọn biến độc lập quan trọng xây dựng mơ hình ước tính AGB Hiện nay, nhiều số phổ thực vật áp 192 Nghiên cứu chuyển giao, ứng dụng khoa học công nghệ sử dụng hợp lý tài nguyên, bảo vệ môi trường phát triển bền vững dụng ước lượng AGB nhiều nơi giới Trong nghiên cứu này, số áp dụng phổ biến cho ước tính AGB rừng lựa chọn bao gồm: số RVI, số DVI, số NDVI, số MNDVI, số GNDVI, số SAVI, số OSAVI, số CVI, số CI_green, số VARIgreen (Bảng 1) Bảng Công thức tính số thực vật từ ảnh Landsat TT 10 Công thức RVI = Red/NIR DVI = NIR - Red NDVI = NIR - Red/NIR + Red MNDVI = (NIR - Red)/NIR + Red + 2*Blue) GNDVI = (NIR - Green)/(NIR + Green) SAVI= (1+L )( NIR-Red ) (NIR+Red+L) Với L = 0,5 OSAVI= (1,16*NIR - Red)/(NIR + Red + 0,16) CVI = NIR*Red/Green CI_Green = NIR/BLUE - CI_Green = NIR/BLUE - Tác giả [1] [2] [3] [4] [5] Jordan, 1969 Richardson Weigand, (1977) Kriegler cs, (1969); Rouse cs, (1974) Main cs, (2011) Gitelson, Kaufman, and Merzlyak, (1996) [6] Huete, (1988) [7] [8] [9] [10] Rondeaux, Steven Baret, (1996) Vincini cs, (2008); Hunt cs, (2011) Gitelson cs, (2003); Raymon Hunt cs, (2011) Gitelson cs, (2002) Ngoài ra, kênh phổ gồm: kênh 2, 3, 4, 5, chiết xuất giá trị điểm đo AGB theo tọa độ ghi trường Bộ liệu tọa độ XY điểm điều tra thực địa ghi lại GPS, sử dụng để chiết xuất giá trị số thưc vật, kênh phổ điểm đo AGB tương ứng, thực phần mềm ArcGIS 10.3 Tập số liệu chiết xuất biên tập Excel để thực phân tích hồi quy phần mềm thống kê IBM SPSS 20 2.5 Xây dựng mơ hình tính tốn AGB Trước xây dựng mơ hình, phân tích tương quan tiến hành để đánh giá mối quan hệ biến số dự báo AGB biến số độc lập (chỉ số thực vật, kênh phổ ảnh Landsat 8) Trên sở phân tích tương quan, biến số độc lập có quan hệ cao với AGB (r > 0,3) lựa chọn để phân tích hồi quy Q trình phân tích hồi quy xây dựng mơ hình dự báo thực phầm mềm IBM SPSS 20 Phương trình hồi quy tuyến tính tổng qt có dạng: AGB = β0 + ΣβjXij + ε Trong đó: AGB sinh khối bề mặt rừng, β0 hệ số (Intercept), βj hệ số mơ hình, Xij biến độc lập (kênh phổ ảnh Landsat 8, số thực vật) Các phương pháp áp dụng cho chọn biến số độc lập mơ hình, thực phần mềm IBM SPSS 20 phương pháp Forward phương pháp Stepwise Phương pháp Forward phương pháp chọn biến số độc lập có ý nghĩa đưa vào đầu tiên, tiếp tục thêm biến số độc lập có ý nghĩa tập biến số lại tiếp tục tương tự khơng cịn biến có ý nghĩa q trình thêm biến dừng lại Phương pháp Stepwise thêm bớt biến độc lập theo bước để đảm bảo biến số chọn mơ hình có ý nghĩa thống kê (Sig 0,5 mơ hình đảm bảo ý nghĩa Nghĩa là, hệ số xác định R2 giải thích biến động AGB biến số độc lập (kênh phổ, số thực vật) Nghiên cứu chuyển giao, ứng dụng khoa học công nghệ sử dụng hợp lý tài nguyên, bảo vệ môi trường phát triển bền vững 193 - Mức ý nghĩa thống kê biến số độc lập đưa vào mơ hình (Sig 0,05), biến số độc lập khơng có tác động hay ảnh hưởng đến biến phụ thuộc, vậy, bị loại khỏi mơ hình - Hiện tượng đa cộng tuyến, VIF (hệ số phóng đại phương sai), hệ số VIF < 10 đảm bảo khơng có tượng đa cộng tuyến, nghĩa biến độc lập khơng có tương quan với - Sai số (RMSE), chênh lệch giá trị ước tính giá trị quan sát, nhỏ Kết nghiên cứu 3.1 Tương quan AGB với số thực vật, kênh ảnh Landsat Phân tích tương quan bước quan trọng xác định mức độ tương quan AGB với biến số số thực vật, kênh ảnh Landsat 8, đồng thời nhằm đánh giá tượng đa cộng tuyến mà biến số độc lập tự tương quan với Trên sở đó, biến số độc lập cân nhắc lựa chọn hay loại bỏ q trình xây dựng mơ hình tối ưu Kết tính tốn hệ số tương quan cho biết biến số độc lập có mức độ tương quan cao (> 0,5) với AGB bao gồm biến số kênh 2, kênh 4, kênh 5, số thực vật NDVI, OSAVI, CI_green Các hệ số tương quan kiểm định với mức ý nghĩa đảm bảo (Sig.< 0,05) Các kênh 1, 3, 6,7 có tương quan nghịch với AGB với hệ số tương quan khoảng giá trị từ - 0,3 đến - 0,35 Như vậy, tương quan AGB với biến độc lập mối tương quan thuận nghịch Biến số kênh 2, 4, có hệ số tương quan cao với AGB biến số kênh phổ lại ảnh Landsat Trong đó, kênh có tương quan thuận, cịn kênh 2, có tương quan nghịch với AGB Các kênh 1, 3, 6, có hệ số tương quan thấp kênh 2, 5, chủ yếu tương quan nghịch với AGB Như vậy, kênh 2, 4, kênh phổ có mức độ tương quan ý nghĩa kênh phổ lại việc kết hợp với biến số số thực vật xây dựng mơ hình dự báo AGB Về tương quan biến số độc lập, thân biến số độc lập có tương quan với Chỉ số phổ NDVI tương quan chặt chẽ với MNDVI, GNDVI; OSAVI tương quan chặt với RVI, SAVI CI_green tương quan chặt với GNDVI, RVI, SAVI Vì vậy, số biến số số thực vật cần loại trừ xây dựng mơ hình để tránh tượng đa cộng tuyến Qua phân tích, số thưc vật NDVI, OSAVI, CI_green lựa chọn để xây dựng mơ hình dự báo AGB với biến số kênh phổ 3.2 Các mơ hình ước tính sinh khối rừng rộng rụng Kết đánh giá thử nghiệm lựa chọn biến số độc lập xác định mơ hình hồi quy biến số tối ưu nhất, dựa tập số liệu mẫu phân tích (285 mẫu) Kết phân tích cho biết hệ số xác định điều chỉnh mơ hình tốt (Adjusted R2 > 0,5), mức ý nghĩa thống kê với mơ hệ số mơ hình bảo đảm mức ý nghĩa thống kê (Sig < 0,05) hệ số phóng đại phương sai hợp lý (< 10), nghĩa biến số độc lập bảo đảm độc lập với (Bảng 2) Bảng Đánh giá mơ hình ước tính sinh khối rừng rộng rụng AGBB123 Miền giá trị AGB (tấn/ha) 4,66 - 315,80 Hệ số xác định R2 0,669 Hệ số xác định điều chỉnh R2 0,665 Hệ số VIF biến số 1,261 - 4,295 Sai số (RMSE) 35,62 AGBB134 4,66 - 315,80 0,709 0,706 1,198 - 4,114 33,39 AGBB135 4,66 - 315,80 0,643 0,639 1,156 - 4,155 37,00 AGBB13, CIgreen 4,66 - 315,80 0,703 0,700 1,198 - 4,217 33,72 Mơ hình 194 Nghiên cứu chuyển giao, ứng dụng khoa học công nghệ sử dụng hợp lý tài nguyên, bảo vệ môi trường phát triển bền vững Như vậy, qua chạy thăm dị, chúng tơi xác định lựa chọn 04 mơ hình hồi quy đảm bảo độ tin cậy mức ý nghĩa thống kê phù hợp Trong đó, mơ hình số mơ hình tối ưu mơ hình có hệ số xác định điều chỉnh cao nhất, hệ số mơ hình kiểm định F có ý nghĩa thống kê (Sig.< 0,05) hệ số mơ hình kiểm định t có mức ý nghĩa (Sig.< 0,05) hệ số phóng đại phương sai nằm ngưỡng an toàn (VIF < 10) Sai số mơ hình thấp so với cá mơ hình cịn lại Bảng Các mơ hình ước tính sinh khối rừng rộng rụng Mơ hình AGBB123 AGBB134 AGBB135 AGBB13CIgreen Mơ hình ước tính AGB rừng rộng rụng AGBB123 = 1148,406 + 0,049*B1 - 0,14*B2 - 0,035*B3 AGBB134 = 513,725 + 0,027*B1 - 0,024*B3 - 0,06*B4 AGBB135 = 0,029*B1 + 0,03*B5 + 0,029*B1 - 323,669 AGBB13CIgreen = 211,19*CI_green + 0,042*B1 - 0,036*B3 - 146,844 3.3 Thảo luận Hiện nay, nhiều nghiên cứu ước tính AGB rừng nhiều vùng khác giới ứng dụng liệu viễn thám với tập số liệu điều tra rừng để ước lượng mơ hình hồi quy tính tốn AGB, sau đó, sử dụng mơ hình hồi quy cho ước tính AGB vùng lãnh thổ cụ thể Các nghiên cứu khẳng định xây dựng mơ hình hồi quy phổ dụng ước tính AGB cho vùng lãnh thổ giới vùng có điều kiện thổ nhưỡng, khí hậu đặc trưng, ảnh hưởng đến biến động AGB đặc trưng (Powell cs, 2010; Zhang cs, 2014; Ploton cs, 2017) Để đánh giá mơ hình hồi quy ước tính AGB rừng, nhiều tiêu chí khác sử dụng để đánh giá độ xác mơ hình Hầu hết tác giả sử dụng sai số (RMSE) mơ tiêu chí để lựa chọn mơ hình tối ưu, phù hợp với tập số liệu mẫu (Basuki cs, 2011; Powell cs, 2010; Zhang cs, 2014; Ploton cs, 2017) RMSE thấp cho biết giá trị dự báo (AGB) theo mơ hình hồi quy tập liệu mẫu có giá trị gần với giá trị quan sát AGB thực tế ngược lại Kết nghiên cứu cho biết hệ số R2 điều chỉnh, sai số (RMSE) mơ hình dự báo AGB phù hợp với miền giá trị hệ số R2 điều chỉnh cao giá trị sai số mơ hình (RMSE) thấp số cơng trình nghiên cứu cơng bố tạp chí khoa học quốc tế Basuki cs (2011) áp dụng ảnh Landsat ước lượng AGB rừng rộng rụng Indonesia Kết nghiên cứu cho biết mơ hình hồi quy tuyến tính dựa kênh phổ riêng lẻ số thực vật có hệ số xác định cao R2 = 0,306 - 0,635 Sai số mơ hình (RMSE) biến động miền 130,4 - 155,5 tấn/ha (dựa tập số liệu đo AGB 50 ô điều tra với AGB nhỏ 102,62; lớn 839,32 tấn/ha; độ lệch chuẩn 156,61) Powell cs (2010) ước tính AGB rừng sử dụng liệu ảnh viễn thám Landsat Minnesota Arizona, Hoa Kỳ Kết cho biết sai số ước tính AGB (RMSE) 32,19 tấn/ha 44,43 tấn/ha Zhang cs (2014) ước lượng AGB Bắc Trung Quốc sử dụng liệu ảnh viễn thám cho biết hệ số xác định điều chỉnh đạt 0,86 sai số (RMSE) 26,76 tấn/ha Li Siqi (2019) áp dụng liệu viễn thám Landsat liệu Lidar để xây dựng mơ hình hồi quy đa biến ước tính AGB rừng, kết nghiên cứu cho thấy, hệ số R2 điều chỉnh đạt 0,57 sai số mơ hình (RMSE) 55,19 tấn/ha Clerici cs (2016) ứng dụng ảnh viễn thám quang học ước tính AGB, với R2 = 0,58; RMSE = 34,5 tấn/ha Ploton cs (2017) sử dụng ảnh viễn thám quang học ước tính AGB rừng với R2 = 0,47 RMSE = 98 tấn/ha Kết luận Qua nghiên cứu ứng dụng liệu ảnh Landsat với số liệu đo AGB để xây dựng mơ hình ước tính AGB rừng rộng rụng địa bàn tỉnh Đắk Lắk cho thấy liệu ảnh Landsat hữu Nghiên cứu chuyển giao, ứng dụng khoa học công nghệ sử dụng hợp lý tài nguyên, bảo vệ môi trường phát triển bền vững 195 ích cho đánh giá AGB rừng rộng rụng Kết phân tích cho biết, liệu đo AGB tương quan thuận hay nghịch với biến số kênh ảnh Landsat 8, đặc biệt kênh 2, và số thực vật, đặc biệt số NDVI, CIgreen Các mơ hình ước tính AGB xây dựng nghiên cứu đảm bảo ý nghĩa thống kê, với hệ số xác định điều chỉnh cao (Adjusted R2 = 0,643 - 0,704), nghĩa biến động AGB rừng rộng rụng giải thích rõ với biến số số thực vật kênh ảnh Landsat Vì vậy, nghiên cứu xác định 04 mơ hình ước tính AGB rừng rộng rụng địa bàn, đó, 02 mơ hình khuyến nghị áp dụng cho lập đồ sinh khối rừng rộng rụng địa bàn tỉnh Đắk Lắk là: AGBB134 = 513,725 + 0,027*B1 - 0,024*B3 - 0,06*B4 AGBB13CIgreen = 211,19*CI_green + 0,042*B1 - 0,036*B3 - 146,844 TÀI LIỆU THAM KHẢO [1] Sở Nông nghiệp Phát triển nông thôn Đắk Lắk (2020) Bản đồ trạng rừng năm 2020 [2] Basuki T M; Skidmore, A K; van Laake, P E; van Duren, I; Hussin., Y A., (2011) The potential of spectral mixture analysis to improve the estimation accuracy of tropical forest biomass Geocarto International, https://doi.org/10.1080/10106049.2011.634928 [3] Clerici, N; Rubiano, K; Abd-Elrahman, A; Hoestettler, J M P; Escobedo, F J., (2016) Estimating aboveground biomass and carbon stocks in periurban Andean secondary forests using very high resolution imagery Forests 2016, 7, 138 [4] FAO., (2020) Global Forest Resources Assessment 2020 Food and Agriculture Organization of the United Nations, Rome: https://doi.org/10.4060/ca8753en [5] Gitelson, A; Kaufman, Y J; Merzlyak, M N., (1996) Use of a green channel in remote sensing of global vegetation from EOS-MODIS Remote Sensing of Environment 58(3), 289 - 298 Doi:10.1016/ s0034-4257(96)00072-7 [6] Gitelson, A; Merzlyak, M N; Chivkunova, O B., (2002) Optical properties and nondestructive estimation of anthocyanin content in plant leaves Photochemistry and Photobiology, 74,38 - 45 Doi:10.1562/0031 8655(2001)0742.0.co;2 [7] Gitelson, A A; Gritz, Y; Merzlyak, M N., (2003) Relationships between leaf chlorophyll content and spectral reflectance and algorithms for non-destructive chlorophyll assessment in higher plant leaves Journal of Plant Physiology 160 (3), 271 - 282 Doi:10.1078/0176-1617-00887 [8] Hunt, E R; Daughtry, C S T; Eitel, J U H; Long, D S., (2011) Remote sensing leaf chlorophyll content using a visible Band index Agronomy Journal 103, 1090 - 1099 doi:10.2134/agronj2010.0395 [9] Huete, A R., (1988) A Soil-adjusted vegetation index (SAVI) Remote Sens Environ., 25, 295 - 309 [10] Jordan C F., (1969) Derivation of leaf-area index from quality of light on the forest floor Ecology, Vol 50, No 4, pp 663 - 666 [11] Kaufman Y J; Tanre, D., (1992) Atmospherically resistant vegetation index (ARVI) for EOS-MODIS IEEE Transactions on Geoscience and Remote Sensing, vol 30, No 2, pp 261 - 270 [12] Kriegler F J; Malila W A; Nalepka R F; Richardson, W., (1969) Preprocessing transformations and their efect on multispectral recognition Remote Sens Environ VI, 97 - 132 [13] Li, Siqi., (2019) Forest aboveground biomass estimation using multi-source remote sensing data in temperate forests Dissertations and Theses 76 SUNY College of Environmental Science and Forestry [14] Main, R; Cho, M A; Mathieu, R; O’kennedy, M M; Ramoelo, A; Koch, S., (2011) An investigation into robust spectral indices for leaf chlorophyll estimation ISPRS Journal of Photogrammetry and Remote Sensing 66, 751 - 761 Doi: 10.1016/j.isprsjprs.2011.08.001 196 Nghiên cứu chuyển giao, ứng dụng khoa học công nghệ sử dụng hợp lý tài nguyên, bảo vệ môi trường phát triển bền vững [15] Richardson A J; Weigand C., (1977) Distinguishing vegetation from soil background information Photogrammetric Engineering and Remote Sensing, p 43 [16] Rouse J W; Haas Jr, R; Schell, J; Deering, D., (1974) Monitoring vegetation systems in the great plains with erts NASA Special Publication 351, 309 [17] Rondeaux, G; Steven, M; Baret, F., (1996) Optimization of soil-adjusted vegetation indices Remote Sensing of Environment 55, 95 - 107 Doi: 10.1016/0034-4257(95)00186-7 [18] Raymond Hunt, E; Daughtry, C S T; Eitel, J U H; Long, D S., (2011) Remote sensing leaf chlorophyll content using a visible band index Agron J, 103, 1090 - 1099 Doi: 10.2134/agronj2010.0395 [19] Powell, S L; Cohen, W B; Healey, S P; Kennedy, R E; Moisen, G G; Pierce, K B; Ohmann, J L., (2010) Quantification of live aboveground forest biomass dynamics with Landsat time-series and field inventory data: A comparison of empirical modeling approaches Remote Sens Environ., 114, 1053 - 1068 [20] Ploton, P; Barbier, N; Couteron, P; Antin, C M; Ayyappan, N; Balachandran, N; Barathan, N; Bastin, J F; Chuyong, G; Dauby, G; et al., (2017) Toward a general tropical forest biomass prediction model from very high resolution optical satellite images Remote Sens Environ., 200, 140 - 153 [21] Vincini, M; Frazzi, E; Alessio P D., (2008) A broad-band leaf chlorophyll index at the canopy scale Precis Agric 9:303 - 319 Doi: 10.1007/s11119-008-9075-z [22] Yude Pan; Richard A Birdsey; Jingyun Fang; Richard Houghton; Pekka E Kauppi; Werner A Kurz; Oliver L Phillips; Anatoly Shvidenko; Simon L Lewis; Josep G Canadell; Philippe Ciais; Robert B Jackson; Stephen W Pacala; A David McGuire; Shilong Piao; Aapo Rautiainen; Stephen Sitch; Daniel Hayes., (2011) A large and persistent carbon sink in the world’s forests Science, vol 333, p.p 988 - 993 [23] Zhang, Y; Liang, S; Sun, G., (2014) Forest biomass mapping of northeastern China using GLAS and MODIS data IEEE J Sel Top Appl Earth Obs Remote Sens, 7, 140 - 152 Ngày chấp nhận đăng: 10/11/2021 Người phản biện: TS Phạm Thị Thanh Thủy Nghiên cứu chuyển giao, ứng dụng khoa học công nghệ sử dụng hợp lý tài nguyên, bảo vệ môi trường phát triển bền vững 197 ... vật kênh ảnh Landsat Vì vậy, nghiên cứu xác định 04 mơ hình ước tính AGB rừng rộng rụng địa bàn, đó, 02 mơ hình khuyến nghị áp dụng cho lập đồ sinh khối rừng rộng rụng địa bàn tỉnh Đắk Lắk là:... AGB để xây dựng mơ hình ước tính AGB rừng rộng rụng địa bàn tỉnh Đắk Lắk cho thấy liệu ảnh Landsat hữu Nghiên cứu chuyển giao, ứng dụng khoa học công nghệ sử dụng hợp lý tài nguyên, bảo vệ môi trường... số mơ hình thấp so với cá mơ hình cịn lại Bảng Các mơ hình ước tính sinh khối rừng rộng rụng Mơ hình AGBB123 AGBB134 AGBB135 AGBB13CIgreen Mơ hình ước tính AGB rừng rộng rụng AGBB123 = 11 48, 406