Lựa chọn mô hình dự báo nguy cơ cháy rừng từ dữ liệu viễn thám và hệ thông tin địa lý

Lựa chọn mô hình dự báo nguy cơ cháy rừng từ dữ liệu viễn thám và hệ thông tin địa lý Tác giả: Đoàn Thị Nam Phương Chuyên ngành: Hạ tầng Giao thông vận tải Kỹ thuật Trắc địa Bản đồ Nguồn phát hành: Trường Đại học Mỏ Địa chấtLựa chọn mô hình dự báo nguy cơ cháy rừng từ dữ liệu viễn thám và hệ thông tin địa lý Tác giả: Đoàn Thị Nam Phương Chuyên ngành: Hạ tầng Giao thông vận tải Kỹ thuật Trắc địa Bản đồ Nguồn phát hành: Trường Đại học Mỏ Địa chất

BỘ GIÁO DỤC VÀ ĐÀO TẠO TRƯỜNG ĐẠI HỌC MỎ - ĐỊA CHẤT ĐỒN THỊ NAM PHƯƠNG LỰA CHỌN MƠ HÌNH DỰ BÁO NGUY CƠ CHÁY RỪNG TỪ DỮ LIỆU VIỄN THÁM VÀ HỆ THÔNG TIN ĐỊA LÝ LUẬN ÁN TIẾN SĨ KỸ THUẬT HÀ NỘI - 2023 BỘ GIÁO DỤC VÀ ĐÀO TẠO TRƯỜNG ĐẠI HỌC MỎ - ĐỊA CHẤT ĐỒN THỊ NAM PHƯƠNG LỰA CHỌN MƠ HÌNH DỰ BÁO NGUY CƠ CHÁY RỪNG TỪ DỮ LIỆU VIỄN THÁM VÀ HỆ THÔNG TIN ĐỊA LÝ Ngành: Kỹ thuật Trắc địa – Bản đồ Mã số: 9520503 LUẬN ÁN TIẾN SĨ KỸ THUẬT TIỂU BAN HƯỚNG DẪN 1.PGS TS NGUYỄN VĂN TRUNG GS.TS BÙI TIẾN DIỆU HÀ NỘI - 2023 i LỜI CAM ĐOAN Tôi xin cam đoan luận án cơng trình nghiên cứu khoa học riêng tơi Các số liệu trình bày luận án phản ánh hoàn toàn trung thực Các kết nghiên cứu luận án chưa có cơng bố cơng trình nghiên cứu Tác giả luận án Đoàn Thị Nam Phương ii LỜI CẢM ƠN Em xin chân thành cảm ơn Ban Giám hiệu, phòng đào tạo Sau đại học, trường Đại học Mỏ - Địa chất tạo điều kiện cho NCS q trình học tập hồn thành Luận án Em xin gửi lời tri ân tới Quý Thầy, Quý Cô môn Đo ảnh viễn thám, khoa Trắc địa - Bản đồ Quản lý đất đai tận tình giảng dạy, bảo, góp ý để em hoàn thiện Luận án tốt Em xin bày tỏ lòng biết ơn sâu sắc đến Tiểu ban hướng dẫn khoa học, Thầy PGS.TS Nguyễn Văn Trung Thầy GS.TS Bùi Tiến Diệu tận tình giúp đỡ, bảo em suốt trình thực Luận án Em xin gửi lời cảm ơn chân thành tới Nhà khoa học công tác quan, viện nghiên cứu nhiệt tình giúp đỡ, hỗ trợ để em hoàn thành luận án Xin gửi lời cảm ơn tới tất bạn bè, đồng nghiệp gia đình người ủng hộ, động viên tạo điều kiện tốt để em hoàn thành luận án Do hạn chế kiến thức, kinh nghiệm nghiên cứu khoa học nên Luận án chắn nhiều thiếu sót Em mong nhận nhiều ý kiến góp ý bảo Nhà khoa học để em dần nâng cao trình độ chun mơn Em xin chân thành cảm ơn! iii MỤC LỤC LỜI CAM ĐOAN i LỜI CẢM ƠN ii MỤC LỤC iii DANH MỤC CHỮ VIẾT TẮT vi DANH MỤC BẢNG BIỂU viii DANH MỤC HÌNH VẼ ix MỞ ĐẦU 1 Tính cấp thiết đề tài Mục tiêu nghiên cứu Nội dung nghiên cứu 4 Đối tượng phạm vi nghiên cứu 5 Phương pháp nghiên cứu Luận điểm bảo vệ Những điểm luận án Ý nghĩa khoa học thực tiễn luận án Cơ sở tài liệu thực luận án 10 Cấu trúc luận án CHƯƠNG TỔNG QUAN VỀ VẤN ĐỀ NGHIÊN CỨU 1.1 Đặc điểm tài nguyên rừng Việt Nam 1.2 Hiện trạng cháy rừng Việt Nam 13 1.2.1 Khái niệm cháy rừng 13 1.2.2 Quy định cấp dự báo cháy rừng 14 1.3 Nguyên nhân gây cháy rừng Việt Nam 17 1.4 Các phương pháp dự báo nguy cháy rừng 18 1.5 Tởng quan tình hình nghiên cứu nước 29 1.5.1 Trên giới 29 iv 1.5.2 Trong nước 36 1.6 Luận giải vấn đề cần nghiên cứu 44 1.7 Tiểu kết chương 46 CHƯƠNG CƠ SỞ KHOA HỌC XÂY DỰNG MÔ HÌNH DỰ BÁO NGUY CƠ CHÁY RỪNG TỪ DỮ LIỆU VIỄN THÁM VÀ HỆ THÔNG TIN ĐỊA LÝ 48 2.1 Đặc điểm khu vực nghiên cứu 48 2.2 Tổng quan chung liệu phục vụ xây dựng mô hình dự báo nguy cháy rừng 53 2.3 Các lớp thông tin thành phần phương pháp xây dựng sở liệu thành phần 54 2.3 Nhóm lớp thơng tin xây dựng từ hệ thông tin địa lý 61 2.4 Nhóm lớp thơng tin khác 68 2.5 Phương pháp xử lý liệu tảng Google Earth Engine 70 2.6 Nghiên cứu lựa chọn mơ hình dự báo nguy cháy rừng từ liệu viễn thám hệ thông tin địa lý 72 2.6.1 Phương pháp phân tích thứ bậc AHP 72 2.6.2 Phương pháp sử dụng thuật toán Rừng ngẫu nhiên 75 2.6.3 Phương pháp sử dụng thuật toán Máy hỗ trợ vector 77 2.6.4 Phương pháp sử dụng thuật toán phân loại hồi quy 79 2.6.5 Sơ đồ mơ hình dự báo nguy cháy rừng 81 2.7 Tiểu kết chương 85 CHƯƠNG THỰC NGHIỆM DỰ BÁO NGUY CƠ CHÁY RỪNG KHU VỰC PHÍA TÂY TỈNH NGHỆ AN TỪ DỮ LIỆU VIỄN THÁM VÀ HỆ THÔNG TIN ĐỊA LÝ 87 3.1 Đặc điểm liệu sử dụng 87 3.1.1 Dữ liệu viễn thám 87 v 3.1.2 Dữ liệu GIS 89 3.2 Kết xây dựng lớp thông tin chuyên đề 90 3.3 Kết xây dựng đồ dự báo nguy cháy rừng từ liệu viễn thám GIS 100 3.3.1 Kết dự báo nguy cháy rừng bằng kỹ thuật AHP 100 3.3.2 Kết dự báo nguy cháy rừng bằng thuật toán Random Forest103 3.3.3 Kết dự báo nguy cháy rừng bằng thuật toán SVM 106 3.3.4 Kết dự báo nguy cháy rừng bằng thuật toán CART 107 3.4 Đánh giá độ chính xác lựa chọn mô hình dự báo nguy cháy rừng 109 3.5 Xây dựng công cụ xử lý liệu viễn thám GIS tảng GEE115 3.6 Tiểu kết chương 117 KẾT LUẬN VÀ KIẾN NGHỊ 119 DANH MỤC CƠNG TRÌNH ĐÃ CƠNG BỐ CỦA TÁC GIẢ 122 TÀI LIỆU THAM KHẢO 123 PHỤ LỤC………………………………………………………………….134 vi DANH MỤC CHỮ VIẾT TẮT Tên viết tắt AB AHP AUC AUC BĐĐH CA CART CMCN CSDL Tên đầy đủ tiếng anh AdaBoost The Analytic Hierarchy Process Technological Revolution FRI GB GEE Google Earth Engine EFFIS ENVI ETM+ FAO GIS GPS GWR IDL Phương pháp phân tích thứ bậc Đường cong AUC Area Under the ROC Curve Under the Curve Topographic Map Bản đồ địa hình Cellular Automata Classification and Regression Cây Phân loại hồi quy Trees Database Digital Elevation Model The European Forest Fire Information System The Environment for Visualizing Images Enhanced Thematic Mapper Plus Food and Agriculture Organization Fire risk index Gradient Bo boost DEM Tên đầy đủ tiếng việt Geographical Information System Global Position Systems Geographically Weighted Regression Interactive Data Language Cách mạng công nghệ Cơ sở liệu Mơ hình số độ cao Hệ thống thơng tin cháy rừng châu Âu Phần mềm xử lý ảnh ENVI Bộ cảm biến ETM+ Tổ chức lương thực nông nghiệp Liên hiệp quốc Chỉ số rủi ro cháy Nền tảng điện tốn đám mây Hệ thơng tin địa lý Hệ định vị toàn cầu Hồi quy trọng số địa lý Ngơn ngữ lập trình IDL vii IPNAS LDA LST LR LSWI MIR MSI NDDI NDVI NDWI NIR NMDI OLI ROC RF SMI SVM SWIR TIR TM TVWI TVDI XGB Integral Forest Fire Monitoring System Linear Discriminant Analysis Land surface temperature Logistic Regression Land Surface Water Index Middle Infrared MultiScanner Instrument Normalized Difference Drought Index Normalized Difference Vegetation Index Normalized Difference Water Index Near Infrared Normalized Multiband Drought Index Operational Land Image Receiver Operating Characteristic Random Forest Soil Moisture Index Support Vector Machine Shortware Infrared Thermal Infrared Thematic Mapper Temperature-vegetation wetness index Temperature Vegetation Dryness Index eXtreme Gradient Bo boost Hệ thống giám sát cháy rừng tích hợp Nhiệt độ bề mặt Hồi quy logistic Chỉ số nước mặt Hồng ngoại trung Thiết bị quét đa phổ Chỉ số hạn khác biệt Chỉ số khác biệt thực vật Chỉ số khác biệt nước Cận hồng ngoại Chỉ số hạn NMDI Bộ cảm biến OLI Đường cong ROC Rừng ngẫu nhiên Chỉ số độ ẩm đất Máy hỗ trợ vector Hồng ngoại sóng ngắn Hồng ngoại nhiệt Bộ cảm biến TM Chỉ số ẩm nhiệt độ-thực vật Chỉ số hạn nhiệt độ thực vật viii DANH MỤC BẢNG BIỂU Bảng Bảng 1.1 Bảng 1.2 Bảng 1.3 Tên bảng Diện tích độ che phủ rừng tỉnh, thành phố trực thuộc trung ương tính đến 31/12/2020 Phân cấp dự báo cháy rừng (theo Nghị định 156/2018/NĐCP) Bảng tra cấp dự báo cháy rừng theo số P (Shetinsky, 1994) Bảng 1.4 Bảng tra cấp dự báo cháy rừng theo Bộ NN&PTNT (2000) Bảng 1.5 Bảng 1.6 Bảng phân cấp dự báo cháy rừng có điều chỉnh (Nguyễn Phương Văn cộng sự, 2019) Cấp dự báo khả cháy rừng vườn quốc gia U Minh Hạ theo số Pt (Trần Văn Hùng cộng sự, 2010) Trang 10 15 19 20 21 22 Bảng 2.1 Đặc điểm ảnh hồng ngoại nhiệt Landsat 60 Bảng 2.2 Giá trị K1, K2 ảnh hồng ngoại nhiệt LANDSAT 62 Bảng 2.3 Thang điểm so sánh mức độ quan trọng tiêu 75 Bảng 2.4 Bảng 3.1 Bảng tra giá trị RI theo số lượng tiêu khác (Saaty, 2000; Saaty, 2008) Ma trận so sánh cặp yếu tố ảnh hưởng đến nguy cháy rừng Bảng 3.2 Kết chuẩn hóa ma trận so sánh cặp Bảng 3.3 So sánh kết dự báo nguy cháy rừng phương án 76 103 103 111 Bảng 3.4 Giá trị AUC mơ hình học máy 115 Bảng 3.5 Diện tích khu vực với nguy cháy rừng khác 115 125 21 Vũ Thành Minh, Lê Thị Thu Hiền (2015) Ứng dụng GIS viễn thám để thành lập đồ nhạy cảm cháy Vườn quốc gia Tràm Chim, Tạp chí Phát triển Khoa học và Công nghệ, tập 18, số 16, trang 221 – 235 22 Doãn Hà Phong (2007) Xây dựng thuật tốn phương trình xác định nhiệt độ bề mặt đất theo dõi cảnh báo cháy rừng sở ảnh vệ tinh MODIS (TERRA AQUA) lãnh thổ Việt Nam, Luận án Tiến sỹ kỹ thuật, Trường Đại học Mỏ Địa chất 23 Vương Văn Quỳnh (2005) Nghiên cứu xây dựng giải pháp phòng chống khắc phục hậu cháy rừng cho vùng U Minh Tây Nguyên, Báo cáo tổng kết đề tài, Đề tài cấp nhà nước KC08.24 thuộc Chương trình bảo vệ mơi trường phịng tránh thiên tai, Bộ Khoa học Công nghệ 24 Vương Văn Quỳnh, Chu Thị Bình, Trần Quang Bảo (2006) Phần mềm phát cháy rừng từ ảnh vệ tinh, Tạp chí Nông nghiệp và Phát triển Nông thôn, số 3+4, trang 135 – 137 25 Võ Đình Tiến (1995) Phương pháp dự báo, lập đồ, khoanh vùng trọng điểm cháy rừng Bình Thuận, Tạp chí Lâm nghiệp, số 10, trang 11 – 14 26 Nguyễn Ngọc Thạch, Phạm Xuân Cảnh, Đồn Thu Phương, Hà Thị Bích Phượng, Đặng Ngơ Bảo Toàn (2015) Ứng dụng GIS xây dựng đồ nguy cháy rừng cấp xã phục vụ công tác quản lí phịng chống cháy rừng tỉnh Sơn La, Hợi thảo GIS toàn quốc, tr.174-180 27 Nguyễn Ngọc Thạch, Đặng Ngơ Bảo Tồn, Phạm Xn Cảnh (2017) Ứng dụng viễn thám GIS thành lập đồ nguy cháy rừng phục vụ phòng chống, giảm thiểu thiệt hại cháy rừng tỉnh Sơn La, Việt Nam, Tạp chí Khoa học ĐHQGHN: Các Khoa học Trái đất và Môi trường, 33(3), 53-66 28 Chu Thái Thành (2011) Bảo vệ rừng: nhiệm vụ quan trọng cấp thiết chúng ta, Tạp chí Cộng sản điện tử, truy cập tháng 12/2022 29 Nguyễn Tiến Thành (2021) Nghiên cứu sở khoa học ứng dụng ảnh hồng ngoại nhiệt GIS cảnh báo cháy ngầm bể than Quảng Ninh, Báo cáo tổng hợp đề tài khoa học và công nghệ, Bộ Tài nguyên Môi trường 30 Đặng Ngô Bảo Toàn, Nguyễn Ngọc Thạch, Phạm Xuân Cảnh (2017) Ứng dụng viễn thám GIS thành lập đồ nguy cháy rừng phục vụ phòng chống, giảm thiểu thiệt hại cháy rừng tỉnh Sơn La, Việt Nam, Hội thảo GIS toàn quốc, tr.252-261 126 31 Đặng Ngô Bảo Toàn (2021) Nghiên cứu nguy cảnh báo cháy rừng tỉnh Sơn La sở ứng dụng công nghệ địa thông tin, Luận án Tiến sĩ Địa lý, Đại học Quốc gia Hà Nội 32 Vũ Danh Tuyên, Trịnh Lê Hùng, Nguyễn Tiến Thành (2020) Viễn thám nâng cao, Giáo trình sau đại học, Nhà xuất bản Khoa học và Kỹ thuật, 207 trang 33 Nguyễn Phương Văn, Nguyễn Văn Lợi, Trần Minh Đức (2019) Nghiên cứu hiệu chỉnh phân cấp dự báo cháy rừng bối cảnh biến đởi khí hậu tỉnh Quảng Bình, Tạp chí Khoa học Đại học Huế: Nông nghiệp và Phát triển nông thôn, tập 128, số 3A, trang 179 – 190 34 Nguyễn Phương Văn (2019) Nghiên cứu thực trạng đề xuất giải pháp quản lý cháy rừng thích ứng với biến đởi khí hậu tỉnh Quảng Bình, Luận án tiến sĩ Lâm nghiệp Tiếng Anh 35 Aronoff S (1989) Geographic Information System, WDL Publication, Ottaw, 19 36 Arndt N., Vacik H., Koch V., Arpaci A., Gossow H (2013) Modelling human-caused forest fire ignition for assessing forest fire danger in Austria, iForest 6: 315-325 37 Arpaci A., Eastaugh C., Vacik H (2013) Selecting the best performing fire weather indices for Austrian ecoregions, Theoretical and Applied Climatology, 114, 393 – 406 38 Arpaci A., Malowerschnig B., Sass O., Vacik H (2014) Using multi variate data mining techniques for estimating fire susceptibility of Tyrolean forests, Applied Geography, 53, 258 – 270 39 Avetisyan D., Nedkov R (2015) Assessment of fire hazard zones in the forest landscapes in Simitli Municipality (Bulgaria), Journal of Environment Protection and Sustainable Development, 1(4), 225 – 233 40 Beals E.A (1914) The value of weather forecasts in the problem of protecting forests from fire, Monthly Weather Review, 42, 111–119 41 Breiman L (2001) Random Forests, Machine Learning 45, 5–32, https://doi.org/10.1023/A:1010933404324 127 42 Breiman L., Friedman J., Olshen R., Stone C (1984) Classification and regression trees, Monterey, CA: Wadsworth & Brooks/Cole Advanced Books & Software, ISBN 978-0-412-04841-8 43 Chandler C., Thomas P., Trabaud L., Williams D (1993) Fire in forestry, Volume I: Forest fire behavior and effects, John Wiley & Sons, New Yok 44 Cherepanov A., Druzhinina E (2009) Spectral properties of vegetation and vegetation indexes, Geomatics, 3, 28-32 45 Chowdhury H., Hassan K (2013) Use of remote sensingderived variables in developing a forest fire danger forecasting system, Natural Hazards, 67, 321334 46 Cooper S., Neiman K., Roberts D (1991) Forest habitat types of northern Idaho: A second approximation, General Technical Report, INT 236, Ogden, UT: U.S Department of Agriculture, Forest Service, Intermountain Research Station 143 p 47 Cortes C., Vapnik V (1995) Support-vector networks, Mach Learn 20, 273– 297, https://doi.org/10.1007/BF00994018 48 Danielson J., Gesch D (2011) Global multi-resolution terrain elevation data 2010 (GMTED 2010), Open-File Report 2011-1073 49 Dieu Tien Bui, Quang Thanh Bui, Quoc Phi Nguyen, Pradhan B., Nampak H., Phan Trong Trinh (2017) A hybrid artificial intelligence approach using GISbased neural-fuzzy inference system and particle swarm optimization for forest fire susceptibility modeling at a tropical area, Agricultural and Forest Meteorology, 233, 32 – 44 50 Dieu Tien Bui, Kim Thoa Thi Le, Van Cam Nguyen, Hoang Duc Le, Revhaug I (2016) Tropical Forest Fire Susceptibility Mapping at the Cat Ba National Park Area, Hai Phong City, Vietnam, Using GIS-Based Kernel Logistic Regression, Remote Sensing, 8, 347, doi:10.3390/rs8040347 51 Dong X (2005) Forest fire risk zone mapping from satellite images and GIS for Baihe Forestry Bureau, Jilin, China, Journal of Forestry Research 16(3): 169-174 52 Drucker H., Burges C., Kaufman L., Smola A., Vapnik V (1997) Support vector regression machines, in Advances in Neural Information Processing Systems 9, NIPS 1996, 155–161, MIT Press 128 53 Enoh M., Okeke U., Narinua N (2021) Identification and modelling of forest fire severity and risk zones in the Cross – Niger transition forest with remotely sensed satellite data, The Egyptian Journal of Remote Sensing and Space Science, 24(3), 879 – 887 54 FAO (1999) FAO meeting on public policies affecting forest fires, FAO Forestry Paper, 02586150, ISBN 92-5-104289-6, 380 pp 55 Fernandez J., Chuvieco E., Koutsias N (2012) Modelling long-term fire occurrence factors in Spain by accounting for local variations with geographically weighted regression, Natural Hazards Earth System Scieces, 12, 1-17 56 Gao C., Lin H., Hu H (2023) Forest-fire-risk prediction based on Random Forest and backpropagation neural network of Heihe area in Heilongjiang province, China, Forests 14(2): 170 https://doi.org/10.3390/f14020170 57 Herrera C., Nieva D., Reyes J., Vega N., Serrano P., Rivas J., Alvarado E., Perez S., Pelaez E., Salicrup D., Jolly W (2022) Fuel-specific aggregation of cctive fire detections for rapid mapping of forest fire perimeters in Mexico, Remote Sensing, 13(1), 124 58 Gholamreza J.G., B.G., Osman M.D (2012) Forest fire risk zone mapping form Geographic Information System in Northern Forests of Iran (Case study, Golestan province), International Journal of Agriculture and Crop Science, Vol.4(12), 818 – 824 59 Hoang V.T., Chou T., Fang Y., Nguyen N.T., Nguyen Q.H., Pham X.C., Dang N.B.T., Nguyen X.L., Meadows M (2020) Mapping forest fire risk and development of early warning system for NW Vietnam using AHP and MCA/GIS methods, Applied Sciences, 10(12), 4348 60 Iban M., Sekertekin A (2022) Machine learning based wildfire susceptibility mapping using remotely sensed fire data and GIS: A case study of Adana and Mersin provinces, Turkey, Ecological Informatics, 69, 101647 61 Jaiswal R., Mukherjee S., Raju K., Saxena R (2002) Forest fire risk zone mapping from satellite imagery and GIS, International Journal of Applied Earth Observation and Geoinformation, 4(1), 1-10 62 James N., Thallak S (2015) Macro-level assessment of seismically induced landslide hazard for the State of Sikkim, India based on GIS technique, IOP 129 Conference Series Earth and Environmental Scienc, 26(1):01202, DOI: 10.1088/1755-1315/26/1/012027 63 Khan V (2012) Long-range forecasting of forest fire danger based on the SLAV model seasonal ensemble forecasts, Russian Meteorology and Hydrology, 37, 505 – 513 64 Kolari D (2008) Intergrated system for forest fire early detection and manggement, Perioducum Biologorum, 110(2), 205 – 211 65 Lamat R., Kumar M., Kundu A., Lai D (2020) Forest fire risk mapping using analytical hierarchy process (AHP) and earth observation datasets: a case study in the mountainous terrain of Northeast India, SN Applied Sciences, 3:425, https://doi.org/10.1007/s42452-021-04391-0 66 Liu C (2020) SVM hyperparameter tuning using GridSearchCV, https://towardsdatascience.com/svm-hyper-parameter-tuning-usinggridsearchcv-49c0bc55ce29 67 Mokarram M., Zarei A (2018) Landslide susceptibility mapping using FuzzyAHP, Geotechnical and Geological Engineering, 36(37), 3931 – 3943 68 Nasiri V., Sadeghi S., Bagherabadi R., Moradi F., Deljouei A., Borz S (2022) Modeling wildfire risk in western Iran based on the integration of AHP and GIS, Environmental Monitoring and Assessment, 194, 644, https://doi.org/10.1007/s10661-022-10318-y 69 Nesterov V (1949) Forest fires and methods of fire risk determination Russian Goslesbumizdat, Moscow 70 Ngoc Thach Nguyen, Bao Toan Ngo Dang, Xuan Canh Pham, Hong Thi Nguyen, Hang Thi Bui, Nhat Duc Hoang, Dieu Tien Bui (2018) Spatial pattern asessment of tropical forest fire danger at Thuan Chau area (Vietnam) using GIS-based advanced machine learning algorithms: A comparative study, Ecological Informatics, vol.46, pp.74-85 71 Olivera S., Oehler F., Ayanz J., Camia A., Pereira J (2012) Modeling spatial patterns of fire occurrence in Mediterranean Europe using Multiple Regression and Random Forest, Forest Ecology and Management, 275, 117 – 129 72 Onderka M., Melichercik I (2010) Fire-prone areas delineated from a combination of the Nesterov Fire-risk Rating Index with multispectral satellite data, Applied Geomatics, 2, – 130 73 Pham Duc Dat, Le Thai Son (2022) Wildfire risk zone mapping from geographic information system in Tam Dao national park of Vietnam, Journal of Foresty Science and Technology, 13, 45 – 55 74 Pourghasemi H (2015) GIS-based forest fire susceptibility mapping in Iran: A comparison between evidential belief function and binary logistic regression models, Scandinavian Journal of Forest Research, 40 pp., DOI: 10.1080/02827581.2015.1052750 75 Rouse, J.W., R.H Haas, J.A Schell, and D.W Deering (1973) Monitoring Vegetation Systems in the Great Plains with ERTS, Third ERTS Symposium, NASA SP-351 I: 309-317 76 Ruano A., Jolly W., Freeborn P., Nieva D., Vega N., Herrera C., Rodrigues M (2022) Spatial Predictions of Human and Natural-Caused Wildfire Likelihood across Montana (USA), Remote Sensing, 13(8), 1200 77 Saaty T.L (2000) Fundamentals of the Analytic Hierarchy Process, RWS Publications 78 Saaty T.L (2008) Decision making with the analytic hierarchy process, International Journal of Services Sciences, 1, 83-98 79 Sivrikaya F., Kucuk O (2022) Modeling forest fire risk based on GIS-based analytical hierarchy process and statistical analysis in Mediterranean region, Ecological Informatics, 68, 101537 80 Shetinsky E.A (1994) Protection of forests and forests pyrology, Ecology, Moscow: 209 pp 81 Sokolova G., Makogonov S (2013) Development of the forest fire forecast method (a Case Study for the Far East), Russian Meteorology and Hydrology, 38, 222 – 226 82 Stipaničev D., Vuko T., Kristinić D., Štula M., and Bodrožić L (2006) Forest fire protection by advanced video detection system - Croatian experiences, Third TIEMS Work Improvment Disaster Management Systems 83 Tan C., Feng Z (2023) Mapping forest fire risk zones using machine learning algorithms in Hunan province, China, Sustainability, 15(7):6292 https://doi.org/10.3390/su15076292 84 Trinh L.H., Zablotskii V.R (2017) The application of Landsat multi-temporal thermal infrared data to identify coal fire in the Khanh Hoa coal mine, Thai 131 Nguyen province, Vietnam, Izvestiya, Atmospheric and Oceanic Physics, 53(9), 1181 – 1188 85 Xu Q., Li W., Liu J., Wang X (2023) A geographical similarity-based sampling method of non-fire point data for spatial prediction of forest fires, Forest Ecosystems, Vol.10, 100104, https://doi.org/10.1016/j.fecs.2023.100104 86 Yassemi S., Dragicevic S., Schmidt M (2008) Design and implementation of an integrated GIS-based cellular automata model to characterize forest fire behaviour, Ecological Modelling, 210, 71 – 84 87 Wang L., Qu J (2007) NMDI: a normalized multi-band drought index for monitoring soil and vegetation moisture with satellite remote sensing, Hydrology and Land Surface Studies, Vol.34(20), https://doi.org/10.1029/2007GL031021 88 Williams M (1983) Remote sensing, GIS and wildland fire management: A global perspective, Proceedings of the International Workshop on Satellite Technology and GIS for Mediterranean Forest Mapping and Fire Management 89 Wimberly M., Reilly M (2007) Assessment of fire severity and species diversity in the southern Appalachians using Landsat TM and ETM+ imagery, Remote Sensing of Environment, 108(2), 189 – 197 90 Valor E., Caselles V (1996) Mapping land surface emissivity from NDVI Application to European African and South American areas, Remote sensing of Environment, 57, pp 167 – 184 91 Van de Griend A., Owen M (1993) On the relationship between thermal emissivity and the normalized difference vegetation index for natural surface, International Journal of Remote Sensing 14, pp 1119 – 1131 92 Vasilakos C., Kalabokidis K., Hatzopoulos J., Matsinos T (2009) Identifying wildland fire ignition factors through sensitivity analysis of a neural network, Natural Hazards, 50, 125 – 143 93 Venevsky K (2002) Simulating fire regimes in human-dominated ecosystems: Iberian Peninsula case study, Global Change Biology 8: 984-998 132 94 Zhao P., Zhang F., Lin H., Xu S (2021) GIS based forest fire risk model: a case study in Laoshan national forest park, Nanjing, Remote Sensing, 13(18), DOI: 10.3390/rs13183704 Website 95 https://kiemlam.org.vn, truy cập ngày 9/12/2022 96 http://watch.pcccr.vn/thongKe/diemChay, truy cập ngày 20/11/2022 97 https://glovis.usgs.gov, truy cập ngày 10/8/2022 98 https://wildfiretoday.com/, truy cập ngày 14/9/2022 99 https://digital-geography.com/forest-fire-tracking-landsat-8/, truy cập ngày 14/9/2022 100 https://glovis.usgs.gov 101 https://scihub.copernicus.eu/dhus/#/home 102 https://geoviet.vn, truy cập ngày 17/9/2022 103 https://effis.jrc.ec.europa.eu/apps/effis_current_situation/, truy cập ngày 19/9/2022 104 https://www.worldclim.org/ 105 https://data.worldpop.org/ 106 https://www.javatpoint.com/machine-learning-decision-tree-classificationalgorithm, truy cập ngày 18/11/2022 107 https://geohackweek.github.io/GoogleEarthEngine/02-code-editor/, truy cập ngày 20/11/2022 108 https://serc.carleton.edu/sp/library/google_earth/earth_engine_api.html, truy cập ngày 18/11/2022 109 Cổng thông tin điện tử tỉnh Nghệ An, https://www.nghean.gov.vn/ PHỤ LỤC Mã code module xử lý liệu viễn thám GIS dự báo nguy cháy rừng nền tảng GEE * Thiết kế giao diện var colors = {'transparent': '#11ffee00', 'gray': '#F8F9FA'}; var TITLE_STYLE = { fontWeight: '100', fontSize: '32px', padding: '8px', color: '#616161', backgroundColor: colors.transparent, }; var SUBTITLE_STYLE = { fontWeight: '350', fontSize: '16px', padding: '8px', color: '#616161', textAlign: 'center', //maxWidth: '450px', backgroundColor: colors.transparent, }; var PARAGRAPH_STYLE = { fontSize: '14px', fontWeight: '50', color: '#616161', padding: '8px', maxWidth: '500px', backgroundColor: colors.transparent, }; var BUTTON_STYLE = { fontSize: '14px', fontWeight: '100', color: '#616161', padding: '8px', backgroundColor: colors.transparent, }; var SELECT_STYLE = { fontSize: '14px', fontWeight: '50', color: '#616161', padding: '2px', backgroundColor: colors.transparent, width: '150px' }; var LABEL_STYLE = { fontWeight: '50', textAlign: 'center', fontSize: '14px', padding: '2px', backgroundColor: colors.transparent, }; var infoPanel = ui.Panel({ layout: ui.Panel.Layout.flow(), style: { stretch: 'horizontal', height: '100%', width: '450px', backgroundColor: colors.gray } }); var mappingPanel = ui.Map({ center: {'lat': 19.256653155442255, 'lon': 104.80993612578748, 'zoom': 9} }); ui.root.clear(); ui.root.add(ui.SplitPanel(mappingPanel, infoPanel)); var visPanel = ui.Panel({style: {backgroundColor: colors.transparent}}); infoPanel.add(ui.Label('Fire Forest Danger', TITLE_STYLE)); var info_description = 'The application is used for the purpose of predicting the danger of ' +'forest fires in the six districts of Nghe An province'; infoPanel.add(ui.Label(info_description, PARAGRAPH_STYLE)); var algorithmTitle = ui.Label('Choosing a classification algorithm', TITLE_STYLE); var Algorithms_Selector = ui.Select({ items: [ {label: 'Support Vector Machine', value: 'SVM'}, {label: 'Random Forest', value: 'RF'}, {label: 'CART', value: 'CART'}, ], placeholder: 'Support Vector Machine', value: 'SVM', style: SELECT_STYLE }); var treeTextBox = ui.Textbox({ placeholder: '5', onChange: function(text) { var tree = ee.Number.parse(ee.String(text)); } }); var gammaTextBox = ui.Textbox({ placeholder: '0.001', onChange: function(text) { var gamma = ee.Number.parse(ee.String(text)); } }); var costTextBox = ui.Textbox({ placeholder: '30', onChange: function(text) { var cost = ee.Number.parse(ee.String(text)); } }); var costPanel = ui.Panel({style: {backgroundColor: colors.transparent}}); var cost_label = ui.Label('Cost:', LABEL_STYLE); costPanel.add(cost_label).add(costTextBox); var treePanel = ui.Panel({style: {backgroundColor: colors.transparent}}); var tree_label = ui.Label('Tree:', LABEL_STYLE); treePanel.add(tree_label).add(treeTextBox); var gammaPanel = ui.Panel({style: {backgroundColor: colors.transparent}}); var gamma_label = ui.Label('Gamma:', LABEL_STYLE); gammaPanel.add(gamma_label).add(gammaTextBox); var SVMPanel = ui.Panel({layout: ui.Panel.Layout.flow('horizontal'), style: {backgroundColor: colors.transparent, padding: '4px'}}); SVMPanel.add(gammaPanel).add(costPanel); var RFPanel = ui.Panel({layout: ui.Panel.Layout.flow('horizontal'), style: {backgroundColor: colors.transparent, padding: '4px'}}); RFPanel.add(treePanel); var AlgorithmsParameters = ui.Panel({layout: ui.Panel.Layout.flow('horizontal'), style: {backgroundColor: colors.transparent, padding: '4px'}}); AlgorithmsParameters.add(SVMPanel); Algorithms_Selector.onChange(function(x) { if (x == 'SVM') { AlgorithmsParameters.clear(); AlgorithmsParameters.add(SVMPanel); } else if (x == 'RF') { AlgorithmsParameters.clear(); AlgorithmsParameters.add(RFPanel); } else { AlgorithmsParameters.clear(); AlgorithmsParameters.add(RFPanel); } }); visPanel.add(algorithmTitle).add(Algorithms_Selector).add(AlgorithmsParameters); infoPanel.add(visPanel); infoPanel.widgets().set(12, ui.Label('Showing results', TITLE_STYLE)); var buttonHold = ui.Panel({layout: ui.Panel.Layout.flow('horizontal'), style: {backgroundColor: colors.transparent, textAlign: 'center', stretch: 'both', padding: '4px'}}); infoPanel.add(buttonHold); var runButton = ui.Button({label: 'Result image', style: {width: '125px', maxWidth: '250px', color: '#616161'}}); var clearButton = ui.Button({label: 'Remove image', style: {width: '125px', maxWidth: '250px', color: '#616161'}}); buttonHold.add(runButton).add(clearButton); * Hàm chạy thuật toán var buildResult = runButton.onClick(function() { * Tạo mẫu var newfc = fire.merge(no_fire); * Thời gian nghiên cứu var start = '2021-11-15'; var end = '2022-02-15'; * Khu vực nghiên cứu var NgheAn = admin.filter(ee.Filter.eq('ADM1_NAME', 'Nghe An')); var NA = NgheAn.geometry(); Map.addLayer(NA, {color: 'silver'}, 'Nghe An'); Map.centerObject(NA, 10); * Tìm liệu ảnh Sentinel-2 tính NDVI, NDMI var S2 = ee.ImageCollection('COPERNICUS/S2_SR').filterDate(start, end).filter(ee.Filter.lt('CLOUDY_PIXEL_PERCENTAGE', 10)).median(); var img = S2.clip(NA); var NDVI = (img.select('B8').subtract(img.select('B4'))).divide(img.select('B8').add(img.select('B4'))); var NDMI = (img.select('B8').subtract(img.select('B12'))).divide(img.select('B8').add(img.select('B12'))); * Đồng lớp liệu khu vực nghiên cứu aspect = aspect.updateMask(docao); danso = danso.updateMask(docao); docao = docao.updateMask(docao); gio = gio.updateMask(docao); luongmua = luongmua.updateMask(docao); slope = slope.updateMask(docao); NDMI = NDMI.updateMask(docao); NDVI = NDVI.updateMask(docao); LST = LST.updateMask(docao); danso3 = danso3.updateMask(docao); * Tạo lớp huấn luyện var dataset = ee.Image.cat(aspect, danso, docao, gio, luongmua, slope, NDMI, NDVI, LST); var bands = dataset.bandNames(); * Tạo huấn luyện var training = dataset.select(bands).sampleRegions({ collection: newfc, properties: ['fire'], scale: 10 }); * Nếu huấn luyện bằng SVM cần chuẩn hoá liệu if (Algorithms_Selector.getValue() == 'SVM') { var classifier_alg_SVM = "SVM"; if(classifier_alg_SVM == "SVM"){ var dataset_SVM = dataset; var minMax = dataset_SVM.reduceRegion({ reducer: ee.Reducer.minMax(), geometry: dataset_SVM.geometry(), scale: 10, maxPixels: 10e9, tileScale: 4, bestEffort: true }); dataset_SVM = ee.ImageCollection.fromImages( dataset_SVM.bandNames().map(function(name){ name = ee.String(name); var band = dataset_SVM.select(name); return band.unitScale(ee.Number(minMax.get(name.cat('_min'))), ee.Number(minMax.get(name.cat('_max')))); })).toBands().rename(dataset_SVM.bandNames()); var training_SVM = dataset_SVM.select(bands).sampleRegions({ collection: newfc, properties: ['fire'], scale: 10 }); if (classifier_alg_SVM == "SVM") { * Lấy liệu nhập từ bàn phím var parameter_gamma_SVM = gammaTextBox.getValue(); var parameter_cost_SVM = costTextBox.getValue(); var classifier = ee.Classifier.libsvm({ kernelType: 'RBF', gamma: 0.001, cost: ee.Number.parse(parameter_cost_SVM) }); * Huấn luyện kiểm tra var classifier_SVM = classifier.setOutputMode('PROBABILITY').train(training_SVM, 'fire', bands); var classified_SVM = dataset_SVM.select(bands).classify(classifier_SVM); classified_SVM = classified_SVM.unitScale(ee.Number(0), ee.Number(1)); var classified = classified_SVM; * Hiển thị kết theo lớp var random1 = classified.lt(0.1); var class1 = classified.updateMask(random1); mappingPanel.addLayer(class1,{'palette':'14790b'},'Level 5'); var random2 = classified.gte(0.1).and(classified.lt(0.25)); var class2 = classified.updateMask(random2); mappingPanel.addLayer(class2,{'palette':'57d646'},'Level 4'); var random3 = classified.gte(0.25).and(classified.lt(0.4)); var class3 = classified.updateMask(random3); mappingPanel.addLayer(class3,{'palette':'f6f810'},'Level 3'); var random4 = classified.gte(0.4).and(classified.lt(0.6)); var class4 = classified.updateMask(random4); mappingPanel.addLayer(class4,{'palette':'ffa90e'},'Level 2'); var random5 = classified.gte(0.6); var class5 = classified.updateMask(random5); mappingPanel.addLayer(class5,{'palette':'ef3600'},'Level 1'); } } } * Huấn luyện bằng thuật toán RF else if (Algorithms_Selector.getValue() == 'RF'){ var classifier_alg_RF = "RF"; if(classifier_alg_RF =="RF"){ * Lấy liệu nhập từ bàn phím var parameter_tree_RF = treeTextBox.getValue(); * Tạo huấn luyện huấn luyện, lấy số theo liệu nhập var classifier_RF = ee.Classifier.smileRandomForest(ee.Number.parse(parameter_tree_RF)).setOutputMode('PR OBABILITY').train({ features: training, classProperty: 'fire', inputProperties: bands }); * Tạo kết phân loại var classified_RF = dataset.select(bands).classify(classifier_RF); * Hiển thị kết theo lớp var random_RF1 = classified_RF.lt(0.4); var class_RF1 = classified_RF.updateMask(random_RF1); mappingPanel.addLayer(class_RF1,{'palette':'14790b'},'Level 5'); var random_RF2 = classified_RF.gte(0.4).and(classified_RF.lt(0.6)); var class_RF2 = classified_RF.updateMask(random_RF2); mappingPanel.addLayer(class_RF2,{'palette':'57d646'},'Level 4'); var random_RF3 = classified_RF.gte(0.6).and(classified_RF.lt(0.75)); var class_RF3 = classified_RF.updateMask(random_RF3); mappingPanel.addLayer(class_RF3,{'palette':'f6f810'},'Level 3'); var random_RF4 = classified_RF.gte(0.75).and(classified_RF.lt(0.9)); var class_RF4 = classified_RF.updateMask(random_RF4); mappingPanel.addLayer(class_RF4,{'palette':'ffa90e'},'Level 2'); var random_RF5 = classified_RF.gte(0.9); var class_RF5 = classified_RF.updateMask(random_RF5); mappingPanel.addLayer(class_RF5,{'palette':'ef3600'},'Level 1'); } } * Huấn luyện bằng thuật toán CART else { * Lấy liệu nhập từ bàn phím var parameter_tree_cart = treeTextBox.getValue(); * Tạo huấn luyện huấn luyện, lấy số theo liệu nhập var classifier_cart = ee.Classifier.smileCart(ee.Number.parse(parameter_tree_cart)).setOutputMode('PROBABILI TY').train({ features: training, classProperty: 'fire', inputProperties: bands }); * Tạo kết phân loại var classified_cart = dataset.select(bands).classify(classifier_cart); * Hiển thị kết theo lớp var random_cart1 = classified_cart.lt(0.4); var class_cart1 = classified_cart.updateMask(random_cart1); mappingPanel.addLayer(class_cart1,{'palette':'14790b'},'Level 5'); var random_cart2 = classified_cart.gte(0.4).and(classified_cart.lt(0.6)); var class_cart2 = classified_cart.updateMask(random_cart2); mappingPanel.addLayer(class_cart2,{'palette':'57d646'},'Level 4'); var random_cart3 = classified_cart.gte(0.6).and(classified_cart.lt(0.75)); var class_cart3 = classified_cart.updateMask(random_cart3); mappingPanel.addLayer(class_cart3,{'palette':'f6f810'},'Level 3'); var random_cart4 = classified_cart.gte(0.75).and(classified_cart.lt(0.9)); var class_cart4 = classified_cart.updateMask(random_cart4); mappingPanel.addLayer(class_cart4,{'palette':'ffa90e'},'Level 2'); var random_cart5 = classified_cart.gte(0.9); var class_cart5 = classified_cart.updateMask(random_cart5); mappingPanel.addLayer(class_cart5,{'palette':'ef3600'},'Level 1'); } }); * Chức xoá lớp liệu var clearMap = clearButton.onClick(function() { var layers = mappingPanel.layers(); layers.forEach(function(x) { mappingPanel.remove(x); }); });