Mục đích của nghiên cứu này là thử nghiệm chỉ số tương đối KB tính theo chỉ số than cháy (NBR, Normalized Burn Ratio) của ảnh Sentinel 2 để phát hiện sớm mất rừng, suy thoái rừng trong phạm vi một số kiểu rừng phổ biến ở tỉnh Đắk Lắk. Mời các bạn cùng tham khảo!
Quản lý Tài nguyên rừng & Môi trường PHÁT HIỆN SỚM MẤT RỪNG, SUY THOÁI RỪNG Ở TỈNH ĐẮK LẮK SỬ DỤNG CHỈ SỐ TƯƠNG ĐỐI KB TÍNH THEO CHỈ SỐ NBR CỦA ẢNH SENTINEL Phùng Văn Khoa1, Nguyễn Quốc Hiệu2, Nguyễn Quang Huy1 Trường Đại học Lâm nghiệp Tổng cục Lâm nghiệp TÓM TẮT Nghiên cứu ứng dụng số từ ảnh viễn thám loại ảnh vệ tinh khác việc phát sớm rừng, suy thoái rừng cần thiết giám sát tài nguyên rừng nước ta Trong báo này, số tương đối KB tính theo NBR ảnh Sentinel sử dụng để phát sớm rừng suy thoái rừng cho 03 kiểu rừng (rừng gỗ tự nhiên rộng thường xanh, rừng gỗ tự nhiên kim, rừng trồng) tỉnh Đắk Lắk Nghiên cứu xác định ngưỡng phát suy thối rừng, rừng có số tương đối KB là: 25,0 – 46,0 46,0 - 85,0 Sử dụng số tương đối KB tính theo số NBR ảnh Sentinel để phát sớm rừng, suy thoái rừng tỉnh Đắk Lắk kiểm chứng với tỷ lệ phát vùng rừng 94,0% độ xác phát diện tích rừng 92,8%; tỷ lệ phát vùng suy thoái rừng 85,0% độ xác phát diện tích suy thoái rừng 77,2% Kết nghiên cứu rằng, số tương đối KB tính theo số NBR ảnh Sentinel phù hợp với việc phát sớm rừng, suy thoái rừng tỉnh Đắk Lắk Chỉ số sử dụng để phát sớm rừng, suy thoái rừng cho khu vực khác có điều kiện tương tự nước Từ khóa: Đắk Lắk, rừng, NBR, Sentinel 2, suy thoái rừng ĐẶT VẤN ĐỀ Trên giới, viễn thám ứng dụng mạnh mẽ để giám sát rừng, suy thối rừng Có thể kể đến số nghiên cứu giới như: Miller, J D., & Thode, A E (2007); Hadi et al., (2018); Katsuto Shimizu et al (2019); Thaís Ailmaida Lima et al (2019) Ở Việt Nam có số cơng trình nghiên cứu sử dụng ảnh viễn thám để giám sát rừng, suy thoái rừng như: Nguyễn Thanh Hoàn cộng (2017) sử dụng số Normalised Difference Vegetation Index (NDVI), Normalised Difference Soil Index (NDSI) ảnh vệ tinh Landsat để xác định rừng tỉnh Đắk Nơng với độ xác 91,6% 99,2%; Nguyễn Hải Hòa cộng (2019), sử dụng số NDVI ảnh Landsat để xác định ngưỡng phát sớm rừng hoạt động khai thác khoáng sản khu dự trữ sinh Lang Biang tỉnh Lâm Đồng với độ xác từ 56,0% đến 81,1%; Phùng Văn Khoa cộng (2019) sử dụng số tương đối KB tính theo số NDVI ảnh Landsat để phát sớm rừng, suy thoái rừng vùng Tây Nguyên - trường hợp tỉnh Đắk Nông với độ xác phát vùng rừng 80,0% độ xác phát suy thối rừng 70,0% Chúng thấy rằng, giám sát rừng, suy thoái rừng, số NDVI ảnh Landsat thường ứng dụng số tác giả nước tác giả nước ngồi lại có xu hướng lựa chọn đa dạng số loại ảnh khác Một hạn chế ảnh Landsat thường bị mây che phủ độ phân giải không gian không cao (30 m) nên vụ phá rừng có phạm vi nhỏ khó phát ảnh Landsat Do đó, việc nghiên cứu thử nghiệm thêm loại ảnh vệ tinh khác, số viễn thám khác nhằm nâng cao hiệu phát rừng, suy thoái rừng cần thiết nước ta Mục đích nghiên cứu thử nghiệm số tương đối KB tính theo số than cháy (NBR, Normalized Burn Ratio) ảnh Sentinel để phát sớm rừng, suy thoái rừng phạm vi số kiểu rừng phổ biến tỉnh Đắk Lắk PHƯƠNG PHÁP NGHIÊN CỨU 2.1 Phạm vi mẫu sử dụng Đắk Lắk năm tỉnh thuộc vùng Tây Nguyên, Việt Nam Theo Bộ Nông nghiệp Phát triển nông thơn (2019), đến 31/12/2018 tỉnh Đắk Lắk có diện tích rừng 512.854 ha, diện tích rừng tự nhiên 457.643 (chiếm 89,0%) diện tích rừng trồng 55.211 (chiếm 11,0%) giai đoạn 2015 đến 2018, tỉnh Đắk Lắk có diện tích rừng tự nhiên bị mất, chuyển đổi 14.537 TẠP CHÍ KHOA HỌC VÀ CÔNG NGHỆ LÂM NGHIỆP SỐ - 2020 47 Quản lý Tài nguyên rừng & Môi trường Nghiên cứu thực kiểu rừng phổ biến khu vực: rừng gỗ tự nhiên rộng thường xanh (251.435 ha), rừng gỗ tự nhiên kim (8.491 Thông Thông lá) rừng trồng (28.800 trồng loài Keo) tỉnh Đắk Lắk Kiểu rừng rộng rụng (200.291 ha) khơng thuộc phạm vi nghiên cứu Hình Sơ đồ phạm vi phân bố mẫu Nghiên cứu sử dụng 210 mẫu (mỗi mẫu tương ứng lô rừng) bao gồm: 90 mẫu xác định ngưỡng phát rừng không đổi; 50 mẫu xác định ngưỡng phát rừng; 70 mẫu để đánh giá độ xác phương pháp phát sớm rừng suy thối rừng (Hình 1) Mẫu có kích thước trung bình 1,5 Mẫu có kích thước nhỏ 0,31 mẫu có kích thước lớn 6,45 2.2 Ảnh vệ tinh Sentinel sử dụng Hình Sơ đồ quy trình nghiên cứu Trong nghiên cứu này, 951 cảnh ảnh Sentinle từ 15/11/2015 đến 31/12/2018 phân tích để đánh giá trạng độ che phủ mây ảnh Sentinle khu vực nghiên cứu xác định ngưỡng rừng không thay đổi Sau loại bỏ cảnh ảnh có độ che phủ mây lớn, cảnh ảnh Sentinel (Bảng 1) sử dụng để xác định ngưỡng phát rừng, suy thoái rừng đánh giá độ xác phương pháp Bảng Thơng tin ảnh Sentinel sử dụng TT Mã ảnh 20151115T032112_20161224T004753_T48PZU 20160423T032356_20160423T083153_T48PZU 20180108T031109_20180108T032345_T48PZV 20180413T030541_20180413T031057_T48PZV 20180108T031109_20180108T032345_T48PZU 20180413T030541_20180413T031057_T48PZU 20180108T031109_20180108T032345_T49PBQ 20180413T030541_20180413T031057_T49PBQ 2.3 Xác định rừng, suy thoái rừng Áp dụng số tương đối KB (Miller & Thode, 2007; Khoa et al., 2019) để xác định sớm rừng, suy thoái rừng: KB = 100 * (T1-T2)/T1 (1) Trong đó: T1 giá trị NBR thời điểm trước xảy rừng, suy thoái rừng; 48 Tỷ lệ mây (%) 7,9 4,2 7,6 5,6 16,6 4,3 14,6 11,6 Thời gian chụp 15/11/2015 23/04/2016 08/01/2018 13/04/2018 08/01/2018 13/04/2018 08/01/2018 13/04/2018 Nguồn: Google Earth Engine T2 giá trị NBR thời điểm sau xảy rừng, suy thoái rừng Chỉ số NBR xác định theo công thức: ( NBR = ( ) ) (2) Trong đó: Đối với ảnh Sentinel 2, BandNIR (kênh cận hồng ngoại) Band BandSWIR (kênh hồng ngoại sóng ngắn) Band 12 Để nâng cao độ xác phương pháp, TẠP CHÍ KHOA HỌC VÀ CƠNG NGHỆ LÂM NGHIỆP SỐ - 2020 Quản lý Tài nguyên rừng & Môi trường nghiên cứu giới hạn phạm vi nghiên cứu cách xử lý ảnh T1 T2 sau: loại bỏ khu vực có mây Google Earth Engine (GEE) lựa chọn diện tích thuộc kiểu rừng nghiên cứu Quy trình nghiên cứu minh họa hình 2.4 Xác định ngưỡng rừng khơng đổi, rừng, suy thoái rừng 2.4.1 Xác định ngưỡng rừng khơng đổi Phương pháp rút mẫu điển hình phân tầng áp dụng để lựa chọn lô rừng nhằm xác định ngưỡng rừng không thay đổi Các đồ cập nhật trạng rừng tỉnh Đắk Lắk năm (2015, 2016, 2017, 2018) sử dụng để lựa chọn 30 mẫu/kiểu rừng khơng có thay đổi trạng thái khoảng thời gian nghiên cứu Đồng thời, nghiên cứu kiểm chứng tính ổn định trạng thái kiểu rừng Planet Tổng số mẫu 90 mẫu Nghiên cứu xác định thay đổi giá trị NBR 90 mẫu khoảng thời gian từ 15/11/2015 đến 31/12/2018 Các tác giả sử dụng GEE để trích xuất giá trị NBR mẫu, sau xác định giá trị NBR lớn (NBRMax) giá trị NBR nhỏ (NBRMin) cho mẫu Sau đó, tính số KB theo cơng thức (1) với T1 giá trị NBRMax T2 giá trị NBRMin Tiếp theo, tính giá trị KB trung bình kiểu rừng Ngưỡng phát rừng khơng thay đổi (KBkhongthaydoi) xác định có giá trị nằm khoảng (a, b), đó: a = trường hợp lý tưởng mặt lý thuyết b giá trị KB lớn kiểu rừng 2.4.2 Xác định ngưỡng rừng Nghiên cứu sử dụng liệu đồ cập nhật diễn biến rừng tỉnh Đắk Lắk năm 2015, 2016 để xác định mẫu rừng Các mẫu kiểm chứng Planet thời gian rừng (Hình Hình 4) Kết nghiên cứu lựa chọn 50 mẫu lô rừng bị khoảng thời gian từ ngày 15/11/2015 đến 23/4/2016 tỉnh Đắk Lắk để xác định ngưỡng KB phát rừng Ảnh Planet trước rừng Ảnh Planet sau rừng (15/11/2015) (24/04/2016) Hình Kiểm chứng thời gian rừng lô 27 khoảnh tiểu khu 1409 Ảnh Planet trước rừng Ảnh Planet sau rừng (23/11/2015) (24/04/2016) Hình Kiểm chứng thời gian rừng lô 13 khoảnh tiểu khu 1409 (Nguồn: https://www.planet.com/) TẠP CHÍ KHOA HỌC VÀ CƠNG NGHỆ LÂM NGHIỆP SỐ - 2020 49 Quản lý Tài nguyên rừng & Mơi trường Quy trình xác định ngưỡng KB để phát sớm rừng thực sau: Bước 1: Lựa chọn ảnh vệ tinh thời điểm T1 (trước biến động) thời điểm T2 (thời điểm phát biến động) Tính giá trị KB theo công thức (1) công cụ Spatial Analyst Tools phần mềm ArcGIS Bước Trích xuất giá trị KB với tham số giá trị trung bình (Mean) cho 50 mẫu nghiên cứu, sử dụng công cụ Zonal Statistics phần mềm ArcGIS để thực Bước Xác định ngưỡng phát rừng Từ kết bước 2, với bảng số liệu giá trị Mean 50 vùng mẫu nghiên cứu, ngưỡng phát rừng (KBmatrung) xác định nằm khoảng (c, d), đó: c giá trị KB nhỏ 50 mẫu d giá trị KB lớn 50 mẫu nghiên cứu 2.4.3 Xác định ngưỡng suy thối rừng Nghiên cứu xác định diện tích rừng bị suy thối có ngưỡng KBsuythoairung khoảng từ KBkhongthaydoi (rừng không thay đổi) đến ngưỡng KBmatrung (rừng bị mất) 2.4.4 Đánh giá độ xác phương pháp Độ xác phương pháp đánh giá hai tiêu chí: số vùng phát diện tích phát Nghiên cứu lựa chọn 50 mẫu rừng 20 mẫu suy thoái rừng năm 2018 tỉnh Đắk Lắk để kiểm chứng với kết phát rừng, suy thoái rừng từ ảnh vệ tinh Các mẫu rừng, suy thoái rừng kiểm chứng tương tự việc lựa chọn 50 mẫu rừng để xác định ngưỡng rừng (mục 2.4.2) với việc sử dụng liệu đồ cập nhật diễn biến rừng tỉnh Đắk Lắk năm 2017, 2018 Planet 2.5 Phần mềm sử dụng Trong nghiên cứu này, ArcGIS Desktop, Google Earth Engine ảnh vệ tinh Planet có độ phân giải không gian cao sử dụng Phần mềm ArcGIS sử dụng để phân tích số KB xác định khu vực rừng có thay đổi; Google Earth Engine sử dụng để chọn ảnh khu vực nghiên cứu, lọc mây, vẽ biểu đồ thay đổi số NBR theo thời gian; Planet sử dụng để kiểm chứng mẫu rừng không đổi, rừng, suy thoái rừng KẾT QUẢ VÀ THẢO LUẬN 3.1 Hiện trạng độ che phủ mây ảnh Sentinel khu vực nghiên cứu Nghiên cứu sử dụng GEE để trích xuất thơng tin tỷ lệ mây ảnh Sentinel thời gian từ 15/11/2015 đến 31/12/2018 nhằm đánh giá số lượng chất lượng ảnh Sentinel phù hợp cho phát sớm rừng, suy thoái rừng tỉnh Đắk Lắk Kết cho thấy, tổng số ảnh bao phủ diện tích tỉnh Đắk Lắk 951 cảnh ảnh Số cảnh ảnh so sánh tháng hình 120 Tổng số ảnh 100 80 60 40 20 01 02 03 04 < 10% 05 06 07 08 09 Tháng tỷ lệ mây (%) 10 - 30% 10 11 12 > 30% Hình So sánh số lượng ảnh Sentinel tháng năm 50 TẠP CHÍ KHOA HỌC VÀ CƠNG NGHỆ LÂM NGHIỆP SỐ - 2020 Quản lý Tài nguyên rừng & Môi trường Trong tổng số 951 cảnh ảnh, có 95 cảnh ảnh có tỷ lệ mây 10% (chiếm tỷ lệ 10%), có 217 cảnh ảnh có tỷ lệ mây khoảng từ 10 đến 30% (chiếm tỷ lệ 22%) 649 cảnh ảnh có tỷ lệ mây 30% (chiếm 68%) Chúng tơi thấy rằng, ảnh Sentinel có tỷ lệ mây 10% tập trung vào tháng mùa khô năm (tháng 1, 2, 4) Các tháng mùa mưa ảnh có tỷ lệ mây 30% chủ yếu, đặc biệt tháng 6, Ảnh có tỷ lệ 10% phù hợp cho việc phát sớm rừng, suy thái rừng Ảnh có tỷ lệ mây từ 10 đến 30% sử dụng phạm vi giới hạn Ảnh có tỷ lệ mây 30% có khả sử dụng thấp 3.2 Xác định ngưỡng rừng không đổi, rừng suy thoái rừng 3.2.1 Ngưỡng rừng không đổi Xác định ngưỡng giá trị KB cho rừng không thay đổi quan trọng việc xác định ngưỡng rừng suy thoái rừng Nghiên cứu sử dụng GEE để trích xuất giá trị NBR 90 mẫu theo 03 kiểu rừng sau tính giá trị KB kiểu rừng theo năm 2016, 2017 2018 Kết trình bày bảng Bảng Giá trị KB kiểu rừng để xác định ngưỡng phát rừng không đổi TT Kiểu rừng Rừng tự nhiên rộng thường xanh Rừng tự nhiên kim Rừng trồng (lồi Keo, Bạch đàn, Thơng) Giá trị KB Năm 2016(*) Năm 2017 Năm 2018 15,0 ± 7,5 20,1 ± 8,4 18,0 ± 11,5 15,0 ± 5,7 19,3 ± 8,4 20,7 ± 10,1 17,3 ± 6,4 17,5 ± 8,2 25,0 ± 9,5 Ghi chú: (*) thời gian tính từ 15/11/2015 đến 31/12/2016 Từ bảng cho thấy, kiểu rừng rộng thường xanh có giá trị KB dao động từ 15,0 đến 17,3 Kiểu rừng tự nhiên kim có giá trị KB dao động từ 17,5 đến 20,1 Kiểu rừng trồng có giá trị KB dao động từ 18,0 đến 25,0 Kiểu rừng tự nhiên rộng thường xanh có giá trị KB nhỏ (Min) 15,0 so với kiểu rừng khác kiểu rừng trồng có giá trị KB lớn (Max) 25,0 so với kiểu rừng khác Từ đó, chúng tơi xác định ngưỡng giá trị KB để phát rừng không đổi khu vực nghiên cứu từ 0,0 đến 25,0 3.2.2 Ngưỡng rừng, suy thoái rừng Căn vào thời gian rừng 50 mẫu rừng lựa chọn, nghiên cứu lựa chọn cảnh ảnh Sentinel Bảng 01 với thời điểm T1 (15/11/2015) thời điểm T2 (23/4/2016) để tính tốn đồ ảnh giá trị KB theo cơng thức (1) trích xuất giá trị KB với 50 mẫu nghiên cứu Kết thể bảng Số liệu bảng cho thấy, 50 mẫu rừng nghiên cứu, mẫu có giá trị KB nhỏ 46,0 mẫu có giá trị KB lớn 85,0 Từ đó, thấy ngưỡng phát rừng sử dụng số NBR ảnh Sentinel có giá trị KB khu vực nghiên cứu nằm khoảng từ 46,0 đến 85,0 Như đề cập phần phương pháp xác định ngưỡng phát suy thoái rừng, dựa vào kết xác định ngưỡng phát rừng không đổi ngưỡng phát rừng, nghiên cứu xác định ngưỡng phát suy thối rừng có giá trị KB nằm khoảng từ 25,0 đến 46,0 TẠP CHÍ KHOA HỌC VÀ CÔNG NGHỆ LÂM NGHIỆP SỐ - 2020 51 Quản lý Tài nguyên rừng & Môi trường TT 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 Bảng Giá trị KB 50 mẫu xác định ngưỡng phát rừng Diện tích Kiểu rừng Tiểu khu Khoảnh Lô Giá trị KB (ha) RTG 1438 14 1,68 85,0 RTX 1148 48b 0,54 47,3 RTX 1149 36a 0,39 48,1 RTX 1138 5a 0,71 77,8 RTG 1407 14 0,68 67,7 RTG 1409 20 1,45 62,2 RTG 1409 13 2,49 77,4 RTG 1409 16 1,91 76,4 RTG 1409 31 1,11 70,3 RTG 1409 37 1,76 61,8 RTG 1409 5 1,91 69,6 RTG 1409 27 2,88 53,2 RTG 1409 29 0,52 64,5 RTG 1409 36 0,79 73,1 RTG 1409 50 0,96 70,9 RTG 1422 58 0,47 70,6 RTG 1422 68 1,08 56,3 RTG 1422 76 0,76 65,2 RTG 1422 91 1,30 65,7 RTG 1422 98 2,02 59,0 RTG 1422 101 2,56 67,8 RTG 1422 103 1,41 69,1 RTX 1409 18 1,46 46,0 RTX 1415 28 1,33 77,2 RTG 1390 89 0,92 65,5 RTG 1399 10 1,67 77,6 RTG 1399 70 0,68 57,4 RTG 1399 68 1,09 58,8 RTX 1399 24 1,89 70,5 RTX 1399 55 1,34 62,8 RTG 1438 32 3,25 59,4 RTX 1427 14 0,34 71,8 RTG 1427 29c 4,42 78,0 RTX 1427 11 0,38 79,1 RTG 1436 19 1,34 57,1 RTG 1436 44 6,45 50,7 RTG 1438 1,04 51,3 RTG 1438 22 1,40 58,8 RTG 1438 27 0,76 83,0 RTG 1438 1,70 62,7 RTX 1148 17a 0,34 60,9 RTX 1138 17b 0,74 49,7 RTX 1138 5a 0,71 76,8 RTX 1148 24f 0,66 48,0 RTX 779 47a 0,86 50,9 RTX 774 39a 0,31 46,0 RTX 1148 17a 0,34 56,5 RTX 145 42a 0,43 71,4 RTX 172 12 0,79 84,6 RTX 1138 17b 0,74 60,2 Giá trị nhỏ (Min) 0,31 46,0 Giá trị lớn (Max) 6,45 85,0 Độ lệch chuẩn 7,1 29,1 18,1 22,1 9,1 16,7 15,0 14,5 3,2 25,2 9,1 12,0 5,8 5,8 11,5 6,1 17,8 9,4 14,6 13,9 7,4 3,1 14,3 14,7 12,2 12,2 14,5 4,4 9,9 10,4 16,1 9,7 15,8 5,9 17,6 17,1 12,4 13,4 6,0 15,5 8,8 23,3 18,1 29,1 16,4 6,1 8,6 8,1 16,2 23,0 3,1 29,1 Ghi chú: RTG – Rừng trồng gỗ; RTX – Rừng tự nhiên thường xanh 52 TẠP CHÍ KHOA HỌC VÀ CƠNG NGHỆ LÂM NGHIỆP SỐ - 2020 Quản lý Tài nguyên rừng & Môi trường 3.3 Đánh giá độ xác phương pháp 3.3.1 Độ xác phát sớm rừng Nghiên cứu sử dụng 06 cảnh ảnh Sentinel Bảng 01 với thời điểm T1 (08/01/2018) thời điểm T2 (13/4/2018) để phát vùng rừng ảnh kiểm chứng với 50 mẫu rừng lựa chọn Kết kiểm chứng thể bảng Bảng Kết kiểm chứng 50 mẫu rừng TT Trạng thái rừng Tọa độ X 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 RTX RTG RTX RTG RTX RTG RTX RTX RTX RTX RTG RTX RTX RTX RTX RTG RTX RTX RTX RTX RTX RTX RTX RTX RTX RTX RTX RTX RTX RTX RTX RTX RTX RTX RTX 874513 915248 908822 877061 890271 878692 900290 900555 898162 902511 877060 890271 890328 829386 829271 911103 832548 827951 827904 824879 826459 827382 826738 826686 828114 831262 831311 831764 831174 831399 831347 831306 831305 831396 831230 Tọa độ Y Thời điểm trước bị tác động 1441714 1400506 1402056 1397011 1396129 1400983 1401000 1400948 1390386 1384639 1396999 1396148 1396219 1444162 1444575 1405672 1453795 1476620 1476857 1469505 1454403 1453892 1453001 1452928 1454321 1454147 1451465 1451890 1452149 1452176 1452110 1452047 1451970 1452009 1451860 8/1/2018 8/1/2018 8/1/2018 8/1/2018 8/1/2018 8/1/2018 8/1/2018 8/1/2018 8/1/2018 8/1/2018 8/1/2018 8/1/2018 8/1/2018 8/1/2018 8/1/2018 8/1/2018 8/1/2018 8/1/2018 8/1/2018 8/1/2018 8/1/2018 8/1/2018 8/1/2018 8/1/2018 8/1/2018 8/1/2018 8/1/2018 8/1/2018 8/1/2018 8/1/2018 8/1/2018 8/1/2018 8/1/2018 8/1/2018 8/1/2018 Thời điểm bị tác động Thời điểm phát rừng ảnh Diện tích kiểm chứng (ha) 8/1-13/4/2018 8/1-13/4/2018 8/1-13/4/2018 8/1-13/4/2018 8/1-13/4/2018 8/1-13/4/2018 8/1-13/4/2018 8/1-13/4/2018 8/1-13/4/2018 8/1-13/4/2018 8/1-13/4/2018 8/1-13/4/2018 8/1-13/4/2018 8/1-13/4/2018 8/1-13/4/2018 8/1-13/4/2018 8/1-13/4/2018 8/1-13/4/2018 8/1-13/4/2018 8/1-13/4/2018 8/1-13/4/2018 8/1-13/4/2018 8/1-13/4/2018 8/1-13/4/2018 8/1-13/4/2018 8/1-13/4/2018 8/1-13/4/2018 8/1-13/4/2018 8/1-13/4/2018 8/1-13/4/2018 8/1-13/4/2018 8/1-13/4/2018 8/1-13/4/2018 8/1-13/4/2018 8/1-13/4/2018 13/4/2018 13/4/2018 13/4/2018 13/4/2018 13/4/2018 13/4/2018 13/4/2018 13/4/2018 13/4/2018 13/4/2018 13/4/2018 13/4/2018 13/4/2018 13/4/2018 13/4/2018 13/4/2018 13/4/2018 13/4/2018 13/4/2018 13/4/2018 13/4/2018 13/4/2018 13/4/2018 13/4/2018 13/4/2018 13/4/2018 13/4/2018 13/4/2018 13/4/2018 13/4/2018 13/4/2018 13/4/2018 13/4/2018 13/4/2018 13/4/2018 0,31 1,84 0,33 1,84 0,56 1,03 0,61 0,90 0,40 0,47 1,84 0,56 0,40 0,35 0,36 3,27 0,99 2,19 0,46 0,86 0,42 0,45 0,37 0,47 0,42 0,40 0,46 0,93 0,45 0,42 0,44 0,47 0,46 0,30 0,42 TẠP CHÍ KHOA HỌC VÀ CÔNG NGHỆ LÂM NGHIỆP SỐ - 2020 Diện tích phát ảnh (ha) 0,31 1,53 0,32 1,56 0,47 0,86 0,49 0,84 0,38 0,38 1,52 0,54 0,39 0,32 0,36 NA 0,82 2,04 0,46 0,86 0,42 0,39 0,36 0,47 0,40 0,40 0,42 0,93 0,37 0,42 0,44 0,46 0,46 0,30 0,37 Tỷ lệ sai khác diện tích (%) 0,00 16,80 3,00 15,20 16,10 16,50 19,70 6,70 5,00 19,10 17,40 3,60 2,50 8,60 0,00 17,20 6,80 0,00 0,00 0,00 13,30 2,70 0,00 4,80 0,00 8,70 0,00 17,80 0,00 0,00 2,10 0,00 0,00 11,9 53 Quản lý Tài nguyên rừng & Môi trường TT Trạng thái rừng Tọa độ X Tọa độ Y Thời điểm trước bị tác động 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 RTX RTX RTX RTX RTX RTX RTX RTG RTX RTX RTX RTG RTX RTX RTX 832644 832331 832205 832309 832757 832880 832271 922094 831098 828492 828459 878563 814068 814099 821719 1453685 1453546 1453072 1453009 1451312 1451072 1453709 1393076 1454456 1441903 1442348 1399951 1465790 1465986 1460762 8/1/2018 8/1/2018 8/1/2018 8/1/2018 8/1/2018 8/1/2018 8/1/2018 8/1/2018 8/1/2018 8/1/2018 8/1/2018 8/1/2018 8/1/2018 8/1/2018 8/1/2018 Thời điểm bị tác động Thời điểm phát rừng ảnh Diện tích kiểm chứng (ha) 8/1-13/4/2018 13/4/2018 0,50 8/1-13/4/2018 13/4/2018 0,69 8/1-13/4/2018 13/4/2018 0,75 8/1-13/4/2018 13/4/2018 0,58 8/1-13/4/2018 13/4/2018 0,46 8/1-13/4/2018 13/4/2018 0,48 8/1-13/4/2018 13/4/2018 0,81 8/1-13/4/2018 13/4/2018 2,21 8/1-13/4/2018 13/4/2018 0,73 8/1-13/4/2018 13/4/2018 2,67 8/1-13/4/2018 13/4/2018 0,62 8/1-13/4/2018 13/4/2018 10,04 8/1-13/4/2018 13/4/2018 0,33 8/1-13/4/2018 13/4/2018 0,38 8/1-13/4/2018 13/4/2018 0,78 Số mẫu rừng phát Độ xác phát số mẫu rừng (%) Tỷ lệ sai khác diện tích rừng (%) Độ xác diện tích phát rừng (%) Diện tích phát ảnh (ha) 0,50 0,56 0,68 0,52 0,39 0,48 0,73 NA 0,73 2,20 0,58 NA 0,30 0,37 0,74 47 94,0 Tỷ lệ sai khác diện tích (%) 0,00 18,80 9,30 10,30 15,20 0,00 9,90 0,00 17,60 6,50 9,10 2,60 5,10 7,2 92,8 Ghi chú: RTG – Rừng trồng gỗ; RTX – Rừng tự nhiên thường xanh; NA – Không phát Chúng thấy rằng, 50 mẫu kiểm chứng có 47 mẫu phát từ ảnh Sentinel (chiếm tỷ lệ 94%) 03 mẫu không phát từ ảnh (chiếm tỷ lệ 6%) với nguyên nhân xác định mẫu có ngưỡng KB thấp ngưỡng phát rừng Tỷ lệ sai khác diện tích mẫu rừng dao động khoảng từ đến 19,7% Tỷ lệ sai khác trung bình diện tích mẫu nghiên cứu 7,2% Hay nói cách khác, độ xác diện tích phương pháp phát sớm rừng số tương đối KB tính theo số NBR ảnh Sentinel 92,8% 3.3.2 Độ xác phát sớm suy thối rừng Nghiên cứu sử dụng 06 cảnh ảnh Sentinel (Bảng 1) với thời điểm T1 (08/01/2018) thời điểm T2 (13/4/2018) để 54 xác định vùng suy thoái rừng ảnh kiểm chứng với 20 mẫu suy thoái rừng lựa chọn Kết kiểm chứng thể bảng Chúng thấy rằng, 20 mẫu kiểm chứng có 17 mẫu phát từ ảnh (chiếm tỷ lệ 85,0%) 03 mẫu không phát từ ảnh (chiếm tỷ lệ 15,0%) với nguyên nhân xác định mẫu có ngưỡng KB thấp ngưỡng phát suy thối rừng Tỷ lệ sai khác diện tích mẫu nghiên cứu dao động khoảng từ đến 58,0% Tỷ lệ sai khác trung bình mẫu nghiên cứu 22,8% Hay nói cách khác, phương pháp phát sớm suy thoái rừng sử dụng số tương đối KB tính theo số NBR ảnh Sentinel có độ xác diện tích phát 77,2% TẠP CHÍ KHOA HỌC VÀ CÔNG NGHỆ LÂM NGHIỆP SỐ - 2020 Quản lý Tài nguyên rừng & Môi trường Bảng Kết kiểm chứng 20 mẫu suy thoái rừng TT Trạng thái rừng Tọa độ X Tọa độ Y Thời điểm trước bị tác động 10 11 12 13 14 15 16 17 18 19 20 RTG RTG RTG RTX RTX RTX RTX RTX RTG RTG RTX RTX RTX RTG RTX RTG RTG RTG RTX RTG 915117 914949 914365 890324 899555 900555 891354 891380 878477 878549 899122 900616 902337 878463 891382 878477 878564 877663 899126 878544 1399466 1400206 1401596 1396125 1406927 1401139 1395268 1395194 1399904 1399474 1398761 1401127 1385290 1398814 1395195 1399904 1399448 1399544 1398756 1399841 8/1/2018 8/1/2018 8/1/2018 8/1/2018 8/1/2018 8/1/2018 8/1/2018 8/1/2018 8/1/2018 8/1/2018 8/1/2018 8/1/2018 8/1/2018 8/1/2018 8/1/2018 8/1/2018 8/1/2018 8/1/2018 8/1/2018 8/1/2018 Thời điểm bị tác động Thời điểm phát suy thối rừng ảnh Diện tích kiểm chứng (ha) 8/1-13/4/2018 13/04/2018 2,36 8/1-13/4/2018 13/04/2018 7,28 8/1-13/4/2018 13/04/2018 3,01 8/1-13/4/2018 13/04/2018 0,40 8/1-13/4/2018 13/04/2018 0,34 8/1-13/4/2018 13/04/2018 0,42 8/1-13/4/2018 13/04/2018 0,53 8/1-13/4/2018 13/04/2018 0,34 8/1-13/4/2018 13/04/2018 0,32 8/1-13/4/2018 13/04/2018 1,31 8/1-13/4/2018 13/04/2018 1,40 8/1-13/4/2018 13/04/2018 0,64 8/1-13/4/2018 13/04/2018 0,45 8/1-13/4/2018 13/04/2018 1,23 8/1-13/4/2018 13/04/2018 0,34 8/1-13/4/2018 13/04/2018 0,32 8/1-13/4/2018 13/04/2018 1,31 8/1-13/4/2018 13/04/2018 1,97 8/1-13/4/2018 13/04/2018 1,40 8/1-13/4/2018 13/04/2018 2,11 Số mẫu suy thoái rừng phát Độ xác phát số mẫu suy thối rừng (%) Tỷ lệ sai khác diện tích suy thối rừng (%) Độ xác diện tích phát suy thoái rừng (%) Ghi chú: RTG – Rừng trồng gỗ; RTX – Rừng tự nhiên thường xanh; NA – Không phát 3.4 Thảo luận Nghiên cứu thực nhằm mục đích đánh giá hiệu sử dụng số tương đối KB tính theo số NBR ảnh Sentinel phát sớm rừng, suy thoái rừng tỉnh Đắk Lắk Kết đánh giá trạng liệu độ che phủ mây ảnh Sentinel tỉnh Đắk Lắk cho thấy, ảnh Sentinel đáp ứng tốt cho việc phát sớm rừng, suy thoái rừng vào tháng mùa khô (tháng 11, 12, 1, 2, 4) Vào tháng này, ảnh Sentinel với chu kỳ bay chụp ngày cung Diện tích phát ảnh (ha) 1,18 3,94 NA 0,34 0,31 0,36 0,39 0,33 0,31 0,55 0,81 0,37 0,35 NA 0,34 0,32 0,97 NA 0,99 0,88 17 85,0 Tỷ lệ sai khác diện tích (%) 50,00 45,90 15,00 8,80 14,30 26,40 2,90 3,10 58,00 42,10 42,20 22,20 0,00 0,00 26,00 29,30 0,58 22,8 77,2 cấp nhiều ảnh có chất lượng tốt để sử dụng cho phát sớm rừng, suy thoái rừng Điều cho thấy, ảnh Sentinel kết hợp với ảnh Landsat ảnh vệ tinh khác để nâng cao hiệu sử dụng ảnh vệ tinh phát sớm rừng, suy thoái rừng khu vực nghiên cứu Nghiên cứu xác định ngưỡng số tương đối KB tính theo số NBR ảnh Sentinel để phát suy thoái rừng, rừng với giá trị là: 25,0 – 46,0 46,0 85,0 Theo Phùng Văn Khoa cộng (2019), sử dụng số tương đối KB tính theo TẠP CHÍ KHOA HỌC VÀ CÔNG NGHỆ LÂM NGHIỆP SỐ - 2020 55 Quản lý Tài nguyên rừng & Môi trường số NDVI ảnh Landsat để xác định ngưỡng suy thối rừng, rừng có ngưỡng là: 20,1 - 52,5 52,5 - 70,0 Có thể thấy, ngưỡng để phát suy thoái rừng sử dụng số NBR có giá trị (KB = 25,0) cao so với sử dụng số NDVI (KB = 20,1) Và ngưỡng để phát rừng sử dụng số NBR (KB = 85,0) cao so với việc sử dụng số NDVI (KB = 70,0) Chúng tơi cho điều giải thích sau: thứ nhất, khác biệt công thức xác định số NBR NDVI Cả hai cơng thức tính NDVI NBR có sử dụng kênh sóng cận hồng ngoại (NIR) Thực vật phản xạ mạnh dải sóng kênh NIR Sự khác biệt thể việc cơng thức tính NDVI sử dụng kênh đỏ (RED) cơng thức tính số NBR sử dụng kênh dải hồng ngoại sóng ngắn (SWIR) Kênh SWIR có bước sóng dài so với kênh RED, nên có khả phát khu vực khơ ẩm tốt đồng thời chịu tác động mây so với kênh RED Do đó, sử dụng số NBR khả phát biến động vùng tốt so với số NDVI làm cho ngưỡng KB rừng không thay đổi rộng giá trị KB mẫu rừng cao Thứ hai, giải thích khác biệt độ phân giải không gian ảnh Ảnh sentinel có độ phân giải khơng gian cao (10 m Band 8; 20 m - Band 12) ảnh Landsat sử dụng có độ phân giải khơng gian thấp (30 m) Do đó, ảnh Sentinel phát vùng có thay đổi tốt hơn, biên độ giá trị KB có xu hướng cao so với ảnh Landsat Nghiên cứu đánh giá độ xác khả phát độ xác diện tích phát sớm rừng, suy thoái rừng sử dụng số tương đối KB tính theo số NBR ảnh Sentinel Kết cho thấy, độ xác phát rừng là: 94,0% 92,8%; độ xác phát suy thối rừng là: 85,0% 77,2% Kết cho thấy, số tương đối KB tính theo số NBR ảnh Sentinel phù hợp cho việc phát sớm 56 rừng, suy thoái rừng khu vực nghiên cứu Theo Phùng Văn Khoa cộng (2019), sử dụng số tương đối KB tính theo số NDVI ảnh Landsat để phát sớm rừng, suy thoái rừng tỉnh Đắk Nơng có độ xác phát rừng là: 80,0% 85,3%; độ xác phát suy thoái rừng là: 70,0% 72,0% Điều cho thấy, sử dụng số tương đối KB tính theo số NBR ảnh Sentinel cải thiện đáng kể độ xác phát rừng suy thoái rừng so với sử dụng số NDVI ảnh Landsat Một điểm quan trọng nghiên cứu sử dụng số tương đối KB (Miller & Thode, 2007; Khoa et al., 2019) theo công thức (1), phương pháp phát sớm rừng, suy thoái rừng với việc sử dụng thuật tốn KB ứng dụng vào thực tiễn việc xây dựng quy trình sử dụng phần mềm như: ArcGIS, QGIS, Google Earth Engine để thực cảnh báo sớm rừng, suy thoái rừng bán tự động tự động Tuy nhiên, việc ứng dụng phương pháp phát sớm rừng, suy thoái rừng với việc sử dụng số tương đối KB cho khu vực khác cần xem xét đến ngưỡng KB (rừng không đổi, rừng, suy thoái rừng) phù hợp với khu vực địa lý loại số, loại ảnh vệ tinh để đạt độ xác cao KẾT LUẬN Trong nghiên cứu này, số tương đối KB tính theo số NBR ảnh Sentinel sử dụng để phát sớm rừng, suy thoái rừng cho kiểu rừng: rừng gỗ tự nhiên rộng thường xanh, rừng gỗ tự nhiên kim, rừng trồng (Keo) tỉnh Đắk Lắk Kết nghiên cứu rằng, số tương đối KB tính theo số NBR ảnh Sentinel phù hợp để phát sớm rừng, suy thoái rừng tỉnh Đắk Lắk Do đó, số tương đối KB tính theo số NBR ảnh Sentinel áp dụng để phát sớm rừng, suy thối rừng cho khu vực khác có điều kiện tương tự nước Kết nghiên cứu gợi ý rằng, ảnh Radar nên xem xét thử TẠP CHÍ KHOA HỌC VÀ CƠNG NGHỆ LÂM NGHIỆP SỐ - 2020 Quản lý Tài nguyên rừng & Môi trường nghiệm để phát sớm rừng, suy thoái rừng vào mùa mưa, mà ảnh quang học có tỷ lệ mây cao TÀI LIỆU THAM KHẢO Thaís Ailmaida Lima, René Beuchle, Andreas Langner, Rosana Cristina Grecchi, Verena C Gries, Frédéric Achar (2019) Comparing Sentinel MSI and Landsat OLI Imagery for monitoring selective logging in the Brazilian Amazon Remote Sens 2019, 11, 961; doi: 10.3390/rs11080961 Hadi, Andray Krasovskii, Victor Maus, Ping Yowargana, Stephan Pietsch, Miina Rautiainen (2018) Monitoring deforestation in rainforest using satellite data: A pilot study from Kalimanta, Indonesia Forests 2018, 9, 389; doi:10.3390/f9070389 Katsuto Shimizu, Tetsuji Ota, Nobuya Mizoue (2019) Detecting forest changes using dense Landsat and Sentinel time series data in tropical seasonal forests Remote Sens 2019, 11, 1899; doi:10.3390/rs11161899 Miller, J D., & Thode, A E (2007) Quantifying burn severity in a heterogeneous landscape with a relative version of the delta Normalized Burn Ratio (dNBR) Remote Sensing of Environment, 109(1), 66−80 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 Tạp chí Khoa học Cơng nghệ Lâm nghiệp số – 2017 Nguyễn Hải Hòa, Phùng Văn Khoa, Lê Văn Hương, Lê Văn Sơn, Dương Trung Hiếu, Lê Quang Minh, Nguyễn Quang Giảng, Nguyễn Hữu Nghĩa, Trần Thị Ngọc Lan, Nguyễn Thị Thu Hiền, Vũ Thị Thanh Hoa (2019) Sử dụng ảnh Landsat để xác định ngưỡng phát sớm khai thác khoáng sản Khu dự trữ sinh giới Langbiang, Lâm Đồng Tạp chí Khoa học Lâm nghiệp số – 2019 Phùng Văn Khoa, Nguyễn Quốc Hiệu, Nguyễn Quang Huy (2019) Sử dụng ảnh Landsat Google Earth Engine để phát sớm rừng, suy thoái rừng khu vực Tây Nguyên: trường hợp tỉnh Đắk Nông Tạp chí Khoa học Cơng nghệ Lâm nghiệp số – 2019 Bộ Nông nghiệp Phát triển nông thôn (2019) Quyết định 911/QĐ-BNN-TCLN ngày 19 tháng năm 2019 Bộ Nông nghiệp Phát triển nông thơn việc Cơng bố trạng rừng tồn quốc năm 2018 Planet Team (2017) Planet Application Program Interface: In Space for Life on Earth San Francisco, CA https://api.planet.com; https://www.planet.com/ EARLY DETECTION OF DEFORESTATION, FOREST DEGRADATION IN DAK LAK PROVINCE USING THE RELATIVE KB INDEX CALCULATED BY THE NORMALIZED BURN RATIO INDEX OF SENTINEL IMAGERY Phung Van Khoa1, Nguyen Quoc Hieu2, Nguyen Quang Huy1 Vietnam National University of Forestry Vietnam Administration of Forestry, Ministry of Agriculture and Rural Development SUMMARY Researching on the application of remote sensing indicators and different types of satellite images in early detecting deforestation and forest degradation, is essential in monitoring forest resources in our country In this paper, the relative KB indices calculated by the NBR index of Sentinel images were used to early detect deforestation and forest degradation of 03 forest types (evergreen broadleaf forest, coniferous forest, plantation forest) in Dak Lak province The results from this study have established the threshold to identify forest degradation, deforestation with the KB index values range from 25.0 - 46.0 and 46.0 - 85.0, respectively Using the KB index calculated by the NBR index of Sentinel image to early detect deforestation and forest degradation in Dak Lak province has been tested with the detection ratio of deforestation is 94.0% and the accuracy of detecting the lost forest area is 92.8%; the detection ratio of forest degradation is 85.0% and the accuracy of detecting degraded forest area is 77.2% The results of this study indicated that the relative KB indices calculated by the NBR index of Sentinel images are suitable for early detection of deforestation and forest degradation in Dak Lak province It is suggested to use this index for early detecting deforestation and forest degradation in other provinces having similar conditions throughout the country Keywords: Dak Lak, deforestaion, forest degradation, NBR, Sentinel Ngày nhận Ngày phản biện Ngày định đăng : 15/4/2020 : 11/6/2020 : 18/6/2020 TẠP CHÍ KHOA HỌC VÀ CƠNG NGHỆ LÂM NGHIỆP SỐ - 2020 57 ... tính theo số NBR ảnh Sentinel phù hợp để phát sớm rừng, suy thoái rừng tỉnh Đắk Lắk Do đó, số tương đối KB tính theo số NBR ảnh Sentinel áp dụng để phát sớm rừng, suy thoái rừng cho khu vực khác... giá hiệu sử dụng số tương đối KB tính theo số NBR ảnh Sentinel phát sớm rừng, suy thoái rừng tỉnh Đắk Lắk Kết đánh giá trạng liệu độ che phủ mây ảnh Sentinel tỉnh Đắk Lắk cho thấy, ảnh Sentinel. .. 77 ,2% Kết cho thấy, số tương đối KB tính theo số NBR ảnh Sentinel phù hợp cho việc phát sớm 56 rừng, suy thoái rừng khu vực nghiên cứu Theo Phùng Văn Khoa cộng (20 19), sử dụng số tương đối KB tính