STT Xã, thị trấn Diện tích tự nhiên Rừng trồng Rừng tự nhiên Đất trống, cây bụi khác Đất
1 Bảo Hà 6415,1 1767 1789,9 1931 927,2 2 Cam Cọn 5687 839,4 1973,9 1251,7 1622 3 Kim Sơn 6961 1941,2 2273,9 1217,9 1528 4 Long Khánh 6654 893,5 3320,5 1765,6 674,4 5 Long Phúc 2430,1 1173,7 771,7 89 395,7 6 Lương Sơn 3832,1 628,9 2863,4 192,4 147,4 7 Minh Tân 3.393,1 1.304,4 1.463 81,2 544,5 8 Nghĩa Đô 3.861 381 1785,4 918,9 775,7 9 TT. Phố Ràng 1385 392,7 155,2 98 739,1 10 Thượng Hà 6.243,5 1.727,7 2645,1 1.045,8 824,9 11 Tân Dương 3197 1.546,4 794,9 520,5 335,2 12 Tân Tiến 5.924,3 263,8 3.545,4 1.305,4 809,7 14 Vĩnh Yên 6247 1.619,8 3.356,2 735,4 535,6 15 Xuân Hòa 7.449,1 1.861,3 2.198,9 2563 825,9 16 Xuân Thượng 4.180 1.822,1 880,8 711,7 765,4 17 Yên Sơn 3749 965,7 1080 1.283,9 419,4 18 Điện Quan 4297 668,9 2264,4 597,6 766,1 Tổng 81.905,3 19.797,5 33.162,6 16.309 12.636,2
4.3. XÁC ĐỊNH BIẾN ĐỘNG RỪNG HUYỆN BẢO YÊN GIAI ĐOẠN 2005 – 2014 2005 – 2014
4.3.1. Thành lập bản đồ hiện trạng rừng năm 2005, năm 2014
4.3.1.1. Các nguồn dữ liệu thu thập
a. Ảnh vệ tinh
Dữ liệu ảnh vệ tinh được dùng là ảnh vệ tinh Landsat 5 và landsat 8 được thu thập từ trang website http://earthexplorer.usgs.gov dưới dạng ảnh miễn phí đã được nắn chỉnh hình học ở hệ tọa độ WGS 1984 UTM, Zone 48 North.
Hình 4.2. Khu vực thu thập dữ liệu ảnh vệ tinh Bảng 4.3. Dữ liệu thu thập Bảng 4.3. Dữ liệu thu thập
Năm Mã ảnh Ngày chụp Bóng mây
(%) Chất lượng ảnh Ghi chú 2005 LT51280442005308BKT02 4/11/2005 2,43 Tốt Ảnh ghép LT51280452005308BKT02 4/11/2005 0,05 Tốt Ảnh ghép 2014 LC81280442014282LGN00 9/10/2014 4,08 Tốt Ảnh ghép LC81280452014282LGN00 9/10/2014 3,48 Tốt Ảnh ghép Nguồn: http://earthexplorer.usgs.gov
Thời gian chụp ảnh vào tháng 11 năm 2005 và tháng 10 năm 2014 nên sự chênh lệch yếu tố không gian là không làm ảnh hưởng đến kết quả khi ta tiến hành chuẩn đoán ảnh viễn thám.
4 ảnh nguồn có tỷ lệ mây che phủ < 5%, không ảnh hưởng đến giải đoán ảnh.
Hình 4.3. Ảnh chụp tháng 11 năm 2005
b. Dữ liệu thực địa
Dữ liệu thực địa được sử dụng là các điểm lấy mẫu GPS được thực hiện vào các ngày 28, 29 tháng 1 năm 2015 trong điều kiện thời tiết nắng nhẹ, ít mây. Các mẫu được chia thành 6 loại mẫu bao gồm: đất khu dân cư, đất trống, đường giao thông có 15 mẫu tại các điểm khu dân cư, nhà máy sản xuất, đường giao thông; mặt nước có 6 mẫu tại các điểm cầu vượt qua sông Chảy, sông Hồng; đất có rừng có 77 mẫu tại các điểm đất có rừng như rừng cây bồ đề, rừng mỡ, rừng chẩu, rừng tạp; đất bị mây che phủ; đất bị bóng mây, bóng núi; đất trồng cây hàng năm khác có 38 mẫu bao gồm các loại đất trồng cây hàng năm như lúa, ngô, khoai, sắn.
Một số điểm mẫu đặc trưng trong quá trình khảo sát thực địa được thể hiện qua bảng và hình.
Bảng 4.4. Một số điểm mẫu đặc trưng STT Tọa độ Hình ảnh Ghi chú STT Tọa độ Hình ảnh Ghi chú X Y 1 476219,31 2457068,82 Rừng mỡ 2 472633,42 2479454,69 Rừng quế 3 480663,86 2455622,90 nhà máy sản xuất, xã Long Phúc
4 467843,11 2466785,67 Đường giao thông, xã Thượng Hà
6 477915,75 2450918,17 Cây bụi, xã Long Phúc
7 473916,98 2472115,39 Ruộng bậc thang, xã Vĩnh Yên
8 462005,08 2455467,24 Nương ngô, xã Bảo Hà
9 457800,68 2454512,80 Ruộng, xã Bảo Hà
10 481027,43 2454788,73 Sông Chảy, Cầu Cóc, xã Việt Tiến
c. Dữ liệu bản đồ
Bao gồm các loại bản đồ đã được xây dựng, lưu trữ tại các cơ quan quản lý nhà nước như:
- Bản đồ hiện trạng sử dụng đất năm 2005, 2014.
- Bản đồ địa chính được sử dụng để so sánh đối chiếu, xác định ranh giới huyện. - Bản đồ giao đất lâm nghiệp được sử dụng để xác định diện tích đất rừng phòng hộ do ban quản lý 661 quản lý.
4.3.1.2. Thành lập bản đồ hiện trạng lớp phủ rừng huyện Bảo Yên năm 2005, năm 2014
a. Xử lý ảnh trước giải đoán
* Ghép ảnh
Do vị trí địa lý của huyện nằm trên hai khu vực ảnh, để có ảnh hoàn chỉnh cần tiến hành thực hiện việc ghép ảnh. Sử dụng công cụ Pixel-Based Mosaic trong Menu Map để thực hiện việc ghép ảnh cho từng năm 2005, 2014. (adsbygoogle = window.adsbygoogle || []).push({});
Hình 4.7. Ảnh vệ tinh Landsat 8 chụp ngày 9/10/2014
* Nắn ảnh, tăng cường chất lượng ảnh
Có nhiều nguyên nhân gây ra lỗi hình học của ảnh viễn thám, ví dụ như tốc độ bay chụp, độ cao bay chụp, góc nhìn của thiết bị, tốc độ gương quay, …. Những lỗi này có thể được khắc phục khi sử dụng một hệ thống các điểm khống chế (Ground Control Points - GCP) để nắn chỉnh hình học ảnh. Đây là những điểm trên bề mặt trái đất, đã biết tọa độ và dễ dàng nhận ra trên ảnh viễn thám. Với phần mềm ENVI sử dụng công cụ Registration trên Menu Map để tiến hành nắn chỉnh ảnh năm 2005 theo ảnh năm 2014. Ở đây sử dụng 6 ảnh khống chể để nắm ảnh là các giao lộ đường, sông, kết quả được thể hiện qua bảng.
Bảng 4.5. Kết quả nắn ảnh
Điểm nắn Tọa độ ảnh 2005 Tọa độ ảnh 2014 Độ lệch
X Y X Y X Y 1 9,463,25 14,005,00 9,463,16 14,004,58 -0,09 -0,42 2 10,280,75 14,798,25 10,280,80 14,798,77 0,05 0,52 3 12,057,50 14,668,00 12,057,45 14,668,06 -0,05 0,06 4 11,177,25 13,870,50 11,177,54 13,870,38 0,29 -0,12 5 11,298,75 13,487,00 11,298,45 13,486,31 -0,30 -0,69 6 10,828,50 12,710,25 10,828,60 12,710,89 0,10 0,64
Ta thấy độ lệch tâm của sáu điểm đều nhỏ hơn 1 m, độ lệch lớn nhất là ở điểm nắn thứ 5, sau khi nắn hai ảnh trùng khít nhau.
Để tăng cường chất lượng ảnh ta sử dụng công cụ Enhace trong thanh Menu của cửa sổ hiện thị ảnh. Do ảnh được sử dụng chụp vào ban ngày, ít mây chất lượng ảnh tốt nên chỉ cần tăng độ nét của ảnh.
* Cắt ảnh
Để cắt ảnh theo ranh giới, tiến hành chuyển ranh giới huyện từ bản đồ hiện trạng sử dụng đất của huyện năm 2014 sang dạng ranhgioi.shp hệ tọa độ UTM, Zone 48 North. Sử dụng công cụ Open Vector File trong Menu Vector để tiến hành mở file ranhgioi.shp, tiếp tục sử dụng công cụ Subset Data via ROIs trong thanh công cụ Basic Tools trên thanh Menu để tiến hành cắt hai ảnh ghép theo ranh giới như hình.
Hình 4.9. Khu vực cắt theo ranh giới huyện Bảo Yên năm 2014
b. Giải đoán ảnh vệ tinh
Để phân loại có giám định các đối tượng cần phải tiến hành: - Bước 1 : Chọn vùng mẫu
- Bước 2 : Đánh giá độ chính xác tệp mẫu
- Bước 3 : Phân loại các đối tượng theo thuật toán xác xuất cực đại. - Bước 4 : Đánh giá độ chính xác phân loại.
Bước 1: Chọn vùng mẫu
* Chọn vùng mẫu
Để chọn vùng mẫu phục vụ phân loại các đối tượng phải dựa vào số liệu điều tra thực địa và việc chọn mẫu giám định phải thoả mãn một số các yêu cầu như sau:
- Mẫu giám định phải đủ lớn và không được nằm gần ranh giới giữa các đối tượng.
- Mẫu giám định cần phải vừa đủ và nên phân bố đều trên khu vực cũng như phân bố đều trên các đối tượng phân loại để đảm bảo tính đặc trưng cho đối tượng phân loại..
Căn cứ vào mục đích của đề tài, độ phân giải của anh và tôi đưa ra 7 loại hình sử dụng đất như bảng và hình sau.
Bảng 4.6. Các loại hình sử dụng đất huyện Bảo Yên
STT Mã Loại hình sử dụng đất Mô tả
1 NUOC Đất mặt nước Là sông, suối, ao, hồ
2 LNP1 Rừng giầu Rừng thường xanh có độ che phủ lớn hơn 70% 3 LNP2 Rừng trung bình Rừng thường xanh có độ che phủ từ 30% đến 70% 4 LNP3 Rừng nghèo Rừng thường xanh có độ che phủ từ 5% đến 30% 5 ONT Đất khu dân cư Đất trong khu dân cư như đường giao thông, nhà dân, các công trình xây dựng, đất trống … 6 DMA mầu, lúa nước Đất trồng hoa Là các vùng đất trồng lúa nước, trồng rau củ quả … 7 HNK Đất trồng cây hàng năm Là đất trồng các loại cây như ngô, sắn, nương rẫy có cỏ …
Hình 4.12. Đất rừng trung bình Hình 4.13. Đất rừng nghèo
Hình 4.14. Đất khu dân cư Hình 4.15. Đất hoa mầu
* Xây dựng khóa giải đoán
Để thực hiện tốt quá trình giải đoán ảnh, phải xây dựng khóa giải đoán cho từng lớp phủ, giúp cho việc thiết lập, lựa chọn mẫu sau này được nhanh chóng và chính xác. Trong đề tài này, khóa giải đoán dược xây dựng cho 7 loại lớp phủ mặt đất tại khu vực nghiên cứu dựa trên tổ hợp mầu giả được phát triển như trên bảng sau.
Bảng 4.7. Khóa giải đoán ảnh vệ tinh (adsbygoogle = window.adsbygoogle || []).push({});
Mã Ký hiệu Ảnh vệ tinh năm 2005 Ảnh vệ tinh năm 2014
1 NUOC 2 LNP1 3 LNP2 4 LNP3 5 ONT 6 DMA 7 HNK
* Bước 2: Đánh giá sự khác biệt mẫu
Sau khi xây dựng được khóa giải đoán chúng tôi tiến hành đánh giá sự khác biệt mẫu theo J.A.Richards đánh giá sự khác biệt mẫu là tính toán sự tương quan giá trị phổ giữa các mẫu được chọn cho một tập tin đầu vào cho trước (J.A.Richards, 1999).Với các mẫu được chọn ENVI cung cấp tiện ích tính toán sự khác biệt các mẫu bằng cách sử dụng công cụ Compute ROI Separability từ hộp thoại ROI Tool/Options. Sau khi kích hoạt công cụ sẽ tính toán các cặp giá trị thể hiện sự khác biệt. Kết quả được thể hiện qua bảng sau.
Bảng 4.8. Đánh giá sự khác biệt mẫu năm 2005
Lớp phủ NUOC LNP1 LNP2 LNP3 ONT DMA HNK NUOC - 2,00 2,00 2,00 1,99 1,99 2,00 LNP1 2,00 - 1,80 1,98 2,00 2,00 1,99 LNP2 2,00 1,80 - 1,42 2,00 2,00 1,99 LNP3 2,00 1,98 1,42 - 2,00 1,99 1,99 ONT 2,00 2,00 2,00 2,00 - 1,93 1,96 DMA 1,99 2,00 2,00 1,99 1,93 - 1,98
Bảng 4.9. Đánh giá sự khác biệt mẫu năm 2014
Lớp phủ NUOC LNP1 LNP2 LNP3 ONT DMA HNK MAY NUOC - 2,00 2,00 2,00 2,00 2,00 2,00 2,00 LNP1 2,00 - 1,92 1,98 2,00 2,00 1,99 2,00 LNP2 2,00 1,92 - 1,99 2,00 2,00 1,99 2,00 LNP3 2,00 1,98 1,99 - 2,00 1,99 1,99 2,00 ONT 2,00 2,00 2,00 2,00 - 1,99 2,00 2,00 DMA 2,00 2,00 2,00 1,99 1,99 - 2,00 2,00 HNK 2,00 1,99 1,99 1,99 2,00 2,00 - 2,00 MAY 2,00 2,00 2,00 2,00 2,00 2,00 2,00 -
Theo J.A.Richards (1999), những giá trị đánh giá khác biệt mẫu có khoảng giá trị từ 0 đến 2, chỉ ra sự riêng biệt giữa các cặp mẫu xét về mặt thống kê. Nếu giá trị mẫu từ 1,9 trở lên chỉ ra cặp mẫu có sự tách biệt tốt. Đối với các cặp mẫu huấn luyện có giá trị thập hơn nên cải thiện hoặc chỉnh sửa các mẫu. Trong trường hợp các mẫu có giá trị phân biệt quá thấp (nhỏ hơn 1), nên gom chúng lại thành một mẫu.
Dựa vào bảng phân tích trên có thể thấy các mẫu có giá trị khác biệt mẫu lớn hơn 1,9, các mẫu có tính độc lập cao, thể hiện mẫu được chọn có sự tách biệt lớn dễ phân biệt trên ảnh. Năm 2005 sự phân biệt giữa lớp phủ LNP2 và LNP3 có sự phân biệt lớn nhất do đặc tính phản xạ phổ của lớp mẫu tương đối giống nhau.
*Bước 3: Phân loại theo phương pháp xác xuất cực đại (Maximum Likelihood)
Phân loại theo phương pháp Maximum Likelihood coi số liệu thống kê của mỗi lớp trong mỗi kênh ảnh được phân tán một cách thông thường và phương pháp này có tính đến khả năng một pixel thuộc một lớp nhất định. Nếu như không chọn một ngưỡng xác suất thì sẽ phải phân loại tất cả các pixel. Mỗi pixel được gán cho một lớp có độ xác suất cao nhất (nghĩa là Maximum Likelihood). Phương pháp phân loại này nó thường được sử dụng trong xử lý ảnh viễn thám để phân loại các đối tượng cho các khu vực có thảm thực vật ít có sự đồng nhất như rừng ở Việt Nam.
* Bước 4: Đánh giá độ chính xác sau phân loại
Để đánh giá độ chính xác của bản đồ chúng tôi tiến hành sử dụng dữ liệu điều tra thực địa so sánh với trạng thái của điểm ngoài thực địa và trên bản đồ từ đó xây dựng được bảng đánh giá độ chính xác khóa giải đoán.
Bảng 4.10. Đánh giá độ chính xác sau phân loại ảnh năm 2005
Mã GĐ NUOC LNP1 LNP2 LNP3 ONT DMA HNK Hiện trạng Sai số thêm vào NUOC 6 6 0 LNP1 14 3 17 17,6 LNP2 2 24 6 32 25,0 LNP3 3 24 1 28 14,3 ONT 1 13 1 15 13,3 DMA 1 11 3 15 26,7 HNK 2 21 23 8,7 Bản đồ 6 16 30 33 15 11 25 136 Sai so bỏ sót 0 12,5 20,0 27,3 13,3 0,0 16,0 Kappa = 0,83
Sau khi tính toán ta được kết quả sau:
- Độ chính xác tổng thể: (114/136)*100= 0,84 - Chỉ số Kappa = 0,83
Như vậy chúng ta thấy khóa giải đoán so với hiện trạng có sai sót ở mức chấp nhận được cao nhất là 25% ở điểm mẫu rừng trung bình LNP2 chủ yếu do chuẩn đoán sai giữa rừng trung bình LNP2 với rừng giầu LNP1 2 điểm và rừng trung bình LNP2 với rừng nghèo LNP3 6 điểm, nguyên nhân chủ yếu là do các loại rừng hỗn giao xen kẽ giữa rừng trồng, đồi cây ăn quả hàng năm với rừng tự nhiên có giá trị phổ của anh tương đối giống nhau. Điểm mẫu đất hoa mầu DMA có mức sai sót 26,7% chủ yếu do chuẩn đoán sai với đất cây hàng năm khác HNK 3 điểm, nguyên nhân chủ yếu là do ảnh khai thác vào các tháng mùa đông ruộng lúa, hoa mầu ít được trồng, khô hạn, ảnh thu được tại thời điểm này có giá trị phổ giữa 2 loại mẫu là tương đối giống nhau. Về tổng thể chỉ số Kappa đạt 0,83 ở mức tốt, ảnh được phân loại với độ chính xác cao.
Bảng 4.11. Kết quả đánh giá độ chính xác sau phân loại ảnh năm 2014
Mã
GĐ NUOC LNP1 LNP2 LNP3 ONT DMA HNK
Hiện trạng Sai số thêm vào NUOC 6 6 0 LNP1 14 1 15 6,7 LNP2 1 37 2 40 7,5 LNP3 3 18 1 22 18,2 ONT 1 2 12 15 20,0 DMA 2 11 2 15 26,7 HNK 2 3 1 17 23 26,1 Bản đồ 6 15 44 25 16 11 19 136 Sai so bỏ sót 0 6,7 15,9 28.0 25.0 0 10,5 Kappa = 0,85
Sau khi tính toán ta được kết quả sau:
- Độ chính xác tổng thể: (117/136)*100= 0,86 - Chỉ số Kappa = 0,85
Qua bảng chúng ta thấy khóa giải đoán có mức sai số cao nhất là đất trồng mầu DMA và đất trồng cây hàng năm HNK 26% chủ yếu sai số do chuẩn đoán sai.
Để phục vụ cho nghiên cứu đề tài là phục vụ nghiên cứu biến động rừng nên chúng tôi tiến hành gộp các loại hình đất không có thảm phủ rừng là đất mặt nước, đất khu dân cư, đất trồng mầu, đất trồng cây hàng năm thành loại đất khác, sau khi gộp chúng tôi được bảng phân loại thảm phủ rừng huyện Bảo Yên như sau.
Bảng 4.12. Phân loại thảm phủ rừng huyện Bảo Yên
STT Mã sử dụng đất Loại hình Mô tả
1 DKH Đất không có rừng (adsbygoogle = window.adsbygoogle || []).push({});
- Là sông, suối, ao, hồ
- Là đất trong khu dân cư như đường giao thông, nhà dân, các công trình xây dựng, đất trống …
- Là các vùng đất trồng lúa nước, trồng rau củ quả - Là đất trồng các loại cây như ngô, sắn, nương rẫy có cỏ 2 LNP1 Rừng giầu Rừng thường xanh có độ che phủ lớn hơn 70%
3 LNP2 Rừng trung bình Rừng thường xanh có độ che phủ từ 30% đến 70%