Từ bản đồ hiện trạng mất rừng và suy thoái rừng được thành lập trên, sử dụng công cụ trong phần mềm GIS tiến hành tín toán và thống kê diện tích từng kiểu rừng ở bản đồ hiện trạng tài nguyên rừng được thành lập từ phương pháp sử dụng ngưỡng chỉ số viễn thám, tiến hành tín toán và thống kê diện tích từng trại thái rừng ở VQGNKĐ.
Kết quả cho thấy, diện tích mất rừng không nhiều (61,98 ha) với diện tích nhỏ nhất phát hiện được là 1,7 ha (170 pixels) và lớn nhất là 6,59 ha (659 pixels). Các vùng này phân bố rải rác ở phía bắc VQGNKĐ, nơi có hệ thống đường giao thông và có thể tiếp cận dễ dàng. Trong khi đó, diện tích rừng bị suy giảm chất lượng tương đối lớn (732,13 ha) với các diện tích phát hiện từ 1,27 ha đến 9,89 ha, phân bố chủ yếu ở khu vực gần ranh giới phía Bắc và phía tây nam của VQGNKĐ. Tuy nhiên, kết quả xác định suy thoái rừng cần phải được kiểm chứng trong các nghiên cứu tiếp theo do chỉ cần một sự thay đổi nhỏ đến giá trị phản xạ phổ của đối tượng rừng cũng dẫn đến giá trị ARVI thay đổi và giá trị KB (ARVI) có thể nằm trong ngưỡng xác định suy thoái một cách không chính xác. Các nguyên nhân này có thể do các hiện tượng tán xạ trong khí quyển, các tầng mây mỏng, và đặc biệt là do bóng đổ của địa hình giống như khu vực các sườn núi cao phía tây nam VQGNKĐ.
Trên thực tế, việc phát hiện việc mất rừng, và đặc biệt là suy thoái rừng, ngay tại thời điểm xảy ra các vụ vi phạm về quản lý tài nguyên rừng rất khó có thể thực hiện thông qua việc điều tra thực địa. Nguyên nhân cơ bản có thể kể tới việc lực lượng bảo vệ rừng rất mỏng nhưng phải quản lý một diện tích quá lớn, các vụ vi phạm xảy ra ở những địa bàn hẻo lánh, khó tiếp cận và các đối tượng vi phạm được tổ chức tinh vi nhằm tránh được sự phát hiện của các cơ quan chức năng. Vì vậy, khả năng phát hiện kịp thời và ngăn chặn các nguy cơ các diện tích rừng bị tác động bị mở rộng, không có sự can thiệp kịp thời của các lực lượng quản lý tài nguyên rừng. Vì vậy, các công cụ hỗ trợ nhằm xác định sớm nhất thời điểm mất rừng và suy thoái rừng trên một địa bàn rộng lớn là hết sức cần thiết.
Trong nghiên cứu này, việc sử dụng thành công dữ liệu ảnh Sentinel 2 để xác định sớm thời điểm mất rừng và suy thoái rừng tại khu vực nghiên cứu đem lại triển vọng lớn trong việc nâng cao hiệu quả bảo vệ rừng tại địa phương. Với mục đích này, điểm mạnh của tư liệu ảnh Sentinel 2 là (1) tư liệu ảnh đa phổ được cung cấp miễn phí từ cơ sở dữ liệu cập nhật liên tục; (2) có độ phân giải thời gian cao khi có chu kỳ lặp chỉ 05 ngày; và (3) có độ phân giải không gian khá cao (10 m) nếu so sánh với dữ liệu ảnh được ứng dụng phổ biến nhất hiện nay trong theo dõi tài nguyên rừng là các thế hệ ảnh Landsat (chu kỳ lặp 16 ngày; độ phân giải không gian 30 m).
Đối với khu vực miền trung Lào nói chung và khu vực VQGNKĐ, nghiên cứu cũng cho thấy các vùng mẫu được xây dựng từ các dữ liệu ảnh được chụp trong thời gian từ cuối tháng chín đến đầu tháng hai năm sau. Đây là các tháng mùa khô, lượng mưa thấp khoảng 50-100 mm/tháng, nên tư liệu ảnh ít bị ảnh hưởng bởi mây. Ở các tháng mùa mưa, đặc biệt từ tháng 4 đến tháng 7, với lượng mưa lớn (>300 mm/tháng), tỷ lệ mây che phủ cao, việc sử dụng tư liệu viễn thám quang học nói chung, và ở đây là ảnh Sentinel 2, để theo dõi tài nguyên rừng là không khả thi. Tuy nhiên, các kết quả thu thập được cũng cho thấy các vụ mất/suy thoái rừng tại khu vực nghiên cứu hầu như chỉ diễn ra vào mùa khô. Nguyên nhân do thời tiết vào mùa mưa không tạo điều kiện tốt cho các hoạt động đốt nương làm rẫy cũng như các vụ cháy rừng xảy ra. Thêm vào đó, vào mùa mưa các đường mòn và đường vận xuất gỗ không thể sử dụng được do mưa lớn, gây cản trở cho việc tiếp cận các khu vực rừng có giá trị cao, nên các vụ chặt phá rừng cũng khó có thể thực hiện được. Vì vậy, việc áp dụng tư liệu ảnh Sentinel 2 để phát hiện sớm mất rừng và suy thoái rừng tại khu vực VQGNKĐ hoàn toàn có thể thực hiện được.
3.2.5. Thảo luận
3.2.5.1. Về ngưỡng chỉ số tương đối phát hiện mất rừng, suy thoái rừng
Nghiên cứu đã xác định được ngưỡng chỉ số tương đối KB xác định suy thoái rừng, mất rừng với giá trị lần lượt: nghiên cứu đã xác định ngưỡng để phát
hiện mất rừng tại khu vực nghiên cứu cho trường hợp sử dụng chỉ số ARVI và ảnh Sentinel 2 có KB (ARVI) từ -88,76 đến -65,77. Và ngưỡng để phát hiện suy thoái rừng tại khu vực nghiên cứu có KB (ARVI) từ -29,83 đến 5,44.
Đất không có thực vật thường có giá trị ARVI <= 0,1 đã được chỉ ra bởi Yang, Y. et al, (2019) [49]. Trong khi đó trạng thái rừng thường xanh có giá trị ARVI cao nhất trong số các trạng thái nghiên cứu với giá trị ARVI trung bình là 0,74 đã được chỉ ra bởi Hashemi, S. A., Fallahchai, M. M. (2011) [40]. Về mặt lý thuyết giả sử trường hợp rừng thường xanh chuyển sang đất không có rừng (xảy ra mất rừng), tức là giá trị ARVI chuyển từ 0,74 về 0,2 (tương ứng với giá trị KB = 73), giá trị này cao hơn so với kết quả xác định ngưỡng phát hiện mất rừng của nghiên cứu (KB = 40). Tuy nhiên, trong thực tế các diện tích rừng có chỉ số thực vật cao thường là rừng giàu, trung bình nằm trong các Ban quản lý rừng đặc dụng, phòng hộ nên ít xảy ra mất rừng hơn. Các vụ phá rừng dẫn đến mất rừng thường xảy ra tại các diện tích rừng nghèo, nghèo kiệt (có giá trị ARVI trong khoảng 0,4-0,6). Mặt khác, diện tích mất rừng không phải lúc nào cũng trở thành đất trống, không có thực vật do đó sau khi xảy ra mất rừng giá trị ARVI thường lớn hơn 0,2 và có thể đạt đến 0,3. Do đó, ngưỡng KB = 40 được xác định để phát hiện mất rừng trong nghiên cứu này có thể xem là phù hợp với thực tiễn tại khu vực nghiên cứu.
Kết quả xác định ngưỡng mất rừng, suy thoái rừng như trong Bảng 3.5 đã cho thấy: do ảnh Sentinel 2 có độ phân giải (10 m), mặt khác có thể giải thích thông qua sự khác biệt về công thức tính chỉ số ARVI. Thực vật phản xạ mạnh trong dải sóng của kênh NIR. Sự khác biệt thể hiện ở việc chỉ số ARVI sử dụng kênh đỏ (RED) và chỉ số NBR sử dụng kênh dải hồng ngoại sóng ngắn (SWIR). Kênh SWIR có bước sóng dài hơn so với kênh RED, nó nhạy cảm với sự thay đổi của màu xanh lá cây và sự thay đổi độ ẩm.
3.2.5.2. Về độ chính xác phát hiện mất rừng, suy thoái rừng
Nghiên cứu đã đánh giá độ chính xác của phương pháp phát hiện sớm mất rừng, suy thoái rừng sử dụng chỉ số tương đối KB độ chính xác phát hiện
số vùng mất rừng, suy thoái rừng và đánh giá độ chính xác phát hiện. Kết quả cụ thể được thể hiện trong Bảng 3.6 trên.
Sử dụng chỉ số tương đối KB để phát hiện sớm mất rừng, suy thoái rừng có sai số phát hiện mất rừng đạt 2% và sai số phát hiện suy thoái rừng từ 15,8% khi sử dụng loại chỉ số ARVI trên ảnh Sentinel 2. Sai số trong kết quả phát hiện mất rừng, suy thoái rừng của luận án hay có thể nói cụ thể hơn là trong 50 mẫu mất rừng và 19 mẫu suy thoái rừng được sử dụng để đánh giá độ chính xác phát hiện mất rừng, suy thoái rừng, đã có những mẫu mất rừng, suy thoái rừng không được phát hiện trên ảnh vệ tinh thông qua việc sử dụng ngưỡng chỉ số tương đối KB, điều này có thể được giải thích như sau: thứ nhất, một số mẫu mất rừng, suy thoái rừng bị trùng với vị trí có bóng mây trên ảnh T1 (tức là ảnh tại thời điểm trước khi xảy ra mất rừng hoặc suy thoái rừng). Trong bước xử lý mây trên ảnh vệ tinh trong GEE, một số vị trí trên ảnh bị bóng mây đã chưa được xử lý triệt để. Mặt khác, trong quá trình chọn mẫu để nghiên cứu, tác giả đã loại bỏ được các mẫu trùng với vị trí có mây trên ảnh mà chưa xem xét được hết những trường hợp mẫu bị trùng với vị trí có bóng mây; thứ hai, một số mẫu mất rừng bị phân loại nhầm sang suy thoái rừng do sau khi xảy ra mất rừng, thảm thực bì của những vùng này vẫn còn dày nên việc sử dụng ngưỡng chỉ số tương đối phát hiện được là suy thoái rừng; thứ ba, một số mẫu suy thoái rừng không phát hiện được do bị phân loại nhầm sang rừng không đổi. Nguyên nhân có thể do mức độ khai thác rừng trái phép ở những vùng này với mức độ chưa cao, nhưng đã được lực lượng kiểm lâm thống kê là suy thoái rừng. Sai số phát hiện mất rừng, suy thoái rừng của luận án thường được gọi là lỗi bỏ sót. Lỗi bỏ sót được tính bằng 100 trừ đi độ chính xác phát hiện. Sai số này có thể cải thiện được khi áp dụng kết quả của luận án vào thực tiễn bằng cách khắc phục các hạn chế của ảnh vệ tinh quan học (mây, bóng mây) đồng thời sử dụng ảnh vệ tinh đã xử lý về mức phản xạ phổ bề mặt Sentinel 2- SR.
Thật khó để so sánh độ chính xác trong kết quả của luận án với các nghiên cứu khác do tác giả chưa tìm thấy công trình nào trước đây đã áp dụng chỉ số tương đối cho việc phát hiện mất rừng, suy thoái rừng. Chỉ số tương đối đã chỉ được áp dụng cho việc phân loại cấp độ cháy rừng bởi Miller, J. D. và Thode, A. E., [42]; Cansler, C. A. et al., Parks, S. A. et al., Santos, S. M. B et al [47]. Độ chính xác của phương pháp trong những nghiên cứu này từ 41,8% đến 71,0% thấp hơn so với độ chính xác từ kết quả của luận án có độ chính xác từ 61,1 đến 90,7%. Tác giả cho rằng có thể giải thích vấn đề này như sau: mục tiêu của những nghiên cứu này là xác định ngưỡng để phân loại các cấp độ cháy rừng từ thấp lên cao (không cháy, cháy thấp, cháy trung bình, cháy cao), điều này ở một mức độ nào đó tương tự như việc xác định ngưỡng chỉ số viễn thám để phân loại các trạng thái rừng (giàu, trung bình, nghèo, nghèo kiệt, phục hồi) theo phương pháp phân loại rừng ở Việt Nam. Một trong những nguyên nhân gây ra sai số cho kết quả phân loại theo phương pháp như vậy là do sự nhầm lẫn trong việc phân loại đối với các mẫu tại khoảng lân cận giữa 2 cấp phân loại. Trong khi đó, đối với việc nghiên cứu mất rừng, suy thoái rừng sự nhầm lẫn như vậy xảy ra ít hơn. Và một nguyên nhân khác đó là những nghiên cứu này đều sử dụng ảnh Landsat trong khi đó luận án đã sử dụng thêm ảnh Sentinel 2 có độ phân giải cao hơn ảnh Landsat 8 nên đã góp phần cải thiện được độ chính xác phát hiện.
3.3. Ứng dụng ngưỡng chỉ số viễn thám trong phát hiện khu vực có thêm rừng mới tại khu vực VQGNKĐ rừng mới tại khu vực VQGNKĐ
3.3.1. Khoanh vẽ các vùng mẫu trên ảnh
Các vị trí mẫu ngoài thực địa được sử dụng cho việc giải đoán bằng mắt dựa vào tư liệu viễn thám có độ phân giải cao, khoanh vẽ các vùng mẫu phục vụ nghiên cứu, một số vùng mẫu được khoanh vẽ được thể hiện trên hình 3.9.
Hình 3.9. Các vùng mẫu thêm rừng mới tại các vị trí:
(1) XY = (400159; 2058855); (2) XY = (400469; 2058748); (3) XY = (400216; 2058575); (4) XY = (400372; 2058399); (5) XY = (400507; 2058184); (6) XY = (400930; 2058325). Ảnh tổ hợp màu Sentinel 2 (RGB: 12-8A-4) trên GEE tại thời điểm chưa có rừng (A-20/01/2017) và sau khi có thêm rừng mới (B-30/12/2019).
3.3.2. Xác định ngưỡng chỉ số viễn thám và kiểm chứng kết quả
Để xác định ngưỡng chỉ số tương đối phát hiện thêm rừng sử dụng các chỉ số ARVI trên ảnh Sentinel 2, tác giả đã sử dụng 80 mẫu thêm rừng và các cảnh ảnh Sentinel 2 của khu vực VQGNKĐ các năm (2016, 2018 và 2019) với thời điểm T1, T2 đã được chỉ ra trong phần phương pháp nghiên cứu.
Các lớp dữ liệu chỉ số ARVI được tính toán cho các thời điểm cụ thể, thể hiện rõ sự biến động chỉ số tại các vùng mẫu bị mất rừng và suy thoái rừng. Các lớp dữ liệu này được phân tích so sánh với dữ liệu tại thời điểm 30/12/2019. Biến độc chỉ số ARVI được thể hiện trên các hình dưới đây.
Hình 3.10. Ảnh chỉ số ARVI tại các ví dụ vùng mẫu khi chưa có rừng (A), sau khi có rừng mới (B), và ảnh chỉ số KB (ARVI) tương ứng (C)
Kết quả thể hiện rõ sự thay đổi của chỉ số ARVI trên các khu vực mẫu về mặt hiển thị (hình 3.10A, B). Vì vậy, chỉ số KB (ARVI) có sự khác biệt rõ rệt giữa các khu vực thêm rừng và các khu vực rừng ổn định xung quanh (Hình 3.10 C).
Thông qua tính toán chỉ số KB (ARVI) của các vùng mẫu thêm rừng, kết quả xác định ngưỡng chỉ số tương đối các vùng mẫu thêm rừng được tổng hợp trong bảng 3.7:
Bảng 3.7. Đặc điểm thống kê của các vùng mẫu định ngưỡng trong nghiên cứu Mẫu Số lượng Độ lệch chuẩn Giá trị thấp nhất Trung bình Giá trị cao nhất Mẫu thêm rừng 60 212,76 173,93 479,79 965,4297
(Kết quả chi tiết xác định ngưỡng thêm rừng trên ảnh Sentinel 2 tại phụ lục)
Số liệu được tổng hợp ở bảng 3.7 đã cho thấy: Trong tổng số 60 mẫu nghiên cứu về thêm rừng, chỉ số KB (ARVI) có giá trị nhỏ nhất là 173,93 và có giá trị lớn nhất là 965,43 và giá trị trung bình là 479,79
Từ đó, nghiên cứu đã xác định ngưỡng để phát hiện thêm rừng tại khu vực nghiên cứu cho trường hợp sử dụng chỉ số ARVI và ảnh Sentinel 2 có KB (ARVI) từ 173,93 đến 965,43.
Tuy nhiên, giá trị KB (ARVI) có thể dao động trong biên độ rất lớn. Thời gian phát triển của rừng mới càng lâu, sự chênh lệch giữa giá trị ARVI tại hai thời điểm càng lớn, dẫn đến giá trị KB (ARVI) tăng liên tục cho đến khi rừng đạt tới sự ổn định. Vì vậy, khi đưa ra ngưỡng KB (ARVI) xác định thêm rừng mới, nghiên cứu chú trọng hơn đến giá trị thấp nhất trong các mẫu, cụ thể ở đây là KB (ARVI) min = 173,93.
Ngoài ra, việc có thêm rừng mới chỉ có thể xảy ra ở các kiểu sử dụng đất như đất trống, đất nông nghiệp, và đất lâm nghiệp. Những kiểu lớp phủ khác như mặt nước và khu dân cư phải được loại bỏ ra khỏi đối tượng phân tích để tránh xảy ra nhầm lẫn trong việc xác định rừng mới. Ví dụ như một khu vực dân cư bằng bê tông có giá trị ARVI rất nhỏ: ARVIT1 = 0,01. Chỉ cần một thay đổi rất nhỏ của bề mặt, ví dụ như trồng một thảm cỏ hoặc một vườn hoa, chưa kể tới các giá trị phổ dao động trong khoảng nhỏ do nhiễu, dẫn đến giá trị tăng lên ARVIT2 = 0,2. Điều này dẫn đến giá trị KB (ARVI) = 100 × (0,2-0,01)/0,01 = 1.900 cho dù thực tế không hề có thảm rừng nào phát triển. Thực tế này yêu cầu các nhà phân tích phải có sự hỗ trợ của bản đồ lớp phủ và bản đồ kiểu sử dụng đất để loại bỏ những đối tượng diện tích ngoài khả năng phát triển thành rừng. Đây cũng là một trong những phát hiện chính của nghiên cứu này, từ đó mở ra hướng nghiên cứu bổ sung nhằm phân loại ngưỡng chỉ số ARVI để xây dựng bản đồ che phủ rừng và giới hạn các diện tích đưa vào quy trình phát hiện rừng mới
3.3.3. Đánh giá độ chính xác
Nghiên cứu đã sử dụng các cảnh ảnh Sentinel 2 năm 2019 của khu vực VQGNKĐ với thời điểm T1, T2 để xác định các vùng thêm rừng theo kết quả xác định ngưỡng thêm rừng KB (ARVI) ở phần trên. Tiếp theo, nghiên cứu
đối chứng với 20 mẫu thêm rừng đã được lựa chọn để đánh giá độ chính xác