1.3. Nghiên cứu ứng dụng công nghệ địa không gian trong quản lý tà
1.3.2. Sử dụng thuật toán phát hiện thay đổi để xác định thay đổi tà
nguyên rừng theo thời gian
1.3.2.2. Trên thế giới
Key, C. H. và Benson, N. C. (2005) [38] đã sử dụng chỉ số chỉ số NBR (Normalized Burn Ratio) để phân loại mức độ cháy rừng. Công thức sử dụng để tính toán:
Trong nghiên cứu này, các tác giả đã xây dựng phương pháp xác định ngưỡng phân loại cháy rừng theo dữ liệu cháy được đo đạc ngoài hiện trường với chỉ số CBI (Composite Burn Index). Căn cứ vào mức độ cháy ngoài hiện trường, CBI được cho điểm theo 4 cấp độ: mức không thay đổi (0-0,1), thay đổi thấp (0,1-1,24), thay đổi trung bình (1,25-2,24) và thay đổi mạnh (2,25- 3,0). Nghiên cứu thiết lập phương trình tương quan giữa dNBR và CBI theo dạng Y = a + b*EXP (CBI*c). Y là giá trị dNBR sẽ được ước lượng thông qua CBI và được phân theo 4 cấp tương tự như CBI với giá trị CBI tương ứng. Kết quả xác định các ngưỡng dNBR cho phép xây dựng bản đồ phân cấp độ cháy từ ảnh vệ tinh.
Miller, J. D. và Thode, A. E. (2007) [42], đã nghiên cứu phát triển chỉ số tương đối RdNBR trên cơ sở thuật toán dNBR của theo Key và Benson (2005) [38], để phân loại mức độ cháy rừng.
RdNBR = (1.2)
Nghiên cứu đã thực hiện phân loại mức độ cháy rừng tại Sierra Nevada, California, USA. Kết quả nghiên cứu cho thấy, áp dụng thuật toán dNBR cho độ chính xác 58,7% và áp dụng thuật toán RdNBR có độ chính xác 59,9%.
Vương Văn Quỳnh, (2013) [22], đã nghiên cứu phát hiện sớm cháy rừng bằng ảnh MODIS ở U Minh và Tây Nguyên. Tác giả đã sử dụng chỉ số K để phân loại tình trạng cháy theo công thức sau:
K = b20 x b21 x b22 * b23 x10- 6 (1.3) Trong đó: b20, b21, b22, b23 là các kênh phổ của ảnh MODIS.
Kết quả nghiên cứu đã xác định được chỉ số K tương ứng với các tình trạng cháy như sau: ngoài nơi cháy (K < 30); nơi mới cháy xong (30 < K < 250); nơi đang cháy (250 < K < 550). Với kết quả này, tác giả đã xây dựng được phần mềm tự động phát hiện cháy tại U Minh và Tây Nguyên từ ảnh vệ tinh MODIS.
Karnieli, A. et al (2014) [41] đã sử dụng các loại ảnh vệ tinh: Landsat, NOAA- AVHRR, MODIS để nghiên cứu thay đổi sử dụng đất giai đoạn 1987- 2007 tại vùng đất cát Mu Su của Trung Quốc. Các tác giả đã sử dụng phương pháp phân tích vector đa biến với công thức:
∆MG = (1.4)
Band1, Band2 là 2 kênh trên ảnh Landsat; t2, t1 là thời điểm sau và trước. Kết quả nghiên cứu đã xác định được trong giai đoạn 1987-2007, diện tích đất có rừng che phủ đã tăng khoảng 6% và diện tích đất trống tăng 5,1%.
Parks, S. A. et al (2014), đã nghiên cứu đề xuất chỉ số tương đối RBR trên cơ sở so sánh kết quả với thuật toán dNBR và RdNBR.
RBR = (1.5) Kết quả nghiên cứu phân loại mức độ cháy theo chỉ số tương đối RBR được thực hiện tại miền Tây của nước Mỹ. Kết quả cho thấy, độ chính xác phân loại mức độ cháy theo RBR (70,5%) cao hơn so với 2 thuật toán dNBR (68,4%) và RdNBR (69,2%). Nghiên cứu cũng chỉ ra rằng, cháy rừng chỉ là một trong số những hình thức xáo trộn của rừng (forest disturbance) và chỉ số tương đối RdNBR có thể áp dụng cho các hình thức khác.
Vorovenci, I. (2014), đã sử dụng ảnh Landsat đa thời gian, chỉ số thực vật NDVI, chỉ số đất trống (BI) để theo dõi thay đổi sử dụng đất giai đoạn 1985-2011 tại Copsa Mica, Romania. Tác giả đã sử dụng phương pháp phân tích vector đa biến theo công thức:
∆MNDVI- BI = (1.6)
Date2NDVI, Date1NDVI là giá trị NDVI tại thời điểm t2 và t1. Date2BI, Date1BI là giá trị BI tại thời điểm t2 và t1.
Kết quả nghiên cứu đã xác định được ngưỡng thay đổi sử dụng (∆MNDVI-BI) với 3 mức: thấp (0,03-0,15); trung bình (0,15-0,26); cao (0,26- 0,38). Đồng thời, nghiên cứu đã xây dựng được bản đồ thay đổi sử dụng đất theo 3 cấp đã xác định với độ chính xác 75,0%.
Li. S. M. et al. (2016), đã sử dụng ảnh vệ tinh Gaofen-2, chỉ số NDVI, phương pháp phân tích thành phần chính, bản đồ DEM để phát hiện mất rừng, phục hồi rừng tại Trung Quốc trong khoảng thời gian từ 14/1/2015 đến 24/8/2015. Nghiên cứu đã xây dựng ngưỡng phát hiện mất rừng, tăng rừng và rừng không thay đổi để xây dựng bản đồ ảnh phân loại (mất rừng, tăng rừng, rừng không thay đổi) thông qua việc sử dụng công thức:
NDVIdiff = NDVIpost/sau - NDVIpre/trước (1.7) Kết quả nghiên cứu đã xác định được tỷ lệ mất rừng là 2,2%, tỷ lệ tăng rừng là 2,4% trong tổng diện tích rừng. Nghiên cứu đã lấy ngẫu nhiên 77 mẫu (18 mẫu mất rừng, 19 mẫu tăng rừng, 40 mẫu rừng không đổi) để kiểm chứng độ chính xác của bản đồ ảnh sau phân loại. Kết quả đạt được với độ chính xác 94,8%.
Liu, S. et al (2017) [44], đã sử dụng ảnh Landsat 5, 7, 8 và chỉ số NBR để xác định diện tích rừng bị mất, tăng rừng tại Trung Quốc giai đoạn 1984- 2015. Nghiên cứu đã xác định được diện tích mất rừng, tăng rừng cho các giai đoạn 1984-1993, 1993-1998, 1998-2004, 2004-2010, 2010-2015 với việc sử dụng công thức:
dNBR = NBRtruoc - NBRsau (1.8) Mất rừng cao có dNBR ϵ (350, 800); mất rừng trung bình có dNBR ϵ (150, 350); mất rừng thấp có dNBR ϵ (20, 150); tăng rừng cao có dNBR ϵ (-800, - 350); tăng rừng trung bình có dNBR ϵ (-350, -150); tăng rừng thấp có dNBR ϵ (- 150, -5). Kết quả nghiên cứu đã xây dựng được bản đồ ảnh vệ tinh với 5 loại: không có rừng, rừng không thay đổi, mất rừng cao, mất rừng trung bình, tăng rừng thấp với độ chính xác 75,86%.
Nguyễn Thanh Hoàn và Cs, (2017) [12], đã sử dụng ảnh vệ tinh Landsat 8 và phương pháp phân tích vectơ thay đổi đa biến (MCVA) để xác định vị trí mất rừng tại tỉnh Đắk Nông. Các tác giả đã sử dụng các công thức MCVA:
VCNDSI = NDSI2017 - NDSI2014 (1.10) NDVI2014, NDVI2017, NDSI2014, NDSI2017 lần lượt là chỉ số thực vật khác biệt chuẩn và chỉ số đất khác biệt chuẩn tính trên ảnh năm 2014 và 2017. ChangeIndex1 = (1.11) ChangeIndex2 = VCNDVI +VCNDSI 1.12) Kết quả nghiên cứu đã cho thấy, nếu sử dụng lô khoanh vi từ ảnh Landsat 8 để phát hiện vị trí mất rừng có thể đạt độ chính xác đến 99,2%. Nếu sử dụng đơn vị phát hiện mất rừng là lô kiểm kê rừng có sẵn thì độ chính xác là 91,6%. Nghiên cứu kết luận, kết quả nghiên cứu có thể áp dụng mở rộng để phát hiện vị trí mất rừng cho các khu vực khác trên toàn quốc.
Lê Tuấn Anh và Cs, (2018) [1], đã sử dụng ảnh SPOT-5 và SPOT-6, số liệu đo đạc thực nghiệm nhằm xác định ngưỡng để phát hiện sớm mất rừng tại huyện Đắk Song, tỉnh Đắk Nông. Nghiên cứu đã thiết lập chỉ tiêu khác biệt tương đối về màu sắc giữa 2 ảnh (SsNDVI) và chỉ tiêu khác biệt tương đối về cấp độ sáng giữa 2 ảnh (SsBright) để phát hiện mất rừng.
SsNDVI = (1.13) SsBright = (1.14) sNDVIt1, sBrightt1 là chỉ số tương đối và cấp độ sáng tương đối của lô rừng tại ảnh chụp trước; sNDVIt2, sBrightt2 là chỉ số tương đối và cấp độ sáng tương đối của lô rừng tại ảnh chụp sau.
sNDVIi = (1.15) sBrighti = (1.16) Trong đó: i là số thứ tự của lô nghiên cứu. sNDVIi, sBrighti lần lượt là chỉ số khác biệt màu sắc tương đối, cấp độ sáng tương đối của lô thứ I; NDVIi, Brighti lần lượt là chỉ số khác biệt màu sắc, cấp độ sáng trung bình của lô i; NDVIa, Brighta lần lượt là chỉ số khác biệt màu sắc, độ sáng trung bình của toàn ảnh.
Kết quả nghiên cứu đã chỉ ra rằng, những nơi còn rừng chỉ tiêu SsNDVI >1, SsBright >1,5; nơi mất rừng SsNDVI <1, SsBright < 1,5. Độ chính xác của việc phát hiện mất rừng sử dụng ngưỡng trong nghiên cứu là 90%. Kết quả nghiên cứu cũng đã chỉ ra rằng, các lô rừng có diện tích lớn hơn 2 ha là không nhầm lẫn hoặc ít nhầm lẫn khi phát hiện mất rừng.
Nguyễn Hải Hòa và Cs (2018)[10], đã sử dụng ảnh vệ tinh Sentinel 2, các chỉ số viễn thám (NDVI, NBR, IRSI) để xác định ngưỡng phát hiện sớm mất rừng ở tại Khu dự trữ sinh quyển thế giới Langbiang, tỉnh Lâm Đồng. Các tác giả đã sử dụng các công thức:
dNDVIDeforestation = NDVItruoc - NDVIsau (1.17) dNBRDeforestation = NBRtruoc - NBRsau (1.18) dIRSIDeforestation = IRSItruoc - IRSIsau (1.19) Kết nghiên cứu đã xác định được ngưỡng các chỉ số viễn thám để phát hiện sớm mất rừng với độ chính xác từ 66,7- 85,7%. Ngưỡng phát hiện sớm mất rừng của chỉ số NDVI dao động từ 0,400 đến 0,792; với chỉ số NBR là từ 0,200 đến 0,529; và IRSI là từ 0,604 đến 1,193.
Lê Ngọc Hoàn và Trần Quang Bảo, (2018) [13] đã nghiên cứu sử dụng thuật toán của Louis et al. (2003) trích xuất điểm dị thường nhiệt từ ảnh vệ tinh MODIS làm cơ sở khoa học trong việc sử dụng ảnh MODIS trong phát hiện và cảnh báo cháy rừng ở Việt Nam. Thuật toán sử dụng kênh nhiệt sáng có nguồn gốc từ kênh MODIS 4µm và 11µm, ký hiệu tương ứng là T4 và T11.
Một điểm ảnh ban ngày được xác định là điểm cháy tiềm năng khi nó thỏa mãn điều kiện:
T4 > 310 K, ∆T = T4 - T11 > 10 K (1.20) Một điểm ảnh ban ngày được xác định là điểm cháy tiềm năng khi nó thỏa mãn điều kiện:
Nghiên cứu đã sử dụng ảnh vệ tinh MODIS giai đoạn 2010-2015 để trích xuất điểm dị thường nhiệt, đồng thời tổng hợp và phân tích khả năng phân bố các điểm dị thường nhiệt theo thời gian và không gian. Kết quả của nghiên cứu đã cho thấy, các điểm dị nhiệt phân bố theo thời gian, không gian đều tương đối phù hợp với kết quả phân vùng trọng điểm cháy rừng và mùa cháy rừng ở Việt Nam.
Mi, J. et al. (2019) [43], đã sử dụng ảnh vệ tinh Landsat đa thời gian và chỉ số thực vật NDVI để nghiên cứu sự mất rừng, tăng rừng giai đoạn 1987- 2017 tại khu vực khai thác mỏ thuộc huyện Nanjiao, thành phố Datong, tỉnh Shanxi, Trung Quốc. Nghiên cứu đã sử dụng công thức:
dNDVI= NDVIt2 - NDVIt1 (1.22) NDVIt2 và NDVIt1 là giá trị NDVI trên ảnh tại thời điểm năm t2 và t1. Nghiên cứu đã chia ngưỡng dNDVI thành 5 cấp: tăng mạnh (dNDVI > 0,4); tăng ít (0,1 < dNDVI < 0,4); ổn định (-0,1 < dNDVI < 0,1); giảm nhẹ (- 0,1 < dNDVI < -0,4) và giảm mạnh (dNDVI < -0,4). Kết quả nghiên cứu đã xác định được, trong khoảng thời gian 30 năm, 1,34% diện tích rừng tự nhiên đã bị mất, chuyển sang đất đồng cỏ. Ngược lại, 4,38% các loại đất khác đã chuyển thành rừng trồng.
Nguyễn Hải Hòa và Cs, (2019) [11], đã sử dụng ảnh Landsat để xác định ngưỡng chỉ số phát hiện sớm khai thác khoáng sản tại Khu dự trữ sinh quyển thế giới Langbiang, tỉnh Lâm Đồng. Nghiên cứu đã sử dụng ảnh Landsat 5, Landsat 8 để đánh giá biến động giá trị Albedo với chỉ số NDVI giai đoạn từ năm 2008 đến năm 2017 để xác định ngưỡng biến động giá trị Albedo và NDVI cho phát hiện mất rừng.
dNDVIMineral Exploitation = NDVI2017 - NDVI2008 (1.23) dAlbedoMineral Exploitation = AlbedoLandsat 2017 - AlbedoLandsat 2008 (1.24) Kết quả nghiên cứu cho thấy, giá trị Albedo có ngưỡng dao động từ 0,083 đến 0,160 và giá trị NDVI dao động từ 0,202 đến 0,516. Việc áp dụng
ngưỡng Albedo và NDVI có thể phát hiện mất rừng do hoạt động khai thác khoáng sản với độ tin cậy từ 56,0 đến 81,1%.
Duarte, E. et al. (2020), đã sử dụng ảnh Landsat 5 TM, Landsat 8, dữ liệu hiện trường, Google Earth Engine để xác định suy thoái rừng lá kim tại quốc gia Cộng hòa Dominica thông qua việc xác định sự thay đổi trữ lượng các-bon rừng trên ảnh vệ tinh. Công thức sử dụng để tính toán:
CD = Ct1 - Ct2 (1.25) Trong đó: CD là trữ lượng các-bon rừng suy giảm giai đoạn 1990- 2018 (Mg/ha); Ct1 là trữ lượng các-bon rừng năm 1990; Ct2 là trữ lượng các- bon rừng năm 2018.
Kết quả nghiên cứu đã xác định xây dựng được bản đồ suy thoái trữ lượng các-bon rừng với độ chính xác 70,7%, đồng thời đã xác định được trữ lượng các-bon bị giảm 18% do giảm về diện tích và trữ lượng rừng cây lá kim trong giai đoạn 1990-2018.
Santos, S. M. B et al (2020) [47], đã sử dụng ảnh vệ tinh Landsat 8 và chỉ số NBR để xác định cấp độ cháy và mức độ tái sinh rừng sau cháy tại Vườn quốc gia Chapada Diamantina, Brazil. Các tác giả đã sử dụng các công thức xác định ngưỡng cho các cấp độ cháy và mức độ tái sinh rừng sau:
dNBRs = NBRpre - NBRpost (1.26) dNBRr = NBRpost - NBRregrowth (1.27) RdNBRs = (1.28) RdNBRs là mức độ cháy và RdNBRr là mức độ tái sinh trưởng.
Kết quả nghiên cứu đã xác định được các ngưỡng RdNBRs và RdNBRr như sau: tái sinh trưởng cao (-500 đến -251); tái sinh trưởng thấp (-250 đến - 99); không cháy (-100 đến 99); cháy thấp (+100 đến +269); cháy thấp-trung bình (+270 đến +439); cháy trung bình-cao (+440 đến +659); cháy cao (+660 đến +1300).
Nguyễn Quốc Hiệu, (2020) [8], đã sử dụng tư liệu ảnh viễn thám đa thời gian Landsat 8 và Sentinel 2 với 2 chỉ số viễn thám được sử dụng để phát hiện sớm mất rừng, suy thoái rừng và khu vực thêm rừng mới vừng Tây nguyên, tác giả sử dụng công thức để xác định ngưỡng mất, suy thoái rừng với độ chính xác cao và được đề xuất ứng dụng trong phát hiện sớm mất rừng vùng Tây Nguyên.
KB = 100x(T1- T2)/T1 (2.30) Trong đó: T1 là giá trị của chỉ số viễn thám tại thời điểm trước tác động.
T2 là giá trị của chỉ số viễn thám tại thời điểm sau tác động. Bộ Nông nghiệp và Phát triển Nông thôn (2020) [2]. Báo cáo kết quả thực hiện dự án "Thiết lập thí điểm hệ thống tuần tra, giám sát lửa rừng, sự thay đổi rừng và đất lâm nghiệp cấp huyện" của Bộ NN&PTNT đã đưa ra ngưỡng mất rừng đối với khu vực tỉnh Điện Biên với chỉ số NDVI là dNDVI > 45,0% hoặc dNDVI > 0,308; chỉ số NBR là dNBR > 41,0% hoặc dNBR > 0,248.
1.3.2.2. Ở Cộng hòa Dân chủ Nhân dân Lào
Sử dụng thuật toán phát hiện thay đổi đã được áp dụng khá phổ biến trên thế giới, tuy nhiên ở Lào cho đến nay tác giá chưa tìm hiểu được tài liệu nào công bố về sử dụng thuật toán, nhất là thuật toán tương đối tính cho các chỉ sổ viễn thám để phát hiện mất rừng, suy thái và thêm rừng.
1.3.2.3. Kết luận, đánh giá chung phương pháp sử dụng thuật toán
Theo hướng này, các nhà nghiên cứu nắm bắt sự thay đổi của rừng được phát hiện trực tiếp trên ảnh vệ tinh thông qua việc sử dụng thuật toán qua các chỉ số viễn thám phát hiện biến động phản ánh sự thay đổi về giá trị chỉ số viễn thám/giá trị phổ của đối tượng nghiên cứu trên ảnh vệ tinh.
Thuật toán phát hiện thay đổi đã được áp dụng trong những trường hợp như: phát hiện mất rừng, suy thoái rừng, tăng rừng; phát hiện những thiệt hại tài nguyên rừng do cháy rừng, bão gây ra; phát hiện thay đổi sử dụng đất; phân loại mức độ tái sinh rừng sau cháy với độ chính xác từ 56,0 đến 99,2%.
Các thuật toán phát hiện thay đổi đã được sử dụng để phát hiện thay đổi tài nguyên rừng có thể chia thành 3 nhóm: (i) thuật toán khác biệt ảnh đơn biến hay còn gọi là chỉ số tuyệt đối; (ii) thuật toán tương đối hay còn gọi là chỉ số tương đối và (iii) thuật toán khác biệt ảnh đa biến hay còn gọi là phân tích vector đa biến. Đây là kỹ thuật phát hiện thay đổi theo thời gian dựa trên phát hiện sự thay đổi về phổ trên ảnh vệ tinh. Trong công thức tính chỉ số tuyệt đối và chỉ số tương đối chỉ sử dụng duy nhất 1 kênh ảnh hoặc 1 chỉ số viễn thám (NDVI, NBR, ARVI, v.v.) trong khi đó công thức tính của phương pháp phân tích vector đa biến không giới hạn số kênh ảnh hoặc số lượng các chỉ số viễn thám. Việc sử dụng các chỉ số viễn thám khác nhau cũng ảnh hưởng đến hiệu quả và độ chính xác của kết quả phát hiện thay đổi.