Biến chính Biến phụ Biến thành phần
KHẢ NĂNG THÍCH ỨNG (AC) Kích thƣớc và sự biến đổi (AC1)
Kích thƣớc mảnh trung bình AREA_MN (AC11) Kích thƣớc mảnh trung bình trung vị AREA_MD (AC12)
Số lƣợng các mảnh NP (AC13)
Số lƣợng các mảnh trên mỗi đơn vị diện tích PD (AC14) Chỉ số mảnh lớn nhất phần LPI (AC15) Diện tích, mật độ, cạnh (AC2) Chỉ số về hình dạng LSI (AC21)
Kích thƣớc mảnh trung bình theo khu vực FRAC_AM (AC22)
Độ phân tách, độ
gần ( AC3)
Chỉ số về liên kết/rải rác của các mảnh CONTIG_MN (AC31)
Chỉ số lân cận gần nhất Euclidean ENN_MN (AC32) Độ lệch chuẩn của khoảng cách giữa các trung tâm mảnh đến trung tâm của mảnh lân cận gần nhất ENN_SD ( AC33)
Ở mỗi thành phần của khả năng dễ bị tổn thƣơng, dữ liệu thu thập đƣợc sẽ đƣợc sắp xếp theo ma trận hình chữ nhật với các hàng thể hiện các vùng và các cột thể hiện các chỉ thị. Giả sử M là các vùng/địa phƣơng, và K là các chỉ thị mà ta đã thu thập đƣợc. Gọi X ij là giá trị của chị thị j tƣơng ứng với vùng i. Khi đĩ bảng dữ liệu sẽ cĩ M hàng K cột nhƣ sau: Bảng 3.6. Bảng sắp xếp các biến thành phần theo vùng Vùng/địa phƣơng Biến thành phần 1 2 … J … K 1 X11 X12 … X1J … X1K 2 X21 X22 … X2J … X2K … … … … i Xi1 Xi2 … XiJ … XiK … … … … M XM1 XM2 … XMJ … XMK
Do các chỉ số cĩ thứ nguyên khác nhau nên ta phải chuẩn hĩa để số liệu khơng phụ thuộc vào thứ nguyên trƣớc khi tính tốn. Phƣơng pháp chuẩn hĩa đƣợc áp dụng theo nhƣ chỉ số phát triển con ngƣời (HDI) của UNDP năm 2006. Giá trị của các biến sau khi chuẩn hĩa sẽ nằm giữa 0 và 1. Khi chuẩn hĩa số liệu việc xem xét mối quan hệ giữa các biến và tính dễ bị tổn thƣơng rất quan trọng. Cĩ hai kiểu quan hệ giữa biến và tính dễ bị tổn thƣơng là quan hệ thuận và quan hệ nghịch. Trong mối quan hệ thuận, khi giá trị của biến càng cao thì tính dễ bị tổn thƣơng càng lớn. Ngƣợc lại, trong mối quan hệ nghịch, khi giá trị của biến càng lớn thì tính dễ bị tổn thƣơng sẽ giảm đi. Trong mỗi một kiểu quan hệ thì cơng thức chuẩn hĩa cho chỉ số đƣợc áp dụng khác nhau.
Khi mối quan hệ giữa các chỉ số và tính dễ bị tổn thƣơng là quan hệ thuận thì cơng thức chuẩn hĩa của biến thành phần là:
Rõ ràng là các kết quả đều nằm trong khoảng từ 0 đến 1. Giá trị 1 cĩ nghĩa là vùng cĩ giá trị cao nhất và 0 nghĩa là vùng cĩ giá trị thấp nhất.
Khi mối quan hệ giữa các chỉ số và tính dễ bị tổn thƣơng là quan hệ nghịch thì cơng thức chuẩn hĩa của biến là:
Yij = (Max Xij – Xij)/(MaxXij - MinXij)(2)
Từ cơng thức (1) và (2) ta thấy rõ ràng Xij + Yij = 1, nên ta cĩ thể tính Xij của tất cả các biến và lấy giá trị nghịch đảo (1 – Xij) cho những biến cĩ quan hệ nghịch với tính dễ bị tổn thƣơng.
Sau khi chuẩn hĩa các biến thành phần, ta tính giá trị của từng biến phụ theo cơng thức (3)
Xi = ∑ (3)
Trong đĩ:
Xi: Biến phụ của độ phơi nhiễm, độ nhạy hay độ thích ứng; n: số biến thành phần trong biến phụ.
Xij: Biến thành phần thứ j đã đƣợc chuẩn hĩa của biến phụ tƣơng ứng
Sau khi xác định đƣợc các biến thành phần, biến chính (E, S, AC) đƣợc xác định bằng cơng thức (4)
X = ∑
∑ (4)
Trong đĩ:
X: Biến chính;
xi: Biến phụ thứ i đƣợc xác định tại cơng thức (3); ni: Số lƣợng biến thành phần cấu tạo nên biến phụ thứ i; m: là số lƣợng biến phụ xi.
Nhiều nghiên cứu áp dụng trọng số cho các biến thành phần, biến phụ hay biến chính. Cĩ các phƣơng pháp tính trọng số nhƣ bằng thống kê hay phƣơng pháp chuyên gia. Tuy nhiên, trong nghiên cứu này, học viên khơng áp dụng trọng số mà coi vai trị của các biến phụ, biến thành phần và biến chính cân bằng nhƣ nhau.
Sử dụng cơng thức sau để xác định chỉ số các biến phụ:
Sử dụng cơng thức sau để xác định chỉ số AC:
Các chỉ số của khả năng thích ứng đƣợc trình bày trong bảng sau, đƣợc xác định các giá trị bằng phƣơng pháp tính tốn các chỉ số phân mảnh cảnh quan trƣớc đĩ cho từng xã và xử lý để cĩ chỉ số phù hợp. Giá trị các biến thành phần thuộc Khả năng thích ứng đƣợc tổng hợp trong bảng sau đây:
Bảng 3.7. Thơng số đầu vào của khả năng thích ứng
Biến chính Biến phụ Biến thành phần Đơn vị Xã Tây Hƣng Đơng Hƣng Tiên Hƣng Vinh Quang KHẢ NĂNG THÍCH ỨNG (AC) Kích thƣớc và sự biến đổi (AC1) Kích thƣớc mảnh trung bình AREA_MN (AC11) 0.15 2.32 0.65 4.97 Kích thƣớc mảnh trung bình
trung vị AREA_MD (AC12) 0.09 0.09 0.18 0.09 Số lƣợng các mảnh NP (AC13) số 87.00 118.00 95.00 93.00 Số lƣợng các mảnh trên mỗi đơn
vị diện tích PD (AC14) số 653.15 43.06 153.65 20.14 Chỉ số mảnh lớn nhất phần LPI (AC15) % 6.08 88.93 21.69 87.51 Diện tích , mật độ, cạnh (AC ) Chỉ số về hình dạng LSI (AC21) % 10.12 7.18 11.85 8.78 Kích thƣớc mảnh trung bình theo
Độ phân tách, dộ
gần ( AC3)
Chỉ số về liên kết/rải rác của các
mảnh CONTIG_MN (AC31) 0.07 0.11 0.15 0.11 Chỉ số lân cận gần nhất
Euclidean ENN_MN (AC32) 104.54 97.21 78.92 93.96 Độ lệch chuẩn của khoảng cách
giữa các trung tâm mảnh đến trung tâm của mảnh lân cận gần nhất ENN_SD ( AC33)
70.50 73.85 39.12 42.27
Các biến phụ của Khả năng thích ứng đều cĩ mối quan hệ nghịch với tính phân mảnh, khi giá trị của các biến phụ càng lớn thì khả năng thích ứng càng cao. Do đĩ, khi tính giá trị của biến phụ phải xét đến quan hệ giữa biến phụ và các biến thành phần để áp dụng cơng thức chuẩn hĩa phù hợp. Mối quan hệ giữa biến phụ và từng biến thành phần khác nhau đƣợc chuẩn hĩa khác nhau.
Bảng 3.8. Thơng số đầu vào của khả năng thích ứng sau khi chuẩn hĩa
Biến chính Biến phụ Biến thành phần Xã Tây Hƣng Đơng Hƣng Tiên Hƣng Vinh Quang KHẢ NĂNG THÍCH ỨNG (AC) Kích thƣớc và sự biến đổi (AC1) Kích thƣớc mảnh trung bình AREA_MN (AC11) 1 0.55 0.90 0 Kích thƣớc mảnh trung bình trung vị AREA_MD (AC12) 1 1 0 1 Số lƣợng các mảnh NP (AC13) 1.00 0.00 1 1 Số lƣợng các mảnh trên mỗi đơn vị
diện tích PD (AC14) 0 0.96 0.79 1 Chỉ số mảnh lớn nhất phần LPI (AC15) 1 0 0.81 0.02 Diện tích , mật độ, cạnh (AC2) Chỉ số về hình dạng LSI (AC21) 0.37 1 0.00 1 Kích thƣớc mảnh trung bình theo
khu vực FRAC_AM (AC22) 1 0.41 0.40 0
Độ phân tách, độ
Chỉ số về liên kết/rải rác của các
gần ( AC3)
Chỉ số lân cận gần nhất Euclidean
ENN_MN (AC32) 0 0 1.00 0.41
Độ lệch chuẩn của khoảng cách giữa các trung tâm mảnh đến trung tâm của mảnh lân cận gần nhất ENN_SD ( AC33)
0.10 0 1.00 1
Sau khi sử dụng cơng thức chuẩn hĩa các giá trị và tiến hành tính tốn, kết quả của khả năng thích ứng thu đƣợc nhƣ sau:
Bảng 3.9. Kết quả của khả năng thích ứng
Chỉ số thành phần của tính phân mảnh rừng phần phụ Số hợp Giá trị của chỉ số Tây Hƣng Đơng Hƣng Tiên Hƣng Vinh Quang
Kích thƣớc và sự biến đổi (AC1) 5 0.80 0.50 0.65 0.56
Diện tích, mật độ, cạnh (AC2) 2 0.69 0.71 0.20 0.33
Độ phân tách, độ gần ( AC3) 3 0.37 0.27 0.67 0.62
Khả năng thích ứng (AC) 0.65 0.47 0.56 0.53
Khả năng thích ứng tỉ lệ nghịch với tính phân mảnh rừng ngập mặn, theo bảng trên xã cĩ khả năng thích ứng cao nhất là Tây Hƣng với chỉ số là 0,65, sau đĩ đến Tiên Hƣng (0,56). Tƣơng ứng với chỉ số thích ứng thấp nhất 0,47 là xã cĩ khả năng thích ứng thấp nhất – Đơng Hƣng. Điều này cho ta thấy biến động sử dụng đất tác động đến tính phân mảnh.
Hình 3.11. Khả năng thích ứng của rừng ngập mặn dƣới tác động của tính phân mảnh
KẾT LUẬN VÀ KHUYẾN NGHỊ Kết luận
1. Do nhu cầu đánh giá biến đổi lớp phủ sử dụng đất huyện Tiên Lãng trong giai đoạn 10 năm để đánh giá ảnh hƣởng của tính phân mảnh rừng ngập mặn tại Tiên Lãng với dung lƣợng khoảng 700MB nên luận văn đã sử dụng nền tảng điện tốn đám mây Google Earth Engine (GEE) để phân loại ảnh vệ tinh khu vực nghiên cứu. Google Earth Engine là một cơng cụ cho phép xử lý một chồng lớn các hình ảnh vệ tinh. Luận văn đã sử dụng các thuật tốn phân loại đa thời gian cĩ sẵn trong GEE Random Forest để phân loại các dữ liệu ảnh vệ tinh cĩ sẵn trên cơ sở dữ liệu của Landsat và Sentinel 2. Các dữ liệu này tích hợp để tạo các tổ hợp khơng mây dựa trên thuật tốn lọc mây cho ảnh Landsat và Sentinel 2 cũng cĩ sẵn trên GEE. Kết quả phân loại đa thời gian (2010-2018) cho phép thành lập bản đồ lớp phủ các năm trong giai đoạn nghiên cứu. Để phân tích sự thay đổi về tính phân mảnh của rừng ngập mặn dƣới ảnh hƣởng của nuơi trồng thủy sản luận văn đã sử dụng phần mềm FRAGTATS tính các chỉ số về hình thái lớp phủ sử dụng đất trong giai đoạn 2010 và 2018 cho các xã ven biển huyện Tiên Lãng.
2. Việc so sánh lớp phủ của các xã ven biển huyện Tiên Lãng trong giai đoạn năm 2010-2018, cho thấy xu hƣớng biến đổi lớp phủ đất: rừng ngập mặn tăng lên 55,27 ha và đất khác (đất nơng nghiệp) giảm mạnh, cịn diện tích đất dân cƣ tăng lên rất nhanh. Diện tích mặt nƣớc bao gồm cả diện tích nuơi trồng thủy sản cũng tăng lên, do chuyển đổi từ đất nơng nghiệp và chặt phá rừng ngập mặn chuyển sang nuơi trồng thủy sản.
Trên địa bàn các xã thì sự chuyển dịch đất này khơng giống nhau. Hầu hết các xã đều cĩ diện tích rừng ngập mặn tăng lên (trừ xã Tiên Hƣng), diện tích khu dân cƣ hầu hết các xã đều tăng trong giai đoạn này. Cùng với sự gia tăng về dân cƣ dẫn đến diện tích mặt nƣớc nuơi trồng thủy sản cũng tăng lên ở hầu hết các xã, riêng xã Đơng Hƣng cĩ sự giảm nhẹ nhƣng khơng đáng kể.
3. Để đánh giá sự thay đổi về tính phân mảnh của rừng ngập mặn dƣới ảnh hƣởng của nuơi trồng thủy qua các năm 2010 và 2018 luận văn đã lựa chọn 10 chỉ
số và các chỉ số đƣợc phân thành 3 nhĩm: 1) Nhĩm chỉ số đo đạc về và kích thƣớc và sự biến đổi mảnh: AREA_MN, AREA_MD, NP, PD, LPI cho thấy các mảnh rừng ngập mặn cĩ xu phân mảnh theo thời gian. 2) Nhĩm chỉ số về độ phân tách/độ gần: CONTIG_MD, ENN_MN, ENN_SD cho thấy xu hƣớng giảm dần, điều này cĩ nghĩa rằng các mảnh trở nên tập trung hơn; 3) Nhĩm các chỉ số về diện tích, mật độ, cạnh: LSI, FRAC_AM cũng cho thấy giảm xu hƣớng. Nhìn chung, độ phức tạp hình dạng của độ che phủ rừng ngập mặn giảm đi.
4. Phân tích về tác động của tính phân mảnh đến khả năng thích ứng của rừng ngập mặn theo từng xã: Từ năm 2010 - 2018, xu hƣớng phân mảnh rừng ngập mặn theo thời gian của 4 xã là khác nhau, trong đĩ xã Tiên Hƣng cĩ xu hƣớng phân mảnh cao nhất, tiếp đến là xã Tây Hƣng, Đơng Hƣng và xã Vinh Quang cĩ độ phân mảnh giảm mạnh nhất. Điều này cho ta thấy tính phân mảnh của rừng ngập ngặp mặn ngày càng giảm đi theo thời gian do cĩ sự đầu tƣ và phát triển của các tổ chức quốc tế và nỗ lực của chính quyền địa phƣơng. Xã cĩ khả năng thích ứng cao nhất là Tây Hƣng với chỉ số là 0,65, sau đĩ đến Tiên Hƣng (0,56), Đơng Hƣng là xã cĩ chỉ số thích ứng thấp nhất 0,47. Điều này cho ta thấy biến động sử dụng đất tác động đến tính phân mảnh.
Khuyến nghị
Dữ liệu ảnh viễn thám cĩ độ phân giải khác nhau đã gây khơng ít khĩ khăn trong việc xử lý. Việc thống nhất một loại tƣ liệu viễn thám cũng nhƣ phƣơng pháp xử lý ảnh đa độ phân giải sẽ tăng thêm độ chính xác trong quá trình phân loại đối tƣợng và tăng mức độ chi tiết các đối tƣợng. Mặc dù GEE cĩ rất nhiều ƣu điểm nhƣng đáng chú ý là GEE vẫn chƣa hồn hảo. Vẫn cĩ các mơ-đun chƣa hồn chỉnh. Tuy nhiên tác giả đánh giá cao ý tƣởng của GEE và nỗ lực của họ trong việc tạo ra một hệ thống xử lý dữ liệu khơng gian địa lý khơng tính phí hoạt động trên đám mây.
Chuỗi các thời điểm cĩ dữ liệu trong luận văn là chƣa đủ để theo dõi biến động rừng ngập mặn dƣới ảnh hƣởng của nuơi trồng thủy sản. Vì vậy cần tăng cƣờng thêm dữ liệu ảnh của các thời điểm trong quá khứ để thấy đƣợc mức độ biến động một cách liên tục.
Việc nghiên cứu tính phân mảnh của cảnh quan rừng ngập mặn cần kết hợp với nghiên cứu sự chuyển đổi các loại hình sử dụng đất khác để tăng giá trị sử dụng của các kết quả làm cơ sở phục vụ quy hoạch và phát triển bền vững rừng và nuơi trồng thủy sản mà khơng ảnh hƣởng đến mơi trƣờng xung quanh.
TÀI LIỆU THAM KHẢO Tiếng Việt
1. Bộ Tài nguyên và Mơi trƣờng (2008). Chương trình mục tiêu Quốc gia ứng phĩ với biến đổi khí hậu.
2. CRES (2011). Đất ngập nƣớc Biến đổi khí hậu. Kỷ yếu hội thảo khoa học quốc gia. Nhà xuất bản khoa học kỹ thuật.
3. Nguyễn Ánh Hồng, Lê Thị Bích Ngọc, và Phạm Hồng Hải (2013). Ứng dụng ArcGIS và Patch Analyst trong phân tích định lƣợng cấu trúc cảnh quan trƣờng hợp nghiên cứu huyện Văn Yên, tỉnh Yên Bái.Kỷ yếu Hội thảo Ứng dụng GIS tồn quốc 2013.
4. Phan Nguyên Hồng (1999). Rừng ngập mặn Việt Nam. NXB Nơng nghiệp. 5. Nguyễn Thị Thanh Hƣơng và Đồn Minh Trung (2018). Áp dụng thuật tốn phân
loại random forest để xây dựng bản đồ sử dụng đất/thảm phủ tỉnh đắk lắk dựa vào ảnh vệ tinh Landsat 8 OLI.Tạp chí Nơng nghiệp & Phát triển nơng thơn: p. 122- 129.
6. Đồng Thị Ngọc Lan (2011). Nghiên cứu, xây dựng phương pháp trích chọn thuộc tính nhằm làm tăng hiệu quả phân lớp đối với dữ liệu đa chiều.
7. Lê Xuân Tuấn, Phan Nguyên Hồng và Trƣơng Quang Học (2008). Những vấn đề mơi trƣờng ven biển và phục hồi rừng ngập mặn ở Việt Nam. Kỷ yếu hội thảo Quốc tế Việt Nam học lần thứ ba.
8. Nguyễn An Thịnh (2013). Sinh thái cảnh quan: lý luận và ứng dụng trong mơi trường nhiệt đới giĩ mùa (Landscape ecology: concepts and applications in the tropical monsoon environment). NXBKhoa học và Kỹ thuật.
9. Viện Cơng nghệ Vũ trụ (2014). Đánh giá biến động sử dụng đất sử dụng ảnh viễn thám đa thời gian spot5 khu vực dự án hai tỉnh Bến Tre và Trà Vinh: p. 27. 10. Vũ Đồn Thái (2011). Hệ sinh thái rừng ngập mặn và tác dụng cản sĩng của
rừng ngập mặn. NXB Nơng nghiệp: p. 196.
11. Vũ Nguyễn Văn Vũ (2014). Đánh giá tính dễ bị tổn thương do biến đổi khí hậu đối với hệ sinh thái rừng ngập mặn Vườn quốc gia Xuân Thủy, tỉnh Nam Định.
Tiếng Anh
12. Bangqian Chen, Xiangming Xiao, Xiangping Li, Lianghao Pan, Russell Doughty, JunMa, Jinwei Dong, Yuanwei Qin, Bin Zhao, Zhixiang Wu, RuiSun, Guoyu Lan, Guishui Xie, Nicholas Clinton, and C. Giri (2017). A mangrove forest map of China in 2015: Analysis of time series Landsat 7/8 and Sentinel- 1A imagery in Google Earth Engine cloud computing platform.
13. Basten K (2009). Classifying Landsat Terrain Images via Random Forests.
Bachelor thesis Computer Science in Radboud University, Netherlands.
14. Benz U. C., Hofmann P., WillhauckG., Lingenfelder I., and H. M., Multi- resolution, object-oriented fuzzy analysis of remote sensing data for GIS-ready information: p. 239-258.
15. Breiman L. and Cutler A (2001). Random Forest. Machine Learning Journal Paper: p. 5-32.
16. César Alejandro Berlanga‐Robles, Arturo Ruiz‐Luna, and Rafael Hernández‐ Guzmán (2011). Impact of Shrimp Farming on Mangrove Forest and Other Coastal Wetlands: The Case of Mexico, Aquaculture and the Environment ed. A Shared Destiny and D.B. Sladonja.
17. Donato, D.C., J.B. Kauffman, D. Murdiyarso, S. Kurnianto, M. Stidham, and M. Kanninen (2011). Mangroves among the most carbon-rich forests in the