Sơ đồ 4.4. Sơ đồ cách tính tốn để tìm ra lô mất rừng dựa vào chỉ số IRSI
4.3.2. Đề xuất sử dụng chỉ số viễn thám trong theo dõi và giám sát mất rừng rừng
Thông qua kết quả nghiên cứu cho thấy, nếu sử dụng độc lập 1 chỉ số thì nên sử dụng chỉ số NDVI với khả năng phát hiện ra lô rừng bị mất độ chính xác lên đến 90,33% hoặc sử dụng kết hợp cả 3 chỉ số NDVI, NBR và IRSI để đạt tới độ chính xác lên đến 98 %. Về tính tốn diện tích lơ rừng bị mất nên sử dụng chỉ số NDVI để tính tốn độ chính xác tại khu vực nghiên cứu với sai số chỉ 13,70%.
4.3.3. Đề xuất việc xây dựng phần mềm phát hiện tự động mất rừng
Dựa trên các kết quả khả quan nêu trên, nghiên cứu đề xuất việc xây dựng phần mềm phát hiện mất rừng tự động sử dụng nguồn tư liệu ảnh Sentinel-2 với chu kỳbay là 5 ngày như vậy có thể phát hiện sớm các vụ mất rừng. Việc xây dựng phần mềm dựa trên việc ứng dụng các chỉ số viễn thám như trong nghiên cứu này đã đề cấp và sử dụng nền tảng Google Earth Engine để có thể tiết kiệm được chi phí mua thiết bị cấu hình cao mà vẫn đáp ứng được yêu cầu về xử lý dữ liệu viễn thám.
Hiện nay, tuy chưa được được xây dựng thành một phần mềm hoàn chỉnh, tuy nhiên ứng dụng code phát hiện mất rừng đã được xây dựng và hoàn thiện dưới dạng webgis dựa trên hỗ trợ từ nền tảng Google Earth
Engine tại địa chỉ
https://ninhbinhquetoi.users.earthengine.app/view/detectdeforestationtth và được cán bộ của phòng QLBVR thuộc CCKL tỉnh Thừa Thiên Huế sử dụng phục vụ cho phát hiện sớm mất rừng và theo dõi diễn diễn biến rừng của năm 2020.
KẾT LUẬN, TỒN TẠI VÀ KIẾN NGHỊ 1. Kết luận
Thừa Thiên Huế là một trong những tỉnh có diện tích rừng và độ che phủ rừng lớn ở khu vực miền trung. Lực lượng Kiểm lâm của tỉnh còn khá mỏng, do vậy, việc ứng dụng công nghệ viễn thám và GIS trong việc theo dõi, giám sát và phát hiện sớm mất rừng là việc vơ cùng ý nghĩa góp phần cho việc giảm sức lực của con người trong việc phải thường xuyên tuần tra, truy quét ngoài hiện trường và kịp thời xử lý các vụ vi phạm về phá rừng trên địa bàn tỉnh Thừa Thiên Huế.
Ảnh vệ tinh Sentinel-2 sử dụng để tính tốn tìm ra lơ rừng bị mất tại khu vực nghiên cứu được tạo thành từ 6 mảnh ghép (48PYC, 48PZC, 48QYD, 48QZD, 49PBT, 49QBU), trong 4 năm từ tháng 4/2017 - 5/200, có tổng số 210 ảnh, tỷ lệ mây bình qn là 40,36%. Dữ liệu ảnh vệ tinh Sentinel- 2 của 12 tháng năm 2019 gồm 701 ảnh, với tỷ lệ mây bình quân là 54,74%. Dữ liệu ảnh vệ tinh tại khu vực nghiên cứ được tải về, lọc mây, ghép ảnh đa thời gian trên GEE đảm bảo đạt yêu cầu trong sử dụng dữ liệu viễn thám trong phát hiện mất rừng.
Các xác định một lô rừng bị mất sử dụng chỉ số viễn thám tại khu vực nghiên cứu được áp dụng như sau: i) Với chỉ số NDVI áp dụng ngưỡng NDVIT1 ≥ 0,59, NDVT2 < 0,59 và ∆NDVI ≥ 0,28 (độ chính xác điểm mất rừng 90,33%, sai số về diện tích phát hiện 13,37%) ; ii) Với chỉ số NBR áp dụng ngưỡng NBRT1 ≥ 0,61, NBRT2 < 0,61 và ∆NBR ≥ 0,51 (độ chính xác điểm mất rừng 79,00%, sai số về diện tích phát hiện 15,61%) ; iii) Với chỉ số IRSI áp dụng ngưỡng IRSIT1 ≥ 1,20, IRSIT2 < 1,20 và ∆ IRSI ≥ 0,77 (độ chính xác điểm mất rừng 72,33%, sai số về diện tích phát hiện 21,27%). Nên áp dụng kết hợp cả 3 chỉ số này để đạt độ chính xác điểm mất rừng với độ chính xác lên đến 98%.
Diện tích mất rừng giai đoạn 2017 - 2020 tại khu vực nhiên cứu mỗi năm mất đi gần 15 ngàn ha, tính theo các chỉ số viễn thám: i) Theo chỉ số NDVI chiếm diện tích lớn nhất là 16,6 ngàn ha; ii) Theo chỉ số IRSI là 14,4 ngàn ha; iii) Theo chỉ sốNBR là hơn 13,8 ngàn ha. Các huyện mất rừng nhiều nhất là huyện A Lưới, huyện Hương Trà, Hương hủy; các huyện mất ít mất rừng là TP Huế, Phú Vang và Quảng Điền.
Độ chính xác về phát hiện điểm mất rừng của nghiên cứu là 90,33% với chỉ số NDVI, 79% với chỉ số NBR và 72,33% với chỉ số IRSI; khi kết hợp cả 3 chỉ số để phát hiện mất rừng thì độ chính xác lên tới 98%. Sai số về diện tích vùng mất rừng trong nghiên cứu lần lượt là 13,47% với chỉ số NDVI, 15,61 với chỉ số NBR và 21,27% với chỉ số IRSI.
2. Tồn tại
Nghiên cứu sử dụng vật liệu là ảnh vệ tinh Sentinel-2, do vậy vẫn còn chịu ảnh ảnh hưởng của mây dẫn đến một số điểm mất rừng phát hiện chưa đúng.
Nghiên cứu chưa tính đến trường hợp đối tượng rừng lá rụng theo mùa.
3. Kiến nghị
Tiếp tục có những nghiên cứu sâu hơn để tìm ra chỉ số NDVI biến động theo mùa một cách rõ dệt hơn để có thể có giá trị NDVI áp dụng cho khoảng thời gian ngắn hơn để nâng cao độ chính xác về điểm và diện tích phát hiện mất rừng. Trong đó, cần quan tâm đến đối tượng rừng lá dụng theo mùa. Ngoài ra, cần kết hợp với nguồn dữ liệu ảnh viễn thám không bị ảnh hưởng mây che phủ.
Đề xuất xây dựng phần mềm phát hiện mất rừng trên nền tảng Google Earth Engine và sử dụng rộng rãi cho toàn tỉnh Thừa Thiên Huế để có những những giải pháp quản lý rừng mang tính chất tổng thể và đồng nhất góp phần quản lý tốt hơn diện tích rừng và đất lâm nghiệp trên địa bàn tỉnh.
TÀI LIỆU THAM KHẢO TÀI LIỆU TIẾNG VIỆT
1. Trần Quang Bảo, Nguyễn Đức Lợi và Lã Nguyên Khang (2017), "Ứng
dụng GIS và viễn thám trong phân tích thực trạng và đánh giá diễn biến tài nguyên rừng tại huyện Vĩnh Cửu, tỉnh Đồng Nai", Tạp chí Khoa học và Cơng nghệ Lâm nghiệp. số 6/2017, tr. 92 - 100.
2. Bộ Nông nghiệp và Phát triển Nông thôn (2020), 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", chủ biên.
3. Cổng thông tin điện tử Kiểm lâm Thừa Thiên Huế Tăng cường tập huấn kỹ thuật giám sát rừng bằng máy tính bảng cho cán bộ quản lý rừng các cấp trên địa bàn tỉnh Thừa Thiên Huế, truy cập ngày 29/10/2020, tại trang web http://www.kiemlamthuathienhue.org.vn/tin-hoat-dong/tang- cuong-tap-huan-ky-thuat-giam-sat-rung-bang-may-tinh-bang-cho-can- bo-quan-ly-rung-cac-cap-tren-dia-ban-tinh-thua-thien-hue_227.html. 4. Cổng thông tin điện tử quốc hội nước cộng hịa xã hội chủnghĩa Việt Nam Góc
nhìn đại biểu: Giải pháp nào cho vấn nạn phá rừng ?, truy cập ngày
01/11/2020, tại trang web
http://quochoi.vn/UserControls/Publishing/News/BinhLuan/pFormPrint.aspx? UrlListProcess=/content/tintuc/Lists/News&ItemID=44130.
5. Cổng thông tin điện tử Sở NN&PTNT tỉnh Thừa Thiên Huế Tập huấn Hệ thống giám sát rừng công nghệ cao tại tỉnh Thừa Thiên Huế, truy cập ngày 29/10/2020, tại trang web https://snnptnt.thuathienhue.gov.vn/?gd=1&cn=159&tc=11677. 6. Cổng thông tin điển tử tỉnh Thừa Thiên Huế Quy hoạch phát triển kinh tế xã
hội, truy cập ngày 28/10/2020, tại trang web https://thuathienhue.gov.vn/vi- vn/Thong-tin-kinh-te-xa-hoi/tid/Quy-hoach-phat-trien-kinh-te-xa-
hoi/cid/D6CB55BA-1345-43BF-BD98-FE26A646F948.
7. Cổng thông tin điện tử tỉnh Thừa Thiên Huế, "Tình hình kinh tế - xã hội tháng 12 và cảnăm 2019".
8. Cổng thông tin điện tử tỉnh Thừa Thiên Huế; Bản đồ hành chính, truy
cập ngày 23/10/2020, tại trang web https://thuathienhue.gov.vn/vi- vn/Trang-chu/Thong-tin-chung/Ban-do-hanh-chinh.
9. Cổng thông tin điện tử tỉnh Thừa Thiên Huế; Giới thiệu tổng quan Thừa Thiên Huế, Thành phố Huế, truy cập ngày 23/10/2020, tại trang web https://thuathienhue.gov.vn/Thong-tin-kinh-te-xa-hoi/tid/Gioi-thieu- tong-quan-Thua-Thien-Hue/cid/710F28B2-E3D2-4746-BE8C- CFAD794A99E3.
10. Cục Kiểm lâm Số liệu diễn biến rừng hàng năm, truy cập ngày 23/10/2020, tại trang web http://www.kiemlam.org.vn/Desktop.aspx/List/So-lieu-dien-bien- rung hang-nam/.
11. Trần Thu Hà và các cộng sự. (2016), "Ứng dụng GIS và viễn thám trong giám sát biến động diện tích rừng huyện Cao Phong-tỉnh Hịa Bình",
Tạp chí Khoa học và Cơng nghệ Lâm nghiệp. số 4/2016, tr. 59 - 69. 12. Nguyễn Xuân Trung Hiếu; (2013), Ứng dụng viễn thám và GIS thành
lập bản đồ biến động các loại thực phủ địa bàn thành phố Huế - tỉnh
Thừa Thiên Huế, Hệ thống thông tin địa lý, Đại học Nông lâm Thành phố Hồ Chí Minh.
13. Nguyễn Hải Hòa, Nguyễn Thị Thu Hiền và Lương Thị Thu Trang (2016), "Ứng dụng GIS và ảnh Landsat đa thời gian xây dựng bản đồ
biến động diện tích rừng tại xã vùng đệm Xuân Đài và Kim Thượng,
vườn quốc gia Xuân Sơn", Tạp chí Khoa học Lâm nghiệp. số 3/2016, tr. 4524-4537.
14. Nguyễn Thanh Hoàn và các cộng sự. (2017), "Xác định vị trí mất rừng
bằng phương pháp phân tích véc tơ thay đổi đa biến (MCVA) trên tư liệu vệ tinh Landsat-8", Tạp chí Khoa học và Công nghệ Lâm nghiệp. số 4/2017, tr. 96-105.
của ảnh viễn thám để đánh giá biến động che phủ thực vật rừng giai
đoạn 2005-2011 tại ban quản lý rừng phòng hộ đầu nguồn Sơng Hương,
tỉnh Thừa Thiên Huế", Tạp chí Khoa học Đại học Huế. Số 8, tập 87. 16. Trương Đức Nguyên (2020), Ứng dụng ảnh viễn thám và GIS để theo
dõi biến động tài nguyên rừng tại xã Hồng Bắc, huyện A Lưới, tỉnh Thừa Thiên Huế, Lâm học, Đại học Nông lâm, Đại học Huế, TP Huế.
17. Quốc hội nước Cộng hòa xã hội chủ nghĩa Việt Nam (2017), Luật Lâm nghiệp, chủ biên.
18. Sở NN&PTNT tỉnh Thừa Thiên Huế (2020), Quyết định số 582/QĐ- SNNPTNT về việc giao biên chế năm 2020 cho Chi cục Kiểm lâm và các
đơn vị trực thuộc chi cục, chủ biên.
19. Nguyễn Văn Thị, Nguyễn Đình Dương và Trần Quang Bảo (2018), "Quan hệ giữa tán xạ ngược của ảnh radar Sentinel-1 với chỉ số NDVI của ảnh quang học Sentinel-2: trường hợp nghiên cứu cho đối tượng rừng khộp tại tỉnh Đắk Lắk", Tạp chí Khoa học và Công nghệ Lâm nghiệp. số 3/2018, tr. 167 - 176.
20. Tổng cục thống kê Niêm giám thống kê, Nhà xuất bản thống kê, Hà Nội.
21. Trung tâm vì Con người và Rừng; (2013), Một số thuật ngữ thông dụng liên quan tới biến đổi khí hậu và REDD+.
22. UBND tỉnh Thừa Thiên Huế (2016), Quyết định số 2478/QĐ-UBND
ngày 18/10/2016 về việc phê duyệt kết quả Kiểm kê rừng trên địa bàn tỉnh Thừa Thiên Huế, chủ biên.
23. UBND tỉnh Thừa Thiên Huế (2020), Quyết định số529/QĐ-UBND ngày 25/02/2020 về việc công bố hiện trạng rừng tỉnh Thừa Thiên Huế năm
2019, chủ biên.
TÀI LIỆU TIẾNG ANH
24. Alfonso Fernandez-manso, Oscar Fernández-Manso và C. Quintano (2016), "SENTINEL-2A red-edge spectral indices suitability for
discriminating burn severity", International Journal of Applied Earth
Observation and Geoinformation. 50, tr. 170-175.
25. Cengiz Akbulak và các cộng sự. (2018), "Forest fire risk analysis via
integration of GIS, RS and AHP: The Case of Çanakkale, Turkey",
Journal of Human Sciences. 15(4), tr. 2127-2143.
26. Dmitry Mozgovoy và các cộng sự. (2019), "Automated detection of
deforestation based on multi-spectrum satellite data", Journal of
Physics: Conference Series. 1399, tr. 044101.
27. Elena Reinisch và các cộng sự. (2020), Combining multispectral imagery
and synthetic aperture radar for detecting deforestation, SPIE Defense +
Commercial Sensing, Vol. 11392, SPIE.
28. Emre Çolak và Filiz Sunar (2020), "Evaluation of forest fire risk in the
Mediterranean Turkish forests: A case study of Menderes region, Izmir",
International Journal of Disaster Risk Reduction. 45, tr. 101479.
29. Eveline Pereira và các cộng sự. (2020), "Spatial and spectral remote
sensing features to detect deforestation in Brazilian Savannas",
Advances in Forestry Science. 6.
30. Google Sentinel-2 MSI: MultiSpectral Instrument, Level-1C, truy cập ngày 27/10/2020, tại trang web https://developers.google.com/earth- engine/datasets/catalog/COPERNICUS_S2.
31. Hesbon Ochego (2003), Application of Remote Sensing in Deforestation Monitoring: A Case Study of the Aberdares (Kenya), The second FIG
Regional Conference, chủ biên, Marrakech, Morrocco.
32. Livescience https://www.livescience.com/27692-deforestation.html, truy
cập ngày 23/10/2020, tại trang web https://www.livescience.com/27692- deforestation.html.
33. Manabu Watanabe và các cộng sự. (2017), Development of early-stage deforestation detection algorithm (advanced) with PALSAR-2/ScanSAR for JICA-JAXA program (JJ-FAST), 2446-2449.
34. Meng Lu và các cộng sự. (2016), "Spatio-temporal change detection from multidimensional arrays: Detecting deforestation from MODIS time series", ISPRS Journal of Photogrammetry and Remote Sensing.
117.
35. Michael Schultz và các cộng sự. (2016), "Performance of vegetation
indices from Landsat time series in deforestation monitoring",
International Journal of Applied Earth Observation and Geoinformation. 52, tr. 318-327.
36. Muhammad Saleh và các cộng sự. (2019), "Algorithm for detecting
deforestation and forest degradation using vegetation indices",
TELKOMNIKA (Telecommunication Computing Electronics and Control). 17, tr. 2335.
37. Nurul Ihsan Fawzi, Vina Nurul Husna và Jackson Helms (2018),
"Measuring deforestation using remote sensing and its implication for conservation in Gunung Palung National Park, West Kalimantan, Indonesia", IOP Conference Series: Earth and Environmental Science.
149, tr. 012038.
38. Stuart L. Pimm Deforestation, truy cập ngày 27/10/2020, tại trang web https://www.britannica.com/science/deforestation/Effects.
39. Yosio Edemir Shimabukuro và các cộng sự. (2019), "Monitoring deforestation and forest degradation using multi-temporal fraction images derived from Landsat sensor data in the Brazilian Amazon",
International Journal of Remote Sensing. 40(14), tr. 5475-5496.
40. Youmatter (2020), "What Is Deforestation? Definition, Causes,
Phụ lục 01
Danh sách các ảnh vệ tinh Sentinel-2 sử dụng trong phân tích dữ liệu mất rừng từnăm 2017 - 2020 tại khu vực nghiên cứu 1 2017 S2A_MSIL1C_20170401T031541_N0204_R118_T48PYC_20170401T032918 98,94 01-04-2017 48PYC 2 2017 S2A_MSIL1C_20170401T031541_N0204_R118_T48PZC_20170401T032918 100,00 01-04-2017 48PZC 3 2017 S2A_MSIL1C_20170401T031541_N0204_R118_T48QYD_20170401T032918 85,21 01-04-2017 48QYD 4 2017 S2A_MSIL1C_20170401T031541_N0204_R118_T48QZD_20170401T032918 100,00 01-04-2017 48QZD 5 2017 S2A_MSIL1C_20170408T030541_N0204_R075_T48PYC_20170408T031358 7,63 08-04-2017 48PYC 6 2017 S2A_MSIL1C_20170408T030541_N0204_R075_T48PZC_20170408T031358 1,37 08-04-2017 48PZC 7 2017 S2A_MSIL1C_20170408T030541_N0204_R075_T48QYD_20170408T031358 1,81 08-04-2017 48QYD 8 2017 S2A_MSIL1C_20170408T030541_N0204_R075_T48QZD_20170408T031358 0,19 08-04-2017 48QZD 9 2017 S2A_MSIL1C_20170408T030541_N0204_R075_T49PBT_20170408T031358 0,43 08-04-2017 49PBT 10 2017 S2A_MSIL1C_20170408T030541_N0204_R075_T49QBU_20170408T031358 - 08-04-2017 49QBU 11 2017 S2A_MSIL1C_20170411T033241_N0204_R118_T48PYC_20170411T033242 10,25 11-04-2017 48PYC 12 2017 S2A_MSIL1C_20170411T033241_N0204_R118_T48PZC_20170411T033242 - 11-04-2017 48PZC 13 2017 S2A_MSIL1C_20170411T033241_N0204_R118_T48QYD_20170411T033242 1,29 11-04-2017 48QYD 14 2017 S2A_MSIL1C_20170411T033241_N0204_R118_T48QZD_20170411T033242 0,03 11-04-2017 48QZD 15 2017 S2A_MSIL1C_20170418T032321_N0204_R075_T48PYC_20170418T032322 75,15 18-04-2017 48PYC 16 2017 S2A_MSIL1C_20170418T032321_N0204_R075_T48PZC_20170418T032322 58,09 18-04-2017 48PZC 17 2017 S2A_MSIL1C_20170418T032321_N0204_R075_T48QYD_20170418T032322 100,00 18-04-2017 48QYD
18 2017 S2A_MSIL1C_20170418T032321_N0204_R075_T48QZD_20170418T032322 30,02 18-04-2017 48QZD 19 2017 S2A_MSIL1C_20170418T032321_N0204_R075_T49PBT_20170418T032322 27,99 18-04-2017 49PBT 20 2017 S2A_MSIL1C_20170418T032321_N0204_R075_T49QBU_20170418T032322 32,44 18-04-2017 49QBU 21 2017 S2A_MSIL1C_20170421T031541_N0204_R118_T48PYC_20170421T033212 10,91 21-04-2017 48PYC 22 2017 S2A_MSIL1C_20170421T031541_N0204_R118_T48PZC_20170421T033212 0,47 21-04-2017 48PZC 23 2017 S2A_MSIL1C_20170421T031541_N0204_R118_T48QYD_20170421T033212 0,35 21-04-2017 48QYD 24 2017 S2A_MSIL1C_20170421T031541_N0204_R118_T48QZD_20170421T033212 0,13 21-04-2017 48QZD 25 2017 S2A_MSIL1C_20170428T030541_N0205_R075_T48PYC_20170428T031351 100,00 28-04-2017 48PYC 26 2017 S2A_MSIL1C_20170428T030541_N0205_R075_T48PZC_20170428T031351 90,69 28-04-2017 48PZC 27 2017 S2A_MSIL1C_20170428T030541_N0205_R075_T48QYD_20170428T031351 100,00 28-04-2017 48QYD 28 2017 S2A_MSIL1C_20170428T030541_N0205_R075_T48QZD_20170428T031351 100,00 28-04-2017 48QZD 29 2017 S2A_MSIL1C_20170428T030541_N0205_R075_T49PBT_20170428T031351 93,81 28-04-2017 49PBT 30 2017 S2A_MSIL1C_20170428T030541_N0205_R075_T49QBU_20170428T031351 100,00 28-04-2017 49QBU 31 2018 S2B_MSIL1C_20180401T031539_N0206_R118_T48PYC_20180401T061429 19,39 01-04-2018 48PYC 32 2018 S2B_MSIL1C_20180401T031539_N0206_R118_T48PZC_20180401T061429 10,22 01-04-2018 48PZC 33 2018 S2B_MSIL1C_20180401T031539_N0206_R118_T48QYD_20180401T061429 46,16 01-04-2018 48QYD 34 2018 S2B_MSIL1C_20180401T031539_N0206_R118_T48QZD_20180401T061429 5,51 01-04-2018 48QZD 35 2018 S2A_MSIL1C_20180403T030541_N0206_R075_T48PYC_20180403T064412 1,06 03-04-2018 48PYC 36 2018 S2A_MSIL1C_20180403T030541_N0206_R075_T48PZC_20180403T064412 0,07 03-04-2018 48PZC 37 2018 S2A_MSIL1C_20180403T030541_N0206_R075_T48QYD_20180403T064412 87,53 03-04-2018 48QYD
38 2018 S2A_MSIL1C_20180403T030541_N0206_R075_T48QZD_20180403T064412 26,35 03-04-2018 48QZD 39 2018 S2A_MSIL1C_20180403T030541_N0206_R075_T49PBT_20180403T064412 0,37 03-04-2018 49PBT 40 2018 S2A_MSIL1C_20180403T030541_N0206_R075_T49QBU_20180403T064412 9,63 03-04-2018 49QBU 41 2018 S2A_MSIL1C_20180406T031541_N0206_R118_T48PYC_20180406T060204 45,32 06-04-2018 48PYC 42 2018 S2A_MSIL1C_20180406T031541_N0206_R118_T48PZC_20180406T060204 82,20 06-04-2018 48PZC 43 2018 S2A_MSIL1C_20180406T031541_N0206_R118_T48QYD_20180406T060204 73,50 06-04-2018 48QYD 44 2018 S2A_MSIL1C_20180406T031541_N0206_R118_T48QZD_20180406T060204 56,86 06-04-2018 48QZD 45 2018 S2B_MSIL1C_20180408T030539_N0206_R075_T48PYC_20180408T060931 100,00 08-04-2018 48PYC 46 2018 S2B_MSIL1C_20180408T030539_N0206_R075_T48PZC_20180408T060931 97,41 08-04-2018 48PZC 47 2018 S2B_MSIL1C_20180408T030539_N0206_R075_T48QYD_20180408T060931 100,00 08-04-2018 48QYD 48 2018 S2B_MSIL1C_20180408T030539_N0206_R075_T48QZD_20180408T060931 79,71 08-04-2018 48QZD 49 2018 S2B_MSIL1C_20180408T030539_N0206_R075_T49PBT_20180408T060931 92,37 08-04-2018 49PBT 50 2018 S2B_MSIL1C_20180408T030539_N0206_R075_T49QBU_20180408T060931 49,73 08-04-2018 49QBU