2.4. Phương pháp nghiên cứu
2.4.2. Phương pháp nghiên cứu cụ thể
2.4.2.1. Phương pháp thu thập dữ liệu thứ cấp và và xử lý số liệu
Nghiên cứu đã tiến hành thu thập các thông tin về số liệu diễn biến rừng hàng năm từ phòng QLBVR và Cục Kiểm lâm, dữ liệu kiểm kê rừng công bố năm 2016 của UBND tỉnh Thừa Thiên Huế để có những thông tin về số liệu về diện tích đất lâm nghiệp, diện tích các loại rừng, xu thế diễn biến rừng và độ che phủ tại khu vực nghiên cứu.
Nghiên cứu cũng tiến hành thu thập thông tin về số lượng cán bộ và hoạt động của Kiểm lâm địa phương trong công tác ứng dụng công nghệ Viễn thám và GIS trong nghiên cứu biến động, phát hiện mất rừng và quản lý tài nguyên rừng tại khu vực nghiên cứu.
2.4.2.2. Xác định và lựa chọn một số chỉ số viễn thám để theo dõi và giám sát mất rừng tại khu vực nghiên cứu.
Các chỉ số có liên quan đến thực vật sẽ được sử dụng chủ yếu trong nghiên cứu này dựa trên việc tham khảo các bài báo, công trình nghiên cứu
trong và ngoài nước về sử dụng các chỉ số viễn thám trong theo dõi và giám sát rừng, trong đó tập trung vào các chỉ số sau đây.
a) Chỉ số thực vật NDVI (Normalized Difference Vegetation Index) NDVI là một thuật toán tiêu chuẩn được thiết kế để ước tính chất lượng thảm thực vật màu xanh lá cây trên mặt đất bằng phép đo phản xạ ở bước sóng màu đỏ và cận hồng ngoại. Chỉ số này xác định các giá trị từ -1,0 đến 1,0 về cơ bản đại diện cho màu xanh lá cây, trong đó các giá trị âm chủ yếu được hình thành từ mây, nước và các giá trị gần bằng 0 chủ yếu được hình thành từ đá và đất trống, các giá trị rất nhỏ (0,1 hoặc ít hơn) tương ứng với các khu vực đất trống có đá, cát. Giá trị vừa phải (từ 0,2 đến 0,3) đại diện cho cây bụi và đồng cỏ, trong khi giá trị lớn (từ 0,6 đến 0,8) đại diện rừng ôn đới, nhiệt đới [39, 40] và được tính bằng công thức:
NDVI = [40];
b) Chỉ số hỏa hoạn NBR (Normalized Burn Ratio)
NBR là chỉ số được sử dụng để làm nổi bật các khu vực bị đốt sau đám cháy. Phương trình của chỉ số thực vật NBR bao gồm các phép đo ở cả hai bước sóng NIR và SWIR: Thảm thực vật khỏe mạnh cho thấy độ phản xạ cao trong phổ NIR, trong khi các khu vực thực vật bị đốt cháy gần đây phản xạ rất cao trong phổ SWIR. Chỉ số hỏa hoạn NBR đã trở thành công cụ đặc biệt trong những năm qua khi điều kiện thời tiết khắc nghiệt (như hạn hán El Nino) gây ra sự gia tăng đáng kể trong các vụ cháy rừng phá hủy sinh khối rừng.
Để thực hiện tính toán chỉ số thực vật NBR, người ta cần các kênh phổ thuộc dải hồng ngoại gần và sóng ngắn, có thể là hình ảnh vệ tinh Landsat-7, Landsat-8, MODIS... Phạm vi của các giá trị nằm trong khoảng từ 1 đến -1.
Công thức của chỉ số quang phổ NBR:
[25]
Trong đó NIR là kênh cận hồng ngoại (Near InfraRed), SWIR là hồng ngoại sóng ngắn (Short Wavelength InfraRed).
Trên thực tế, để đánh giá diện tích cháy và mức độ nghiêm trọng của đám cháy, việc sử dụng NBR cho phép chỉ ra những thay đổi rõ nét của cảnh quan do hỏa hoạn gây ra. Đó là sự khác biệt giữa NBR được tính từ ảnh của một khu vực trước và sau đám cháy. Ngoài ra, còn có chỉ số NBR Thermal 1 sử dụng dải Nhiệt để tăng cường để chỉ ra sự khác biệt chính xác hơn giữa vùng bị đốt cháy và những vùng khác.
Chỉ số NBR được sử dụng phổ biến trong lĩnh vực nông nghiệp và lâm nghiệp nhằm phát hiện các đám cháy đang hoạt động, phân tích mức độ nghiêm trọng của vụ cháy và theo dõi sự tồn tại của thảm thực vật sau khi đốt.
c) Chỉ số kết hợp giữa NDVI và NBR (IRSI – Integrated Remote Sensing Index)
Nghiên cứu sẽ thử nghiệm việc kết hợp giữa hai chỉ số này để tìm ra khu vực mất rừng với hi vọng kết hợp này sẽ phát huy điểm mạnh của từng chỉ số đồng thời bổ trợ cho nhau khi một trong hai chỉ số không phát huy được thế mạnh. IRSI sẽ được tính dựa trên công thức.
IRSI = NDVI + NBR
2.4.2.3. Phương pháp xác định ngưỡng giá trị sử dụng trong giám sát và phát hiện mất rừng
Nghiên cứu đã tiến hành lấy mẫu mất từng cho 3 kỳ quan tâm từ 2017 - 2020 để tiến hành xác định ngưỡng giá trị mất rừng thông qua các chỉ số viễn thám. Khoảng thời gian quan tâm được chia thành 3 kỳ, bao gồm kỳ tháng 4/2017 - tháng 4/2018 (kỳ 1), kỳ tháng 4/2018 - tháng 4/2019 (kỳ 2), kỳ tháng 4/2019 - tháng 5/2020 (kỳ 3). Các bước để xác định một khu vực mất rừng của nghiên cứu dựa trên việc sử dụng ngưỡng giá trị đã xác định, cụ thể theo các bước như sau:
Bước 1: Tải ảnh vệ tinh theo thời gian và khu vực quan tâm.
Dữ liệu ảnh vệ tinh Sentinel-2 trên GEE được lấy với từ kho ee.ImageCollection("COPERNICUS/S2_SR").
Lọc theo thời gian quan tâm: filterDate Lọc theo khu vực quan tâm: filterBounds
Sau khi thu thập được ảnh Sentinel-2. Tiến hành sử dụng phần mềm đánh giá chất lượng ảnh thông qua chỉ số NIIRS để đánh giá chất lượng ảnh.
Thang đo Xếp hạng Khả năng Giải đoán Ảnh Quốc gia (NIIRS) (NIIRS) bởi Hiệp hội Imagery Resolution Assessments and Reporting Standards (IRARS) của Hoa Kỳ đã phát triển từ những năm 70 và khá hoàn thiện trong những năm 90 của thế kỷ 20. NIIRS đã tạo nên một hệ thống đánh giá ảnh cho các mục đích giải đoán ảnh trong dải sóng nhìn thấy, phục vụ cho xây dựng, đánh giá chất lượng ảnh radar, đa phổ. Ngày nay hệ thống này phát triển thành một hệ thống khá phức tạp với nhiều hạng mục khác nhau.
Phương pháp đánh giá chất lượng ảnh NIIRS được Hoa Kỳ, NATO và Liên hiệp Anh và cả Canada sử dụng rộng rãi trong đánh giá chất lượng từ đầu thu hàng không và vệ tinh.
Hoa Kỳ, NATO, Anh dùng NIIRS đánh giá chất lượng ảnh được giới thiệu chi tiết tại website: https://fas.org/irp/imint/niirs_c/index.html
Bước 2: Tính giá trị của chỉ số viễn thám và giá trị biến động ∆ = T1 - T2
Trên GEE với từng chỉ số NDVI (.normalizedDifference(['B8', 'B4'])), chỉ số NBR (normalizedDifference(['B8','B12'])), chỉ số IRSI sẽ được kết hợp giữa NDVI + NBR.
Thực hiện phép trừ trên GEE: .subtract
Bước 3: Lọc các khu vực mất rừng theo ngưỡng biến động đã đề xuất.
Bước 4: Lọc các lô cảnh báo nhầm
Các lô không phải là rừng: Sử dụng bản đồ quy hoạch ba loại rừng của tỉnh Thừa Thiên Huế, dữ liệu FRMS desktop để giao cắt và loại bỏ các khu vực không phải là rừng.
Các lô mà thời kỳ T1 là đất trống và T2 là rừng. Nghiên cứu tiến hành lấy mẫu thực địa kết hợp với mẫu dữ liệu từ kết quả kiểm kê rừng năm 2016 và dữ liệu theo dõi diễn biến rừng và đất lâm nghiệp của tỉnh Thừa Thiên Huế tính đến 31/12/2019 được cung cấp bởi phòng QLBVR, CCKL tỉnh Thừa Thiên Huế. Các mẫu này sẽ được đưa vào GEE để tính giá trị của các chỉ số viễn thám và xác định ngưỡng giá trị có rừng và không có rừng. Trong phạm vi của nghiên cứu chỉ tính giá trị ngưỡng cho bộ mẫu của tất cả các tháng trong năm 2019. Các bước thực hiện việc xác định ngưỡng giá trị có rừng và không có rừng.
Sơ đồ 2.1. Quy trình phát hiện sớm mất rừng
2.4.2.4. Phương pháp đánh giá độ chính xác
Phương pháp đánh giá chéo dựa trên mẫu là phương pháp được lựa chọn để đánh giá độ chính xác của các chỉ số được dùng trong nghiên cứu này. Nguyên lý của phương pháp được mô tả như hình dưới đây:
Hình 2.1. Nguyên lý phương pháp đánh giá chéo dựa trên mẫu Như đã trình bày trong Hình 2.1, nghiên cứu kết hợp vị trí và thời gian của các mẫu đối chiếu vị trí mất rừng, sau đó chọn ngẫu nhiên một số mẫu để đánh giá chéo. Đối với một chỉ số nhất định, các mẫu từ chỉ số này vào một số thời điểm được sử dụng để lắp mô hình vào các mẫu vào các thời điểm khác để đánh giá mô hình. Điều đó có nghĩa là tập dữ liệu mô hình hóa và tập dữ liệu đánh giá có thể chứa các mẫu giống nhau. Nhìn chung, cách tiếp cận đánh giá chéo dựa trên mẫu thường được sử dụng để phản ánh khả năng dự đoán tổng thể của các mô hình tính toán. Tuy nhiên, cách tiếp cận đánh giá này có một số hạn chế, đó là, cùng một mẫu có thể được sử dụng đồng thời để lắp mô hình và đánh giá mô hình. Điều này mang lại một số sai lệch khi đánh giá khả năng dự đoán của mô hình đối với việc lập bản đồ dựa trên dữ liệu ảnh viễn thám có xét đến các khảo sát thực tế, bởi vì các vị trí có mất rừng được ước tính có thể không số liệu thực địa trong thực tế.
Chương 3