dự báo năng suất lúa ở trong nước và trên thế giới
Trong lịch sử ngành viễn thám, viễn thám quang học ra đời và phát triển sớm hơn viễn thám radar hai thập kỉ. So với sự kiện phóng vệ tinh có đầu đo radar ERS-1 năm 1991, bước ngoặt lớn đánh dấu việc sử dụng viễn thám quang học như một công cụ phục vụ nghiên cứu và quan trắc bề mặt trái đất là sự kiện Mỹ phóng vệ tinh Landsat-1 năm 1972. Trước thời điểm năm 1972, đã có nhiều nghiên cứu sử dụng viễn thám trong mục đích quân sự, nhưng sau khi phóng vệ
tinh Landsat-1, tư liệu viễn thám quang học được sử dụng ngày càng phổ biến và phát triển một cách nhanh chóng trong nghiên cứu và trong ứng dụng dân sự. Trong đó, các ứng dụng tư liệu viễn thám quang học phục vụ nghiên cứu bề mặt thảm phủ thực vật nói chung cũng như nghiên cứu giám sát trạng thái và tính
toán năng suất cây trồng nói riêng luôn là vấn đề lớn, được các nhà khoa học rất quan tâm.
Hầu hết các tư liệu viễn thám quang học với chức quan trắc bề mặt đất và thảm phủ thực vật đều được các nhà khoa học thí nghiệm đưa vào các nghiên cứu về mùa vụ. Mỗi loại tư liệu viễn thám đều có những ưu điểm riêng cho từng mục đích sử dụng, nghiên cứu giám sát mùa vụ cây trồng cũng đòi hỏi những
đặc tính riêng của tư liệu viễn thám mà không phải loại tư liệu nào cũng phù hợp. Tư liệu Landsat được sử dụng trong một số công trình về phân loại đất mùa vụ của Xiangming Xiao [30, 32], và mô phỏng năng suất mùa vụ nói chung của Doraiswamy [18]. Tuy có độ phân giải không gian cao (30 m) nhưng tư liệu Landsat có độ phân giải thời gian khá thấp, thời gian quay lại chụp lặp là 16 ngày, hơn nữa bất cứ dữ liệu viễn thám quang học nào cũng không thể tránh
được vấn đề mây phủ, do đó nếu trong khoảng thời gian mùa vụ, hai điểm hạn chế này kết hợp lại sẽ không phù hợp cho những nghiên cứu theo dõi những quá trình biến đổi thảm thực vật trong thời gian ngắn như các nghiên cứu về mùa vụ. Với ưu thế là độ phân giải không gian, ảnh Landsat trong các nghiên cứu nói trên chủ yếu làm nhiệm vụ phân loại đất mùa vụ và bổ xung thông tin, kiểm chứng và so sánh với kết quả giám sát lúa của các dữ liệu khác như MODIS hoặc NOAA.
Những dữ liệu có độ phân giải không gian thấp (1 km) như NOAA, và SPOT – VGT cũng được đưa vào sử dụng trong một số nghiên cứu khác của Xiao [31, 33] và Doraiswamy [17]. Đầu đo AVHRR của vệ tinh NOAA tuy có
độ phân giải thời gian cao, ảnh thu nhận được hàng ngày, nhưng vệ tinh NOAA chủ yếu được thiết kế cho việc quan sát khí tượng và thời tiết, vì vậy dữ liệu NOAA không có kênh hồng ngoại trung – một kênh phổ rất quan trọng trong việc đánh giá độ ẩm đất và độ ẩm của tán lá thực vật phục vụ nghiên cứu mùa màng. Ngoài ra, độ phân giải thấp của NOAA cũng là một điểm hạn chế trong việc xác định diện tích đất mùa vụ. So với đầu đo AVHRR của vệ tinh NOAA,
đầu đo VGT của vệ tinh SPOT-4 có những cải tiến rõ rệt trong thiết kế phục vụ
nghiên cứu thực vật và bề mặt đất. Đầu đo VGT có 4 kênh tương tương với 4 kênh của Landsat-TM, đồng nghĩa với việc VGT có kênh Blue – một kênh phổ
chủ yếu để hiệu chỉnh khí quyển. Đầu đo VGT có kênh phổ hồng ngoại trung để
nghiên cứu vềđộẩm, thêm vào đó VGT cũng có độ phân giải thời gian nhận ảnh hàng ngày. Những đặc tính này khiến dữ liệu VGT có nhiều lợi thế trong việc giám sát mùa vụ và quan trắc bề mặt đất.
Trong chuỗi nghiên cứu của Xiao và cộng sự năm 2002 và 2003, các tác giả đều sử dụng dữ liệu VGT tổ hợp đa thời gian 10 ngày để xét sự biến thiên của chỉ số thực vật NDVI (Normalized Difference Vegetation Index) và chỉ số
nước NDWI (Normalized Difference Water Index) nhằm đưa ra phương pháp phân loại đất mùa vụ và đưa ra phương pháp phân biệt đất ngập lũ và đất sạ cấy lúa với các loại thảm phủ khác. Biến động theo thời gian của chỉ số nước NDWI có liên quan chặt chẽ với sự tăng giảm vật chất của bề mặt nước ở vùng ngập lũ
và mới trồng cấy lúa của những vùng đất trồng lúa, theo Xiao [31], khi giá trị
NDWI cao hơn giá trị NDVI thì pixel đó ở thời điểm đang xét là vùng ngập lũ
và mới cấy lúa (hình 1.5). Đây là nghiên cứu mở đường, làm tiền đề cho các nghiên cứu sử dụng dữ liệu MODIS phát hiện vùng trồng lúa của tác giả Xiao sau này.
Nguồn: Xiao, 2002b
Hình 1.5. Quan sát vùng lũ và lúa mới cấy sử dụng dữ liệu VGT tổ hợp 10 ngày
Những nghiên cứu nói trên đã trình bày kết quả về một vài khía cạnh nghiên cứu mùa vụ nói chung bằng ảnh viễn thám quang học độ phân giải thấp, tuy nhiên chưa đặt rõ vấn đề về giám sát và dự báo năng suất cho một loại cây trồng cụ thể. Cùng với một chương trình lớn của NASA về quan sát Trái Đất, dữ
liệu MODIS ra đời cuối năm 1999, đầu đo MODIS được gắn trên vệ tinh Terra và sau này cũng được gắn trên vệ tinh Aqua phóng năm 2002. Với nhiều tính năng cải tiến rõ rệt so với đầu đo VGT về mọi mặt kể cả độ phân giải không gian, thời gian và phân giải phổ, dữ liệu MODIS đã cung cấp dạng tư liệu mới mang nhiều ưu điểm cho phép xây dựng những cách tiếp cận chi tiết hơn và hoàn chỉnh hơn về giám sát mùa vụ, đặc biệt là giám sát và dự báo năng suất lúa. Dữ liệu MODIS có độ rộng cảnh ảnh 2330 km và độ phân giải thời gian lớn, vệ tinh TERRA và AQUA bay qua lãnh thổ Việt Nam một ngày bốn lần vào khoảng 10h30’, 13h30’, 22h30’ và 1h30’, do đó có thể thu được ảnh trùm lãnh thổ Việt Nam bốn lần trong một ngày. Với 36 kênh phổ từ 0,4µm đến 14µm và độ phân giải không gian từ 250 m (kênh 1, 2), 500 m (kênh 3 đến 7) và 1000 m (kênh 8 đến 36), dữ liệu MODIS đã được đưa vào sử dụng theo dõi mây, chất lượng khí quyển, chỉ số thực vật, phân loại lớp phủ, cháy rừng, hàm lượng diệp lục (chlorophyll) trong nước biển, nhiệt độ mặt nước biển, nhiệt độ bề mặt
lục địa, bốc thoát hơi bề mặt lớp phủ, diễn biến các khối băng lục địa và đại dương. Đặc biệt, 7 kênh phổ đầu của MODIS được thiết kế có độ phân giải cao hơn các kênh còn lại để dành riêng cho nhiệm vụ quan trọng là theo dõi thảm phủ thực vật và các đối tượng bề mặt đất.
Với tính năng như vậy, dữ liệu MODIS được sử dụng ở nhiều tỷ lệ khác nhau: tỷ lệ trung bình và nhỏ, hoặc về phương diện lãnh thổ, từ quy mô cấp vùng, khu vực đến quy mô toàn cầu. Ngoài ưu điểm về độ phân giải không gian và độ phân giải thời gian và phân giải phổ, điểm đặc biệt của dữ liệu MODIS là các loại ảnh tổ hợp đa thời gian (tổ hợp 8 ngày, tổ hợp 16 ngày và tổ hợp 32 ngày) được thiết kế và xử lý rất phù hợp với những nghiên cứu mang tính giám sát trong một chuỗi thời gian. Dữ liệu đa thời gian vừa có tác dụng như dữ liệu trung bình trong một khoảng thời gian nào đó, vừa có tác dụng hiệu chỉnh ảnh hưởng khí quyển, nhất là vấn đề mây.
Những ưu điểm vượt trội kể trên của dữ liệu MODIS đã tạo những tiền đề
hết sức thuận lợi cho những nghiên cứu đi sâu vào vấn đề giám sát và dự báo năng suất mùa vụ nói chung và đối với cây lúa nói riêng, không phải chỉ là những nghiên cứu mùa vụ chung chung như những nghiên cứu dựa trên những dữ liệu viễn thám trước đó. Xu thế sử dụng dữ liệu MODIS trong giám sát và dự
báo năng suất lúa được phản ánh rõ trong những nghiên cứu mới nhất của Xiao [35, 36], Sakamoto [27, 28] và Doraiswamy [18]. Một số nghiên cứu tiêu biểu của các tác giả này được trình bày chi tiết trong những phần dưới đây.
Các nghiên cứu sử dụng viễn thám quang học MODIS trong việc giám sát
lúa:
Nhìn chung các nghiên cứu giám sát lúa sử dụng tư liệu MODIS đều dựa trên sự biến thiên theo thời gian rất đặc trưng và rõ rệt của các chỉ số thực vật ở
vùng đất trồng lúa trong thời gian mùa vụ. Đặc trưng này của vùng trồng lúa phân biệt hoàn toàn so với các loại thảm phủ bề mặt khác, qua đó các tác giảđã nghiên cứu nhiều thuật toán khác nhau dựa trên các chỉ số thực vật nhằm phát hiện, phân tách vùng trồng lúa và giám sát trạng thái sinh trưởng của lúa. (adsbygoogle = window.adsbygoogle || []).push({});
*) Các công trình nghiên cứu của Sakamoto [27, 28] và Kotera [21] ở
Nhật Bản được coi là những nghiên cứu tiêu biểu về vấn đề giám sát lúa bằng
ảnh MODIS. Dựa trên chỉ số thực vật tăng cường EVI và chỉ số nước bề mặt LSWI, Sakamoto đã sử dụng một công cụ toán học là phép lọc WFCP (Wavelet based Filter for determining Crop Phenology) để làm trơn xu thế biến thiên theo thời gian của các chỉ số này, loại bỏ các thăng giáng ngẫu nhiên (hình 1.7), qua
đó những giai đoạn sinh trưởng phát triển của lúa dễ dàng được phân tích và nhận diện.
Trong nghiên cứu tại Nhật Bản, Sakamoto [27] sử dụng chỉ số thực vật tăng cường (Enhanced Vegetaion Index) EVI, bởi vì chỉ số EVI có độ nhạy cảm cao hơn chỉ số NDVI trong những vùng có sinh khối cao. Chỉ số EVI được tính toán bằng dữ liệu MODIS năm 2002 và làm trơn bằng thuật toán WFCP. Ở
nghiên cứu này, các giai đoạn sinh trưởng và phát triển của lúa được phân tích thông qua các điểm cực đại, cực tiểu và điểm uốn của đồ thị biến thiên chỉ số
thực vật EVI sau khi đã được làm trơn.
Được kế thừa và phát triển từ nghiên cứu ở Nhật Bản, Sakamoto tiếp tục mở rộng phương pháp luận của mình cả về chiều sâu và tính toàn diện bằng những nghiên cứu ở đồng bằng sông Cửu Long trong những năm tiếp theo và bản đồ cơ cấu mùa vụ là kết quả rất khả quan [28]. Dựa vào sốđiểm cực đại trên
đồ thị biến thiên EVI đã được lọc bởi thuật toán WFCP, ứng với những ngày trổ
bông của từng mùa vụ khác nhau trong năm, Sakamoto đã xác định được sự
phân bố không gian và cơ cấu mùa vụ của những vùng trồng lúa trong lãnh thổ
nghiên cứu (hình 1.6). Số lần đạt cực đại trong thời gian cả năm tại mỗi pixel lúa chính là số vụ lúa ở pixel đó.
Nguồn: Sakamoto, 2006
Hình 1.6. Bản đồ cơ cấu mùa vụ lúa đồng bằng Sông Cửu Long năm 2003
Một khía cạnh khác trong nghiên cứu giám sát lúa được Sakamoto và Kotera đưa ra và làm sáng tỏ, đó chính là nghiên cứu xác định trạng thái thời gian của mùa vụ (vụ sớm hay vụ muộn) [21]. Thời gian vụ mùa canh tác sớm hay muộn được đánh giá bằng đồ thị giá trị của EVI theo thời gian thu nhận dữ
liệu MODIS. Thông qua quá trình lọc nhiễu biến thiên bất thường của hàm WFCP, theo lý luận của nghiên cứu, thời gian xuất hiện những điểm giá trị cực
thời kì sinh trưởng và phát triển của lúa (ngày gieo hạt, ngày trổ bông, ngày thu hoạch) được so sánh với thời gian nông lịch chuẩn của vùng, từ đó đánh giá
được trạng thái thời gian của mùa vụ (hình 1.7). Các kết quả quan trọng được thể hiện dưới dạng bản đồ trạng thái thời gian mùa vụ
Nguồn: Kotera và Sakamoto, 2007
Hình 1.7. Một số bản đồ trạng thái thời gian mùa vụ ở Đồng bằng sông Hồng
Nói chung, những nghiên cứu của Sakamoto là thực sự hữu ích cho những
đánh giá cấp vùng hoặc cấp quốc gia không chỉ riêng vấn đề về giám sát mùa vụ
lúa mà còn liên quan đến vấn đề giám sát lũ lụt và giám sát hệ thống nông nghiệp theo thời gian. Tuy nhiên phương pháp ở những nghiên cứu này mới chỉ đưa ra các thành lập bản đồ vùng trồng lúa và cơ cấu mùa vụ, các kết quả về
giám sát trạng thái sinh trưởng phát triển của lúa như các thông số sinh lý của lúa vẫn chưa được thể hiện rõ.
*) Hệ thống các công trình nghiên cứu của tác giả Xiangming Xiao cũng
được coi là những nghiên cứu tiêu biểu nhất về sử dụng ảnh MODIS giám sát lúa [34, 35,36]. Trên cơ sở phân tích mối quan hệ giữa các chỉ số NDVI, EVI và LSWI với sự biến đổi của vùng đất trồng lúa qua các giai đoạn sinh trưởng của mùa vụ, Xiao đã phát triển một thuật toán phát hiện vùng trồng lúa dựa trên cơ
sở dữ liệu là ảnh MODIS tổ hợp 8 ngày (hình 1.8). Phương pháp này vừa mang tính toàn diện vì xét đến nhiều chỉ số viễn thám tương ứng với nhiều yếu tố thể
hiện trạng thái sinh trưởng của lúa, đồng thời phương pháp cũng rất phù hợp với khu vực nghiên cứu là vùng Đồng bằng sông Hồng. Do đó phương pháp của
Xiao đã được chọn để phát hiện vùng lúa và xây dựng bản đồ trồng lúa trong đề
tài, chi tiết nội dung sẽđược trình bày trong chương 3. (adsbygoogle = window.adsbygoogle || []).push({});
a) Vùng có một vụ lúa b) Vùng có hai vụ lúa
Nguồn: Xiao, 2006
Hình 1.8. Sự biến động của các chỉ số thực vật (NDVI, EVI) và chỉ số nước bề mặt (LSWI) trong 1 pixel đất trồng lúa chọn làm mẫu ở Indonesia
Các nghiên cứu sử dụng viễn thám quang học MODIS trong việc dự báo
năng suất lúa:
Như đã trình bày ở phần 1.2 , những phương pháp dự báo năng suất lúa chủ yếu được phân chia thành hai nhóm mô hình chính là mô hình thống kê và mô hình mô phỏng. Đối với ngành khí tượng nông nghiệp, cả hai loại mô hình này đều được nghiên cứu và sử dụng, mỗi phương pháp đều có những ưu thế
riêng và đều sử dụng dữ liệu quan trắc trực tiếp tại bề mặt đất như các chỉ tiêu thời tiết, các thông số sinh lý của lúa. Khi phương pháp giám sát và dự báo năng suất lúa bằng công nghệ viễn thám radar ngày càng phát triển, dữ liệu radar
được tính toán thành những thông số sinh lý, những chỉ tiêu vật hậu của lúa
được đưa vào mô hình dự báo năng suất thay cho những dữ liệu mặt đất quan trắc lúa. Hầu hết, các nghiên cứu dự báo năng suất lúa dựa trên ảnh radar đều sử
dụng mô hình mô phỏng như ORYZA, CROPWATN, CERES.
Cũng tương tự việc nghiên cứu giám sát lúa bằng ảnh quang học, việc dự
báo năng suất lúa bằng ảnh quang học đa số dựa trên những ảnh có độ phân giải không gian trung bình và có độ phân giải thời gian cao như AVHRR, SPOT4 – VGT hay MODIS. Ưu thế của những đầu đo này là sự thu ảnh được cập nhật liên tục (hàng ngày, thậm chí vài giờ là có một ảnh chụp mới ở cùng một khu vực) thuận lợi cho việc giám sát những biến đổi của thảm phủ bề mặt trong thời gian ngắn như mùa vụ lúa, ưu thế thứ hai là các ảnh tổ hợp đa thời gian của những đầu đo này có thể giảm bớt phần nào ảnh hưởng của mây trong quá trình
xử lý. Cùng với sự phát triển mạnh mẽ của các công trình nghiên cứu dự báo năng suất lúa dựa trên công nghệ viễn thám radar, những nghiên cứu sử dụng viễn thám quang học để dự báo năng suất lúa cũng ngày càng được phát triển. Tiêu biểu nhất là những công trình có liên quan đến tính toán và dự báo năng suất của Xiao và Doraiswamy.
Song song với những nghiên cứu giám sát lúa và thành lập bản đồ lúa, Xiao cũng phát triển một loạt các nghiên cứu tính toán tổng năng suất sơ cấp dựa trên dữ liệu viễn thám quang học ở các loại thảm phủ thực vật khác nhau trên nhiều vùng khí hậu [33, 34]. Mục tiêu của những nghiên cứu này là phát triển một mô hình mới về tính toán sự quang hợp thực vật dựa trên dữ liệu vệ