Tổng quan luận án
Tính cấp thiết và khoảng trống nghiên cứu
Bản đồ sử dụng đất và lớp phủ mặt đất (Land Use Land Cover - LULC) đóng vai trò then chốt trong việc giám sát biến đổi môi trường, quản lý tài nguyên thiên nhiên, bảo tồn đa dạng sinh học và lập quy hoạch không gian. Các biến động LULC tác động trực tiếp đến hệ sinh thái trên cạn và khí quyển thông qua phát thải khí nhà kính, xói mòn đất, tai biến sạt lở và hiệu ứng đảo nhiệt đô thị.
Mặc dù có nhiều bộ dữ liệu LULC toàn cầu và khu vực được công bố, việc xây dựng chuỗi bản đồ LULC đa thời gian với độ phân giải không gian cao (10 m) và độ chính xác cao ở quy mô quốc gia vẫn đối mặt với các rào cản kỹ thuật:
- Sự đánh đổi giữa độ phân giải không gian và độ phân giải thời gian của các cảm biến vệ tinh quang học.
- Hiện tượng mây che phủ dày đặc tại các khu vực nhiệt đới gió mùa như Việt Nam làm hạn chế nguồn ảnh quang học chất lượng cao.
- Độ không chắc chắn và thiếu tính đại diện cục bộ của các sản phẩm toàn cầu khi áp dụng vào cấp quốc gia do thiếu dữ liệu kiểm chứng độc lập tại thực địa.
- Chi phí tính toán lớn và sự suy giảm độ phân giải không gian khi áp dụng các kỹ thuật học sâu (Deep Learning) truyền thống có bước giảm mẫu (down-sampling).
- Thiếu hụt chuỗi dữ liệu tham chiếu (reference data) đồng nhất qua nhiều năm.
Tại Việt Nam, các nghiên cứu trước đây chủ yếu tập trung ở quy mô cấp tỉnh hoặc vùng sinh thái riêng lẻ (như Đồng bằng sông Cửu Long, Đồng bằng sông Hồng, Tây Nguyên) hoặc ở độ phân giải trung bình 30–50 m. Do đó, nhu cầu thiết lập một chuỗi bản đồ LULC độ phân giải cao 10 m ở quy mô toàn bộ phần đất liền Việt Nam giai đoạn 2017–2022 là khoảng trống nghiên cứu cấp thiết.
Mục tiêu nghiên cứu
Mục tiêu tổng quát của luận án là nghiên cứu biến động LULC tại Việt Nam thông qua việc tạo lập chuỗi bản đồ LULC độ phân giải cao cho phần đất liền Việt Nam. Các mục tiêu cụ thể được đánh số theo văn bản bao gồm:
- Điều tra các yếu tố ảnh hưởng đến độ chính xác tổng thể (Overall Accuracy - OA) của bản đồ LULC, đặc biệt là mối quan hệ giữa độ chính xác và số lượng lớp phân loại.
- Nghiên cứu tiềm năng của dữ liệu radar khẩu độ tổng hợp đa thời gian (Multi-temporal Synthetic Aperture Radar - SAR) trong việc cải thiện bản đồ che phủ rừng hàng năm ở quy mô quốc gia.
- Nghiên cứu tạo lập bản đồ LULC độ phân giải cao sử dụng phương pháp học sâu tiên tiến (Time-Feature Convolutional Neural Network - CNN) và kỹ thuật di chuyển dữ liệu tham chiếu (data migration).
- Phân tích biến động LULC tại Việt Nam dựa trên chuỗi bản đồ LULC độ phân giải cao đã được thành lập.
Đối tượng và phạm vi nghiên cứu
- Đối tượng nghiên cứu: Lớp phủ mặt đất, hiện trạng sử dụng đất và biến động che phủ rừng.
- Phạm vi không gian: Toàn bộ phần đất liền Việt Nam (Mainland Vietnam), diện tích khoảng 330.000 km² (trải dài từ 8°37'B đến 23°23'B và từ 102°11'Đ đến 109°27'Đ), không bao gồm các đảo xa bờ.
- Phạm vi thời gian: Tập trung vào giai đoạn 2015–2018 cho bản đồ che phủ rừng hàng năm và giai đoạn 2017–2022 cho chuỗi bản đồ LULC độ phân giải 10 m.
Tổng quan tài liệu và vị trí của luận án
Các hướng nghiên cứu trước
Luận án đã tổng quan hệ thống các sản phẩm LULC toàn cầu và các nghiên cứu LULC tại Việt Nam:
1. Các sản phẩm LULC toàn cầu:
- MODIS Land Cover Type Product (MCD12Q1): Độ phân giải 500 m, 17 lớp, thuật toán Random Forest, độ chính xác 73,6% (Friedl et al., 2010).
- Global Land Cover 2000 (GLC2000): Độ phân giải 1 km, 22 lớp, phương pháp kết hợp phân loại không giám sát và ngưỡng (Bartholome & Belward, 2005).
- Global Land Cover by National Mapping Organizations (GLCNMO): Độ phân giải 1 km, 500 m; 20 lớp; độ chính xác 76,4% – 77,8% (Tateishi et al., 2011, 2014; Kobayashi et al., 2017).
- GlobCover: Độ phân giải 300 m, 22 lớp, độ chính xác 67,1% – 67,5% (Defourny et al., 2007; Arino et al., 2012).
- ESA Climate Change Initiative Land Cover (ESA-CCI): Độ phân giải 300 m, 22 lớp, độ chính xác 73,2% (ESA, 2017).
- Copernicus Global Land Service Land Cover (CGLS-LC100): Độ phân giải 100 m, 23 lớp, thuật toán kết hợp BFAST, Hidden Markov và luật chuyên gia, độ chính xác 80,5% (Buchhorn et al., 2020).
- Finer Resolution Observation and Monitoring of Global Land Cover (FROM_GLC): Độ phân giải 30 m, 10 m; 7, 11, 28 lớp; độ chính xác 71,0% – 74,17% (Gong et al., 2013; Chen et al., 2015; Gong et al., 2019).
- Global Land Cover with Fine Classification System (GLC_FCS30): Độ phân giải 30 m, 16 và 24 lớp, độ chính xác 68,4% – 82,5% (Zhang et al., 2021).
- Dynamic World: Độ phân giải 10 m, 9 lớp, kiến trúc mạng FCNN (Brown et al., 2022).
- ESA WorldCover: Độ phân giải 10 m, 11 lớp, thuật toán CatBoost, độ chính xác 76,5% – 76,7% (Zanaga et al., 2021, 2022).
- ESRI Land Cover: Độ phân giải 10 m, 10 lớp, mô hình học sâu, độ chính xác > 75,0% (Karra et al., 2021).
2. Các nghiên cứu LULC tại Việt Nam:
- Bản đồ LULC miền Bắc (2007, 2015), miền Trung (2007, 2017) và miền Nam (2007, 2017) độ phân giải 10–15 m, 9 lớp, sử dụng thuật toán Kernel Density Estimation (KDE) (Phan et al., 2018; Hoang et al., 2020).
- Chuỗi bản đồ LULC hàng năm 1990–2020 độ phân giải 30 m, 10 và 18 lớp, thuật toán Random Forest, độ chính xác 78% – 92% (Phan et al., 2021).
- Bản đồ LULC Việt Nam các năm 2007 và 2016 độ phân giải 10 m, 12 lớp, sử dụng thuật toán KDE, độ chính xác 85,0% – 85,4% (Hoang et al., 2020; JAXA).
Khoảng trống luận án lựa chọn giải quyết
- Thiếu khung chuẩn định lượng về sự đánh đổi giữa số lượng lớp phân loại và độ chính xác tổng thể của bản đồ LULC trên các nguồn cảm biến khác nhau.
- Bản đồ che phủ rừng của JAXA (ALOS-2/PALSAR-2 FNF) sử dụng ảnh ghép đơn thời điểm (single-temporal mosaic), dẫn đến bỏ sót thông tin mùa vụ và có độ chính xác thấp tại vùng nhiệt đới.
- Chưa có chuỗi bản đồ LULC quy mô quốc gia độ phân giải 10 m liên tục từ năm 2017 đến 2022 cho Việt Nam tích hợp đầy đủ các lớp phủ chi tiết (bao gồm hệ thống năng lượng mặt trời).
Cơ sở lý thuyết và phương pháp nghiên cứu
Khung lý thuyết và khái niệm phân loại
- Hệ thống phân loại: Luận án áp dụng Hệ thống Phân loại Lớp phủ Mặt đất của Tổ chức Lương thực và Nông nghiệp Liên Hợp Quốc (FAO Land Cover Classification System - LCCS).
- Định nghĩa rừng: Rừng được định nghĩa là vùng đất có diện tích tối thiểu 0,5 ha với độ che phủ của cây thân gỗ đạt từ 10% trở lên.
- Lý thuyết xác suất Bayes và Ước lượng mật độ nhân (Kernel Density Estimation - KDE): Tích hợp phân bố xác suất hậu nghiệm từ nhiều thời điểm quan sát và nhiều cảm biến (Hashimoto et al., 2013).
- Mô hình học sâu Time-Feature CNN: Phát triển từ cấu trúc mạng CNN của Hirayama et al. (2022), mở rộng xử lý chuỗi dữ liệu 6 mùa trong năm kết hợp không gian 40 đặc trưng.
Phương pháp nghiên cứu thực tế (Định lượng)
1. Phương pháp phân tích thống kê và tổng quan hệ thống (Chương 2)
- Khảo sát 64 bài báo khoa học về phân loại LULC từ cơ sở dữ liệu ScienceDirect.
- Áp dụng phân tích phương sai (ANOVA) để đánh giá mức độ ảnh hưởng của 4 yếu tố: số lượng lớp phân loại, thuật toán phân loại, độ phân giải bản đồ và loại cảm biến.
- Phân tích hồi quy tuyến tính xác định mối tương quan giữa số lượng lớp ($x$) và độ chính xác tổng thể ($y$).
2. Phân loại rừng hàng năm bằng dữ liệu Radar và Quang học (Chương 3)
- Tiền xử lý SAR: Chuyển đổi giá trị số (Digital Number - DN) của phân cực HH và HV sang hệ số tán xạ ngược $\gamma^0$ (đơn vị dB) với hệ số hiệu chuẩn $C = -83$ dB:
$$\gamma^0 = 10 \cdot \log_{10}(\langle DN^2 \rangle) + C$$
- Lọc nhiễu đốm bằng bộ lọc Lee (Lee filter) trên phần mềm SNAP 5.0; loại bỏ các điểm ảnh bị ảnh hưởng bởi bóng che (shadowing) và chồng phổ (layover).
- Tính toán đặc trưng hiệu số ($\gamma^0_{HH} - \gamma^0_{HV}$) và tỷ số ($\gamma^0_{HH} / \gamma^0_{HV}$).
- Mã hóa thông tin thời gian quan sát trong năm (Julian Day - DOY) thành hai biến tuần hoàn:
$$t_1 = \sin\left(\frac{2\pi \cdot DOY}{DOY_{max}}\right), \quad t_2 = \cos\left(\frac{2\pi \cdot DOY}{DOY_{max}}\right)$$
- Ước lượng hàm mật độ xác suất điều kiện $\phi(x|C_k)$ bằng nhân Gaussian, độ rộng dải băng $h_d$ tính theo quy tắc ngón tay cái của Scott:
$$h_d = \sigma_d \cdot N_k^{-1/(D+4)}$$
- Tính xác suất hậu nghiệm theo công thức Bayes và phân loại bằng phần mềm SACLASS:
$$p(C_k|x) = \frac{p(C_k) \cdot \phi(x|C_k)}{\sum_{j=1}^M p(C_j) \cdot \phi(x|C_j)}$$
3. Mô hình Time-Feature CNN và tổng hợp ảnh không mây (Chương 4 & 5)
- Cấu trúc mạng Time-Feature CNN: Bao gồm 4 cặp lớp tích chập (Convolutional layers) và 4 lớp gộp cực đại (Max-pooling layers), sử dụng hàm kích hoạt ReLU, kết thúc bằng lớp kết nối đầy đủ (Dense layer) với hàm kích hoạt Softmax. Ma trận đầu vào có kích thước 6 mùa thời gian $\times$ 40 đặc trưng phổ/radar.
- Quy trình tạo ảnh quang học không mây: Tổng hợp ảnh Sentinel-2 đa thời gian qua nhiều năm trên nền tảng Google Earth Engine (GEE).
- Kỹ thuật di chuyển dữ liệu tham chiếu (Data Migration): Chuyển tập dữ liệu kiểm chứng năm 2020 sang các năm 2017–2022 bằng cách tính Khoảng cách Euclidean (ED) và Khoảng cách góc phổ (Spectral Angle Distance - SAD) để loại bỏ các điểm có biến động lớp phủ.
4. Thiết kế mẫu và đánh giá độ chính xác
- Áp dụng phương pháp lấy mẫu ngẫu nhiên phân tầng (Stratified Random Sampling) theo đề xuất của Olofsson et al. (2013, 2014) và mở rộng cho chuỗi thời gian bằng cách sử dụng trọng số xác suất bao hàm (inclusion probability).
- Công thức tính cỡ mẫu:
$$N = \frac{O(1-O)}{SE^2}$$
Trong đó $O$ là độ chính xác giả định (90%), $SE$ là sai số chuẩn mong muốn ($\pm 1,5%$).
Nguồn tư liệu và dữ liệu
- Dữ liệu vệ tinh:
- ALOS-2/PALSAR-2 ScanSAR (độ phân giải 50 m): 2015 (339 cảnh), 2016 (450 cảnh), 2017 (506 cảnh), 2018 (490 cảnh), bao phủ 60 mảnh $1^\circ \times 1^\circ$.
- ALOS-2/PALSAR-2 Stripmap FBD (độ phân giải 25 m).
- Sentinel-2 MSI (độ phân giải 10 m, 20 m).
- MODIS Terra Vegetation Indices 16-Day 250 m (MOD13Q1).
- Shuttle Radar Topography Mission DEM (SRTM-DEM 30 m).
- Ảnh quang học phân giải cao Google Earth và PlanetScope.
- Dữ liệu thống kê và tham chiếu:
- Số liệu kiểm kê rừng của Bộ Nông nghiệp và Phát triển Nông thôn (MARD) và Niên giám Thống kê Việt Nam (GSO).
- 123.051 điểm huấn luyện thu thập trên 60 mảnh $1^\circ \times 1^\circ$.
- 500 điểm kiểm chứng độc lập cho quy mô toàn quốc và 400 điểm cho mỗi khu vực thử nghiệm.
- Công cụ và phần mềm: SNAP 5.0, GRASS GIS, GDAL (
gdalwarp, gdaldem), Google Earth Engine, SACLASS, SACLASS-2.
Nội dung chính theo từng chương
Chương 1: Giới thiệu (Introduction)
Chương 1 trình bày tổng quan về các khái niệm LULC, phân biệt giữa mục đích sử dụng đất (land use) và đặc tính sinh lý - vật lý của bề mặt (land cover). Tác giả phân tích các thách thức cốt lõi trong viễn thám LULC, bao gồm sự đánh đổi không gian - thời gian, ảnh hưởng của mây tại vùng nhiệt đới và sự hạn chế của mô hình học sâu truyền thống.
Chương này tổng kết bảng so sánh 11 sản phẩm LULC toàn cầu và 7 sản phẩm LULC tại Việt Nam, từ đó xác lập tính cấp thiết, mục tiêu và cấu trúc gồm 6 chương của luận án.
Chương 2: Mối quan hệ giữa độ chính xác của bản đồ sử dụng đất và lớp phủ mặt đất với số lượng lớp phân loại (The relationship between accuracy of land use and land cover map with number of map’s category)
Chương 2 thực hiện tổng quan hệ thống trên 64 công trình nghiên cứu LULC từ cơ sở dữ liệu ScienceDirect nhằm định lượng mối quan hệ giữa độ chính xác tổng thể (OA) và số lượng lớp phân loại.
1. Kết quả phân tích ANOVA:
Phân tích ANOVA riêng biệt cho thấy số lượng lớp phân loại là yếu tố có ảnh hưởng mạnh nhất đến độ chính xác tổng thể:
| Yếu tố phân tích |
Giá trị $p$ ($p$-value) |
Mức độ ảnh hưởng |
| Số lượng lớp phân loại (Number of classes) |
0,005 |
Có ý nghĩa thống kê cao nhất |
| Thuật toán phân loại (Classification algorithm) |
0,029 |
Có ý nghĩa thống kê |
| Độ phân giải không gian (Map's resolution) |
0,296 |
Không có ý nghĩa thống kê |
| Loại cảm biến (Sensor types) |
0,345 |
Không có ý nghĩa thống kê |
2. Kết quả hồi quy tuyến tính:
- Phương trình hồi quy trên toàn bộ 64 nghiên cứu cho hệ số dốc là $-0,77$ ($R^2 = 0,25$). Kết quả chỉ ra rằng khi tăng thêm 1 lớp phân loại, độ chính xác tổng thể của bản đồ LULC có xu hướng giảm trung bình 0,77%.
- Đối với các nghiên cứu đơn lẻ (Herold et al., 2008 dùng MODIS; McCombs et al., 2009 dùng Landsat), mối tương quan nghịch biến diễn ra rất mạnh ($R^2 = 0,95$). Độ chính xác $> 95%$ chỉ đạt được khi số lượng lớp nhỏ hơn 6.
3. Đánh giá độ chính xác theo loại cảm biến:
| Loại cảm biến |
Số lượng nghiên cứu |
Tỷ lệ (%) |
Độ chính xác tổng thể trung bình (%) |
| Landsat |
26 |
40,6% |
83,9% |
| Cảm biến kết hợp (Multiple sensors) |
13 |
20,3% |
85,0% |
| Cảm biến khác (Others) |
11 |
17,2% |
81,3% |
| MODIS |
9 |
14,1% |
86,1% |
| Cảm biến trên máy bay (Airborne) |
5 |
7,8% |
79,4% |
Cảm biến Airborne có độ phân giải không gian cao nhất (0,4–4 m) nhưng lại có độ chính xác trung bình thấp nhất (79,4%) do các nghiên cứu này phân loại số lượng lớp trung bình lớn hơn (14,4 lớp so với 11,3 lớp của Landsat/MODIS).
Chương 3: Bản đồ che phủ rừng hàng năm cho Việt Nam giai đoạn 2015-2018 sử dụng ALOS-2/PALSAR-2 và dữ liệu phụ trợ (Annual Forest Cover Maps for Vietnam During 2015-2018 Using ALOS-2/PALSAR-2 and Auxiliary Data)
Chương 3 phát triển quy trình phân loại rừng/không rừng (Forest/Non-Forest - FNF) hàng năm cho Việt Nam bằng việc tích hợp ảnh đa thời gian ALOS-2/PALSAR-2 ScanSAR (50 m), MODIS NDVI (250 m) và SRTM-DEM (30 m).
1. Kết quả tại 3 khu vực thử nghiệm (năm 2017, mẫu kiểm chứng $N=400$):
| Khu vực thử nghiệm |
PALSAR-2 đơn thời điểm (25 m) |
PALSAR-2/ScanSAR đa thời điểm (50 m) |
ScanSAR + MODIS NDVI + SRTM (50 m) |
| Khu vực 1 (Miền Bắc) |
77,2% $\pm$ 2,1% |
87,5% $\pm$ 1,6% |
86,5% $\pm$ 1,7% |
| Khu vực 2 (Miền Trung) |
74,0% $\pm$ 2,2% |
85,0% $\pm$ 1,8% |
85,8% $\pm$ 1,7% |
| Khu vực 3 (Miền Nam) |
82,2% $\pm$ 1,9% |
88,5% $\pm$ 1,6% |
88,2% $\pm$ 1,6% |
| Trung bình |
77,8% |
87,0% |
86,8% |
Việc sử dụng ảnh SAR đa thời gian giúp tăng độ chính xác tổng thể lên gần 10% so với ảnh SAR đơn thời điểm.
2. Kết quả bản đồ FNF toàn quốc giai đoạn 2015–2018:
- Độ chính xác tổng thể của bản đồ FNF nghiên cứu này đạt:
- Năm 2015: 87,1% $\pm$ 1,6%
- Năm 2016: 85,9% $\pm$ 1,7%
- Năm 2017: 86,1% $\pm$ 1,7%
- Năm 2018: 85,1% $\pm$ 1,7%
- Trung bình giai đoạn: 86,1% (vượt trội so với sản phẩm JAXA FNF trung bình đạt 77,2% và ESA FNF 2015 đạt 85,5%).
3. So sánh ước tính diện tích rừng (đơn vị: $10^6$ ha):
| Năm |
Thống kê quốc gia (MARD) |
Bản đồ nghiên cứu này |
Bản đồ JAXA FNF |
Bản đồ ESA FNF |
| 2015 |
14,06 |
13,84 $\pm$ 0,55 |
14,97 $\pm$ 0,91 |
15,08 $\pm$ 0,66 |
| 2016 |
14,38 |
13,99 $\pm$ 0,57 |
14,84 $\pm$ 0,92 |
— |
| 2017 |
14,42 |
14,08 $\pm$ 0,57 |
14,92 $\pm$ 0,94 |
— |
| 2018 |
14,49 |
14,18 $\pm$ 0,59 |
14,86 $\pm$ 0,95 |
— |
| Trung bình |
14,34 |
14,02 |
14,90 |
15,08 |
Độ che phủ rừng trung bình của Việt Nam giai đoạn 2015–2018 ước tính đạt 43,0% diện tích đất liền, có xu hướng tăng nhẹ qua các năm, phù hợp với xu thế phục hồi rừng trong số liệu thống kê quốc gia.
4. So sánh không gian (Cross-comparison ở độ phân giải 1 km):
Bản đồ năm 2015 của nghiên cứu này có mức độ tương đồng không gian 77% với bản đồ ESA, 68% với bản đồ JAXA; trong khi mức độ tương đồng giữa JAXA và ESA chỉ đạt 63%. Sự khác biệt lớn nhất xuất hiện ở các khu vực có tỷ lệ che phủ rừng thấp ($< 0,4$) tại Tây Bắc và Tây Nguyên.
Chương 4: Xây dựng bản đồ sử dụng đất và lớp phủ mặt đất độ phân giải cao cho Việt Nam bằng mạng nơ-ron tích chập đặc trưng - thời gian (Creation of a High-Resolution Land Use Land Cover Map for Vietnam Using a Time-Feature Convolutional Neural Network)
Chương 4 giới thiệu phương pháp phân loại LULC độ phân giải 10 m cho năm 2020 sử dụng mạng Time-Feature CNN.
- Cải tiến phương pháp: Mở rộng mô hình của Hirayama et al. (2022) từ cấu trúc 4 mùa lên 6 mùa trong năm (S1 đến S6) kết hợp 40 kênh đặc trưng phổ và chỉ số thực vật, viễn thám radar.
- Xử lý mây: Xây dựng quy trình tạo ảnh Sentinel-2 không mây đa thời gian bằng cách gộp dữ liệu quang học qua nhiều năm trên Google Earth Engine.
- Kết quả phân loại: Bản đồ LULC năm 2020 gồm 12 lớp đạt độ chính xác tổng thể 90,2% (đánh giá bằng mẫu ngẫu nhiên phân tầng), cao hơn đáng kể so với các sản phẩm LULC 10 m hiện có cho Việt Nam (Dynamic World, ESRI Land Cover, ESA WorldCover và bản đồ JAXA 2016).
Chương 5: Chuỗi thời gian đầu tiên về bản đồ sử dụng đất và lớp phủ mặt đất 10m ở quy mô quốc gia cho Việt Nam giai đoạn 2017-2022 (The first time series of 10-m land use and land cover maps at the national scale for Vietnam from 2017 to 2022)
Chương 5 hiện thực hóa chuỗi bản đồ LULC 10 m hàng năm từ 2017 đến 2022 cho phần đất liền Việt Nam với 14 lớp phân loại (bổ sung lớp pin năng lượng mặt trời - solar panel).
- Kỹ thuật di chuyển dữ liệu (Data Migration): Tận dụng tập dữ liệu tham chiếu năm 2020, áp dụng ngưỡng khoảng cách ED và khoảng cách góc phổ SAD để tự động chọn lọc các điểm tham chiếu không đổi cho các năm 2017, 2018, 2019, 2021 và 2022.
- Độ chính xác chuỗi bản đồ: Đánh giá sơ bộ bằng dữ liệu tham chiếu di chuyển cho thấy độ chính xác tổng thể của tất cả các bản đồ từ 2017 đến 2022 đều đạt trên 94%, vượt mốc chuẩn (benchmark) 89,2% tính toán từ mô hình ở Chương 2 cho bản đồ 14 lớp.
- Phát hiện biến động:
- Diện tích rừng tổng thể có xu hướng tăng ròng trong giai đoạn 2017–2022.
- Tốc độ mất rừng thực tế tại một số khu vực được phát hiện có thể cao gấp 4 lần so với số liệu thống kê hành chính quốc gia (kết quả này tương đồng với các nghiên cứu quốc tế về chuyển đổi rừng sang trồng cao su tại Đông Nam Á với mức độ mất rừng cao hơn 2–3 lần dự kiến).
- Ghi nhận sự gia tăng đột biến của diện tích lắp đặt pin năng lượng mặt trời (cả trang trại mặt đất và áp mái) trong giai đoạn 2018–2020.
- Đánh giá khả năng dự báo LULC tương lai bằng chỉ số Figure of Merit (FoM).
Chương 6: Kết luận và khuyến nghị (Conclusions and Remarks)
Chương 6 tổng hợp các kết quả nghiên cứu chính, khẳng định tính khả thi và hiệu quả của việc kết hợp ảnh SAR đa thời gian với học sâu trong giám sát bề mặt Trái Đất. Đồng thời, chương này chỉ ra các hạn chế kỹ thuật và đề xuất định hướng nghiên cứu tiếp theo.
Kết quả và những đóng góp mới
Đóng góp mới về mặt lý luận và học thuật
- Xác lập chuẩn định lượng về sự suy giảm độ chính xác: Chứng minh thực nghiệm qua tổng quan 64 nghiên cứu rằng độ chính xác tổng thể bản đồ LULC giảm trung bình 0,77% khi tăng thêm 1 lớp phân loại. Cung cấp cơ sở lý thuyết cho việc lựa chọn số lớp phân loại và đánh giá độ tin cậy của các bản đồ LULC.
- Cải tiến phương pháp ước lượng diện tích phân tầng: Mở rộng phương pháp của Olofsson et al. (2014) bằng việc tích hợp ma trận sai số riêng biệt cho từng tầng và áp dụng trọng số dựa trên xác suất bao hàm (inclusion probability), cho phép sử dụng một bộ mẫu kiểm chứng duy nhất để đánh giá chuỗi bản đồ đa thời gian một cách không chệch.
- Phát triển kiến trúc học sâu Time-Feature CNN: Hoàn thiện mô hình CNN kết hợp cấu trúc chuỗi thời gian 6 mùa và 40 đặc trưng, khắc phục hạn chế mất mát thông tin không gian trong phân loại ảnh viễn thám đa thời gian.
Đóng góp mới về mặt thực tiễn
- Bộ dữ liệu chuỗi bản đồ LULC 10 m quốc gia (2017–2022): Cung cấp chuỗi bản đồ LULC 10 m hàng năm đầu tiên bao phủ toàn bộ đất liền Việt Nam với 14 lớp phân loại chi tiết, bao gồm cả lớp năng lượng mặt trời, đạt độ chính xác $> 94%$.
- Bộ bản đồ che phủ rừng hàng năm (2015–2018): Xây dựng bộ bản đồ FNF 50 m có độ chính xác 86,1%, nâng cao độ chính xác so với sản phẩm toàn cầu của JAXA (77,2%).
- Quy trình xử lý ảnh không mây trên Google Earth Engine: Đề xuất giải pháp đơn giản, hiệu quả để loại bỏ mây và điểm ảnh lỗi bằng cách kết hợp ảnh quang học Sentinel-2 đa năm cho khu vực nhiệt đới.
- Cung cấp dữ liệu độc lập cho quản lý tài nguyên: Phát hiện sự chênh lệch trong tốc độ mất rừng so với số liệu thống kê hành chính, hỗ trợ kỹ thuật cho chương trình REDD+, quản lý rừng và lập quy hoạch năng lượng tái tạo.
Kiến nghị và giải pháp đề xuất
- Khi thiết kế hệ thống phân loại LULC, cần cân nhắc giữa độ chi tiết của các lớp và độ chính xác tổng thể kỳ vọng dựa trên mức suy giảm 0,77%/lớp.
- Tận dụng tối đa dữ liệu SAR đa thời gian (như ALOS-2 ScanSAR, Sentinel-1) để bù đắp khoảng trống dữ liệu quang học do mây tại các nước nhiệt đới.
- Ứng dụng kỹ thuật di chuyển dữ liệu tham chiếu (Data Migration) để tiết kiệm thời gian và chi phí thu thập mẫu thực địa khi xây dựng các chuỗi bản đồ nhiều năm.
Hạn chế và hướng nghiên cứu tiếp
Hạn chế của nghiên cứu
- Chưa lượng hóa sai số của người giải đoán (interpreter errors) trong quá trình thu thập dữ liệu kiểm chứng bằng mắt do thiếu dữ liệu thực địa đối chứng tuyệt đối trên toàn quốc.
- Chi phí tính toán của mô hình học sâu Time-Feature CNN còn cao, đòi hỏi tài nguyên phần cứng lớn khi mở rộng quy mô.
- Việc phân tách một số lớp phủ có đặc tính phổ tương đồng (như rừng tự nhiên và rừng trồng, cây lâu năm và vườn cây ăn quả) vẫn còn hiện tượng nhầm lẫn cục bộ.
Hướng nghiên cứu tiếp theo
- Nghiên cứu các thuật toán khôi phục dữ liệu bị mất trên ảnh vệ tinh quang học và cải tiến thuật toán mặt nạ mây.
- Nâng cao hiệu quả tính toán của các thuật toán học sâu và tự động hóa quy trình tạo lập dữ liệu tham chiếu chuỗi thời gian.
- Ứng dụng chuỗi bản đồ LULC độ phân giải cao vào các mô hình dự báo biến động sử dụng đất trong tương lai, mô hình hóa phát thải carbon, đánh giá nguy cơ tai biến sạt lở đất và xói mòn đất.
Giá trị tham khảo
Đối tượng thụ hưởng
- Nghiên cứu sinh, giảng viên và nhà nghiên cứu: Trong các lĩnh vực Viễn thám, Hệ thông tin địa lý (GIS), Lâm nghiệp, Sinh thái học, Biến đổi khí hậu và Khoa học Môi trường.
- Cơ quan quản lý nhà nước và người làm chính sách: Cục Lâm nghiệp, Bộ Tài nguyên và Môi trường, Bộ Nông nghiệp và Phát triển Nông thôn, các ban quản lý rừng phòng hộ/đặc dụng, các cơ quan điều phối chương trình REDD+ và quy hoạch phát triển năng lượng tái tạo.
Các phần có giá trị tham khảo cao
- Chương 2: Bảng tổng hợp 64 nghiên cứu LULC và mô hình định lượng độ suy giảm chính xác theo số lớp (tham khảo cho việc thiết kế đề cương nghiên cứu và hệ thống phân loại).
- Chương 3: Quy trình tiền xử lý ảnh PALSAR-2 ScanSAR và phương pháp hiệu chuẩn ước lượng diện tích phân tầng (tham khảo cho các bài toán kiểm kê rừng và sinh khối).
- Chương 4 & 5: Kiến trúc Time-Feature CNN, mã nguồn SACLASS-2 và thuật toán di chuyển dữ liệu tham chiếu trên Google Earth Engine.
Câu hỏi thường gặp
1. Luận án xác định mối quan hệ định lượng giữa độ chính xác của bản đồ LULC và số lượng lớp phân loại như thế nào?
Dựa trên việc rà soát và phân tích thống kê từ 64 bài báo khoa học trên ScienceDirect, luận án chỉ ra mối tương quan nghịch giữa độ chính xác tổng thể (OA) và số lượng lớp phân loại với hệ số góc là $-0,77$ ($R^2 = 0,25$). Điều này đồng nghĩa với việc khi tăng thêm 1 lớp phân loại LULC, độ chính xác tổng thể của bản đồ có xu hướng giảm trung bình khoảng 0,77%. Phân tích ANOVA khẳng định số lượng lớp là yếu tố ảnh hưởng mạnh nhất ($p = 0,005$) so với thuật toán ($p = 0,029$), độ phân giải ($p = 0,296$) và loại cảm biến ($p = 0,345$).
2. Tại sao việc sử dụng ảnh ALOS-2/PALSAR-2 ScanSAR đa thời gian lại cho kết quả phân loại rừng chính xác hơn ảnh đơn thời điểm?
Ảnh ScanSAR đa thời gian ghi nhận được các đặc trưng thay đổi theo mùa vụ (intra-annual/seasonal dynamics) của thảm phủ thực vật và độ ẩm bề mặt, giúp phân biệt rõ nét giữa rừng thường xanh, rừng rụng lá và các thảm cây bụi hoặc đất nông nghiệp. Kết quả thử nghiệm tại 3 khu vực ở Việt Nam cho thấy độ chính xác phân loại bằng ScanSAR đa thời điểm đạt trung bình 87,0%, vượt trội so với mức 77,8% của ảnh PALSAR-2 đơn thời điểm.
3. Độ chính xác của chuỗi bản đồ LULC 10 m giai đoạn 2017–2022 đạt bao nhiêu và có gì khác biệt so với các sản phẩm quốc tế?
Chuỗi bản đồ LULC 10 m giai đoạn 2017–2022 cho đất liền Việt Nam gồm 14 lớp đạt độ chính xác tổng thể trên 94% (đánh giá bằng tập mẫu kiểm chứng di chuyển), vượt mức chuẩn kỳ vọng 89,2%. Bản đồ năm 2020 đạt độ chính xác 90,2% cho 12 lớp, cao hơn các sản phẩm toàn cầu 10 m cùng thời kỳ như Dynamic World, ESRI Land Cover và ESA WorldCover (thường có độ chính xác dao động từ 75% đến 85% và ít lớp chi tiết hơn).
4. Luận án đã phát hiện điểm đáng chú ý nào về biến động diện tích rừng tại Việt Nam?
Mặc dù tổng diện tích rừng tại Việt Nam có xu hướng tăng ròng trong giai đoạn 2017–2022 (diện tích che phủ trung bình khoảng 14,02 triệu ha, tương đương 43,0% diện tích đất liền), phân tích không gian chi tiết cho thấy tốc độ mất rừng cục bộ tại một số khu vực có thể cao gấp 4 lần so với số liệu thống kê hành chính. Phát hiện này tương thích với các nghiên cứu độc lập ở Đông Nam Á về tác động của việc mở rộng cây cao su và cây công nghiệp.
5. Kỹ thuật di chuyển dữ liệu tham chiếu (Data Migration) được thực hiện như thế nào để xây dựng chuỗi bản đồ nhiều năm?
Tác giả sử dụng tập dữ liệu tham chiếu chuẩn của năm 2020, sau đó tính toán Khoảng cách Euclidean (ED) và Khoảng cách góc phổ (SAD) trên chuỗi ảnh vệ tinh giữa năm 2020 và các năm mục tiêu (2017–2022). Những điểm mẫu có giá trị khoảng cách vượt ngưỡng cho phép (có biến động lớp phủ) sẽ bị loại bỏ, giữ lại các điểm có trạng thái ổn định để làm dữ liệu kiểm chứng độc lập cho các năm còn lại mà không cần thực hiện lại toàn bộ quy trình lấy mẫu thực địa.
Kết luận
Luận án của nghiên cứu sinh Trương Thịnh Văn đã giải quyết bài toán thành lập chuỗi bản đồ LULC độ phân giải cao 10 m cho toàn bộ phần đất liền Việt Nam giai đoạn 2017–2022 và bản đồ che phủ rừng giai đoạn 2015–2018. Bằng việc kết hợp dữ liệu radar khẩu độ tổng hợp đa thời gian (ALOS-2 ScanSAR), ảnh quang học Sentinel-2 và mô hình học sâu Time-Feature CNN, nghiên cứu đã khắc phục được rào cản mây mù nhiệt đới và nâng cao độ chính xác phân loại vượt các sản phẩm toàn cầu hiện có. Công trình cung cấp nguồn tư liệu khoa học chuẩn xác, phục vụ trực tiếp cho công tác giám sát tài nguyên rừng, thực thi chương trình REDD+, quản lý quy hoạch không gian và nghiên cứu biến đổi môi trường tại Việt Nam.
