Tổng quan luận án
Tính cấp thiết và khoảng trống nghiên cứu
Rừng ngập mặn (RNM) là hệ sinh thái đất ngập nước thủy triều đặc thù phân bố tại vùng nhiệt đới và cận nhiệt đới giữa vĩ độ 30° Bắc và 30° Nam (Lee và Yeh, 2009). RNM giữ vai trò phòng hộ quan trọng như làm chậm dòng chảy, phát tán nước triều, giảm độ cao sóng biển khi triều cường, bảo vệ đê biển, hạn chế xâm nhập mặn, bảo vệ nước ngầm và duy trì đa dạng sinh học (Abdul Aziz và cộng sự, 2015; Giri và cộng sự, 2015; Rahman và cộng sự, 2013; Veettil và cộng sự, 2018). Mặc dù có vai trò thiết yếu, hệ sinh thái này đang bị đe dọa và suy giảm nghiêm trọng trên phạm vi toàn cầu (Valiela và cộng sự, 2001).
Tại Việt Nam, thống kê của Maurand năm 1943 ghi nhận diện tích RNM đạt khoảng 400.000 ha, nhưng đến năm 1975 đã giảm còn 286.400 ha (Phan Nguyên Hồng và Hoàng Thị San, 1993) và đến năm 2015 chỉ còn 57.211 ha (Bộ Nông nghiệp và Phát triển nông thôn, 2016). Ước tính có tới 80% diện tích RNM của Việt Nam đã bị biến mất trong nửa thế kỷ qua do áp lực phát triển kinh tế, công nghiệp hóa và phong trào nuôi tôm (Hội thảo Thực trạng rừng ngập mặn Việt Nam, 2012). Thực trạng này đặt ra yêu cầu cấp thiết về công tác giám sát, phục hồi và bảo vệ RNM.
Phương pháp điều tra thực địa truyền thống thường tốn kém chi phí, mất nhiều thời gian, khó tiếp cận và khó phát hiện biến động trên diện rộng (Moritz Zimmermann và cộng sự, 2001; Ghosh và cộng sự, 2016). Việc ứng dụng viễn thám quang học đơn lẻ gặp nhiều trở ngại tại khu vực nhiệt đới gió mùa do mây mù che phủ và thiếu thông tin về cấu trúc bề mặt; đồng thời dữ liệu quang học đơn ngày chịu ảnh hưởng lớn bởi dao động mực nước thủy triều gây nhầm lẫn phổ với thực vật trên cạn. Ngược lại, dữ liệu radar (SAR) có khả năng xuyên mây, hoạt động ngày đêm và cung cấp thông tin cấu trúc, độ gồ ghề nhưng gặp khó khăn về nhiễu đốm và biến dạng hình học. Do đó, khoảng trống nghiên cứu cốt lõi mà luận án giải quyết là việc kết hợp tư liệu viễn thám quang học và radar trên nền tảng điện toán đám mây để tự động hóa quy trình phân loại và giám sát biến động RNM tại vùng ven biển phía Bắc Việt Nam.
Mục tiêu nghiên cứu
- Nghiên cứu đặc điểm quang phổ của rừng ngập mặn ở các tỉnh ven biển phía Bắc trên các tư liệu viễn thám;
- Lựa chọn tư liệu viễn thám và phương pháp phân loại phù hợp để phân loại rừng ngập mặn các tỉnh ven biển khu vực phía Bắc;
- Xác định ngưỡng phân loại rừng ngập mặn một số tỉnh ven biển phía Bắc;
- Đánh giá biến động về diện tích rừng ngập mặn giai đoạn 2016–2020 ở một số tỉnh ven biển phía Bắc;
- Xây dựng hướng dẫn kỹ thuật phân loại rừng ngập mặn cho khu vực ven biển.
Câu hỏi nghiên cứu
- Đặc điểm của rừng ngập mặn ven biển ở khu vực phía Bắc trên các tư liệu viễn thám trung bình có gì khác biệt so với các trạng thái lớp phủ khác?
- Các chỉ số thực vật đã được sử dụng để phân loại rừng ngập mặn trên thế giới có phù hợp cho việc giám sát rừng ngập mặn ở phía Bắc không?
- Làm thế nào để giám sát rừng ngập mặn khu vực phía Bắc bằng cách kết hợp được cả dữ liệu viễn thám quang học và radar cho khu vực Phía Bắc?
- Có thể kết hợp được các công nghệ hiện đại để giám sát rừng ngập mặn cho các tỉnh ven biển phía Bắc hoàn toàn tự động, nhanh chóng, đảm bảo độ chính xác và hiệu quả không?
Đối tượng và phạm vi nghiên cứu
- Đối tượng nghiên cứu: Toàn bộ hệ sinh thái rừng ngập mặn ven biển khu vực phía Bắc thuộc các tỉnh Quảng Ninh, Thái Bình và thành phố Hải Phòng; sử dụng các nguồn tư liệu viễn thám miễn phí độ phân giải trung bình gồm ảnh Radar Sentinel-1, ảnh quang học Sentinel-2 và Landsat-8.
- Phạm vi không gian:
- Phạm vi cấp 1 (nghiên cứu điểm xây dựng ngưỡng): Các khu vực đại diện gồm huyện Tiên Yên, thị xã Quảng Yên (tỉnh Quảng Ninh); xã Bàng La (quận Đồ Sơn), xã Đại Hợp (huyện Kiến Thụy) thuộc thành phố Hải Phòng; huyện Thái Thụy (tỉnh Thái Bình).
- Phạm vi cấp 2 (phân loại và đánh giá biến động diện rộng): Toàn bộ địa bàn hành chính 3 tỉnh, thành phố gồm tỉnh Quảng Ninh, thành phố Hải Phòng và tỉnh Thái Bình.
- Phạm vi thời gian: Thu thập số liệu trên các ô tiêu chuẩn mã khóa ảnh vào năm 2019; thu thập điểm mẫu nghiên cứu vào cuối năm 2020; sử dụng chuỗi ảnh viễn thám trọn vẹn năm 2020 (01/01/2020 đến 31/12/2020) để thành lập ngưỡng phân loại; thu thập dữ liệu ảnh trong 3 tháng cuối năm (01/10 đến 31/12) của các năm 2016 và 2020 để đánh giá biến động diện tích.
Tổng quan tài liệu và vị trí của luận án
Các hướng nghiên cứu trên thế giới và tại Việt Nam
- Nghiên cứu phân bố, hiện trạng và sinh thái rừng ngập mặn:
- Thế giới: Số liệu thống kê của FAO (2007) ghi nhận diện tích RNM toàn cầu khoảng 152.310 km² phân bố tại 124 quốc gia (Hamilton và Casey, 2016; Chow và Jeffrey, 2018). Các nghiên cứu của Spalding (1997, 2010), Alongi (2002, 2008), Saenger (2002), Giri và cộng sự (1996, 2011), Lugo và Snedaker (1974), Kathiresan và Bingham (2001), Tomlinson (1986), Blasco và cộng sự (1996) đã phân tích sâu về đặc điểm hình thái thích nghi (rễ phổi, rễ củ, lá tiết muối) và sự suy thoái diện tích RNM toàn cầu trong giai đoạn 1980–2005.
- Việt Nam: Phan Nguyên Hồng (2000) đã phân chia hệ sinh thái RNM Việt Nam thành 4 khu vực và 12 tiểu khu sinh thái. Ngô Đình Quế và Võ Đại Hải (2012) mô tả đặc điểm hình thái các loài thực vật RNM chính như Bần chua (Sonneratia caseolaris), Trang (Kandelia obovata), Đước vòi (Rhizophora stylosa), Đước đôi (Rhizophora apiculata), Mắm biển (Avicennia marina). Phạm Thu Thủy và cộng sự (2019) tổng kết RNM Việt Nam có 36 loài cây ngập mặn thực thụ thuộc 20 chi, 14 họ và 77 loài thực vật tham gia.
| Giai đoạn / Năm |
Diện tích RNM thế giới (1.000 ha) |
Tỷ lệ biến động hàng năm (%) |
Nguồn dữ liệu |
| 1980 |
18.794 |
- |
FAO (2007) |
| 1990 |
16.925 |
-1,04 |
FAO (2007) |
| 2000 |
15.740 |
-0,72 |
FAO (2007) |
| 2005 |
15.231 |
-0,66 |
FAO (2007) / Phan Thị Thanh Hương (2018) |
| Năm ghi nhận |
Diện tích RNM Việt Nam (ha) |
Nguồn công bố |
| 1943 |
408.000 |
Phan Nguyên Hồng và Hoàng Thị San (1993) |
| 1975 |
286.400 |
Phan Nguyên Hồng và Hoàng Thị San (1993) |
| 2000 |
155.290 |
Phạm Thu Thủy và cộng sự (2019) |
| 2005 |
63.263 |
Bộ Nông nghiệp và PTNT (2006) |
| 2010 |
96.260 |
Bộ Nông nghiệp và PTNT (2011) |
| 2015 |
57.211 |
Bộ Nông nghiệp và PTNT (2016) |
- Nghiên cứu ứng dụng tư liệu viễn thám và phương pháp phân loại:
- Ảnh máy bay và UAV: Các công trình ban đầu sử dụng ảnh hàng không để lập bản đồ tỷ lệ lớn (Green và cộng sự, 1996, 2010; Sulong và cộng sự, 2002; Kairo và cộng sự, 2002; Heenkenda và cộng sự, 2014). Các nghiên cứu gần đây ứng dụng thiết bị bay không người lái (UAV) để phân tích chi tiết cấu trúc tán rừng và ảnh hưởng của triều (Khakhim và cộng sự, 2019; Wang và cộng sự, 2018).
- Ảnh viễn thám độ phân giải trung bình và cao: Phổ biến từ các hệ cảm biến Landsat (TM, ETM+, OLI), SPOT, Sentinel-2 và ảnh độ phân giải cao IKONOS, QuickBird, WorldView-2, SPOT-6 (Gao, 1999; Giri và cộng sự, 2011b; Wang và cộng sự, 2004; Trần Quang Bảo và cộng sự, 2016; Phạm Văn Duẩn và cộng sự, 2019; Parida và Kumari, 2020). Dữ liệu chuỗi thời gian Sentinel-2 (10 m, chu kỳ 5 ngày) kết hợp điện toán đám mây Google Earth Engine (GEE) mở ra hướng phân tích đa thời gian quy mô lớn (Gorelick và cộng sự, 2017; Xiong và cộng sự, 2017).
- Đặc điểm phản xạ quang phổ và tán xạ Radar: Phản xạ của RNM chịu chi phối bởi diệp lục ở kênh nhìn thấy, tán xạ tế bào mô giậu ở kênh cận hồng ngoại (NIR) và sự hấp thụ của nước trong mô lá cũng như nước triều ở kênh hồng ngoại sóng ngắn (SWIR1, SWIR2) (Huete, 2004; Alvin B và cộng sự, 2020; Manna và Raychaudhuri, 2018). Đối với ảnh radar SAR, dữ liệu phân cực VH băng C (Sentinel-1) thể hiện độ nhạy cao với cấu trúc cành lá và sinh khối, đồng thời giá trị tán xạ ngược VH < -19 dB cho phép tách biệt rõ ràng môi trường nước và bề mặt không thấm nước (Kasischke và cộng sự, 1997; Proisy và cộng sự, 2000, 2002; Chen và cộng sự, 2017).
- Phương pháp phân loại: Từ giải đoán bằng mắt, phân loại xác suất cực đại (MLC) có giám sát (Gao, 1997; Saito và cộng sự, 2010) đến máy học như SVM, Random Forest, cây quyết định (Heumann, 2011a; Gholizadeh và cộng sự, 2015). Các chỉ số phổ thường dùng gồm NDVI, SAVI, EVI, RVI, CMRI, NDMI kết hợp thuật toán phân ngưỡng Otsu (Zhang và cộng sự, 2011; Zhang và Tian, 2012).
Khoảng trống luận án lựa chọn giải quyết
Các công trình tại Việt Nam trước đây chủ yếu sử dụng ảnh quang học đơn thời điểm hoặc phân loại thủ công, dễ bị sai lệch do ảnh hưởng của mây và chế độ thủy triều phức tạp tại miền Bắc (nhật triều biên độ 3–4,5 m). Luận án định vị trọng tâm vào việc thiết lập quy trình tích hợp chuỗi thời gian quang học đa phổ (Sentinel-2) và chuỗi thời gian radar khẩu độ tổng hợp (Sentinel-1 SAR) trên nền tảng Google Earth Engine, xây dựng bộ ngưỡng kết hợp giữa chỉ số thực vật chuyên biệt cho RNM (CMRI) và hệ số tán xạ ngược phân cực (VH), giải quyết triệt để bài toán tự động hóa giám sát biến động RNM ven biển phía Bắc.
Cơ sở lý thuyết và phương pháp nghiên cứu
Cơ sở lý thuyết và nguyên lý viễn thám
- Bản chất phản xạ phổ quang học: Quá trình chụp ảnh quang học thu nhận bức xạ mặt trời phản xạ từ bề mặt. Thảm thực vật RNM hấp thụ mạnh bức xạ trong vùng sóng nhìn thấy (380–750 nm) bởi sắc tố diệp lục, phản xạ mạnh ở dải cận hồng ngoại NIR (700–1100 nm) do cấu trúc tế bào lá và hấp thụ mạnh ở dải hồng ngoại sóng ngắn SWIR do độ ẩm cao trong mô lá và nền nước ngập. Sự khác biệt quang phổ giữa RNM và thực vật trên cạn thể hiện rõ nét nhất ở kênh Green và kênh SWIR1 (Alvin B và cộng sự, 2020).
- Nguyên lý tán xạ ngược sóng Radar: Radar SAR chủ động phát và thu nhận sóng vi ba (băng C của Sentinel-1). Cường độ tán xạ ngược ($\sigma^\circ$, tính bằng dB) phụ thuộc vào hằng số điện môi (độ ẩm), hình học và cấu trúc tán cây (kích thước, hướng phân bố của lá, cành, thân, rễ). Phân cực đồng (VV) và phân cực chéo (VH) cung cấp các phản hồi cấu trúc khác nhau; trong đó phân cực VH nhạy cảm với sinh khối tán lá và độ ẩm môi trường (Chen và cộng sự, 2017).
| Băng tần Radar |
Kênh phân cực |
Đặc tính tương tác chính với cấu trúc rừng ngập mặn |
Mức độ tương quan và độ bão hòa sinh khối |
| Băng C (C-band) |
VV |
Thâm nhập phần trên của tán, vài mét trong tán lá; tương tác với lá và cành nhỏ |
Tương quan cao với tán lá, mật độ, kích thước và hướng lá. Độ bão hòa sinh khối trên mặt đất đạt ở mức 50 tấn chất khô/ha (50 t DM/ha). |
|
HH |
Nhạy cảm với sự gia tăng sinh khối; liên quan đến sự thay đổi kết cấu tán |
Tương quan cao với chiều cao cây trung bình và đường kính thân cây. |
|
VH |
Nhạy cảm với sự gia tăng sinh khối; tương quan đáng kể với diện tích lá |
Tương quan cao nhất về chiều cao và đường kính thân cây; nhạy cảm với đặc tính tán. |
| Băng L (L-band) |
VV / HH / VH |
Thâm nhập sâu hơn vào tán rừng; xảy ra hiện tượng tán xạ kép (Double-Bounce) giữa thân cây và mặt đất/nước |
Phản xạ ngược biểu hiện sự thay đổi cấu trúc rừng và ngập lụt dưới tán. Độ bão hòa sinh khối đạt 100 t DM/ha. |
| Băng P (P-band) |
VV / HH / VH |
Thâm nhập hoàn toàn tán cây, chạm đến đất nền và mặt nước |
Tương quan cao nhất với tổng sinh khối; độ bão hòa sinh khối đạt 150 t DM/ha. |
Phương pháp nghiên cứu thực tế
- Thu thập dữ liệu thứ cấp:
- Thu thập tài liệu khí tượng, thủy văn, điều kiện kinh tế - xã hội các tỉnh Quảng Ninh, Thái Bình, TP Hải Phòng.
- Bản đồ quy hoạch 3 loại rừng năm 2015, bản đồ kiểm kê rừng cấp tỉnh năm 2015 và bản đồ cập nhật diễn biến rừng đến năm 2019 nhằm xác định ranh giới hành chính và vùng quy hoạch lâm nghiệp.
- Điều tra thực địa và thiết lập ô tiêu chuẩn (OTC):
- Thiết lập 15 ô tiêu chuẩn điển hình hình tròn, diện tích mỗi ô là $1.000\text{ m}^2$ tại các vùng đại diện của tỉnh Quảng Ninh và TP Hải Phòng.
- Tiến hành đo đếm toàn bộ cây gỗ ngập mặn theo Thông tư 33/TT-BNNPTNT ngày 16/11/2018 của Bộ Nông nghiệp và Phát triển nông thôn (sử dụng Biểu mẫu 01: Biểu điều tra cây gỗ và Biểu mẫu 26: Biểu đo đếm cây đứng). Các chỉ tiêu thu thập gồm: tên loài, phẩm chất cây, đường kính gốc ($D_{00}$), đường kính ngang ngực ($D_{1.3}$ đối với cây có $D_{1.3} > 6\text{ cm}$), chiều cao vút ngọn ($H_{vn}$), chiều cao dưới cành ($H_{dc}$) và đường kính tán lá.
- Thành lập điểm mẫu và điểm kiểm chứng:
- Xây dựng tập điểm mẫu (dùng để tính toán phân bố phổ và xác lập ngưỡng phân loại) và tập điểm kiểm chứng (dùng để đánh giá độ chính xác phân loại độc lập) trên phần mềm mã nguồn mở QGIS phiên bản 3.
- Ba trạng thái bề mặt chính được phân tách gồm: Rừng ngập mặn, Vùng mặt nước và Đối tượng khác (thực vật trên cạn, đất trống, khu dân cư).
Nguồn tư liệu và quy trình xử lý dữ liệu trên Google Earth Engine (GEE)
- Tư liệu Landsat-8: Khai thác bộ sưu tập
USGS Landsat-8 Collection 1 Tier 1 TOA (ee.ImageCollection). Lọc mây tự động dựa trên kênh chất lượng BQA, áp dụng phương pháp bù trừ đa thời gian và hợp nhất chuỗi ảnh bằng thuật toán giá trị trung bình mean().
- Tư liệu Sentinel-2: Sử dụng bộ sưu tập
Sentinel-2: MultiSpectral Instrument, Level-1C (ee.ImageCollection('COPERNICUS/S2_SR')) đã hiệu chỉnh bức xạ bề mặt đáy khí quyển (BOA). Lọc bỏ điểm ảnh mây bằng kênh chất lượng QA60, kết hợp các cảnh ảnh trong chuỗi thời gian bằng hàm mean().
- Tư liệu Radar Sentinel-1: Khai thác tập dữ liệu
COPERNICUS/S1_GRD mức xử lý 1-GRD (đã hiệu chỉnh quỹ đạo, lọc nhiễu đường viền, khử nhiễu nhiệt, hiệu chỉnh bức xạ và hiệu chỉnh địa hình). Dữ liệu tán xạ ngược phân cực VH được tổng hợp theo thời gian bằng hàm mean() để triệt tiêu nhiễu đốm (speckle noise).
- Mô hình số độ cao SRTM DEM 30 m: Khai thác dữ liệu SRTM DEM từ cơ sở dữ liệu của NASA trên GEE (
ee.Image('USGS/SRTMGL1_003')). Kết quả khảo sát thực địa và các nghiên cứu của Liu và cộng sự (2008), Zhang và cộng sự (2017) khẳng định RNM khu vực nghiên cứu không phân bố ở độ cao trên 10 m so với mực nước biển. Luận án sử dụng ngưỡng độ cao $h \le 10\text{ m}$ để làm mặt nạ (mask) loại bỏ hoàn toàn thảm thực vật và đối tượng trên cạn có đặc tính phản xạ tương đồng.
Nội dung chính theo từng chương
Chương 1: Tổng quan vấn đề nghiên cứu
Chương 1 hệ thống hóa cơ sở lý luận và thực tiễn về hệ sinh thái rừng ngập mặn trên phạm vi thế giới và tại Việt Nam. Tác giả phân tích chi tiết diễn biến suy thoái diện tích rừng ngập mặn toàn cầu qua các giai đoạn từ 18,79 triệu ha (năm 1980) xuống còn 15,23 triệu ha (năm 2005) theo thống kê của FAO. Tại Việt Nam, hệ sinh thái RNM được phân định thành 4 khu vực và 12 tiểu khu sinh thái; diện tích suy giảm từ 408.000 ha (năm 1943) xuống còn 57.211 ha (năm 2015).
Chương này cũng tổng thuật toàn diện các nghiên cứu về phản xạ quang phổ và tán xạ radar của RNM. Phân tích chỉ ra sự tương tác phức tạp giữa tán lá, nền đất bùn và nước triều trong việc hình thành tín hiệu phổ. Tác giả điểm luận các thế hệ ảnh viễn thám từ ảnh máy bay, ảnh vệ tinh độ phân giải cao (IKONOS, QuickBird, WorldView-2, SPOT-6) đến ảnh độ phân giải trung bình (Landsat, SPOT, Sentinel-2) và radar Sentinel-1; đồng thời so sánh các giải thuật phân loại (MLC, SVM, Random Forest) và các chỉ số thực vật (NDVI, SAVI, EVI, CMRI, NDMI). Từ đó, luận án khẳng định sự cần thiết của việc kết hợp chỉ số chuyên biệt CMRI trên ảnh quang học với phân cực VH trên ảnh radar để phân tách chính xác RNM.
Chương 2: Đặc điểm tự nhiên, kinh tế xã hội khu vực nghiên cứu
Chương 2 trình bày chi tiết các yếu tố lập địa, khí hậu, thủy hải văn và tình hình kinh tế - xã hội tại các địa bàn nghiên cứu thuộc hai khu vực địa lý sinh thái:
- Khu vực I (Ven biển Đông Bắc): Khí hậu nhiệt đới gió mùa có mùa đông lạnh với 4 tháng nhiệt độ trung bình dưới 20°C, lượng mưa 1.800–2.400 mm/năm. Chế độ nhật triều đều với biên độ triều đạt 4,0–4,5 m (lớn nhất cả nước), độ mặn ổn định 15–25‰. Trầm tích bồi tụ mỏng, nhiều cát, sỏi, đá vụn ở phía Bắc và dày bùn sét ở phía Nam. Thực vật ngập mặn gồm các loài thân thấp như Đước vòi, Sú, Vẹt dù, Mắm biển, Bần chua.
- Khu vực II (Ven biển đồng bằng sông Hồng): Chịu ảnh hưởng trực tiếp của bão và gió mùa Đông Bắc, không có hệ thống đảo ngoài che chắn. Vùng bồi tụ lớn của hệ thống sông Hồng và sông Thái Bình, tốc độ bấn biển nhanh 80–120 m/năm; trầm tích bùn sét giàu phốt pho. Quần xã thực vật ưu thế là Bần chua và các dải rừng trồng Trang (Kandelia obovata) chắn sóng đê biển.
| Chỉ tiêu tự nhiên / Sinh thái |
Tiểu vùng I (Móng Cái đến Cửa Ông) |
Tiểu vùng II (Cửa Ông đến Cửa Lục) |
Tiểu vùng III (Cửa Lục đến Đồ Sơn) |
Khu vực Đồng bằng Sông Hồng (Đồ Sơn đến Lạch Trường) |
| Khí hậu & Nhiệt độ |
Nhiệt đới mùa đông lạnh; có 4 tháng nhiệt độ < 20°C; lượng mưa 2000–2400 mm |
Nhiệt đới mùa đông lạnh; có 4 tháng nhiệt độ < 20°C; lượng mưa 2000–2400 mm |
Nước biển ấm hơn tiểu vùng I và II; lượng mưa 1800–2000 mm |
Nhiệt độ TB 23–23,7°C; 50–60 ngày < 20°C; mùa đông 18,3–18,5°C |
| Thủy văn & Phù sa |
Sông nhỏ, ngắn, dốc (Ka Long, Tiên Yên, Ba Chẽ); ít phù sa |
Sông suối ngắn, nhỏ; lượng phù sa ít |
Chịu ảnh hưởng sông Bạch Đằng, Kinh Thầy |
Sông Hồng, Thái Bình lưu lượng lớn, giàu phù sa, cửa hình phễu |
| Đặc điểm trầm tích |
Lớp bồi tụ mỏng; đá vỡ, cuội, sỏi, cát |
Lớp bồi tụ mỏng; nhiều cát, sỏi, đá |
Lớp bồi tụ dày; nhiều bùn sét (sét 50–60%), ít cát |
Bồi tụ mạnh, giàu cation kiềm thổ; tốc độ bồi 80–120 m/năm |
| Chế độ thủy triều |
Nhật triều; độ mặn ổn định 15–24‰ |
Nhật triều; độ mặn ổn định 15–25‰ |
Nhật triều; độ mặn 4–20‰ (khô), 9–15‰ (mưa) |
Nhật triều biển Đông; độ ngập 1–2 m (tối đa 3 m); mặn 4–20‰ |
| Đặc điểm thổ nhưỡng |
Đất ngập mặn phèn tiềm tàng; cát pha thịt |
Đất ngập mặn phèn tiềm tàng; cát pha sỏi đá |
Đất ngập mặn phèn tiềm tàng; thịt pha sét |
Đất ngập mặn không phèn tiềm tàng; thịt pha sét (29–35% sét) |
| Tổ thành thực vật chính |
Rừng nghèo, sinh trưởng kém: Sú, Mắm biển, Vẹt dù |
Rừng sinh trưởng kém: Mắm biển, Sú, Đước vòi, Giá |
Rừng tốt: Đước vòi (30%), Sú (40–50%), Bần chua (cao đến 8 m) |
Quần xã Bần chua, Sú, Trang trồng thuần loài chắn đê |
- Hiện trạng tài nguyên rừng và kinh tế - xã hội tại 3 tỉnh, thành phố:
- Tỉnh Quảng Ninh: Diện tích tự nhiên 611.000 ha; diện tích đất có RNM năm 2015 đạt 18.874,09 ha và diện tích chưa thành rừng là 945,87 ha (tổng diện tích RNM là 19.819,96 ha). Dân số năm 2019 là 1.324.000 người (đô thị chiếm 64,09%).
- Tỉnh Thái Bình: Diện tích tự nhiên 1.546,54 km²; diện tích rừng năm 2015 là 3.709 ha, phân bố tại 2 huyện ven biển Tiền Hải và Thái Thụy. Dân số toàn tỉnh có mật độ cao 1.138 người/km² (nông thôn chiếm 78%).
- Thành phố Hải Phòng: Diện tích tự nhiên 1.507,57 km²; độ che phủ rừng đạt 11,3% (18.280 ha). Diện tích RNM năm 2015 đạt 2.624,05 ha (rừng mới trồng 1.883,23 ha, rừng phục hồi 740,82 ha). Dân số đạt 1.500.000 người.
Chương 3: Mục tiêu, đối tượng, phạm vi, nội dung và phương pháp nghiên cứu
Chương 3 trình bày khung phương pháp luận hoàn chỉnh của luận án. Nội dung nghiên cứu bao gồm 6 hợp phần:
- Nghiên cứu đặc điểm phân bố và sinh thái của rừng ngập mặn khu vực phía Bắc;
- Đánh giá đặc tính phản xạ phổ và lựa chọn tư liệu ảnh viễn thám thích hợp;
- Nghiên cứu lựa chọn phương pháp tổ hợp ảnh và thuật toán phân loại;
- Tính toán phân bố chỉ số thực vật, xác lập ngưỡng phân loại từ ảnh quang học và radar;
- Đánh giá định lượng biến động diện tích rừng ngập mặn giai đoạn 2016–2020 tại Quảng Ninh, Hải Phòng, Thái Bình;
- Xây dựng tài liệu Hướng dẫn kỹ thuật phân loại và giám sát tự động RNM trên nền tảng Google Earth Engine.
Kết quả và những đóng góp mới
Những đóng góp mới về mặt lý luận và khoa học
- Luận án đã làm sáng tỏ quy luật phản xạ quang phổ và tán xạ radar của các quần xã rừng ngập mặn tại các tỉnh ven biển phía Bắc Việt Nam trong tương quan so sánh với các kiểu thảm phủ khác (mặt nước, thảm thực vật trên cạn, đất trống, bề mặt nhân tạo).
- Chứng minh tính hiệu quả của phương pháp tổng hợp chuỗi thời gian đa thời gian kết hợp lọc mây tự động (
BQA, QA60) và tính giá trị trung bình mean() trên nền tảng Google Earth Engine, loại bỏ triệt để ảnh hưởng của dao động thủy triều và điều kiện thời tiết nhiều mây mù.
- Xác lập cơ sở khoa học cho việc tích hợp đa cảm biến: sử dụng chỉ số rừng ngập mặn kết hợp (CMRI) từ dữ liệu quang học Sentinel-2 để làm nổi bật sinh khối thực vật ngập nước, kết hợp với giá trị tán xạ ngược phân cực VH từ dữ liệu radar Sentinel-1 SAR và mặt nạ độ cao SRTM DEM ($h \le 10\text{ m}$) để loại trừ hoàn toàn các đối tượng gây nhầm lẫn phổ.
Những đóng góp mới về mặt thực tiễn
- Xây dựng thành công bộ ngưỡng phân loại chuẩn hóa cho rừng ngập mặn các tỉnh ven biển phía Bắc (Quảng Ninh, Hải Phòng, Thái Bình), cho phép phân loại và chiết xuất không gian RNM hoàn toàn tự động với độ chính xác tin cậy.
- Hoàn thành bộ bản đồ hiện trạng và số liệu đánh giá biến động diện tích rừng ngập mặn giai đoạn 2016–2020 trên toàn bộ phạm vi không gian 3 tỉnh, thành phố trọng điểm phía Bắc, xác định rõ các vị trí suy giảm và phục hồi rừng.
- Xây dựng bản Hướng dẫn kỹ thuật hoàn chỉnh về việc tích hợp ảnh Sentinel-1 và Sentinel-2 trên nền tảng Google Earth Engine phục vụ công tác theo dõi diễn biến rừng định kỳ, giúp tối ưu hóa thời gian xử lý và giảm thiểu tối đa kinh phí điều tra thực địa.
Kiến nghị và giải pháp đề xuất
- Đề xuất chuyển giao quy trình phân loại tự động trên Google Earth Engine cho các Chi cục Kiểm lâm và cơ quan quản lý chuyên ngành tại các tỉnh ven biển phía Bắc để phục vụ công tác kiểm kê và theo dõi diễn biến tài nguyên rừng hàng năm.
- Tăng cường các biện pháp quản lý, bảo vệ nghiêm ngặt các diện tích rừng ngập mặn tự nhiên tại Quảng Ninh và các dải rừng trồng phòng hộ chắn sóng tại Hải Phòng, Thái Bình trước sức ép chuyển đổi mục đích sử dụng đất sang nuôi trồng thủy sản và phát triển đô thị ven biển.
Hạn chế và hướng nghiên cứu tiếp
Hạn chế của nghiên cứu
- Luận án tập trung khai thác các nguồn tư liệu viễn thám miễn phí có độ phân giải không gian trung bình (10–30 m), do đó kết quả phân loại mới chỉ dừng lại ở quy mô phân định hệ sinh thái và quần xã rừng ngập mặn tổng thể, chưa thể phân tách chi tiết đến từng loài cây ngập mặn riêng biệt.
- Phạm vi nghiên cứu điểm để tính toán và tối ưu bộ ngưỡng được thực hiện tập trung tại một số huyện đại diện của Quảng Ninh, Hải Phòng và Thái Bình; việc mở rộng ra các vùng sinh thái khác đòi hỏi phải có bước hiệu chỉnh ngưỡng cục bộ.
Hướng nghiên cứu tiếp theo
- Tiếp tục mở rộng thử nghiệm và hiệu chỉnh bộ ngưỡng phân loại kết hợp Sentinel-1/Sentinel-2 cho các dải rừng ngập mặn ven biển khu vực miền Trung và Nam Bộ.
- Nghiên cứu kết hợp thêm các nguồn dữ liệu viễn thám siêu phổ (hyperspectral) hoặc ảnh chụp từ thiết bị bay không người lái (UAV) độ phân giải siêu cao nhằm phát triển các giải thuật phân loại chi tiết đến cấp độ loài thực vật và ước tính trữ lượng sinh khối rừng ngập mặn.
Giá trị tham khảo
Đối tượng thụ hưởng
- Nghiên cứu sinh, học viên cao học và giảng viên: Thuộc các chuyên ngành Quản lý tài nguyên rừng, Lâm học, Viễn thám và Hệ thông tin địa lý (GIS), Sinh thái học cảnh quan có thể sử dụng luận án như một tài liệu tham khảo chuyên sâu về phương pháp luận xử lý ảnh đa cảm biến (SAR và Quang học) và kỹ thuật lập trình phân tích chuỗi thời gian trên Google Earth Engine.
- Cán bộ quản lý ngành Lâm nghiệp và Môi trường: Các nhà quản lý tại Tổng cục Lâm nghiệp, Chi cục Kiểm lâm các tỉnh ven biển, Ban quản lý rừng phòng hộ, Sở Tài nguyên và Môi trường có thể ứng dụng trực tiếp tài liệu hướng dẫn kỹ thuật để giám sát định kỳ biến động tài nguyên rừng ngập mặn một cách chủ động và kinh tế.
Các phần nội dung đáng tham khảo
- Khung phương pháp luận tiền xử lý chuỗi dữ liệu đa thời gian và thuật toán lọc mây, khử nhiễu radar trên Google Earth Engine tại Chương 3.
- Dữ liệu tổng quan hệ thống hóa về đặc điểm sinh thái, thổ nhưỡng, thủy triều và tổ thành loài cây ngập mặn tại các tiểu vùng duyên hải Đông Bắc và đồng bằng sông Hồng tại Chương 2.
Câu hỏi thường gặp
1. Tại sao việc sử dụng ảnh viễn thám quang học đơn lẻ gặp nhiều khó khăn khi giám sát rừng ngập mặn ven biển phía Bắc?
Ảnh quang học đơn ngày chịu ảnh hưởng nặng nề bởi điều kiện thời tiết nhiệt đới gió mùa có nhiều mây mù. Đồng thời, do chế độ nhật triều có biên độ lớn (tới 4,5 m), tại thời điểm chụp nếu triều dâng ngập tán cây, nước sẽ hấp thụ mạnh bức xạ NIR và SWIR làm thay đổi phổ phản xạ, dẫn đến nhầm lẫn quang phổ giữa RNM với mặt nước hoặc thực vật trên cạn.
2. Các chỉ số viễn thám và kênh phân cực radar nào được luận án lựa chọn để xây dựng bộ ngưỡng?
Luận án lựa chọn chỉ số rừng ngập mặn kết hợp (CMRI) trích xuất từ dữ liệu ảnh quang học Sentinel-2 để làm nổi bật thảm phủ ngập mặn, kết hợp với giá trị tán xạ ngược phân cực chéo VH (tính bằng dB) từ ảnh Radar Sentinel-1 SAR nhằm tận dụng độ nhạy cấu trúc cành lá và khả năng phân tách môi trường ngập nước.
3. Nền tảng Google Earth Engine (GEE) xử lý loại bỏ mây và nhiễu ảnh như thế nào?
Đối với ảnh Landsat-8, GEE sử dụng kênh chất lượng BQA để tự động nhận diện và loại bỏ mây. Đối với Sentinel-2, thuật toán sử dụng kênh QA60. Sau khi lọc mây, tất cả các cảnh ảnh trong chuỗi thời gian được hợp nhất bằng hàm mean(). Đối với ảnh radar Sentinel-1 GRD, hàm mean() đa thời gian được áp dụng để triệt tiêu nhiễu đốm (speckle).
4. Dữ liệu độ cao SRTM DEM đóng vai trò gì trong quy trình phân loại của luận án?
Kết quả khảo sát thực địa và các tài liệu khoa học cho thấy RNM khu vực phía Bắc chỉ phân bố ở cao trình dưới 10 m so với mực nước biển. Dữ liệu SRTM DEM 30 m được sử dụng để lập mặt nạ không gian, loại bỏ toàn bộ các điểm ảnh ở độ cao trên 10 m nhằm tránh nhầm lẫn phổ với các kiểu rừng và thảm thực vật trên cạn.
5. Công tác điều tra ô tiêu chuẩn thực địa phục vụ nghiên cứu được thực hiện với quy mô ra sao?
Tác giả đã thiết lập 15 ô tiêu chuẩn điển hình hình tròn, diện tích mỗi ô là $1.000\text{ m}^2$ tại Quảng Ninh và Hải Phòng. Các thông số điều tra gồm tên loài, phẩm chất, đường kính $D_{00}$, đường kính $D_{1.3}$ (với cây $> 6\text{ cm}$), chiều cao $H_{vn}$, $H_{dc}$ và đường kính tán theo đúng quy định tại Thông tư 33/TT-BNNPTNT năm 2018.
Kết luận
Luận án tiến sĩ đã giải quyết thành công bài toán giám sát rừng ngập mặn ven biển tại các tỉnh Quảng Ninh, Thái Bình và thành phố Hải Phòng thông qua việc tích hợp hiệu quả tư liệu viễn thám quang học Sentinel-2 và radar Sentinel-1 trên nền tảng Google Earth Engine. Việc xác lập bộ ngưỡng kết hợp giữa chỉ số CMRI, phân cực tán xạ ngược VH và mặt nạ độ cao SRTM DEM đã khắc phục triệt để các hạn chế do mây mù và dao động thủy triều. Kết quả nghiên cứu cung cấp cơ sở khoa học chuẩn xác về đặc tính phổ, bộ dữ liệu định lượng biến động diện tích RNM giai đoạn 2016–2020 và tài liệu hướng dẫn kỹ thuật phục vụ trực tiếp cho công tác quản lý bền vững tài nguyên rừng ven biển phía Bắc.
