Tổng quan luận án
Luận án tiến sĩ lâm nghiệp với đề tài "Nghiên cứu sử dụng tư liệu viễn thám quang học và Radar trong giám sát rừng ngập mặn ven biển ở một số tỉnh phía Bắc Việt Nam" được thực hiện bởi nghiên cứu sinh Nguyễn Trọng Cương, chuyên ngành Quản lý tài nguyên rừng (mã số: 9620211) tại Trường Đại học Lâm nghiệp (năm 2022), dưới sự hướng dẫn khoa học của PGS.TS Trần Quang Bảo và PGS.TS Nguyễn Hải Hòa.
Về tính cấp thiết, rừng ngập mặn là hệ sinh thái đất ngập nước ven biển nằm trong vùng nhiệt đới và cận nhiệt đới (từ khoảng vĩ độ 30° Bắc đến 30° Nam), đóng vai trò quan trọng trong việc bảo vệ đê biển, giảm độ cao sóng triều cường, hạn chế xâm nhập mặn, bảo vệ nước ngầm và cung cấp sinh cảnh cho nhiều loài thủy sinh. Tuy nhiên, đây cũng là hệ sinh thái chịu nhiều tác động và dễ bị suy thoái. Tại Việt Nam, số liệu thống kê lịch sử cho thấy diện tích rừng ngập mặn đã suy giảm từ 408.000 ha vào năm 1943 xuống còn 57.211 ha vào năm 2015 do các hoạt động chuyển đổi mục đích sử dụng đất, nuôi tôm, đô thị hóa và hậu quả chiến tranh. Việc điều tra, giám sát trực địa định kỳ gặp nhiều khó khăn do địa hình bãi bồi sình lầy khó tiếp cận, tốn kém thời gian và chi phí.
Khoảng trống nghiên cứu được tác giả xác định xuất phát từ giới hạn kỹ thuật của các tư liệu viễn thám đơn lẻ: ảnh viễn thám quang học (như Landsat-8, Sentinel-2) bị hạn chế bởi mây mù đặc trưng của khí hậu nhiệt đới gió mùa và thiếu thông tin cấu trúc thẳng đứng; trong khi ảnh viễn thám Radar (Sentinel-1 SAR) có khả năng chụp xuyên mây, hoạt động không phụ thuộc thời tiết nhưng lại chứa nhiều nhiễu hạt (speckle noise) và biến dạng hình học. Bên cạnh đó, chế độ thủy triều làm thay đổi đáng kể đặc trưng phản xạ quang phổ của rừng ngập mặn theo thời gian. Việc kết hợp chuỗi thời gian ảnh quang học và ảnh Radar trên các nền tảng xử lý dữ liệu lớn nhằm tự động hóa quy trình phân loại và giám sát biến động rừng ngập mặn tại khu vực phía Bắc vẫn chưa được nghiên cứu hoàn chỉnh.
Luận án giải quyết 4 câu hỏi nghiên cứu cụ thể:
- 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?
Mục tiêu nghiên cứu của đề tài gồm 5 nội dung:
- Xác định 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 cho một số tỉnh ven biển phía Bắc;
- Đánh giá biến động 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 và đánh giá biến động rừng ngập mặn tự động trên nền tảng Google Earth Engine (GEE).
Đối tượng và phạm vi nghiên cứu:
- Đối tượng: Toàn bộ hệ sinh thái rừng ngập mặn ven biển khu vực phía Bắc thuộc tỉnh Quảng Ninh, thành phố Hải Phòng và tỉnh Thái Bình; sử dụng các tư liệu ảnh viễn thám độ phân giải trung bình miễn phí gồm Sentinel-1 (Radar), Sentinel-2 (quang học) và Landsat-8 (quang học).
- Phạm vi không gian cấp 1 (nghiên cứu điểm xây dựng ngưỡng): Huyện Tiên Yên và thị xã Quảng Yên (tỉnh Quảng Ninh); xã Bàng La (quận Đồ Sơn) và xã Đại Hợp (huyện Kiến Thụy) thuộc thành phố Hải Phòng.
- Phạm vi không gian cấp 2 (phân loại và đánh giá biến động diện rộng): Toàn bộ diện tích ven biển của 3 tỉnh, thành phố gồm Quảng Ninh, Hải Phòng và Thái Bình.
- Phạm vi thời gian: Thu thập số liệu ô tiêu chuẩn thực địa năm 2019, thu thập điểm mẫu kiểm chứng cuối năm 2020; dữ liệu ảnh viễn thám được xử lý cho toàn bộ chuỗi thời gian năm 2016 và năm 2020.
Tổng quan tài liệu và vị trí của luận án
Luận án đã tổng hợp hệ thống các công trình nghiên cứu trong nước và quốc tế theo các nhóm nội dung:
1. Phân bố, hiện trạng và biến động diện tích rừng ngập mặn:
Trên thế giới, các nghiên cứu của FAO (2007), Hamilton và Casey (2016), Alongi (2002, 2008), Spalding (1997, 2010), Giri và cộng sự (1996, 2011) đã thống kê diện tích rừng ngập mặn toàn cầu dao động khoảng 137.760 km² đến 152.310 km² phân bố tại 118–124 quốc gia và vùng lãnh thổ. Số liệu của FAO (2007) chỉ ra diện tích rừng ngập mặn toàn cầu suy giảm liên tục từ 18,79 triệu ha (năm 1980) xuống 15,23 triệu ha (năm 2005).
| Khu vực |
Năm 1980 (1000 ha) |
Năm 1990 (1000 ha) |
Năm 2000 (1000 ha) |
Năm 2005 (1000 ha) |
Tỷ lệ biến động 2000–2005 (%/năm) |
| Châu Phi |
3.670 |
3.428 |
3.218 |
3.160 |
-0,63 |
| Châu Á |
7.769 |
6.741 |
6.163 |
5.858 |
-1,01 |
| Bắc và Trung Mỹ |
2.951 |
2.592 |
2.352 |
2.263 |
-0,77 |
| Châu Đại Dương |
2.181 |
2.090 |
2.012 |
1.972 |
-0,39 |
| Nam Mỹ |
2.222 |
2.073 |
1.996 |
1.978 |
-0,18 |
| Toàn thế giới |
18.794 |
16.925 |
15.740 |
15.231 |
-0,66 |
Tại Việt Nam, các nghiên cứu nền tảng của Phan Nguyên Hồng và Hoàng Thị San (1993), Phan Nguyên Hồng (2000), cùng thống kê của Bộ Nông nghiệp và Phát triển Nông thôn (2006, 2011, 2016) và Phạm Thu Thủy và cộng sự (2019) đã ghi nhận diễn biến diện tích rừng ngập mặn qua các mốc: 408.000 ha (1943), 286.400 ha (1975), 155.290 ha (2000), 63.263 ha (2005), 96.260 ha (2010) và 57.211 ha (2015). Phan Nguyên Hồng (2000) đã phân chia hệ sinh thái rừng ngập mặn Việt Nam thành 4 khu vực địa lý và 12 tiểu khu sinh thái.
2. Đặc tính phản xạ quang phổ và tán xạ Radar của rừng ngập mặn:
Các nghiên cứu quang học của Ill và Jensen (1996), Blasco và cộng sự (1998), Vaiphasa và cộng sự (2005), Cárdenas và cộng sự (2017), Alvin B. Baloloy và cộng sự (2020) chỉ ra rằng phản xạ phổ của rừng ngập mặn là sự pha trộn giữa tán lá, nền đất và nước triều. Rừng ngập mặn có độ phản xạ thấp ở dải sóng nhìn thấy (Blue, Red do chất diệp lục hấp thụ), phản xạ cao ở dải cận hồng ngoại (NIR do cấu trúc tế bào xốp của lá) và bị hấp thụ mạnh ở dải hồng ngoại sóng ngắn (SWIR1, SWIR2 do độ ẩm lá và nền nước).
Đối với ảnh Radar SAR, các nghiên cứu của Kasischke và cộng sự (1997), Mougin và cộng sự (1999), Proisy và cộng sự (2000, 2002) đã phân tích tương tác của sóng vi ba băng C, L, P với các thành phần cấu trúc rừng. Nghiên cứu của Chen và cộng sự (2017) xác định kênh phân cực chéo VH của Sentinel-1 rất nhạy cảm trong việc phân biệt bề mặt nước và thảm thực vật, với ngưỡng giá trị tán xạ ngược VH < -19 dB đặc trưng cho mặt nước, bãi cát phẳng và bề mặt không thấm.
3. Các chỉ số viễn thám và phương pháp kết hợp:
Luận án tổng hợp các chỉ số thực vật chuyên dụng cho rừng ngập mặn được phát triển trên thế giới:
- MI (Mangrove Index - Winarso và cs, 2014): $MI = \frac{NIR - SWIR}{NIR \times SWIR} \times 10.000$ (áp dụng cho Landsat);
- MRI (Mangrove Recognition Index - Xuehong Zhang, 2013): sử dụng chỉ số độ xanh GVI và độ ẩm WI ở các mức triều;
- CMRI (Combined Mangrove Recognition Index - Gupta và cs, 2018): $CMRI = NDVI - NDWI$;
- MPVI và NDWVI (Kumar và cs, 2017): áp dụng cho ảnh siêu phổ EO-1 Hyperion;
- DNVI (Discriminant Normalized Vegetation Index - Manna và Raychaudhuri, 2018): áp dụng trên 2 kênh SWIR của Sentinel-2;
- MFI (Mangrove Forest Index - Jia và cs, 2019): sử dụng 4 dải biên đỏ và cận hồng ngoại của Sentinel-2;
- MVI (Mangrove Vegetation Index - Alvin B. Baloloy và cs, 2020): $MVI = \frac{NIR - Green}{SWIR1 - Green}$.
Các nghiên cứu kết hợp quang học và Radar trước đây (Raouf và Lichtenegger 1997; Souza Filho và Paradella 2005; Portengen 2017; Chen và cs 2017; Hu và cs 2020; Cao Xuân Cường 2016; Viện Sinh thái rừng và Môi trường 2019) đã chứng minh việc kết hợp dữ liệu giúp tăng độ chính xác phân loại và hạn chế phụ thuộc vào thời tiết.
Khoảng trống nghiên cứu được luận án lựa chọn giải quyết:
Phần lớn các chỉ số (như MRI, MPVI) đòi hỏi dữ liệu thủy triều đồng bộ hoặc ảnh siêu phổ đắt tiền; chỉ số MVI và MFI chưa được kiểm chứng đầy đủ tại khu vực có biên độ triều lớn và thành phần loài đặc thù như ven biển phía Bắc Việt Nam. Luận án tập trung giải quyết việc kiểm chứng, xác lập ngưỡng phân loại định lượng từ chỉ số CMRI (ảnh Sentinel-2) kết hợp giá trị tán xạ ngược VH (ảnh Sentinel-1) trên nền tảng điện toán đám mây Google Earth Engine (GEE) nhằm tự động hóa hoàn toàn chuỗi giám sát biến động rừng ngập mặn đa thời gian.
Cơ sở lý thuyết và phương pháp nghiên cứu
Cơ sở lý thuyết và khung phân tích
Nghiên cứu dựa trên 3 nền tảng lý thuyết chính:
- Lý thuyết quang phổ phản xạ thảm thực vật: Tán lá cây hấp thụ bức xạ ở dải Red (640–760 nm) phục vụ quang hợp và phản xạ mạnh ở dải cận hồng ngoại NIR (700–1100 nm). Nền nước và độ ẩm hấp thụ mạnh dải hồng ngoại sóng ngắn SWIR (1550–1750 nm). Sự chênh lệch giữa các dải phổ được chuẩn hóa qua các chỉ số NDVI, NDWI và chỉ số tích hợp CMRI để phân tách rừng ngập mặn với đất trống, mặt nước và thực vật trên cạn.
- Lý thuyết tán xạ sóng Radar khẩu độ tổng hợp (SAR): Tín hiệu tán xạ ngược ($\sigma^0$, đơn vị dB) ở băng C (bước sóng ~5,6 cm) của Sentinel-1 phản ánh độ nhám bề mặt, cấu trúc hình học và hằng số điện môi. Kênh phân cực chéo VH phản ánh cơ chế tán xạ thể tích (volume scattering) từ cành, lá trong tán rừng ngập mặn, phân biệt rõ với tán xạ bề mặt yếu từ mặt nước phẳng lặng.
- Lý thuyết xử lý ảnh chuỗi thời gian đa nguồn: Sử dụng giá trị trung bình thống kê của chuỗi ảnh trong năm để triệt tiêu ảnh hưởng nhất thời của mực nước thủy triều lên xuống và loại bỏ mây cục bộ.
Phương pháp nghiên cứu cụ thể
Phương pháp nghiên cứu là sự kết hợp giữa phân tích viễn thám số lượng lớn, thuật toán không gian trên GEE và kiểm chứng thực địa:
[Chuỗi dữ liệu Sentinel-1 & Sentinel-2]
[Xử lý chuỗi thời gian trên GEE]
(Lọc mây, tính trung bình năm, khử nhiễu)
[Tính toán chỉ số & kênh phân cực]
(CMRI, MFI, MVI và VH)
[Xác lập ngưỡng phân loại từ điểm mẫu]
[Phân loại lớp phủ & Kiểm chứng độ chính xác]
(Ma trận nhầm lẫn, Hệ số Kappa)
[Chồng xếp bản đồ đánh giá biến động 2016-2020]
[Quy trình tự động hóa trên nền tảng GEE]
- Thu thập dữ liệu thực địa: Thiết lập các ô tiêu chuẩn (OTC) điều tra lâm học năm 2019 (đo đếm đường kính $D_{1.3}$, chiều cao vút ngọn $H_{vn}$, thành phần loài cây) và thu thập hệ thống điểm mẫu huấn luyện/kiểm chứng cuối năm 2020 bằng thiết bị GPS cầm tay kết hợp kiểm chứng qua ảnh vệ tinh siêu cao PlanetScope (độ phân giải 3m x 3m).
- Thu thập và tiền xử lý ảnh viễn thám: Toàn bộ các cảnh ảnh Sentinel-1 GRD (phân cực VV, VH) và Sentinel-2 TOA/SR (các kênh Blue, Green, Red, NIR, SWIR1, SWIR2), Landsat-8 trong các năm 2016 và 2020 được gọi trực tiếp qua mã lệnh script trên nền tảng Google Earth Engine.
- Phân tích quang phổ và xác định ngưỡng phân loại: Tính toán phân phối tần suất giá trị của các chỉ số CMRI, MFI, MVI và phân cực VH cho từng trạng thái lớp phủ (rừng ngập mặn, thực vật khác, mặt nước, bãi triều/đất trống). Xác định khoảng giá trị ngưỡng phân tách tối ưu.
- Đánh giá độ chính xác phân loại: Lập ma trận nhầm lẫn (Confusion Matrix), tính toán độ chính xác tổng thể (Overall Accuracy) và hệ số thống kê Kappa ($\kappa$) tại 3 khu vực kiểm chứng đại diện.
- Phân tích biến động diện tích: Chồng xếp bản đồ phân loại năm 2016 và năm 2020 (dựa trên Sentinel-2, Sentinel-1 và kết hợp cả hai) để tính toán diện tích rừng tăng, diện tích rừng mất và diện tích rừng ổn định ở cấp tỉnh và cấp quận/huyện.
Nội dung chính theo từng chương
Chương 1: Tổng quan vấn đề nghiên cứu
Chương 1 hệ thống hóa các tài liệu khoa học về rừng ngập mặn và ứng dụng viễn thám:
- Hiện trạng và phân bố: Trình bày diện tích rừng ngập mặn toàn cầu qua các thời kỳ và tổng quan 4 khu vực phân bố rừng ngập mặn tại Việt Nam theo phân loại của Phan Nguyên Hồng (2000).
- Cấu trúc sinh thái: Phân tích thích ứng hình thái học (rễ thở, rễ chống, tuyến bài tiết muối) và mô tả đặc điểm hình thái của 10 loài cây ngập mặn chính ở Việt Nam: Bần chua (Sonneratia caseolaris), Trang (Kandelia obovata), Đước vòi (Rhizophora stylosa), Đước đôi (Rhizophora apiculata), Mắm biển (Avicennia marina), Mắm trắng (Avicennia alba), Dà vôi (Ceriops tagal), Vẹt tách (Bruguiera parviflora), Su Mekong (Xylocarpus mekongensis), Dừa nước (Nypa fruticans).
- Đặc điểm phản xạ quang phổ và Radar: Phân tích tác động của các thành phần điểm ảnh (thực vật, đất, nước triều) và cơ chế phản xạ của các dải sóng quang học (NIR, SWIR, Green, Red); tổng hợp đặc tính tán xạ ngược của sóng Radar băng C, L, P theo các phân cực VV, HH, VH phụ thuộc vào sinh khối và cấu trúc lâm phần.
- Tư liệu và chỉ số viễn thám: Phân tích lịch sử ứng dụng từ ảnh máy bay, ảnh phân giải trung bình (Landsat, SPOT, Sentinel-2) đến ảnh phân giải cao (IKONOS, QuickBird, WorldView, PlanetScope); so sánh ưu nhược điểm của các chỉ số MI, MRI, CMRI, MPVI, NDWVI, DNVI, MFI, MVI.
- Kết hợp quang học và Radar: Tổng kết các nghiên cứu tích hợp SAR và đa phổ quang học, khẳng định xu hướng sử dụng thuật toán đám mây GEE để giải quyết bài toán mây mù và triều cường.
Chương 2: Đặc điểm của khu vực nghiên cứu
Chương 2 mô tả điều kiện tự nhiên, kinh tế - xã hội của vùng ven biển phía Bắc Việt Nam:
- Phân vùng tự nhiên ven biển phía Bắc:
- Khu vực 1 (Ven biển Đông Bắc - tỉnh Quảng Ninh): Địa hình bờ biển khúc khuỷu, nhiều đảo che chắn; khí hậu nhiệt đới có mùa đông lạnh, nhiệt độ trung bình năm biến động 15–30°C; lượng mưa trung bình năm 1.800–2.000 mm; chế độ nhật triều đều với biên độ triều lớn nhất cả nước (4,0–4,5 m); độ mặn nước biển cao và ổn định (26–27,5‰).
- Khu vực 2 (Ven biển Đồng bằng sông Hồng - Hải Phòng và Thái Bình): Vùng bồi tụ phù sa của hệ thống sông Hồng và sông Thái Bình; bờ biển hở, chịu ảnh hưởng trực tiếp của gió bão và sóng lớn; lượng phù sa lớn tạo nên các bãi bồi bùn sét giàu dinh dưỡng, diễn ra đồng thời quá trình bồi tụ mạnh và xói lở cục bộ.
- Đặc điểm địa bàn 3 tỉnh nghiên cứu:
- Tỉnh Quảng Ninh: Bờ biển dài trên 250 km với diện tích rừng ngập mặn lớn nhất miền Bắc, tập trung nhiều ở Tiên Yên, Quảng Yên, Móng Cái, Đầm Hà.
- Thành phố Hải Phòng: Hệ thống cửa sông dày đặc (sông Cấm, Lạch Tray, Văn Úc, Thái Bình), rừng ngập mặn phân bố ở Cát Hải, Tiên Lãng, Kiến Thụy, Đồ Sơn.
- Tỉnh Thái Bình: Bờ biển bãi bồi phẳng, rừng ngập mặn tập trung chủ yếu tại huyện Thái Thụy và huyện Tiền Hải, giữ vai trò phòng hộ đê biển.
Chương 3: Mục tiêu, đối tượng, phạm vi, nội dung và phương pháp nghiên cứu
Chương 3 trình bày chi tiết thiết kế nghiên cứu:
- Xác định hệ thống 5 mục tiêu nghiên cứu và 4 câu hỏi khoa học.
- Xác định đối tượng nghiên cứu và phân định phạm vi không gian 2 cấp (cấp điểm mẫu xây dựng ngưỡng và cấp vùng ứng dụng 3 tỉnh thành).
- Thiết lập quy trình 5 bước kỹ thuật:
- Thu thập dữ liệu thứ cấp và dữ liệu khảo sát thực địa (lập OTC, đo vẽ tọa độ GPS điểm kiểm chứng);
- Lập trình trên GEE thu thập, xử lý chuỗi ảnh Sentinel-1, Sentinel-2, Landsat-8 năm 2016 và 2020;
- Phân tích thống kê đặc trưng phổ, đánh giá các chỉ số (CMRI, MFI, MVI) và kênh tán xạ ngược (VH);
- Xác định bộ ngưỡng phân loại tối ưu, chạy mô hình phân loại tự động và đánh giá độ chính xác qua ma trận nhầm lẫn/hệ số Kappa;
- Chồng xếp các lớp bản đồ phân loại đa thời gian, thống kê diện tích biến động rừng ngập mặn giai đoạn 2016–2020 và đóng gói quy trình kỹ thuật.
Chương 4: Kết quả nghiên cứu và thảo luận
Chương 4 trình bày các kết quả thực nghiệm đạt được:
1. Đặc điểm phân bố và sinh thái rừng ngập mặn:
Rừng ngập mặn khu vực nghiên cứu chủ yếu là rừng tự nhiên nghèo và rừng trồng phòng hộ. Loài cây chiếm ưu thế tuyệt đối ở vùng Đồng bằng Bắc Bộ là Trang (Kandelia obovata) và Bần chua (Sonneratia caseolaris); vùng Đông Bắc có thêm Đước vòi (Rhizophora stylosa), Mắm biển (Avicennia marina) và Sú. Tán cây rừng phía Bắc có chiều cao trung bình thấp hơn đáng kể so với rừng ngập mặn phía Nam.
2. Đánh giá và lựa chọn tư liệu ảnh viễn thám:
- Ảnh Sentinel-2 thể hiện ưu thế vượt trội so với Landsat-8 về độ phân giải không gian (10m so với 30m) và chu kỳ lặp (5 ngày khi kết hợp Sentinel-2A/2B so với 16 ngày của Landsat-8). Phân tích phản xạ phổ cho thấy đường cong phổ của rừng ngập mặn phân biệt rõ nhất với thực vật trên cạn và mặt nước ở dải Green (Band 3), NIR (Band 8) và SWIR1 (Band 11).
- Ảnh Sentinel-1 SAR băng C phân cực VH thể hiện độ nhạy cao với sinh khối tán cây rừng ngập mặn, giá trị tán xạ ngược trung bình nằm trong khoảng từ -16 dB đến -11 dB, tách biệt hoàn toàn với mặt nước và bãi triều ngập nước (VH < -19 dB).
3. Xác định ngưỡng phân loại tối ưu từ các chỉ số:
Phân tích giá trị thống kê của các chỉ số thực vật trên các mẫu huấn luyện cho thấy chỉ số CMRI (kết hợp NDVI và NDWI) trên ảnh Sentinel-2 và kênh tán xạ ngược VH trên ảnh Sentinel-1 có khoảng phân tách giá trị rõ ràng nhất:
- Ngưỡng chỉ số CMRI cho rừng ngập mặn: $CMRI > 0,35$ (loại trừ được hoàn toàn nền nước và thực vật cạn thưa).
- Ngưỡng kênh tán xạ ngược VH cho rừng ngập mặn: $-16,5\text{ dB} \le VH \le -10,5\text{ dB}$.
4. Kết quả đánh giá độ chính xác phân loại:
Kiểm chứng tại 3 khu vực mẫu cho thấy phương pháp phân loại dựa trên ngưỡng CMRI và VH đều đạt độ chính xác cao khi đối chiếu với ảnh PlanetScope và thực địa:
| Khu vực kiểm chứng |
Phương pháp / Tư liệu |
Độ chính xác tổng thể (Overall Accuracy) |
Hệ số Kappa ($\kappa$) |
| Bàng La - Đại Hợp (Hải Phòng) |
Sentinel-2 (CMRI) |
93,2% |
0,88 |
| Bàng La - Đại Hợp (Hải Phòng) |
Sentinel-1 (VH) |
90,5% |
0,83 |
| Quảng Yên (Quảng Ninh) |
Sentinel-2 (CMRI) |
94,6% |
0,90 |
| Quảng Yên (Quảng Ninh) |
Sentinel-1 (VH) |
91,8% |
0,85 |
| Tiên Yên (Quảng Ninh) |
Sentinel-2 (CMRI) |
95,1% |
0,91 |
| Tiên Yên (Quảng Ninh) |
Sentinel-1 (VH) |
92,3% |
0,86 |
Khi kết hợp đồng thời cả hai điều kiện ($CMRI > 0,35$ VÀ $VH \ge -16,5\text{ dB}$), độ chính xác tổng thể đạt trên 94%, triệt tiêu hoàn toàn các điểm nhầm lẫn do bóng mây hoặc bãi triều ẩm ướt.
5. Đánh giá biến động diện tích rừng ngập mặn giai đoạn 2016–2020:
Tổng hợp kết quả phân loại kết hợp Sentinel-1 và Sentinel-2 ghi nhận tổng diện tích rừng ngập mặn tại 3 tỉnh nghiên cứu có xu hướng tăng nhẹ nhờ các chương trình trồng rừng phòng hộ ven biển, mặc dù vẫn diễn ra tình trạng mất rừng cục bộ do chuyển đổi nuôi trồng thủy sản và xây dựng hạ tầng cảng:
| Tỉnh / Thành phố |
Diện tích năm 2016 (ha) |
Diện tích năm 2020 (ha) |
Biến động diện tích 2016–2020 (ha) |
| Quảng Ninh |
19.852,4 |
20.415,8 |
+563,4 |
| Hải Phòng |
3.214,6 |
3.386,2 |
+171,6 |
| Thái Bình |
3.120,5 |
3.245,1 |
+124,6 |
| Tổng cộng |
26.187,5 |
27.047,1 |
+859,6 |
Tại tỉnh Thái Bình, nghiên cứu phát hiện các điểm mất rừng cục bộ tập trung tại xã Thụy Trường, Thụy Xuân (huyện Thái Thụy) do sạt lở bờ biển và phá đầm tôm; đồng thời ghi nhận diện tích rừng mới trồng phục hồi tăng lên tại xã Thụy Hải (huyện Thái Thụy).
6. Xây dựng hướng dẫn kỹ thuật tự động trên GEE:
Luận án hoàn thiện bộ mã nguồn script chạy trên giao diện lập trình của Google Earth Engine, cho phép người dùng tự động tải chuỗi ảnh vệ tinh theo ranh giới hành chính, lọc mây, tính toán chỉ số CMRI và phân cực VH, áp ngưỡng phân loại và xuất bản đồ biến động diện tích giữa hai thời điểm bất kỳ một cách nhanh chóng.
Kết quả và những đóng góp mới
Đóng góp về mặt học thuật và lý luận
- Luận án đã làm sáng tỏ đặc điểm phản xạ quang phổ và tán xạ vi ba của hệ sinh thái rừng ngập mặn vùng ven biển phía Bắc Việt Nam trên các tư liệu viễn thám độ phân giải trung bình (Sentinel-1, Sentinel-2, Landsat-8).
- Cung cấp cơ sở lý luận khoa học cho việc lựa chọn chỉ số thực vật kết hợp CMRI và giá trị tán xạ ngược phân cực chéo VH làm hai biến số định lượng then chốt để phân tách chính xác rừng ngập mặn trong điều kiện chịu ảnh hưởng phức tạp của chế độ nhật triều và mây mù.
- Khẳng định tính hiệu quả của việc tích hợp dữ liệu chuỗi thời gian đa nguồn (quang học + Radar) trên nền tảng điện toán đám mây Google Earth Engine để giải quyết các hạn chế truyền thống của viễn thám đới bờ.
Những điểm mới rút ra từ kết quả nghiên cứu
Theo bản công bố của luận án, công trình đạt được 3 điểm mới cốt lõi:
- Xây dựng được bộ ngưỡng phân loại rừng ngập mặn định lượng cho một số tỉnh phía Bắc từ chỉ số rừng ngập mặn kết hợp CMRI đối với ảnh Sentinel-2 ($CMRI > 0,35$) và giá trị tán xạ ngược VH đối với ảnh Radar Sentinel-1 ($-16,5\text{ dB} \le VH \le -10,5\text{ dB}$).
- Ứng dụng thành công giải pháp kết hợp hai tư liệu Sentinel-2 và Sentinel-1 trên nền tảng Google Earth Engine để giám sát biến động diện tích rừng ngập mặn cho 3 tỉnh Quảng Ninh, Hải Phòng và Thái Bình giai đoạn 2016–2020 hoàn toàn tự động, đạt độ chính xác tổng thể trên 94% và hệ số Kappa trên 0,88.
- Xây dựng hoàn chỉnh bản Hướng dẫn kỹ thuật và bộ mã lệnh tích hợp xử lý tự động chuỗi ảnh viễn thám trên nền tảng Google Earth Engine, hỗ trợ các nhà quản lý và cơ quan chuyên môn cập nhật diễn biến rừng ngập mặn định kỳ nhanh chóng mà không đòi hỏi chi phí mua ảnh thương mại.
Hạn chế và hướng nghiên cứu tiếp
Hạn chế của luận án:
- Dữ liệu viễn thám miễn phí có độ phân giải không gian trung bình (10m x 10m) chỉ cho phép phân loại và giám sát rừng ngập mặn ở cấp độ quần thụ/lâm phần, chưa thể bóc tách chi tiết đến cấp độ từng loài cây ngập mặn riêng biệt.
- Tại các khu vực rừng mới trồng có mật độ thưa thớt, chiều cao cây dưới 1m hoặc tán lá chưa khép tán hoàn toàn, tín hiệu phản xạ quang phổ và tán xạ ngược Radar còn bị nhiễu bởi nền bùn và nước triều, dẫn đến nguy cơ bỏ sót diện tích trong thuật toán phân loại ngưỡng.
Hướng nghiên cứu tiếp theo:
- Tích hợp thêm các tư liệu ảnh viễn thám có độ phân giải siêu cao (như ảnh UAV không người lái, ảnh vệ tinh thương mại PlanetScope, WorldView) kết hợp các thuật toán học sâu (Deep Learning, CNN) để phân loại thành phần loài cây và đánh giá cấu trúc sinh khối tầng cao rừng ngập mặn.
- Mở rộng phạm vi thử nghiệm và chuẩn hóa bộ ngưỡng phân loại tự động trên nền tảng GEE cho toàn bộ các dải rừng ngập mặn ven biển miền Trung và miền Nam Việt Nam.
Giá trị tham khảo
Luận án là tài liệu tham khảo có giá trị chuyên môn cao đối với:
- Cơ quan quản lý nhà nước về lâm nghiệp và tài nguyên môi trường: Cục Lâm nghiệp, Chi cục Kiểm lâm các tỉnh ven biển (đặc biệt là Quảng Ninh, Hải Phòng, Thái Bình), Ban quản lý rừng phòng hộ ven biển; cung cấp công cụ kỹ thuật phục vụ công tác theo dõi, kiểm kê rừng và cập nhật diễn biến rừng hàng năm theo quy định.
- Các viện nghiên cứu, trường đại học: Viện Điều tra Quy hoạch Rừng, Viện Sinh thái Rừng và Môi trường, Trường Đại học Lâm nghiệp, Trường Đại học Khoa học Tự nhiên; phục vụ nghiên cứu và giảng dạy chuyên ngành Quản lý tài nguyên rừng, Hệ thống thông tin địa lý (GIS) và Viễn thám.
- Nghiên cứu sinh và học viên cao học: Cung cấp phương pháp luận chi tiết, khung xử lý dữ liệu viễn thám chuỗi thời gian trên Google Earth Engine và phương pháp kết hợp ảnh quang học – radar trong giám sát tài nguyên thiên nhiên.
Câu hỏi thường gặp
1. Vì sao tác giả lựa chọn chỉ số CMRI và phân cực VH thay vì các chỉ số NDVI, NDWI hay MVI?
Chỉ số NDVI đơn lẻ không phân biệt được rừng ngập mặn và rừng trên cạn rậm rạp; NDWI phản ánh nước nhưng không tách được thảm thực vật; chỉ số MVI chưa ổn định tại các vùng có biên độ triều cao. Chỉ số CMRI ($NDVI - NDWI$) tận dụng tính tương quan nghịch để mở rộng biên độ chênh lệch giữa rừng ngập mặn và các bề mặt khác. Kết hợp với kênh phân cực VH của Radar Sentinel-1 giúp loại bỏ triệt để các pixel nhầm lẫn do nước triều và bề mặt không thấm nhờ cơ chế tán xạ thể tích của tán lá.
2. Nền tảng Google Earth Engine (GEE) giải quyết khó khăn gì trong bài toán giám sát rừng ngập mặn ven biển phía Bắc?
GEE cung cấp khả năng tính toán đám mây song song trên kho dữ liệu viễn thám khổng lồ. Nền tảng này cho phép tổng hợp chuỗi thời gian nhiều cảnh ảnh trong năm để lọc sạch mây mù nhiệt đới, tính giá trị trung bình thống kê nhằm triệt tiêu dao động bất thường của mực nước thủy triều khi chụp ảnh đơn lẻ, đồng thời tự động hóa hoàn toàn quy trình tính chỉ số và xuất bản đồ.
3. Đặc điểm sinh thái rừng ngập mặn giữa vùng ven biển Đông Bắc (Quảng Ninh) và Đồng bằng sông Hồng (Hải Phòng, Thái Bình) có sự khác biệt như thế nào?
Vùng Đông Bắc có địa hình đảo che chắn, chế độ nhật triều đều với biên độ lớn (4–4,5m), nước biển có độ mặn cao và ổn định (26–27,5‰), thành phần loài phong phú hơn (Trang, Bần, Đước vòi, Mắm biển, Sú). Vùng Đồng bằng sông Hồng có bờ biển hở chịu tác động trực tiếp của sóng gió, chịu bồi tụ phù sa lớn từ hệ thống sông Hồng và sông Thái Bình, trầm tích bùn sét, thành phần loài chủ yếu là Trang và Bần chua thuần loài hoặc hỗn giao đơn giản.
4. Kết quả đánh giá biến động diện tích rừng ngập mặn tại 3 tỉnh giai đoạn 2016–2020 cho thấy xu hướng gì?
Tổng diện tích rừng ngập mặn tại 3 tỉnh (Quảng Ninh, Hải Phòng, Thái Bình) tăng 859,6 ha (từ 26.187,5 ha năm 2016 lên 27.047,1 ha năm 2020). Diện tích tăng chủ yếu nhờ kết quả của các dự án trồng rừng phục hồi và bảo vệ đê biển; tuy nhiên vẫn tồn tại các điểm mất rừng cục bộ do sạt lở tự nhiên và chuyển đổi đất sang nuôi tôm (điển hình tại xã Thụy Trường, Thụy Xuân thuộc tỉnh Thái Bình).
5. Bộ ngưỡng phân loại tối ưu được xác định cụ thể trong luận án là bao nhiêu?
Luận án xác lập ngưỡng phân loại rừng ngập mặn khu vực ven biển phía Bắc gồm hai điều kiện kết hợp: chỉ số $CMRI > 0,35$ trên ảnh Sentinel-2 và giá trị tán xạ ngược nằm trong khoảng $-16,5\text{ dB} \le VH \le -10,5\text{ dB}$ trên ảnh Radar Sentinel-1.
Kết luận
Luận án tiến sĩ của tác giả Nguyễn Trọng Cương đã xây dựng thành công giải pháp kết hợp tư liệu viễn thám quang học Sentinel-2 và Radar Sentinel-1 trên nền tảng điện toán đám mây Google Earth Engine để giám sát rừng ngập mặn tại Quảng Ninh, Hải Phòng và Thái Bình. Bằng việc xác lập bộ ngưỡng định lượng từ chỉ số CMRI và giá trị tán xạ ngược VH, nghiên cứu đạt độ chính xác phân loại tổng thể trên 94% và xác định được diễn biến tăng 859,6 ha rừng ngập mặn giai đoạn 2016–2020. Công trình cung cấp quy trình hướng dẫn kỹ thuật có tính ứng dụng thực tiễn cao, phục vụ hiệu quả công tác quản lý, theo dõi diễn biến rừng ngập mặn định kỳ tại các tỉnh ven biển phía Bắc.
