Giới thiệu dự án

Rừng trồng thông thuần loài tại Việt Nam đóng vai trò chiến lược trong an ninh môi trường và phát triển kinh tế lâm nghiệp. Theo số liệu thống kê ngành lâm nghiệp, diện tích thông nhựa (Pinus merkusii) và thông mã vĩ (Pinus massoniana) trên cả nước chiếm tỷ trọng lớn trong chương trình 5 triệu hecta rừng. Riêng tại tỉnh Thanh Hóa, diện tích rừng thông tính đến năm 2013 đạt hơn 15.000 ha, tập trung chủ yếu tại huyện Tĩnh Gia và Hà Trung. Tuy nhiên, các lâm phần thuần loài tập trung nguồn thức ăn dồi dào, tạo điều kiện bùng phát dịch sâu róm thông đuôi ngựa (Dendrolimus punctatus Walker, thuộc họ Lasiocampidae, bộ Lepidoptera). Năm 2004, dịch sâu róm thông tại Tĩnh Gia đã ăn trụi 1.450,6 ha rừng, làm chết gần 40.000 cây thông; năm 2012 tiếp tục phá hủy 995,8 ha, khiến sản lượng nhựa suy giảm nghiêm trọng trong 3 năm liên tiếp.

Thực trạng quản lý dịch hại truyền thống tại Ban quản lý Rừng phòng hộ Tĩnh Gia hoàn toàn dựa trên phương pháp thủ công: lập các tuyến điều tra 100–300 m với các ô tiêu chuẩn gạch $1\text{ m}^2$ ($1\text{ m} \times 1\text{ m}$) và đếm cá thể trên 30 cây mẫu. Cách tiếp cận này bộc lộ nhiều điểm nghẽn nghiêm trọng: chi phí nhân công cao, độ trễ thời gian lớn, phạm vi khảo sát bị giới hạn bởi địa hình chia cắt phức tạp (độ dốc $20^\circ\text{–}35^\circ$), không thể cung cấp cảnh báo sớm trước khi sâu non phân hóa tuổi và bùng phát diện rộng.

+-----------------------------------------------------------------------------+
|                  VẤN ĐỀ DỊCH HẠI SÂU RÓM THÔNG TẠI TĨNH GIA                 |
+-----------------------------------------------------------------------------+
|  Lâm phần thuần loài Pinus merkusii (15.000 ha toàn tỉnh)                   |
|  --> Nguy cơ bùng phát dịch sâu róm thông (Dendrolimus punctatus)           |
|  --> Thiệt hại lịch sử: 1.450,6 ha (2004) & 995,8 ha (2012) bị ăn trụi      |
+-----------------------------------------------------------------------------+
                                      |
                                      v
+-----------------------------------------------------------------------------+
|                     GIẢI PHÁP ĐỀ TÀI: GIS & REMOTE SENSING                  |
+-----------------------------------------------------------------------------+
|  Tích hợp ảnh vệ tinh Landsat 8 (30m/15m Pan) + Mô hình số độ cao (DEM)     |
|  + Nội suy khí tượng (IDW) + Mô hình đánh giá không gian đa tiêu chí (MCE)  |
|  --> Bản đồ phân cấp nguy cơ phát dịch tỷ lệ 1:60.000 (Cấp I đến Cấp IV)     |
+-----------------------------------------------------------------------------+

Đề tài đặt ra 4 mục tiêu cụ thể:

  1. Đánh giá toàn diện thực trạng phát sinh, chu kỳ dịch hại của sâu róm thông và hiện trạng công tác quản lý tại khu vực nghiên cứu.
  2. Lập công thức định lượng tương quan sinh thái giữa mật độ sâu hại với 5 biến số môi trường trọng yếu: nhiệt độ bề mặt ($T$), độ ẩm không khí ($W$), lượng mưa ($P$), độ cao địa hình ($H$), và nguồn thức ăn phân bố theo trạng thái rừng.
  3. Ứng dụng hệ thống thông tin địa lý (GIS) và viễn thám đa phổ Landsat 8 để xây dựng bản đồ hiện trạng rừng và bản đồ phân cấp nguy cơ phát dịch sâu róm thông tỷ lệ 1:60.000 tại xã Nguyên Bình, huyện Tĩnh Gia.
  4. Đề xuất quy trình dự báo chủ động và các giải pháp quản trị dịch hại tổng hợp (IPM) tích hợp công nghệ địa không gian.

Phạm vi nghiên cứu tập trung chuyên sâu vào rừng trồng thông thuần loài tại khoảnh 20 và 23, thuộc tiểu khu 663 và 666 thuộc Ban quản lý Rừng phòng hộ Tĩnh Gia (tọa độ $19^\circ 24'\text{B}, 105^\circ 36'\text{Đ}$). Dự án giới hạn trong phạm vi phân tích dữ liệu ảnh Landsat 8 đa thời gian kết hợp số liệu khí tượng thủy văn trạm Tĩnh Gia giai đoạn 2009–2015.

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Phương pháp Cơ chế hoạt động Ưu điểm Nhược điểm Chi phí & Thời gian
Điều tra ô tiêu chuẩn (Truyền thống) Bố trí tuyến 100–300 m, đặt ô dạng bản $1\text{ m}^2$, đếm nhộng/trứng/sâu non thủ công. Dữ liệu kiểm chứng thực địa trực tiếp, chi tiết ở quy mô cây. Tốn nhân lực, độ phủ không gian thấp, rủi ro tai nạn do lông độc của sâu. Chi phí cao; độ trễ 7–10 ngày, không dự báo kịp thời.
Khí hậu đồ & Hệ số chất lượng Dự báo dựa trên quan hệ nhiệt độ - độ ẩm và các chỉ số sinh sản: $HSSS = \frac{D_t}{D_{t-1}}$, $HSPB = \frac{d_t}{d_{t-1}}$. Phản ánh được xu thế phát triển mật độ quần thể sinh vật. Thiếu tính không gian, không xác định được tọa độ chính xác của tâm dịch. Chi phí trung bình; phụ thuộc vào dữ liệu trạm khí tượng điểm.
GIS & Viễn thám quang sát (Đề xuất) Xử lý ảnh đa phổ Landsat 8, kết hợp DEM và nội suy không gian các biến số sinh thái. Phủ diện rộng, trực quan hóa không gian, phân cấp nguy cơ đa tiêu chí tự động. Phụ thuộc vào chất lượng ảnh (mây che phủ), cần kiểm định thực địa. Chi phí vận hành thấp; thời gian xử lý nhanh (1–2 ngày sau khi nhận ảnh).

Áp dụng phương pháp phân tích MoSCoW cho hệ thống phân cấp cảnh báo:

  • Must-have (Bắt buộc): Giải đoán ảnh viễn thám phân loại trạng thái rừng thông; bản đồ chuyên đề nhiệt độ, độ ẩm, độ cao, hướng phơi; bản đồ tổng hợp phân cấp nguy cơ 4 mức (Không có nguy cơ, Nguy cơ thấp, Nguy cơ trung bình, Nguy cơ cao).
  • Should-have (Cần có): Tự động hóa tính toán chỉ số thực vật NDVI và nhiệt độ bề mặt đất (LST) từ kênh ảnh nhiệt Band 10/11.
  • Could-have (Có thể mở rộng): Tích hợp Web-GIS trực tuyến để ban quản lý truy cập bản đồ cảnh báo qua thiết bị di động.
  • Won't-have (Chưa triển khai): Dự báo thời gian thực theo từng giờ bằng cảm biến IoT dưới tán rừng.

Thiết kế hệ thống

Kiến trúc xử lý dữ liệu không gian bao gồm 4 tầng phân tích:

[TẦNG 1: THU NHẬP DỮ LIỆU ĐẦU VÀO]
[TẦNG 2: TIỀN XỬ LÝ & GIẢI ĐOÁN ẢNH]
[TẦNG 3: MÔ HÌNH HÓA BIẾN SỐ KHÔNG GIAN (ARCGIS 10.1)]
[TẦNG 4: TÍCH HỢP ĐA TIÊU CHÍ (MCDA / WEIGHTED OVERLAY)]

Công nghệ sử dụng:

  • Xử lý viễn thám & GIS: ESRI ArcGIS Desktop 10.1 (Spatial Analyst, 3D Analyst Toolboxes), ENVI 5.1.
  • Hệ tọa độ chuẩn: WGS_1984_UTM_Zone_48N (Kinh tuyến trục $105^\circ$, phép chiếu Transverse Mercator).
  • Công thức xác định tỷ lệ bản đồ theo độ phân giải viễn thám: $$\text{Tỷ lệ bản đồ} = \text{Độ phân giải (m)} \times 2 \times 1.000 = 30 \times 2 \times 1.000 = 1:60.000$$

Methodology

Quy trình nghiên cứu kết hợp phương pháp nghiên cứu lâm sinh học, sinh thái côn trùng học và công nghệ viễn thám trong vòng 12 tháng:

  1. Khảo sát & Thu thập dữ liệu (Tháng 1–3): Thu thập số liệu khí tượng 6 năm, hồ sơ lưu trữ dịch hại 2009–2014, thu nhận ảnh Landsat 8 ngày 01/7/2015.
  2. Nghiên cứu sinh thái & Phân tích tương quan (Tháng 4–6): Phân tích thời gian phát dục 4 thế hệ của sâu róm thông theo nhiệt độ ($T$) và độ ẩm ($W$).
  3. Mô hình hóa GIS & Xây dựng bản đồ (Tháng 7–9): Xây dựng các bản đồ đơn tính, thiết lập ma trận trọng số ảnh hưởng.
  4. Kiểm chuẩn thực địa & Hoàn thiện giải pháp (Tháng 10–12): Đối chiếu ma trận nhầm lẫn (Confusion Matrix), tính hệ số Kappa và ban hành hướng dẫn kỹ thuật phòng trừ.

Implementation và kết quả

Development process

Quá trình mô hình hóa nguy cơ phát dịch được xây dựng trên nguyên lý chồng xếp bản đồ có trọng số (Multi-Criteria Evaluation - MCE) qua công cụ Raster Calculator trong ArcGIS.

Công thức tính toán tổng điểm nguy cơ không gian ($R_s$): $$R_s = \sum_{i=1}^{n} W_i \times X_i = W_{\text{food}} \cdot X_{\text{food}} + W_T \cdot X_T + W_W \cdot X_W + W_H \cdot X_H + W_{\text{asp}} \cdot X_{\text{asp}}$$

Trong đó:

  • $W_i$: Trọng số của nhân tố sinh thái thứ $i$.
  • $X_i$: Điểm đánh giá mức độ thích hợp của nhân tố thứ $i$ (thang điểm 1 đến 4).

Đoạn mã Python tích hợp ArcPy thực hiện tự động hóa quy trình phân tích và chồng lớp không gian:

import arcpy
from arcpy import env
from arcpy.sa import *

# Thiết lập môi trường làm việc
env.workspace = "C:/TinhGia_Forestry_GIS/Project.gdb"
env.overwriteOutput = True
arcpy.CheckOutExtension("Spatial")

# 1. Định nghĩa các lớp bản đồ chuyên đề đầu vào
raster_food = Raster("Food_Source_Classification")  # Nguồn thức ăn rừng thông
raster_temp = Raster("Temperature_Suitability")     # Nhiệt độ bề mặt tối thích (25-30°C)
raster_humid = Raster("Humidity_Suitability")       # Độ ẩm không khí tối thích (75-90%)
raster_elev = Raster("Elevation_Class_DEM")         # Phân cấp độ cao (<200m)
raster_aspect = Raster("Aspect_Class")              # Hướng phơi sườn đón nắng (Đông, Nam)

# 2. Thiết lập trọng số theo ma trận phân tích thứ bậc (AHP/Expert Knowledge)
# Nguồn thức ăn: 35%, Nhiệt độ: 25%, Độ ẩm: 20%, Độ cao: 10%, Hướng phơi: 10%
w_food = 0.35
w_temp = 0.25
w_humid = 0.20
w_elev = 0.10
w_aspect = 0.10

# 3. Tính toán tổng hợp nguy cơ bùng phát dịch sâu róm thông
risk_index = (raster_food * w_food) + \
             (raster_temp * w_temp) + \
             (raster_humid * w_humid) + \
             (raster_elev * w_elev) + \
             (raster_aspect * w_aspect)

# 4. Phân cấp mức độ nguy cơ thành 4 cấp độ cảnh báo
# Cấp 1 (<1.5): Không nguy cơ | Cấp 2 (1.5-2.5): Nguy cơ thấp
# Cấp 3 (2.5-3.2): Nguy cơ trung bình | Cấp 4 (>3.2): Nguy cơ cao
remap_range = RemapRange([
    [0, 1.5, 1],
    [1.5, 2.5, 2],
    [2.5, 3.2, 3],
    [3.2, 4.0, 4]
])
risk_classified = Reclassify(risk_index, "Value", remap_range)
risk_classified.save("Final_Pine_Caterpillar_Risk_Map_2015")
print("Bản đồ dự báo nguy cơ phát dịch sâu róm thông đã được tạo thành công.")

Testing và validation

Nghiên cứu thu thập 30 điểm mẫu khảo sát thực địa bằng máy định vị GPS cầm tay Garmin GPSMAP 64s tại khoảnh 20 (tiểu khu 663) và khoảnh 23 (tiểu khu 666) để kiểm chứng độ chính xác của bản đồ giải đoán hiện trạng rừng và phân cấp dịch hại.

Ma trận nhầm lẫn (Confusion Matrix) kiểm định độ chính xác bản đồ hiện trạng rừng:

Lớp thực phủ Rừng thông thuần loài Rừng tự nhiên Đất trống/Cây bụi Mặt nước/Khác Tổng hàng Độ chính xác người dùng (User's Acc)
Rừng thông thuần loài 14 1 0 0 15 93,33%
Rừng tự nhiên 1 7 1 0 9 77,78%
Đất trống/Cây bụi 0 0 4 0 4 100,00%
Mặt nước/Khác 0 0 0 2 2 100,00%
Tổng cột 15 8 5 2 30 -
Độ chính xác nhà sản xuất (Prod's Acc) 93,33% 87,50% 80,00% 100,00% - Tổng độ chính xác: 90,00%

Hệ số Kappa ($\kappa$) đạt được: $$\kappa = \frac{N \sum_{i=1}^{k} x_{ii} - \sum_{i=1}^{k} (x_{i+} \cdot x_{+i})}{N^2 - \sum_{i=1}^{k} (x_{i+} \cdot x_{+i})} = \frac{30(27) - (15 \cdot 15 + 9 \cdot 8 + 4 \cdot 5 + 2 \cdot 2)}{30^2 - (225 + 72 + 20 + 4)} = \frac{810 - 321}{900 - 321} = \frac{489}{579} \approx 0,845$$ Chỉ số $\kappa = 0,845$ khẳng định độ tin cậy của phương pháp giải đoán ở mức rất cao ($> 0,80$).

Kết quả đạt được

Phân tích vòng đời sinh học xác định loài sâu róm thông tại Tĩnh Gia có 4 thế hệ/năm:

  • Thế hệ 1 (Tháng 3–5): Vòng đời 84,4 ngày, nhiệt độ trung bình $26,0\text{–}31,0^\circ\text{C}$, độ ẩm $80,8%$.
  • Thế hệ 2 (Tháng 5–7): Vòng đời ngắn nhất (~60 ngày), tốc độ ăn lá và phát tán mạnh nhất trong mùa hè.
  • Thế hệ 3 (Tháng 7–10): Vòng đời ~90 ngày.
  • Thế hệ 4 (Tháng 11–3 năm sau): Vòng đời dài nhất (160–170 ngày), sâu non tuổi 3, 4, 5 trải qua trạng thái đình dục qua đông trên tán lá hoặc kẽ nứt thân cây.

Kết quả diện tích phân cấp nguy cơ phát dịch sâu róm thông tại xã Nguyên Bình (năm 2015):

  • Cấp I (Không có nguy cơ): Chiếm diện tích 4.572,8 ha ($74,19%$), phân bố trên diện tích đất lâm nghiệp không có rừng thông, đất nông nghiệp và mặt nước.
  • Cấp II (Nguy cơ thấp): 745,2 ha ($12,09%$), tập trung ở các lâm phần hỗn giao hoặc độ cao $> 200\text{ m}$.
  • Cấp III (Nguy cơ trung bình): 524,6 ha ($8,51%$), rừng thông mật độ trung bình, sườn dốc nhẹ.
  • Cấp IV (Nguy cơ cao - Vùng trọng điểm dịch): 321,1 ha ($5,21%$), tập trung hoàn toàn tại khoảnh 20 (tiểu khu 663) và khoảnh 23 (tiểu khu 666) với rừng thông thuần loài tuổi 10–20, độ cao $< 150\text{ m}$, hướng phơi đón gió Đông/Đông Nam ấm ẩm.

Đổi mới và đóng góp

Nghiên cứu mang lại 4 đóng góp mới mang tính ứng dụng thực tiễn cao:

  1. Chuyển dịch mô hình dự báo từ điểm sang diện rộng: Thay thế hoàn toàn phương pháp lập ô tiêu chuẩn thủ công tốn kém bằng mô hình viễn thám kết hợp GIS. Cho phép bao quát $100%$ diện tích $6.163,7\text{ ha}$ rừng phòng hộ thay vì chỉ lấy mẫu $< 1%$ diện tích như trước đây.
  2. Lượng hóa đa nhân tố sinh thái tương quan: Xác lập bộ trọng số ảnh hưởng khoa học giữa khí tượng (nhiệt độ tối thích $25\text{–}30^\circ\text{C}$, độ ẩm $> 75%$), địa hình (độ cao $< 200\text{ m}$, hướng phơi sườn đón nắng) và mật độ tán lá nguồn thức ăn.
  3. Cắt giảm chi phí và thời gian dự báo: Rút ngắn thời gian lập bản đồ cảnh báo từ 15 ngày xuống còn dưới 48 giờ khi có ảnh vệ tinh mới, giảm $75%$ chi phí nhân công tuần rừng ngoại nghiệp.
  4. Xây dựng phác đồ can thiệp IPM chuẩn xác: Định vị chính xác tọa độ $321,1\text{ ha}$ vùng nguy cơ cao (Cấp IV) để khoanh vùng phun chế phẩm sinh học nấm bạch cương (Beauveria bassiana), nấm lục cương (Metarhizium) hoặc hoạt chất ức chế sinh trưởng lột xác Dimilin 25WP ($0,1\text{–}0,2%$, liều lượng $400\text{–}500\text{ lít/ha}$) đúng thời điểm sâu non tuổi 1–3, ngăn chặn hoàn toàn việc lây lan thành thảm họa "cháy rừng thông".

Ứng dụng thực tế và triển khai

Hệ thống bản đồ phân cấp nguy cơ được triển khai ứng dụng trực tiếp tại Ban quản lý Rừng phòng hộ Tĩnh Gia theo kịch bản vận hành 3 bước:

[BƯỚC 1: GIÁM SÁT ẢNH VỆ TINH ĐỊNH KỲ]
[BƯỚC 2: XUẤT BẢN ĐỒ CẢNH BÁO TỌA ĐỘ NGUY CƠ (CAP 3 & 4)]
Trích xuất tọa độ GPS các lô rừng thuộc Cấp IV (Khoảnh 20, TK 663; Khoảnh 23, TK 666)
[BƯỚC 3: CAN THIỆP LÂM SINH & SINH HỌC THEO VÙNG NGUY CƠ]

Phân tích hiệu quả kinh tế (Cost-Benefit Analysis):

  • Chi phí đầu tư giải pháp: ~35.000.000 VNĐ (dữ liệu viễn thám mở USGS, phần mềm GIS, chi phí nhân lực xử lý).
  • Thiệt hại ngăn chặn được: Bảo vệ sản lượng khai thác nhựa thông trung bình 1,5–2 tấn/ha/năm trên diện tích nguy cơ cao 321,1 ha, tương đương giá trị kinh tế bảo toàn ước tính đạt hơn 4,8 tỷ VNĐ/năm, đồng thời tránh tổn thất chi phí trồng lại rừng chết (hơn 15 triệu VNĐ/ha).

Hạn chế và hướng phát triển

  • Hạn chế kỹ thuật: Độ phân giải không gian của kênh ảnh đa phổ Landsat 8 ở mức 30 m (15 m sau khi Pan-sharpening), chưa cho phép nhận diện mức độ rụng lá trên từng cây đơn lẻ. Độ che phủ mây trong mùa mưa Bắc Trung Bộ đôi khi làm gián đoạn chuỗi cung cấp ảnh quang học.
  • Ràng buộc tài nguyên: Chưa thiết lập được hệ thống trạm vi khí hậu tự động (IoT Weather Station) đặt ngay dưới tán rừng để cập nhật ẩm độ tiểu khí hậu liên tục theo thời gian thực.
  • Hướng phát triển:
    1. Tích hợp dữ liệu vệ tinh Sentinel-2 (độ phân giải 10 m) kết hợp ảnh viễn thám Radar (Sentinel-1 SAR) nhằm khắc phục hoàn toàn nhược điểm mây mù.
    2. Ứng dụng mô hình học máy (Random Forest, SVM, Deep Learning CNN) để tự động hóa phát hiện suy thoái tán rừng từ ảnh viễn thám.
    3. Xây dựng ứng dụng Web-GIS và Mobile App đồng bộ dữ liệu thời gian thực cho lực lượng kiểm lâm tuần tra rừng.

Đối tượng hưởng lợi

  • Ban quản lý Rừng phòng hộ & Chi cục Kiểm lâm: Sở hữu công cụ số hóa để chủ động quy hoạch phòng trừ dịch hại, điều phối nguồn lực vật tư chính xác vào các điểm nóng nguy cơ bùng phát.
  • Hộ gia đình nhận khoán bảo vệ rừng thông: Nắm bắt sớm thời điểm sâu non qua đông vũ hóa để can thiệp kịp thời, bảo vệ an toàn sản lượng khai thác nhựa thông và thu nhập gia đình.
  • Kỹ sư GIS & Lâm sinh: Tham khảo quy trình chuẩn hóa từ tiền xử lý ảnh vệ tinh, phân tích đa tiêu chí không gian (MCDA) đến tích hợp dữ liệu sinh thái học côn trùng.
  • Cộng đồng nghiên cứu & Sinh viên: Cung cấp bộ khung phương pháp luận kết hợp liên ngành giữa Công nghệ thông tin địa lý (Geoinformatics) và Bảo vệ thực vật ứng dụng.

Câu hỏi thường gặp

  1. Yêu cầu cấu hình phần cứng và phần mềm để vận hành mô hình dự báo này là gì? Hệ thống yêu cầu máy trạm tối thiểu CPU 4 nhân (Intel Core i5/AMD Ryzen 5 trở lên), RAM 8 GB (khuyến nghị 16 GB), ổ cứng SSD trống 50 GB. Phần mềm cần có: ArcGIS Desktop 10.1+ (kèm Spatial Analyst Extension) hoặc QGIS 3.x (miễn phí, mã nguồn mở) cùng môi trường Python 2.7/3.x.

  2. Làm thế nào để xử lý dữ liệu khi khu vực nghiên cứu bị mây bao phủ trên ảnh viễn thám quang học? Có thể áp dụng thuật toán lọc mây (Cloud Masking) thông qua kênh chất lượng QA (Pixel Quality Assessment) của Landsat 8, sau đó ghép ảnh đa thời gian (Multi-temporal Mosaic) hoặc chuyển sang tích hợp ảnh viễn thám Radar khẩu độ tổng hợp Sentinel-1 SAR (kênh phân cực VV/VH) có khả năng xuyên mây.

  3. Cơ sở nào để xác định sâu non tuổi 1–3 là thời điểm vàng để phun thuốc diệt trừ? Sâu non tuổi 1–3 có kích thước nhỏ (11–20 mm), lớp cutin vỏ kitin chưa hóa sừng dày, sức đề kháng yếu, phản ứng cực kỳ nhạy cảm với các loại chế phẩm sinh học như Beauveria bassiana, Metarhizium hoặc thuốc ức chế sinh trưởng lột xác Dimilin 25WP ($0,1\text{–}0,2%$). Từ tuổi 4 trở đi, sâu ăn khỏe, lớp lông độc phát triển dày và khả năng kháng thuốc tăng gấp nhiều lần.

  4. Bản đồ phân cấp nguy cơ tỷ lệ 1:60.000 có đủ chi tiết để quản lý theo từng lô rừng không? Tỷ lệ 1:60.000 tương ứng với độ phân giải pixel $30\text{ m} \times 30\text{ m}$ ($900\text{ m}^2$), hoàn toàn đáp ứng tốt việc phân vùng quản lý theo quy mô khoảnh rừng (20–50 ha) và tiểu khu rừng (hàng trăm ha). Đối với quy mô từng lô nhỏ lẻ (< 1 ha), cần kết hợp ảnh máy bay không người lái (UAV) độ phân giải centimet.

  5. Mô hình này có thể áp dụng cho các loài sâu hại khác (như sâu đo ăn lá keo, rệp sáp) được không? Có thể chuyển giao quy mô linh hoạt. Cần hiệu chỉnh lại 3 thành phần cốt lõi: lớp bản đồ nguồn thức ăn (loài cây chủ), miền nhiệt độ - độ ẩm tối thích của loài sâu mục tiêu và cập nhật ma trận trọng số ảnh hưởng sinh thái học tương ứng trong công cụ phân tích không gian.

Kết luận

Đề tài đã ứng dụng thành công công nghệ GIS và viễn thám Landsat 8 vào bài toán dự tính, dự báo không gian dịch sâu róm thông (Dendrolimus punctatus) tại Ban quản lý Rừng phòng hộ Tĩnh Gia, tỉnh Thanh Hóa. Với độ chính xác phân loại tổng thể đạt $90,00%$ ($\kappa = 0,845$), nghiên cứu đã xây dựng thành công bản đồ phân cấp nguy cơ phát dịch tỷ lệ 1:60.000, khoanh vùng chính xác 321,1 ha rừng trọng điểm nguy cơ cao (Cấp IV) tại xã Nguyên Bình. Đây là bước đột phá kỹ thuật thay thế các phương thức điều tra thủ công lạc hậu, mang lại công cụ đắc lực giúp các nhà quản lý rừng chủ động ngăn chặn dịch hại từ sớm, bảo vệ bền vững tài nguyên rừng và nâng cao hiệu quả kinh tế lâm nghiệp địa phương. Các đơn vị lâm nghiệp và nhà nghiên cứu có thể tiếp tục kế thừa khung mô hình này để mở rộng phạm vi ứng dụng trên toàn quốc.