Tổng quan luận án

Công trình "Lựa chọn mô hình dự báo nguy cơ cháy rừng từ dữ liệu viễn thám và hệ thông tin địa lý" của nghiên cứu sinh Đoàn Thị Nam Phương được thực hiện tại Trường Đại học Mỏ - Địa chất dưới sự hướng dẫn khoa học của PGS.TS Nguyễn Văn Trung và GS.TS Bùi Tiến Diệu, thuộc ngành Kỹ thuật Trắc địa – Bản đồ (mã số: 9520503), bảo vệ năm 2023.

Tính cấp thiết và khoảng trống nghiên cứu

Rừng là nguồn tài nguyên thiên nhiên giữ vai trò đặc biệt quan trọng trong việc bảo tồn sinh thái, chống xói mòn, bảo vệ nguồn nước và ổn định kinh tế - xã hội. Theo thống kê của Bộ Nông nghiệp và Phát triển nông thôn (2020), Việt Nam có 3/4 diện tích là đồi núi với tỷ lệ che phủ rừng đạt trên 42%. Tuy nhiên, dưới tác động của biến đổi khí hậu toàn cầu, sự gia tăng nhiệt độ, hiện tượng El Nino, mùa khô hạn kéo dài cùng với áp lực từ hoạt động kinh tế - xã hội và sự bất cẩn của con người, nguy cơ cháy rừng ngày càng trở nên nghiêm trọng và khó kiểm soát.

Khu vực miền núi phía Tây tỉnh Nghệ An (bao gồm các huyện Kỳ Sơn, Tương Dương, Con Cuông, Quế Phong, Quỳ Châu, Quỳ Hợp, Tân Kỳ, Nghĩa Đàn) là trọng điểm cháy rừng của cả nước. Nghệ An có mùa cháy rừng đặc thù kéo dài đến 10 tháng trong năm (từ tháng 11 năm trước đến tháng 8 năm sau) do chịu ảnh hưởng đồng thời của địa hình hiểm trở và 3 loại gió mùa chính, đặc biệt là gió phơn Tây Nam khô nóng. Hàng năm, địa phương thường xuyên bị đặt trong tình trạng cảnh báo cháy rừng ở Cấp V (cấp cực kỳ nguy hiểm).

Khoảng trống nghiên cứu chính nằm ở phương pháp luận:

  • Các phương pháp dự báo nguy cơ cháy rừng truyền thống (tiêu biểu là phương pháp tính chỉ số $P$ của Nesterov áp dụng tại Việt Nam) chủ yếu dựa vào mạng lưới trạm quan trắc khí tượng bề mặt. Do mật độ trạm khí tượng thưa thớt, phương pháp này gặp hạn chế lớn về độ phân giải không gian, không phản ánh được tính biến thiên liên tục của các yếu tố địa hình, thảm phủ thực vật và độ ẩm trên diện tích rộng lớn.
  • Việc ứng dụng công nghệ địa không gian (Viễn thám và GIS) kết hợp với các thuật toán học máy hiện đại (như Random Forest, Support Vector Machine, CART) và phương pháp phân tích thứ bậc (AHP) trên nền tảng điện toán đám mây Google Earth Engine (GEE) mở ra tiềm năng lớn. Tuy nhiên, việc đánh giá so sánh, kiểm chứng độ chính xác và lựa chọn mô hình tối ưu phù hợp với điều kiện tự nhiên, kinh tế - xã hội của vùng miền núi phía Tây tỉnh Nghệ An chưa được giải quyết một cách toàn diện và có hệ thống.

Mục tiêu nghiên cứu

Mục tiêu tổng quát của luận án là:

  • Lựa chọn được mô hình dự báo nguy cơ cháy rừng từ dữ liệu viễn thám và hệ thông tin địa lý cho khu vực phía tây tỉnh Nghệ An.

Nội dung nghiên cứu cụ thể được triển khai theo 6 nhiệm vụ:

  1. Tổng quan về vấn đề nghiên cứu: tài nguyên rừng tại Việt Nam và tỉnh Nghệ An, hiện trạng và nguyên nhân cháy rừng, các phương pháp dự báo nguy cơ cháy rừng, tổng quan tình hình nghiên cứu trong và ngoài nước.
  2. Xác lập cơ sở khoa học xây dựng mô hình dự báo nguy cơ cháy rừng từ dữ liệu viễn thám và hệ thông tin địa lý.
  3. Thu thập, tiền xử lý và chiết tách các lớp thông tin chuyên đề từ dữ liệu viễn thám và GIS.
  4. Nghiên cứu đề xuất quy trình xây dựng bản đồ dự báo nguy cơ cháy rừng trên cơ sở thử nghiệm các kỹ thuật: Phân tích thứ bậc (AHP), Rừng ngẫu nhiên (Random Forest - RF), Máy hỗ trợ vector (Support Vector Machine - SVM), Cây phân loại và hồi quy (Classification and Regression Trees - CART).
  5. Đánh giá độ chính xác và lựa chọn mô hình dự báo phù hợp nhất với điều kiện khu vực phía tây tỉnh Nghệ An.
  6. Phân tích, tổng hợp kết quả và xây dựng công cụ xử lý trên nền tảng Google Earth Engine.

Đối tượng và phạm vi nghiên cứu

  • Đối tượng nghiên cứu: Các mô hình dự báo nguy cơ cháy rừng trên cơ sở kết hợp dữ liệu viễn thám đa nguồn, hệ thông tin địa lý (GIS) và các kỹ thuật học máy.
  • Phạm vi khoa học: Tập trung vào phân tích, đánh giá, mô hình hóa và thử nghiệm so sánh độ chính xác của các mô hình dự báo nguy cơ cháy rừng (AHP, RF, SVM, CART).
  • Phạm vi không gian: Khu vực miền núi phía tây tỉnh Nghệ An.

Tổng quan tài liệu và vị trí của luận án

Các hướng nghiên cứu trên thế giới

Các nghiên cứu dự báo nguy cơ cháy rừng trên thế giới đã phát triển qua nhiều giai đoạn:

  • Phương pháp truyền thống dựa trên khí tượng: Nesterov (1949) đề xuất phương pháp tính chỉ tiêu tổng hợp $P$ từ nhiệt độ và độ hụt bão hòa không khí lúc 13 giờ. Phương pháp này được Shetinsky (1994), Arpaci et al. (2013), Khan (2012), Sokolova và Makogonov (2013), Venevsky (2002) tiếp tục hiệu chỉnh và ứng dụng.
  • Hệ thống giám sát và thông tin tích hợp: Trung tâm Hợp tác Nghiên cứu Châu Âu phát triển Hệ thống Thông tin Cháy rừng Châu Âu (EFFIS, 2000) sử dụng ảnh MODIS, VIIRS và Sentinel-2. Croatia xây dựng hệ thống IPNAS (Stipaničev et al.) tích hợp GIS, GPS, video thời gian thực và khí tượng.
  • Ứng dụng viễn thám và phân tích không gian: Jaiswal et al. (2002) dùng ảnh IRS 1D LISS III, GIS và AHP tại Gorna Subwatershed (Ấn Độ). Wimberly et al. (2008) ứng dụng chỉ số $dNBR$ từ ảnh Landsat để đánh giá mức độ nghiêm trọng do cháy rừng tại Appalachians (Hoa Kỳ). Yassemi et al. (2008) tích hợp GIS và thiết bị di động (Cellular Automata - CA) tại Canada. Chowdhury et al. (2013) dùng ảnh MODIS chiết tách nhiệt độ bề mặt ($LST$), chỉ số hạn ($NMDI$), chỉ số ẩm ($TVWI$) tại Alberta (Canada).
  • Ứng dụng học máy và khai phá dữ liệu: Oliveira et al. (2012), Dieu Tien Bui et al., Pourghasemi (2015) ứng dụng hồi quy logistic và mạng neural. Arndt et al. (2013) phân tích 59 biến kinh tế - xã hội. Enoh et al. (2021) kết hợp Landsat 8 OLI và DEM Aster tại Cross (Niger). Ruano et al. (2022) sử dụng GLMs, GAMs và NDVI (AUC đạt 0,84 - 0,89). Iban và Sekertekin (2022) so sánh 7 mô hình tại Thổ Nhĩ Kỳ (LR, SVM, LDA, RF, GB, XGB, AB), chứng minh RF đạt độ chính xác cao nhất với các yếu tố chi phối lớn là độ cao, nhiệt độ và độ dốc. Nasiri et al. (2022) sử dụng AHP và GIS tại Paved (Iran).

Các hướng nghiên cứu tại Việt Nam

  • Phát triển và hiệu chỉnh chỉ số khí tượng: Phạm Ngọc Hưng (1988, 2004) hiệu chỉnh phương pháp Nesterov theo số ngày khô hạn liên tục, kiểu rừng và sức gió. Võ Đình Tiến (1995) xây dựng mô hình dự báo dựa trên 6 yếu tố khí tượng và con người. Bộ Nông nghiệp và Phát triển nông thôn (2000) ban hành bảng tra cấp dự báo theo chỉ số $P$. Trần Văn Hùng et al. (2010) đề xuất chỉ số tổng hợp $P_t$ tại U Minh Hạ kết hợp khí tượng và vật liệu cháy. Nguyễn Phương Văn et al. (2019) hiệu chỉnh bảng cấp dự báo tại Quảng Bình giai đoạn 2015–2017. Lê Sỹ Doanh và Vương Văn Quỳnh (2014) xây dựng chỉ số khí hậu $Q_i$ tương quan với chỉ số $S_{nc45}$.
  • Ứng dụng ảnh vệ tinh và công nghệ thông tin: Đề tài cấp nhà nước của Vương Văn Quỳnh (2005, 2006) phát triển phần mềm tự động phát hiện điểm cháy từ ảnh Landsat và MODIS tại U Minh và Tây Nguyên. Doãn Hà Phong (2007) xây dựng thuật toán chiết tách nhiệt độ bề mặt từ MODIS trên phần mềm ENVI/IDL kết hợp NDVI để phân cấp nguy cơ cháy. Trần Quang Bảo et al. (2016, 2018) trích xuất điểm dị thường nhiệt phục vụ phát hiện sớm cháy rừng. Đặng Ngô Bảo Toàn (2021) xây dựng WebGIS cảnh báo nguy cơ cháy rừng tại Thuận Châu (Sơn La).

Vị trí và giải pháp của luận án

Luận án kế thừa các nghiên cứu trước đây nhưng tập trung giải quyết bài toán lựa chọn mô hình tối ưu thông qua việc tích hợp đa nguồn dữ liệu viễn thám (Sentinel-2 MSI, Landsat 8 TIRS/OLI, MODIS) và GIS, xử lý bán tự động trên nền tảng điện toán đám mây Google Earth Engine (GEE), so sánh trực tiếp phương pháp truyền thống/bán định lượng (AHP) với ba thuật toán học máy (RF, SVM, CART) dưới các bộ tham số khác nhau, từ đó xác lập công cụ thực nghiệm cụ thể cho vùng Tây Nghệ An.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết và khái niệm

  • Khái niệm cháy rừng (FAO, 1999): Cháy rừng là sự xuất hiện và lan truyền của những đám cháy trong rừng không nằm trong sự kiểm soát của con người, gây tổn thất về tài nguyên, kinh tế và môi trường.
  • Phân loại cháy rừng:
    1. Cháy dưới tán rừng (cháy bề mặt đất rừng): Tiêu hủy thảm mục, cành khô, lá rụng, cỏ khô, cây tái sinh sát mặt đất.
    2. Cháy tán rừng (cháy ngọn): Phát triển từ cháy dưới tán lên tầng tán dày của cây lá kim hoặc cây có dầu.
    3. Cháy ngầm: Ngọn lửa âm ỉ dưới mặt đất làm cháy tầng than bùn, mùn hữu cơ tích lũy lâu năm.
  • Phân cấp dự báo cháy rừng theo Nghị định 156/2018/NĐ-CP:
Cấp cháy Phân cấp Đặc trưng cháy rừng
I Thấp Ít có khả năng cháy rừng.
II Trung bình Có khả năng cháy rừng.
III Cao Thời tiết khô hanh kéo dài, dễ xảy ra cháy rừng; chú trọng các loại rừng thông, khộp, bạch đàn, tre, nứa, tràm.
IV Nguy hiểm Thời tiết khô hạn kéo dài, có nguy cơ xảy ra cháy lớn, tốc độ lan tràn lửa nhanh.
V Cực kỳ nguy hiểm Khô hạn kiệt kéo dài, có khả năng cháy lớn ở tất cả các loại rừng, tốc độ lan tràn lửa rất nhanh.
  • Chỉ số P của Nesterov: $$P = \sum_{i=1}^n K \cdot (T_{13} \cdot D_{13})$$ Trong đó $T_{13}$ là nhiệt độ lúc 13 giờ ($^\circ\text{C}$), $D_{13}$ là độ hụt bão hòa không khí lúc 13 giờ ($\text{hPa}$), $K$ là hệ số điều chỉnh theo lượng mưa ngày ($K = 1$ khi lượng mưa $< 5\text{ mm}$, $K = 0$ khi lượng mưa $\ge 5\text{ mm}$ hoặc có đợt mưa phùn 3–5 ngày).

Các thuật toán và mô hình phân tích

  1. Phương pháp Phân tích thứ bậc (Analytic Hierarchy Process - AHP): Thiết lập cấu trúc phân cấp, xây dựng ma trận so sánh cặp giữa các tiêu chí, chuẩn hóa ma trận, tính toán vector trọng số và kiểm định tỷ số nhất quán $CR$ dựa trên chỉ số ngẫu nhiên $RI$ (Saaty, 2000, 2008).
  2. Thuật toán Rừng ngẫu nhiên (Random Forest - RF): Thuật toán học máy kết hợp (ensemble learning) tạo ra tập hợp nhiều cây quyết định độc lập thông qua kỹ thuật lấy mẫu tái lập (bootstrap aggregating) và chọn ngẫu nhiên tập biến con tại mỗi điểm phân nhánh.
  3. Thuật toán Máy hỗ trợ vector (Support Vector Machine - SVM): Xây dựng siêu phẳng tối ưu hóa khoảng cách lề (margin) cực đại giữa các lớp dữ liệu không gian, sử dụng các hàm nhân (kernel) để ánh xạ dữ liệu phi tuyến sang không gian chiều cao hơn.
  4. Thuật toán Cây phân loại và hồi quy (CART): Xây dựng cây quyết định nhị phân thông qua chỉ số Gini để chia nhỏ tập dữ liệu huấn luyện thành các nút lá thuần nhất.
  5. Đánh giá độ chính xác mô hình: Sử dụng đường cong ROC (Receiver Operating Characteristic) và diện tích dưới đường cong AUC (Area Under the Curve) để định lượng độ chính xác của từng phương án dự báo.

Nguồn dữ liệu và công cụ xử lý

  • Dữ liệu viễn thám:
    • Ảnh quang học Sentinel-2 MSI độ phân giải không gian 10m (tính toán chỉ số thực vật NDVI).
    • Ảnh Landsat 8 OLI/TIRS độ phân giải kênh nhiệt 100m (tái lấy mẫu 30m), sử dụng kênh nhiệt 10 và các hằng số hiệu chuẩn $K_1$, $K_2$ để tính nhiệt độ bề mặt đất ($LST$).
    • Ảnh MODIS trích xuất thông tin độ bốc thoát hơi nước bề mặt (Evapotranspiration).
  • Dữ liệu địa hình (DEM): Mô hình số độ cao SRTM DEM độ phân giải 30m (trích xuất độ cao, độ dốc, hướng sườn). So sánh đối chiếu với các nguồn DEM khác như Aster GDEM, JAXA ALOS 3D World, GMTED 2010.
  • Dữ liệu khí hậu và kinh tế - xã hội: Cơ sở dữ liệu WorldClim (lượng mưa trung bình tháng, tốc độ gió trung bình), cơ sở dữ liệu WorldPop (mật độ dân cư).
  • Dữ liệu điểm cháy thực tế: Trích xuất từ hệ thống FireWatch (Cục Kiểm lâm, Bộ Nông nghiệp và Phát triển nông thôn) và dữ liệu vệ tinh quốc tế.
  • Môi trường tính toán: Google Earth Engine (GEE) Code Editor thông qua ngôn ngữ JavaScript/Python API kết hợp phần mềm GIS.

Nội dung chính theo từng chương

Chương 1. Tổng quan về vấn đề nghiên cứu

Chương 1 hệ thống hóa cơ sở lý luận và thực tiễn về tài nguyên rừng, hiện trạng cháy rừng tại Việt Nam và các phương pháp mô hình hóa dự báo nguy cơ cháy rừng.

  • Tài nguyên rừng: Việt Nam có hệ sinh thái rừng nhiệt đới đa dạng với khoảng 12.000 loài thực vật (10.500 loài đã mô tả, khoảng 10% đặc hữu) và hệ động vật phong phú (774 loài chim, 273 loài thú, 180 loài bò sát, 80 loài lưỡng cư, 475 loài cá nước ngọt). Diện tích rừng tăng từ 13,1 triệu ha (2008) lên 14,6 triệu ha (2020), nâng tỷ lệ che phủ lên 42,02%. Tuy nhiên, rừng tự nhiên giàu và nguyên sinh suy giảm, rừng trồng sản xuất chiếm tỷ trọng lớn (trên 4,3 triệu ha năm 2019).
  • Hiện trạng tài nguyên rừng tỉnh Nghệ An: Là địa phương có diện tích rừng lớn nhất cả nước với 1.741 ha (theo bảng số liệu công bố), tỷ lệ che phủ đạt 58,41% (gồm 788.991 ha rừng tự nhiên và 219.750 ha rừng trồng).
Vùng / Tỉnh Diện tích có rừng (ha) Rừng tự nhiên (ha) Rừng trồng (ha) Tỷ lệ che phủ (%)
TOÀN QUỐC 14.745.201 10.171.757 4.573.444 42,02
Điện Biên 412.482 398.271 14.211 46,40
Bắc Kạn 378.892 272.508 106.384 73,40
Hà Nội 19.011 7.583 11.428 53,50
Nghệ An 1.750.741 788.991 219.750 58,41
Hà Tĩnh 335.118 217.432 117.686 52,25
Quảng Nam 680.893 464.103 216.790 58,61
Đồng Tháp 5.563 - 5.563 1,69
  • Thực trạng và nguyên nhân cháy rừng: Giai đoạn 2009–2018, cháy rừng thiêu hủy gần 22.000 ha rừng trên toàn quốc (năm 2010 thiệt hại 6.723 ha). Năm 2020 xảy ra 179 vụ, thiệt hại 645 ha. Nguyên nhân chính gồm biến đổi khí hậu (nắng nóng kéo dài, lượng bức xạ 1.400–3.000 giờ/năm, bức xạ nhiệt 100 kcal/cm²/năm, lượng mưa thâm hụt 10–20%) và hoạt động con người (đốt nương làm rẫy, đốt thực bì, bất cẩn khi lấy mật ong, khai thác củi).
  • So sánh các thang phân cấp chỉ số P:
Cấp cháy Shetinsky (1994) Bộ NN&PTNT (2000) Nguyễn Phương Văn et al. (2019) Trần Văn Hùng et al. ($P_t$, 2010)
I $< 300$ $< 5.000$ $< 5.000$ $1 - 14.000$
II $301 - 1.000$ $5.001 - 10.000$ $5.001 - 7.500$ $14.000 - 40.000$
III $1.001 - 4.000$ $10.001 - 15.000$ $7.501 - 10.000$ $40.000 - 100.000$
IV $4.001 - 10.000$ $15.001 - 20.000$ $10.001 - 15.000$ $100.000 - 200.000$
V $> 10.000$ $> 20.000$ $> 15.000$ $> 200.000$

Chương 2. Cơ sở khoa học xây dựng mô hình dự báo nguy cơ cháy rừng từ dữ liệu viễn thám và hệ thông tin địa lý

Chương 2 trình bày phương pháp luận xác định và xử lý các biến số không gian đầu vào phục vụ mô hình dự báo.

  • Khu vực nghiên cứu: Miền núi phía Tây tỉnh Nghệ An có địa hình phân cắt mạnh, chênh lệch độ cao lớn, hướng sườn đón gió và phân hóa khí hậu phức tạp.
  • Lựa chọn 09 lớp thông tin chuyên đề đầu vào:
    1. Lớp phủ thực vật (NDVI): Chiết xuất từ dải sóng NIR và Red của ảnh Sentinel-2 MSI.
    2. Nhiệt độ bề mặt ($LST$): Tính toán từ kênh nhiệt Band 10 ảnh Landsat 8 qua công thức Planck với các hằng số hiệu chuẩn bức xạ nhiệt $K_1 = 774{,}8853$ và $K_2 = 1321{,}0789$.
    3. Độ bốc thoát hơi nước bề mặt: Thu thập từ tập dữ liệu MODIS trên GEE phản ánh tình trạng mất nước của thảm phủ thực bì.
    4. Độ cao địa hình ($Elevation$): Trích xuất từ SRTM DEM 30m.
    5. Độ dốc ($Slope$): Tính toán từ SRTM DEM (độ dốc ảnh hưởng trực tiếp đến tốc độ truyền nhiệt đối lưu và bắt lửa).
    6. Hướng sườn ($Aspect$): Tính toán từ SRTM DEM (hướng đón nắng và đón gió phơn).
    7. Lượng mưa trung bình tháng: Dữ liệu khí hậu chuẩn hóa từ WorldClim.
    8. Tốc độ gió trung bình: Dữ liệu trường gió từ WorldClim.
    9. Mật độ dân cư: Trích xuất và nội suy không gian từ cơ sở dữ liệu WorldPop.
  • Quy trình công nghệ và cấu hình tham số mô hình:
    • Phương pháp AHP: Xây dựng ma trận so sánh cặp $9 \times 9$, chuẩn hóa ma trận và tính toán trọng số của 9 yếu tố theo thang điểm Saaty.
    • Thuật toán Random Forest (RF): Thiết lập thử nghiệm với các cấu hình số cây khác nhau: 3 cây, 100 cây và 200 cây.
    • Thuật toán Máy hỗ trợ vector (SVM): Thiết lập hàm nhân phi tuyến và thử nghiệm với các giá trị tham số điều hòa $C = 25$ và $C = 30$.
    • Thuật toán Cây phân loại và hồi quy (CART): Thiết lập thử nghiệm cấu trúc cây với số lượng nút tối đa $maxNodes = 5$ và $maxNodes = 30$.
    • Tích hợp và lập trình toàn bộ quy trình trên nền tảng GEE Code Editor.

Chương 3. Thực nghiệm dự báo nguy cơ cháy rừng khu vực phía tây tỉnh Nghệ An từ dữ liệu viễn thám và hệ thông tin địa lý

Chương 3 trình bày các kết quả thử nghiệm thực tế tại khu vực miền núi phía tây tỉnh Nghệ An.

  • Kết quả chiết tách các lớp chuyên đề: Luận án hoàn thành việc xây dựng bản đồ số hóa 9 lớp thông tin chuyên đề (NDVI, LST, Evapotranspiration, Elevation, Slope, Aspect, Mật độ dân cư, Lượng mưa, Tốc độ gió) tại tọa độ khu vực phía tây tỉnh Nghệ An với độ phân giải không gian đồng nhất.
  • Kết quả mô hình hóa nguy cơ cháy rừng theo các phương pháp:
    • Kết quả AHP: Ma trận so sánh cặp (Bảng 3.1) và ma trận chuẩn hóa (Bảng 3.2) xác định các trọng số thành phần, từ đó tạo bản đồ dự báo nguy cơ cháy rừng phân vùng 5 cấp độ (Hình 3.16).
    • Kết quả thuật toán RF: Xây dựng bản đồ nguy cơ cháy rừng tương ứng với 3 cấu hình tham số: RF 3 cây (Hình 3.17), RF 100 cây (Hình 3.18) và RF 200 cây (Hình 3.19).
    • Kết quả thuật toán SVM: Xây dựng bản đồ phân vùng nguy cơ cháy rừng với $C = 25$ (Hình 3.20) và $C = 30$ (Hình 3.21).
    • Kết quả thuật toán CART: Xây dựng bản đồ phân vùng nguy cơ cháy rừng với $maxNodes = 5$ (Hình 3.22) và $maxNodes = 30$ (Hình 3.23).
  • Đánh giá độ chính xác và lựa chọn mô hình:
    • Kiểm chứng chéo các mô hình với dữ liệu điểm cháy thực tế lịch sử thông qua đường cong ROC (Hình 3.24) và giá trị diện tích dưới đường cong AUC (Bảng 3.4).
    • Mô hình Rừng ngẫu nhiên (Random Forest) đạt giá trị AUC cao nhất so với các thuật toán SVM, CART và kỹ thuật AHP.
    • Thống kê diện tích các khu vực phân theo cấp nguy cơ cháy rừng (Rất thấp, Thấp, Trung bình, Cao, Rất cao/Cực kỳ nguy hiểm) được tổng hợp chi tiết trong Bảng 3.5.
  • Xây dựng công cụ xử lý trên nền tảng GEE: Tác giả đã lập trình thành công module công cụ trên nền tảng GEE (Hình 3.25, Hình 3.26) cho phép tổ hợp màu ảnh viễn thám tự động, tính toán chỉ số, trích xuất dữ liệu và xuất bản đồ cảnh báo nguy cơ cháy rừng nhanh chóng.

Kết quả và những đóng góp mới

Luận điểm bảo vệ của luận án

  • Luận điểm 1: 09 lớp thông tin đầu vào chiết xuất từ dữ liệu viễn thám và GIS (mật độ dân cư, lớp phủ thực vật, độ bốc thoát hơi nước bề mặt, hướng sườn, độ dốc, tốc độ gió, độ cao, nhiệt độ bề mặt và lượng mưa trung bình tháng) cho phép xây dựng mô hình dự báo nguy cơ cháy rừng phù hợp với điều kiện khu vực nghiên cứu ở phía Tây tỉnh Nghệ An.
  • Luận điểm 2: Sử dụng kỹ thuật học máy (thuật toán Random Forest) giúp dự báo nguy cơ cháy rừng từ dữ liệu viễn thám và GIS với độ chính xác cao nhất đối với khu vực nghiên cứu.

Những điểm mới của luận án

  1. Đã xác định và lựa chọn được bộ 09 lớp thông tin đầu vào tối ưu từ dữ liệu viễn thám và GIS, phản ánh đầy đủ các yếu tố tự nhiên (địa hình, thảm phủ, khí hậu) và nhân sinh đặc thù cho bài toán dự báo cháy rừng tại khu vực phía tây tỉnh Nghệ An.
  2. Đã chứng minh và lựa chọn được mô hình dự báo nguy cơ cháy rừng tối ưu trên cơ sở thuật toán Rừng ngẫu nhiên (Random Forest) kết hợp dữ liệu viễn thám đa nguồn và GIS, cho độ chính xác vượt trội so với các thuật toán SVM, CART và phương pháp AHP.

Ý nghĩa khoa học và thực tiễn

  • Ý nghĩa khoa học: Góp phần hoàn thiện cơ sở khoa học và minh chứng tính hiệu quả của phương pháp tích hợp dữ liệu viễn thám đa độ phân giải, hệ thông tin địa lý và các kỹ thuật trí tuệ nhân tạo (học máy) trong mô hình hóa và dự báo các hiện tượng tai biến môi trường rừng.
  • Ý nghĩa thực tiễn:
    • Cung cấp cơ sở dữ liệu số và bản đồ phân vùng nguy cơ cháy rừng chi tiết, phục vụ trực tiếp cho các cơ quan quản lý lâm nghiệp và chính quyền địa phương tỉnh Nghệ An trong công tác quy hoạch, tuần tra và phân bổ lực lượng phòng cháy chữa cháy rừng.
    • Xây dựng hoàn chỉnh công cụ xử lý dữ liệu viễn thám và GIS trên nền tảng điện toán đám mây GEE, hỗ trợ quá trình cập nhật và cảnh báo sớm nguy cơ cháy rừng một cách nhanh chóng, tiết kiệm chi phí tính toán.

Hạn chế và hướng nghiên cứu tiếp

Hạn chế

  • Nghiên cứu tập trung thử nghiệm và kiểm chứng trong phạm vi không gian miền núi phía tây tỉnh Nghệ An; các tham số mô hình cần được hiệu chỉnh lại khi áp dụng cho các vùng sinh thái rừng khác có đặc điểm lập địa và khí hậu khác biệt.
  • Dữ liệu viễn thám quang học (Landsat 8, Sentinel-2) vẫn chịu ảnh hưởng của mây và bóng mây trong các thời điểm chuyển mùa, đòi hỏi phải lọc dữ liệu nhiều thời điểm để có ảnh chất lượng tốt.

Hướng nghiên cứu tiếp

  • Mở rộng phạm vi thử nghiệm mô hình sang các vùng sinh thái rừng khác trên toàn quốc (Tây Bắc, Tây Nguyên, Nam Trung Bộ).
  • Nghiên cứu tích hợp thêm dữ liệu ảnh viễn thám Radar (như Sentinel-1 SAR) nhằm khắc phục nhược điểm của ảnh quang học khi có mây che phủ.
  • Phát triển hệ thống giám sát tự động tích hợp dữ liệu cảm biến khí tượng mặt đất thời gian thực (IoT) với công cụ trên nền tảng GEE để cung cấp bản đồ dự báo nguy cơ cháy rừng theo thời gian thực (real-time).

Giá trị tham khảo

Luận án mang lại giá trị tham khảo rõ ràng cho các nhóm đối tượng:

  • Cơ quan quản lý và kiểm lâm địa phương: Cung cấp tài liệu kỹ thuật, bản đồ phân vùng nguy cơ cháy rừng và công cụ GEE hỗ trợ trực tiếp công tác chỉ đạo phòng cháy chữa cháy rừng tại Chi cục Kiểm lâm tỉnh Nghệ An và Cục Kiểm lâm.
  • Giảng viên, nghiên cứu sinh và học viên cao học: Là tài liệu tham khảo chuyên sâu trong các ngành Kỹ thuật Trắc địa – Bản đồ, Viễn thám, GIS, Quản lý tài nguyên rừng và Khoa học môi trường; đặc biệt về phương pháp trích xuất chỉ số $LST$, $NDVI$, $Evapotranspiration$ và ứng dụng các thuật toán học máy ($RF$, $SVM$, $CART$, $AHP$) trong không gian địa lý.
  • Các nhà phát triển công nghệ địa không gian: Cung cấp mã nguồn và quy trình tích hợp API trên Google Earth Engine phục vụ xử lý chuỗi dữ liệu ảnh vệ tinh đa thời gian.

Câu hỏi thường gặp

1. Vì sao luận án lựa chọn 09 lớp thông tin chuyên đề đầu vào cho mô hình?

09 lớp thông tin này (gồm: mật độ dân cư, lớp phủ thực vật NDVI, độ bốc thoát hơi nước, hướng sườn, độ dốc, tốc độ gió, độ cao DEM, nhiệt độ bề mặt LST và lượng mưa trung bình tháng) bao quát toàn diện ba nhóm nhân tố chi phối quá trình hình thành và lan tràn cháy rừng tại miền núi Nghệ An: nhân tố vật liệu cháy/thảm phủ, nhân tố khí hậu/thời tiết và nhân tố kích hoạt từ con người.

2. Mô hình nào cho kết quả dự báo nguy cơ cháy rừng tốt nhất trong số các phương án thử nghiệm?

Mô hình dựa trên thuật toán Rừng ngẫu nhiên (Random Forest - RF) cho độ chính xác cao nhất (thể hiện qua đường cong ROC và diện tích dưới đường cong AUC lớn nhất) khi so sánh với phương pháp phân tích thứ bậc AHP, Máy hỗ trợ vector (SVM) và Cây phân loại hồi quy (CART).

3. Phương pháp dự báo bằng viễn thám và GIS khắc phục nhược điểm gì của phương pháp truyền thống?

Phương pháp truyền thống dựa trên chỉ số $P$ của Nesterov chỉ sử dụng dữ liệu điểm tại các trạm khí tượng mặt đất vốn rất thưa thớt, không thể hiện được tính phân hóa không gian liên tục. Việc kết hợp viễn thám và GIS giúp thu thập dữ liệu diện rộng, liên tục, chiết tách được các biến số địa hình, nhiệt độ bề mặt và độ ẩm thảm phủ ở độ phân giải không gian cao (10–30m).

4. Vai trò của nền tảng Google Earth Engine (GEE) trong luận án là gì?

GEE đóng vai trò là nền tảng điện toán đám mây lưu trữ và xử lý chuỗi dữ liệu vệ tinh lớn (Landsat 8, Sentinel-2, MODIS), cho phép tự động hóa quá trình tiền xử lý ảnh, trích xuất các chỉ số phổ, chạy các thuật toán học máy và xây dựng công cụ trực quan hóa bản đồ nguy cơ cháy rừng nhanh chóng mà không đòi hỏi phần cứng tính toán cục bộ đắt tiền.

5. Tại sao mùa cháy rừng ở phía tây tỉnh Nghệ An lại kéo dài hơn nhiều khu vực khác ở Việt Nam?

Do vị trí địa lý và đặc điểm địa hình đặc thù, Nghệ An có khí hậu phân hóa mạnh theo vành đai cao và vĩ độ, đồng thời chịu ảnh hưởng sâu sắc của gió phơn Tây Nam (gió Lào) khô nóng kết hợp nền nhiệt cao kéo dài từ tháng 11 năm trước đến tháng 8 năm sau (10 tháng/năm).

Kết luận

Luận án Tiến sĩ Kỹ thuật của tác giả Đoàn Thị Nam Phương đã giải quyết thành công bài toán lựa chọn mô hình dự báo nguy cơ cháy rừng tối ưu cho khu vực miền núi phía tây tỉnh Nghệ An thông qua việc tích hợp công nghệ viễn thám, hệ thông tin địa lý và các thuật toán học máy. Nghiên cứu đã xác lập cơ sở khoa học cho bộ 09 lớp thông tin không gian đầu vào, khẳng định tính ưu việt của thuật toán Random Forest và phát triển công cụ tự động hóa trên nền tảng Google Earth Engine. Kết quả nghiên cứu có giá trị khoa học vững chắc và khả năng ứng dụng thực tiễn cao, đóng góp thiết thực cho công tác quản lý tài nguyên và cảnh báo sớm cháy rừng tại địa phương.