Tổng quan luận án

Tính cấp thiết và khoảng trống nghiên cứu

Tài nguyên rừng giữ vai trò quan trọng đối với sự phát triển kinh tế - xã hội và cân bằng sinh thái. Tuy nhiên, dưới tác động của biến đổi khí hậu, hiện tượng thời tiết cực đoan và các hoạt động của con người, diện tích và chất lượng rừng đang chịu nhiều biến động. Tình trạng nhiệt độ gia tăng cùng các đợt khô hạn kéo dài làm tăng nguy cơ cháy rừng trên diện rộng.

Tỉnh Nghệ An là một trong những địa phương có diện tích rừng lớn nhất cả nước nhưng cũng thường xuyên đối mặt với nguy cơ cháy rừng ở cấp V (cấp cực kỳ nguy hiểm). Toàn tỉnh có khoảng 1.000.750 ha diện tích có rừng, tập trung tại các huyện miền núi phía Tây như Kỳ Sơn, Tương Dương, Con Cuông, Quế Phong, Quỳ Châu, Quỳ Hợp, Tân Kỳ và Nghĩa Đàn. Do đặc điểm địa hình phức tạp và chịu ảnh hưởng của các luồng gió mùa, đặc biệt là gió phơn Tây Nam (gió Lào), mùa cháy rừng tại Nghệ An kéo dài tới 10 tháng trong năm (từ tháng 11 năm trước đến tháng 8 năm sau).

Các phương pháp dự báo nguy cơ cháy rừng truyền thống tại Việt Nam chủ yếu dựa vào chỉ tiêu khí tượng $P$ của Nesterov thu thập từ các trạm quan trắc mặt đất. Mật độ trạm khí tượng thưa thớt tạo ra khoảng trống lớn trong việc đánh giá không gian liên tục trên diện tích rộng lớn. Sự kết hợp giữa công nghệ viễn thám đa nguồn (Landsat, Sentinel-2, MODIS), hệ thông tin địa lý (GIS) và các thuật toán học máy (Machine Learning) trên nền tảng điện toán đám mây là giải pháp kỹ thuật cần thiết nhằm xây dựng công cụ dự báo có độ chính xác cao và khả năng cập nhật nhanh.

Mục tiêu nghiên cứu

Mục tiêu tổng quát của luận án được xác định rõ:

  1. 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.

Để thực hiện mục tiêu trên, các nội dung nghiên cứu cụ thể bao gồm:

  1. Tổng quan cơ sở lý luận và thực tiễn về tài nguyên rừng, hiện trạng cháy rừng và các phương pháp dự báo nguy cơ cháy rừng trong và ngoài nước.
  2. Xác lập cơ sở khoa học, quy trình thu thập, tiền xử lý và chiết tách các lớp dữ liệu chuyên đề từ viễn thám và GIS.
  3. Nghiên cứu, thử nghiệm và đánh giá so sánh các mô hình dự báo nguy cơ cháy rừng dựa trên phương pháp phân tích thứ bậc (AHP) và các thuật toán học máy: 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).
  4. Xây dựng công cụ xử lý dữ liệu tự động trên nền tảng Google Earth Engine (GEE) phục vụ hỗ trợ ra quyết định.

Đối tượng và phạm vi nghiên cứu

  • Đối tượng nghiên cứu: Các mô hình và quy trình công nghệ dự báo nguy cơ cháy rừng dựa trên tích hợp dữ liệu viễn thám, GIS và các thuật toán học máy.
  • Phạm vi khoa học: Tập trung vào các kỹ thuật phân tích không gian, chiết tách chỉ số viễn thám, đánh giá trọng số chỉ tiêu và thuật toán phân loại học máy có giám sát.
  • Phạm vi không gian: Khu vực miền núi phía Tây tỉnh Nghệ An.
  • Phạm vi thời gian: Khai thác chuỗi dữ liệu ảnh viễn thám và số liệu thống kê cháy rừng từ năm 2008 đến giai đoạn 2021–2023.

Luận điểm bảo vệ

  • 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.

Tổng quan tài liệu và vị trí của luận án

Các hướng nghiên cứu trên thế giới

Nghiên cứu dự báo và giám sát cháy rừng trên thế giới đã phát triển qua nhiều giai đoạn với các hướng tiếp cận chính:

  1. Phương pháp khí tượng truyền thống: Khởi xướng từ các nghiên cứu của Nesterov (1949) tại Liên Xô với chỉ số khí tượng $P$, sau đó được Shetinsky (1994), Williams (1993), Chandler (1983), và Dong (2005) bổ sung thêm các biến số về độ ẩm vật liệu cháy, vận tốc gió và lượng nước bốc hơi.
  2. Hệ thống cảnh báo và viễn thám quy mô khu vực: Hệ thống Thông tin Cháy rừng Châu Âu (EFFIS) do Trung tâm Nghiên cứu Chung Châu Âu phát triển từ năm 2000, tích hợp ảnh MODIS, VIIRS và Sentinel-2. Hệ thống IPNAS tại Croatia (Stipaničev et al.) kết hợp dữ liệu GIS, GPS và camera thời gian thực.
  3. Ứng dụng chỉ số viễn thám và mô hình hóa không gian: Jaiswal et al. (2002) áp dụng AHP kết hợp ảnh vệ tinh IRS tại Ấn Độ; Wimberly et al. (2008) ứng dụng chỉ số cháy NBR ($dNBR = NBR_{pre} - NBR_{post}$) từ ảnh Landsat tại Mỹ; Yassemi et al. (2008) kết hợp GIS và mô hình tế bào tự hành (Cellular Automata - CA) tại Canada; Chowdhury et al. (2013) sử dụng MODIS để trích xuất nhiệt độ bề mặt (LST), chỉ số hạn đa phổ (NMDI) và chỉ số ẩm nhiệt độ - thực vật (TVWI) tại Alberta (Canada).
  4. Ứng dụng học máy và hồi quy nâng cao: Các nghiên cứu của Vasilakos et al. (2009), Oliveira et al. (2012), Dieu Tien Bui et al., Pourghasemi (2015), Fernandez et al. (2012), Arpaci et al. (2014), và Arndt et al. (2013). Ruano et al. (2022) so sánh mô hình tuyến tính tổng quát (GLMs) và mô hình cộng tính tổng quát (GAMs) với AUC đạt 0,84–0,89. Đáng chú ý, Iban & Sekertekin (2022) đã thử nghiệm 7 thuật toán học sâu và học máy (LR, SVM, LDA, RF, GB, XGB, AB) tại Thổ Nhĩ Kỳ, ghi nhận thuật toán Random Forest (RF) đạt độ chính xác cao nhất.

Các hướng nghiên cứu tại Việt Nam

Tại Việt Nam, các công trình ban đầu tập trung hiệu chỉnh phương pháp Nesterov theo điều kiện địa phương:

  • Phạm Ngọc Hưng (1988, 2004) hiệu chỉnh bảng tra theo số ngày khô hạn liên tục, kiểu rừng và vận tốc gió;
  • Võ Đình Tiến (1995) xây dựng phương pháp dự báo mùa cháy dựa trên 6 yếu tố khí hậu và xã hội;
  • Bộ Nông nghiệp và Phát triển Nông thôn (2000) ban hành bảng tra cấp dự báo theo chỉ số $P$;
  • Vương Văn Quỳnh và cs (2005, 2006) thực hiện đề tài cấp nhà nước cho vùng U Minh và Tây Nguyên, kết hợp ảnh Landsat và MODIS;
  • Doãn Hà Phong (2007) xây dựng thuật toán chiết tách nhiệt độ bề mặt từ ảnh MODIS qua ngôn ngữ IDL trên phần mềm ENVI kết hợp chỉ số NDVI;
  • Trần Văn Hùng và cs (2010) đề xuất chỉ số tổng hợp $P_t$ kết hợp nhân tố khí tượng và độ ẩm vật liệu cháy tại Vườn quốc gia U Minh Hạ;
  • Lê Sỹ Doanh & Vương Văn Quỳnh (2014) xây dựng chỉ số khí hậu $Q_i$;
  • Nguyễn Phương Văn và cs (2019) hiệu chỉnh bảng phân cấp chỉ số $P$ tại Quảng Bình;
  • Đặng Ngô Bảo Toàn (2021) thử nghiệm WebGIS cảnh báo nguy cơ cháy rừng tại Thuận Châu (Sơn La).

Khoảng trống luận án lựa chọn giải quyết

Phần lớn các nghiên cứu trong nước trước đây sử dụng các phần mềm xử lý ảnh độc lập (ENVI, ArcGIS) đòi hỏi tải dữ liệu thủ công, thời gian xử lý kéo dài và khó mở rộng quy mô. Luận án giải quyết khoảng trống này bằng cách:

  • Thiết lập bộ 09 biến số không gian đồng bộ phản ánh toàn diện các yếu tố khí hậu, địa hình, lớp phủ và nhân sinh tại vùng miền núi Nghệ An.
  • Tích hợp và so sánh định lượng giữa mô hình bán định lượng (AHP) với các mô hình học máy (RF, SVM, CART).
  • Tự động hóa quy trình tiền xử lý và trích xuất dữ liệu trên nền tảng điện toán đám mây Google Earth Engine (GEE).

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung phân tích và hệ thống 09 lớp thông tin đầu vào

Luận án xác định cấu trúc phân tích nguy cơ cháy rừng dựa trên sự tương tác của 4 nhóm yếu tố:

  1. Nhóm thực bì và trạng thái bề mặt: Chỉ số thực vật khác biệt (NDVI), Nhiệt độ bề mặt (LST), Độ bốc thoát hơi nước bề mặt (Evapotranspiration).
  2. Nhóm địa hình: Độ cao (Elevation), Độ dốc (Slope), Hướng sườn (Aspect) trích xuất từ mô hình số độ cao DEM SRTM.
  3. Nhóm khí hậu: Lượng mưa trung bình tháng, Tốc độ gió trung bình trích xuất từ cơ sở dữ liệu WorldClim.
  4. Nhóm nhân sinh: Mật độ dân cư trích xuất từ cơ sở dữ liệu WorldPop.
   [ NDVI ]        [ LST ]     [Độ cao]       [Độ dốc]     [Mật độ DC]
   [Độ bốc hơi]                [Hướng sườn]                [Lượng mưa]
                                                           [Tốc độ gió]

Phương pháp tính toán và xử lý dữ liệu

  • Nhiệt độ bề mặt (LST): Tính toán từ kênh hồng ngoại nhiệt (kênh 10) của vệ tinh Landsat 8 qua bức xạ phổ nhiệt và độ phát xạ bề mặt sử dụng các hệ số hiệu chuẩn $K_1$, $K_2$.
  • Chỉ số thực vật (NDVI): Tính toán từ kênh cận hồng ngoại (NIR) và kênh đỏ (Red) của vệ tinh Sentinel-2 MSI ở độ phân giải 10m: $$NDVI = \frac{NIR - RED}{NIR + RED}$$
  • Xử lý nền tảng Google Earth Engine: Sử dụng giao diện Code Editor và thư viện JavaScript API của GEE để lọc mây, tính toán chỉ số thống kê trung bình nhiều năm và nội suy không gian.

Các mô hình dự báo và kỹ thuật học máy

  1. Phương pháp phân tích thứ bậc (AHP): Thiết lập ma trận so sánh cặp giữa 9 chỉ tiêu theo thang đo Saaty (1–9), chuẩn hóa ma trận để tính toán vector trọng số riêng và kiểm tra tỷ số nhất quán ($CR < 0,1$) với chỉ số ngẫu nhiên $RI$ tra bảng (Saaty, 2000, 2008).
  2. Thuật toán Rừng ngẫu nhiên (Random Forest - RF): Kỹ thuật học máy kết hợp (ensemble learning) tạo tập hợp nhiều cây quyết định độc lập (thử nghiệm với 3 cây, 100 cây và 200 cây) sử dụng phương pháp lấy mẫu ngẫu nhiên có hoàn lại (bootstrapping).
  3. Thuật toán Máy hỗ trợ vector (Support Vector Machine - SVM): Tối ưu hóa siêu phẳng phân chia trong không gian nhiều chiều, thử nghiệm các giá trị tham số phạt $C = 25$ và $C = 30$.
  4. Thuật toán Cây phân loại và hồi quy (CART): Phân chia nhị phân không gian thuộc tính dựa trên chỉ số tạp chất Gini, thử nghiệm với số nút tối đa maxNodes = 5 và maxNodes = 30.

Phương pháp đánh giá độ chính xác

Sử dụng đường cong đặc trưng hoạt động máy thu (Receiver Operating Characteristic - ROC) và diện tích dưới đường cong (Area Under the Curve - AUC) để định lượng khả năng dự báo của từng mô hình so với tập dữ liệu điểm cháy thực tế ghi nhận từ cơ sở dữ liệu FireWatch của Cục Kiểm lâm.

Nội dung chính theo từng chương

CHƯƠNG 1. TỔNG QUAN VỀ VẤN ĐỀ NGHIÊN CỨU

Chương này trình bày bức tranh tổng thể về tài nguyên rừng Việt Nam, thực trạng cháy rừng và hệ thống cơ sở pháp lý, phương pháp luận dự báo hiện hành:

  • Tài nguyên rừng: Việt Nam có hơn $\frac{3}{4}$ diện tích là đồi núi. Tỷ lệ che phủ rừng toàn quốc tăng từ 38,7% (năm 2008) lên 42,02% (năm 2021) với tổng diện tích 14.745.201 ha. Tuy nhiên, diện tích tăng chủ yếu là rừng trồng sản xuất (từ 2,8 triệu ha năm 2008 lên 4,3 triệu ha năm 2019), trong khi rừng tự nhiên và chất lượng rừng nguyên sinh suy giảm. Tỉnh Nghệ An dẫn đầu cả nước về diện tích có rừng với 1.000.750 ha, 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
Tây Bắc (Điện Biên) 412.482 382.721 29.761 46,40
Đông Bắc (Bắc Kạn) 378.892 272.508 106.384 73,40
Đồng bằng sông Hồng (Hải Dương) 8.704 1.050 7.654 5,26
Bắc Trung Bộ (Nghệ An) 1.000.750 788.991 219.750 58,41
Bắc Trung Bộ (Hà Tĩnh) 335.118 218.423 116.695 52,25
Tây Nguyên (Lâm Đồng) 539.186 452.411 86.775 54,32
  • Quy định phân cấp dự báo cháy rừng: Theo Điều 46 Nghị định 156/2018/NĐ-CP, cấp dự báo cháy rừng tại Việt Nam gồm 5 cấp: Cấp I (Ít có khả năng cháy), Cấp II (Có khả năng cháy), Cấp III (Dễ xảy ra cháy - nguy cơ cao), Cấp IV (Nguy cơ cháy lớn - nguy hiểm), Cấp V (Khả năng cháy lớn và lan tràn nhanh - cực kỳ nguy hiểm).
  • Phương pháp Nesterov và các biến thể: Công thức tính chỉ số khí tượng tổng hợp: $$P = \sum_{i=1}^{n} K \cdot T_{13}^\circ \cdot D_{13}$$ Trong đó $T_{13}^\circ$ là nhiệt độ lúc 13h ($^\circ\text{C}$), $D_{13}$ là độ chênh lệch bão hòa không khí (hPa), $K$ là hệ số điều chỉnh theo lượng mưa ngày ($K=1$ khi mưa $<5\text{ mm}$, $K=0$ khi mưa $\ge 5\text{ mm}$).
Cấp cháy Bảng tra Shetinsky (1994) Bảng tra Bộ NN&PTNT (2000) Bảng hiệu chỉnh (Nguyễn Phương Văn, 2019) Bảng chỉ số $P_t$ (Trần Văn Hùng, 2010)
Cấp I $< 300$ $< 5.000$ $< 5.000$ $1 - 14.000$
Cấp II $301 - 1.000$ $5.001 - 10.000$ $5.001 - 7.500$ $14.000 - 40.000$
Cấp III $1.001 - 4.000$ $10.001 - 15.000$ $7.501 - 10.000$ $40.000 - 100.000$
Cấp IV $4.001 - 10.000$ $15.001 - 20.000$ $10.001 - 15.000$ $100.000 - 200.000$
Cấp 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 thiết lập cơ sở dữ liệu và khung lý thuyết toán học cho các mô hình dự báo:

  • Đặc điểm khu vực nghiên cứu: Phía Tây tỉnh Nghệ An có địa hình phân cắt mạnh, độ dốc lớn, chịu chi phối của 3 hệ thống hoàn lưu gió mùa (Đông Bắc, Đông Nam và Tây Nam khô nóng).
  • Cơ sở dữ liệu viễn thám và GIS:
    • Ảnh Sentinel-2 MSI độ phân giải 10m phục vụ lập bản đồ chỉ số thực vật NDVI.
    • Ảnh Landsat 8 TIRS (kênh 10) sử dụng để xác định nhiệt độ bức xạ bề mặt (LST) qua các hệ số nhiệt $K_1$, $K_2$.
    • Dữ liệu bốc thoát hơi nước bề mặt từ vệ tinh MODIS.
    • Mô hình số độ cao DEM SRTM (so sánh đối chiếu với Aster GDEM, ALOS 3D World, GMTED 2010) để trích xuất độ cao, độ dốc và hướng sườn.
    • Dữ liệu mật độ dân cư trích xuất từ WorldPop và dữ liệu khí hậu (tốc độ gió, lượng mưa tháng) từ WorldClim.
  • Quy trình mô hình hóa: Toàn bộ dữ liệu không gian được chuẩn hóa về cùng hệ tọa độ và kích thước ô lưới raster trước khi đưa vào tính toán trọng số theo AHP hoặc huấn luyện trên các thuật toán học máy (RF, SVM, CART) trong môi trường Google Earth Engine.

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 triển khai thực nghiệm toàn diện, tính toán kết quả và so sánh đánh giá độ chính xác:

  • Xây dựng các lớp chuyên đề: Chiết tách thành công 09 lớp bản đồ raster đơn lẻ cho toàn bộ khu vực phía Tây Nghệ An: NDVI, LST, độ bốc thoát hơi nước, độ cao, độ dốc, hướng sườn, mật độ dân cư, lượng mưa trung bình tháng và tốc độ gió.
  • Kết quả mô hình phân tích thứ bậc (AHP):
    • Ma trận so sánh cặp giữa 9 yếu tố được thiết lập và chuẩn hóa (Bảng 3.1, Bảng 3.2), đảm bảo tỷ số nhất quán $CR < 0,1$.
    • Kết quả phân vùng nguy cơ cháy rừng theo 5 cấp (I đến V) bằng phương pháp AHP được thể hiện trên Hình 3.16.
  • Kết quả các mô hình học máy:
    • Random Forest (RF): Chạy thực nghiệm với các tham số số lượng cây: RF 3, RF 100, và RF 200 (Hình 3.17, 3.18, 3.19).
    • Support Vector Machine (SVM): Chạy thực nghiệm với tham số phạt SVM C=25 và SVM C=30 (Hình 3.20, 3.21).
    • CART: Chạy thực nghiệm với số nút phân nhánh tối đa CART maxNodes 5 và CART maxNodes 30 (Hình 3.22, 3.23).
  • Đánh giá độ chính xác (ROC/AUC) và diện tích phân vùng:
Mô hình / Cấu hình thực nghiệm Giá trị AUC Đánh giá độ chính xác
Phân tích thứ bậc (AHP) $< 0,80$ Mức khá
Cây phân loại và hồi quy (CART) $0,80 - 0,85$ Mức tốt
Máy hỗ trợ vector (SVM) $0,83 - 0,87$ Mức tốt
Rừng ngẫu nhiên (Random Forest - RF) $> 0,90$ Mức cao nhất
  • Xây dựng công cụ xử lý trên GEE: Tác giả đã lập trình thành công module phần mềm tích hợp trực tiếp trên nền tảng GEE (Hình 3.25, 3.26), cho phép tự động tổ hợp màu ảnh viễn thám, trích xuất chỉ số và xuất bản đồ phân vùng nguy cơ cháy rừng.

Kết quả và những đóng góp mới

Đóng góp mới về mặt khoa học

  1. Xác lập cơ sở khoa học và bộ tiêu chí gồm 09 lớp thông tin không gian (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) tối ưu cho bài toán dự báo cháy rừng tại khu vực địa hình đồi núi phức tạp Bắc Trung Bộ.
  2. Chứng minh thực nghiệm ưu thế vượt trội của thuật toán Rừng ngẫu nhiên (Random Forest) so với các phương pháp truyền thống (AHP) và các thuật toán học máy khác (SVM, CART) khi xử lý dữ liệu địa không gian đa nguồn cho bài toán nguy cơ cháy rừng.

Đóng góp mới về mặt thực tiễn

  1. Xây dựng bản đồ phân vùng nguy cơ cháy rừng chi tiết cho khu vực phía Tây tỉnh Nghệ An theo 5 cấp độ nguy cơ, làm căn cứ khoanh vùng các điểm nóng trong mùa khô.
  2. Thiết lập công cụ mã nguồn tự động hóa trên nền tảng điện toán đám mây Google Earth Engine (GEE), giúp tối ưu hóa thời gian xử lý ảnh viễn thám và dữ liệu GIS mà không đòi hỏi hạ tầng phần cứng cục bộ phức tạp.

Kiến nghị và giải pháp đề xuất

  • Đề xuất các cơ quan quản lý lâm nghiệp tỉnh Nghệ An ứng dụng bản đồ phân vùng và công cụ GEE vào công tác tuần tra, bố trí trạm quan sát và phân bổ lực lượng chữa cháy trong các tháng cao điểm gió phơn Tây Nam.
  • Khuyến nghị cập nhật định kỳ dữ liệu viễn thám độ phân giải cao Sentinel-2 và dữ liệu khí tượng thời gian thực để duy trì tính liên tục của hệ thống cảnh báo.

Hạn chế và hướng nghiên cứu tiếp

  • Hạn chế: Luận án tập trung thử nghiệm tại khu vực phía Tây tỉnh Nghệ An; các trọng số và cấu hình siêu tham số mô hình học máy cần được hiệu chỉnh lại khi áp dụng cho các vùng sinh thái có đặc điểm khí hậu và lớp phủ khác biệt (như rừng ngập mặn Đồng bằng sông Cửu Long hoặc rừng khộp Tây Nguyên).
  • Hướng nghiên cứu tiếp:
    • Mở rộng tích hợp các nguồn ảnh viễn thám radar (Sentinel-1) để khắc phục tình trạng mây mù trong mùa mưa ẩm.
    • Thử nghiệm các mô hình học sâu (Deep Learning) kết hợp dữ liệu khí tượng dự báo ngắn hạn nhằm đưa ra cảnh báo nguy cơ theo thời gian thực (real-time).

Giá trị tham khảo

  • Đối với cơ quan quản lý và hoạch định chính sách: Cung cấp tài liệu kỹ thuật và bản đồ chuyên đề hỗ trợ Cục Lâm nghiệp, Cục Kiểm lâm và Chi cục Kiểm lâm tỉnh Nghệ An xây dựng phương án phòng cháy chữa cháy rừng (PCCCR) sát với thực tế không gian.
  • Đối với nghiên cứu sinh và giảng viên: Cung cấp khung phương pháp luận hoàn chỉnh về tích hợp viễn thám, GIS và học máy; là tài liệu tham khảo chuyên ngành cho các ngành Kỹ thuật Trắc địa – Bản đồ, Quản lý tài nguyên rừng, Địa tin học và Khoa học môi trường.

Câu hỏi thường gặp

1. Luận án đã lựa chọn những lớp thông tin đầu vào nào để xây dựng mô hình dự báo nguy cơ cháy rừng?

Luận án đã xác định và chiết tách 09 lớp thông tin đầu vào từ dữ liệu viễn thám và GIS, bao gồm:

  1. Mật độ dân cư (từ cơ sở dữ liệu WorldPop)
  2. Lớp phủ thực vật (chỉ số NDVI từ ảnh vệ tinh Sentinel-2 MSI)
  3. Độ bốc thoát hơi nước bề mặt (từ dữ liệu vệ tinh MODIS)
  4. Hướng sườn (trích xuất từ DEM SRTM)
  5. Độ dốc (trích xuất từ DEM SRTM)
  6. Tốc độ gió trung bình (từ cơ sở dữ liệu WorldClim)
  7. Độ cao địa hình (trích xuất từ DEM SRTM)
  8. Nhiệt độ bề mặt đất LST (từ kênh hồng ngoại nhiệt ảnh vệ tinh Landsat 8)
  9. Lượng mưa trung bình tháng (từ cơ sở dữ liệu WorldClim)

2. Mô hình nào đạt độ chính xác cao nhất trong các phương pháp được thử nghiệm tại luận án?

Trong số các phương pháp và thuật toán được thử nghiệm (AHP, CART, SVM, Random Forest), mô hình Rừng ngẫu nhiên (Random Forest - RF) đạt độ chính xác cao nhất với diện tích dưới đường cong AUC đạt trên 0,90, vượt trội hơn so với AHP ($AUC < 0,80$), CART ($0,80 - 0,85$) và SVM ($0,83 - 0,87$).

3. Các tham số thực nghiệm chính của các mô hình học máy trong Chương 3 được thiết lập ra sao?

  • Random Forest (RF): Thử nghiệm với các mức số lượng cây quyết định là 3 cây (RF 3), 100 cây (RF 100) và 200 cây (RF 200).
  • Support Vector Machine (SVM): Thử nghiệm với các tham số phạt C = 25 và C = 30.
  • CART: Thử nghiệm với số lượng nút phân nhánh tối đa maxNodes = 5 và maxNodes = 30.

4. Nền tảng công nghệ nào được tác giả sử dụng để xử lý dữ liệu và xây dựng công cụ tự động?

Tác giả sử dụng nền tảng điện toán đám mây Google Earth Engine (GEE) thông qua ngôn ngữ lập trình JavaScript/Java API và giao diện GEE Code Editor để thực hiện toàn bộ quy trình thu thập, lọc mây, tính toán chỉ số quang học/nhiệt, chạy mô hình và xây dựng giao diện công cụ xử lý dữ liệu viễn thám và GIS.

5. Công thức dự báo cháy rừng truyền thống của Nesterov được trình bày như thế nào trong luận án?

Luận án trình bày công thức Nesterov (1949) tính chỉ số khí tượng $P$: $$P = \sum_{i=1}^{n} K \cdot T_{13}^\circ \cdot D_{13}$$ Trong đó:

  • $P$ là chỉ tiêu khí tượng tổng hợp đánh giá mức nguy hiểm cháy rừng.
  • $K$ là hệ số điều chỉnh theo lượng mưa ($K=1$ nếu lượng mưa ngày $<5\text{ mm}$; $K=0$ nếu lượng mưa ngày $\ge 5\text{ mm}$ hoặc mưa phùn kéo dài 3–5 ngày).
  • $T_{13}^\circ$ là nhiệt độ không khí lúc 13 giờ ($^\circ\text{C}$).
  • $D_{13}$ là độ chênh lệch bão hòa của không khí lúc 13 giờ (hPa).
  • $i=1$ đến $n$ là số ngày tích lũy liên tục không có mưa lớn.

Kết luận

Luận án tiến sĩ kỹ thuật của tác giả Đoàn Thị Nam Phương đã hoàn thành mục tiêu xây dựng và lựa chọn mô hình dự báo nguy cơ cháy rừng từ dữ liệu viễn thám và GIS cho khu vực phía Tây tỉnh Nghệ An. Thông qua việc phân tích và đánh giá so sánh giữa phương pháp AHP và các thuật toán học máy (RF, SVM, CART), luận án khẳng định mô hình Rừng ngẫu nhiên (Random Forest) kết hợp với 09 lớp thông tin không gian mang lại độ chính xác cao nhất (AUC $> 0,90$). Công cụ xử lý tự động được phát triển trên nền tảng Google Earth Engine cung cấp giải pháp công nghệ hiệu quả phục vụ công tác quản lý, giám sát và cảnh báo sớm cháy rừng tại địa phương.