Tổng quan nghiên cứu

Rừng ngập mặn là một trong những hệ sinh thái quan trọng, đóng vai trò thiết yếu trong bảo vệ môi trường và phát triển kinh tế - xã hội. Tại huyện Cần Giờ, TP. Hồ Chí Minh, diện tích rừng ngập mặn khoảng 30.000 ha, được UNESCO công nhận là khu dự trữ sinh quyển thế giới. Tuy nhiên, rừng ngập mặn đang chịu tác động tiêu cực từ biến đổi khí hậu, xói mòn và khai thác quá mức, dẫn đến suy giảm diện tích và chất lượng rừng. Việc phân loại chính xác các lớp thực vật trong rừng ngập mặn là cần thiết để quản lý và bảo vệ tài nguyên rừng hiệu quả.

Mục tiêu nghiên cứu là kết hợp dữ liệu ảnh viễn thám quang học Sentinel-2 và radar Sentinel-1 để phân loại các lớp thực vật chính trong rừng ngập mặn Cần Giờ với độ phân giải 10m, xây dựng mô hình cây quyết định nhằm phân biệt các loài thực vật phổ biến như cây Dà (Ceriops tagal), cây Mượp (Avicennia), cây Dừa nước (Nypa palm), họ Rhizophoraceae và các lớp thực vật khác. Thời gian nghiên cứu tập trung từ tháng 2 đến tháng 6 năm 2021, tại khu vực huyện Cần Giờ, TP. Hồ Chí Minh.

Nghiên cứu có ý nghĩa quan trọng trong việc cung cấp dữ liệu chính xác về phân bố và diện tích các loài thực vật ngập mặn, hỗ trợ công tác giám sát, bảo tồn và phát triển bền vững rừng ngập mặn, góp phần nâng cao hiệu quả quản lý tài nguyên thiên nhiên tại địa phương.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Nghiên cứu dựa trên hai lý thuyết và mô hình chính:

  1. Lý thuyết viễn thám quang học và radar: Viễn thám quang học sử dụng chỉ số thực vật NDVI (Normalized Difference Vegetation Index) để đánh giá mật độ và sức khỏe thực vật dựa trên phản xạ ánh sáng vùng cận hồng ngoại và vùng đỏ. Viễn thám radar Sentinel-1 cung cấp dữ liệu tán xạ vi sóng, không bị ảnh hưởng bởi điều kiện thời tiết và ánh sáng, giúp phân biệt cấu trúc thực vật và độ ẩm đất.

  2. Mô hình cây quyết định (Decision Tree): Là phương pháp phân loại dựa trên việc xây dựng cây phân loại từ dữ liệu huấn luyện, giúp phân loại các lớp thực vật dựa trên các đặc trưng ảnh viễn thám kết hợp.

Các khái niệm chính bao gồm: NDVI, tán xạ radar sigma nought, mô hình cây quyết định, phân loại ảnh viễn thám, và độ chính xác phân loại (accuracy, Kappa index).

Phương pháp nghiên cứu

Nguồn dữ liệu chính gồm ảnh radar Sentinel-1 và ảnh quang học Sentinel-2, thu thập trong khoảng thời gian từ tháng 2 đến tháng 6 năm 2021. Dữ liệu ảnh Sentinel-2 có độ phân giải không gian 10m, gồm 13 dải quang phổ, hỗ trợ phân biệt các loại thực vật khác nhau. Ảnh Sentinel-1 cung cấp dữ liệu radar với các phân cực VV và VH, giúp nhận dạng cấu trúc thực vật và độ ẩm.

Phương pháp phân tích gồm các bước:

  • Tiền xử lý ảnh: hiệu chuẩn, lọc nhiễu, ghép ảnh, tính toán chỉ số NDVI từ ảnh Sentinel-2.
  • Xây dựng mô hình cây quyết định trên phần mềm ENVI và QGIS, sử dụng dữ liệu mẫu thu thập thực địa làm tập huấn luyện.
  • Phân loại ảnh theo 5 lớp thực vật chính: cây Dà, cây Mượp, họ Rhizophoraceae, cây Dừa nước và lớp thực vật khác.
  • Đánh giá độ chính xác phân loại bằng chỉ số tổng thể (overall accuracy) và hệ số Kappa.
  • So sánh kết quả với phương pháp phân loại Maximum Likelihood để kiểm chứng.

Cỡ mẫu huấn luyện khoảng vài trăm điểm mẫu được chọn ngẫu nhiên theo phương pháp chọn mẫu ngẫu nhiên có chủ đích, đảm bảo đại diện cho từng lớp thực vật. Phân tích dữ liệu được thực hiện trong vòng 4 tháng, từ tháng 2 đến tháng 6 năm 2021.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

  1. Phân loại thành công 5 lớp thực vật chính: Mô hình cây quyết định phân loại được các lớp cây Dà, cây Mượp, họ Rhizophoraceae, cây Dừa nước và lớp thực vật khác với độ chính xác tổng thể đạt khoảng 79,64%, hệ số Kappa đạt 0,76, cho thấy mô hình có khả năng phân biệt tốt các lớp thực vật trong rừng ngập mặn.

  2. So sánh với phương pháp Maximum Likelihood: Phương pháp Maximum Likelihood cho kết quả độ chính xác thấp hơn, khoảng 70%, cho thấy mô hình cây quyết định phù hợp hơn trong việc phân loại các lớp thực vật phức tạp tại khu vực nghiên cứu.

  3. Ảnh radar Sentinel-1 và chỉ số NDVI từ ảnh Sentinel-2 có mối tương quan cao: Giá trị tán xạ radar sigma nought có mối liên hệ chặt chẽ với chỉ số NDVI, giúp tăng cường khả năng phân biệt các loại thực vật khác nhau, đặc biệt trong điều kiện mây che và thời tiết xấu.

  4. Diện tích các lớp thực vật được xác định rõ ràng: Cây Dà chiếm khoảng 35% diện tích rừng ngập mặn, cây Mượp khoảng 25%, họ Rhizophoraceae 20%, cây Dừa nước 10%, và các lớp thực vật khác chiếm 10%. Kết quả này phù hợp với các báo cáo hiện trạng rừng ngập mặn tại Cần Giờ.

Thảo luận kết quả

Nguyên nhân mô hình cây quyết định đạt độ chính xác cao là do khả năng xử lý dữ liệu đa nguồn, kết hợp hiệu quả giữa dữ liệu quang học và radar, giúp giảm thiểu ảnh hưởng của điều kiện thời tiết và tăng cường phân biệt các lớp thực vật có đặc điểm tương đồng. Kết quả phù hợp với các nghiên cứu quốc tế về ứng dụng kết hợp Sentinel-1 và Sentinel-2 trong phân loại thực vật ngập mặn.

Việc sử dụng chỉ số NDVI kết hợp với dữ liệu radar giúp mô hình nhận diện được các đặc trưng sinh học và cấu trúc thực vật, từ đó phân loại chính xác hơn so với phương pháp truyền thống chỉ dựa trên ảnh quang học. Biểu đồ so sánh độ chính xác giữa các phương pháp phân loại có thể minh họa rõ sự vượt trội của mô hình cây quyết định.

Kết quả nghiên cứu góp phần làm phong phú thêm nguồn tài liệu khoa học về phân loại rừng ngập mặn, đồng thời tạo tiền đề cho việc áp dụng công nghệ viễn thám trong quản lý tài nguyên rừng tại Việt Nam.

Đề xuất và khuyến nghị

  1. Triển khai áp dụng mô hình cây quyết định trong giám sát rừng ngập mặn: Các cơ quan quản lý tài nguyên thiên nhiên nên sử dụng mô hình này để cập nhật thường xuyên bản đồ phân loại rừng, nâng cao hiệu quả quản lý và bảo vệ rừng trong vòng 1-2 năm tới.

  2. Tăng cường thu thập dữ liệu thực địa và ảnh viễn thám đa nguồn: Để nâng cao độ chính xác phân loại, cần phối hợp thu thập dữ liệu thực địa định kỳ và sử dụng thêm các nguồn ảnh viễn thám khác như SPOT, Landsat, nhằm bổ sung thông tin cho mô hình.

  3. Phát triển hệ thống giám sát tự động dựa trên dữ liệu Sentinel: Xây dựng hệ thống giám sát tự động cập nhật tình trạng rừng ngập mặn theo thời gian thực, giúp phát hiện sớm các biến động và tác động tiêu cực, thực hiện trong vòng 3 năm tới.

  4. Đào tạo và nâng cao năng lực cho cán bộ quản lý rừng: Tổ chức các khóa đào tạo về công nghệ viễn thám và phân tích dữ liệu cho cán bộ quản lý rừng tại địa phương, nhằm nâng cao khả năng ứng dụng công nghệ trong công tác quản lý.

Đối tượng nên tham khảo luận văn

  1. Cơ quan quản lý tài nguyên rừng và môi trường: Giúp cập nhật bản đồ phân loại rừng ngập mặn chính xác, phục vụ công tác quy hoạch và bảo vệ tài nguyên thiên nhiên.

  2. Các nhà nghiên cứu và học viên ngành địa lý, môi trường, viễn thám: Cung cấp phương pháp và dữ liệu tham khảo về ứng dụng kết hợp ảnh radar và quang học trong phân loại thực vật.

  3. Các tổ chức bảo tồn và phát triển bền vững: Hỗ trợ đánh giá hiện trạng rừng ngập mặn, theo dõi biến động và đề xuất các giải pháp bảo tồn hiệu quả.

  4. Doanh nghiệp và nhà đầu tư trong lĩnh vực lâm nghiệp và du lịch sinh thái: Cung cấp thông tin về phân bố các loài thực vật, giúp hoạch định kế hoạch phát triển bền vững và khai thác hợp lý tài nguyên rừng.

Câu hỏi thường gặp

  1. Tại sao cần kết hợp ảnh radar Sentinel-1 và ảnh quang Sentinel-2 trong phân loại rừng ngập mặn?
    Ảnh radar không bị ảnh hưởng bởi mây và điều kiện thời tiết, trong khi ảnh quang cung cấp thông tin về màu sắc và sinh trưởng thực vật. Kết hợp hai loại ảnh giúp tăng độ chính xác phân loại và giảm sai số do điều kiện môi trường.

  2. Mô hình cây quyết định có ưu điểm gì so với các phương pháp phân loại khác?
    Mô hình cây quyết định dễ hiểu, xử lý dữ liệu đa chiều hiệu quả, cho kết quả phân loại chính xác và có thể áp dụng linh hoạt với nhiều loại dữ liệu viễn thám khác nhau.

  3. Độ phân giải 10m của ảnh Sentinel có đủ để phân loại các loài thực vật trong rừng ngập mặn không?
    Độ phân giải 10m là phù hợp để phân loại các lớp thực vật chính trong rừng ngập mặn, đặc biệt khi kết hợp với dữ liệu radar giúp nhận diện cấu trúc thực vật chi tiết hơn.

  4. Làm thế nào để đánh giá độ chính xác của mô hình phân loại?
    Độ chính xác được đánh giá qua chỉ số tổng thể (overall accuracy) và hệ số Kappa, so sánh kết quả phân loại với dữ liệu thực địa hoặc bản đồ tham chiếu.

  5. Nghiên cứu này có thể áp dụng cho các khu vực rừng ngập mặn khác không?
    Phương pháp và mô hình có thể áp dụng cho các khu vực rừng ngập mặn khác có điều kiện tương tự, tuy nhiên cần điều chỉnh dữ liệu huấn luyện và tham số mô hình phù hợp với đặc điểm địa phương.

Kết luận

  • Nghiên cứu đã xây dựng thành công mô hình cây quyết định kết hợp dữ liệu ảnh radar Sentinel-1 và quang học Sentinel-2 để phân loại 5 lớp thực vật chính trong rừng ngập mặn Cần Giờ với độ chính xác khoảng 79,64%.
  • Mô hình cây quyết định vượt trội hơn phương pháp Maximum Likelihood truyền thống trong việc phân loại các lớp thực vật phức tạp.
  • Kết quả phân loại cung cấp thông tin chi tiết về diện tích và phân bố các loài thực vật, hỗ trợ công tác quản lý và bảo tồn rừng ngập mặn hiệu quả.
  • Đề xuất áp dụng mô hình trong giám sát thường xuyên, phát triển hệ thống giám sát tự động và nâng cao năng lực cán bộ quản lý.
  • Các bước tiếp theo bao gồm mở rộng nghiên cứu sang các khu vực khác, tích hợp thêm dữ liệu viễn thám đa nguồn và phát triển công cụ hỗ trợ quản lý tài nguyên rừng.

Mời các nhà quản lý, nhà nghiên cứu và các tổ chức liên quan tiếp cận và ứng dụng kết quả nghiên cứu để bảo vệ và phát triển bền vững rừng ngập mặn Việt Nam.