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 bền vững. Tại Việt Nam, đặc biệt là huyện Cần Giờ, TP. Hồ Chí Minh, rừng ngập mặn đang chịu áp lực suy giảm diện tích nghiêm trọng do khai thác quá mức và biến đổi khí hậu. Theo ước tính, diện tích rừng ngập mặn Cần Giờ hiện khoảng 30.000 ha, được UNESCO công nhận là khu dự trữ sinh quyển thế giới, góp phần bảo vệ đa dạng sinh học và phòng hộ ven biển. Tuy nhiên, việc quản lý và bảo vệ tài nguyên rừng ngập mặn đòi hỏi các phương pháp phân loại chính xác các lớp thực vật để theo dõi sự biến động và phục hồi.

Mục tiêu nghiên cứu là kết hợp dữ liệu ảnh viễn thám quang học Sentinel-2 và radar Sentinel-1 để phân loại chi tiết các lớp thực vật trong rừng ngập mặn huyện Cần Giờ, xây dựng mô hình cây quyết định nhằm nâng cao độ chính xác phân loại, phục vụ công tác quản lý tài nguyên rừng hiệu quả. Nghiên cứu thực hiện trong khoảng thời gian từ tháng 2 đến tháng 6 năm 2021, tập trung trên khu vực rừng ngập mặn Cần Giờ với độ phân giải ảnh 10m, giúp đánh giá chi tiết các lớp thực vật phổ biến như cây Dà, cây Mượp, Rhizophoraceae, cây Dừa nước và các lớp thực vật khác.

Việc áp dụng kết hợp dữ liệu radar và quang học giúp khắc phục hạn chế của từng loại ảnh riêng lẻ, đặc biệt là ảnh quang học bị ảnh hưởng bởi mây che phủ và điều kiện thời tiết, trong khi ảnh radar có khả năng xuyên mây và thu thập dữ liệu liên tục. Kết quả nghiên cứu có ý nghĩa quan trọng trong việc giám sát biến động rừng ngập mặn, hỗ trợ các cơ quan quản lý trong việc ra quyết định bảo tồn và phát triển bền vững tài nguyên rừng tại khu vực này.

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 các dải sóng điện từ để thu nhận phản xạ từ bề mặt thực vật, trong đó chỉ số thực vật NDVI (Normalized Difference Vegetation Index) được dùng để đánh giá mật độ và sức khỏe thực vật. Viễn thám radar sử dụng sóng vi ba với khả năng xuyên mây, thu nhận tín hiệu phản xạ từ cấu trúc thực vật, giúp phân biệt các lớp thực vật dựa trên đặc tính tán xạ.

  2. Mô hình cây quyết định (Decision Tree): Đây 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. Mô hình này có ưu điểm dễ hiểu, khả năng xử lý dữ liệu đa chiều và cho kết quả chính xác cao.

Các khái niệm chính bao gồm:

  • NDVI: chỉ số đánh giá thực vật dựa trên ảnh quang học.
  • Radar Sigma Nought (σ⁰): giá trị phản xạ radar biểu thị đặc tính bề mặt.
  • Lớp thực vật (Vegetation Classes): các nhóm cây đặc trưng trong rừng ngập mặn như Ceriops tagal, Avicennia, Rhizophoraceae, Nypa palm.
  • Độ chính xác phân loại (Overall Accuracy) và Chỉ số Kappa (K): các chỉ số đánh giá hiệu quả mô hình phân loại.

Phương pháp nghiên cứu

Nguồn dữ liệu chính gồm:

  • Ảnh radar Sentinel-1 (độ phân giải 10m, chế độ Interferometric Wide swath) thu thập liên tục, không bị ảnh hưởng bởi mây mù.
  • Ảnh quang học Sentinel-2 (13 dải sóng, độ phân giải 10m) cung cấp thông tin phổ rộng về thực vật.
  • Dữ liệu mẫu thực địa thu thập tại các vùng rừng ngập mặn Cần Giờ để xây dựng và kiểm định mô hình.

Phương pháp phân tích gồm:

  • Tiền xử lý ảnh: hiệu chuẩn, lọc nhiễu, ghép ảnh và tính toán chỉ số NDVI.
  • Xây dựng mô hình cây quyết định dựa trên dữ liệu kết hợp Sentinel-1 và Sentinel-2, sử dụng phần mềm ENVI và QGIS để phân tích và phân loại.
  • So sánh kết quả với phương pháp phân loại Maximum Likelihood để đánh giá hiệu quả mô hình.
  • Cỡ mẫu: khoảng vài trăm điểm mẫu thực địa được chọn ngẫu nhiên theo phương pháp chọn mẫu phân tầng nhằm đảm bảo đại diện cho các lớp thực vật.
  • Timeline nghiên cứu: từ tháng 2 đến tháng 6 năm 2021, bao gồm thu thập dữ liệu, xử lý, phân tích và đánh giá kết quả.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

  1. Phân loại thành công 5 lớp thực vật chính: Ceriops tagal, Avicennia, Rhizophoraceae, Nypa palm và các lớp thực vật khác với độ chính xác tổng thể đạt 79,64% và chỉ số Kappa khoảng 0,7, cho thấy mô hình cây quyết định có hiệu quả cao trong phân loại rừng ngập mặn.

  2. Hiệu quả kết hợp dữ liệu radar và quang học: Việc sử dụng đồng thời ảnh Sentinel-1 và Sentinel-2 giúp cải thiện độ phân giải không gian và phổ, giảm thiểu sai số do mây che phủ và điều kiện thời tiết, nâng cao độ chính xác phân loại so với sử dụng riêng lẻ từng loại ảnh.

  3. So sánh với phương pháp Maximum Likelihood: Mô hình cây quyết định cho kết quả phân loại chính xác hơn khoảng 10% so với phương pháp Maximum Likelihood truyền thống, đặc biệt trong việc phân biệt các lớp thực vật có đặc điểm tương đồng.

  4. Phân bố không gian các lớp thực vật: Cây Dà tập trung chủ yếu ở vùng lõi rừng, cây Mượp và Rhizophoraceae phân bố xen kẽ, trong khi cây Dừa nước và các lớp thực vật khác phân bố ở vùng ven và khu vực chịu ảnh hưởng thủy triều.

Thảo luận kết quả

Nguyên nhân kết quả phân loại đạt độ chính xác cao là do mô hình cây quyết định tận dụng được đặc trưng phổ và cấu trúc tín hiệu radar, đồng thời dữ liệu Sentinel-1 cung cấp thông tin xuyên mây, bù đắp hạn chế của ảnh quang học Sentinel-2. Kết quả phù hợp với các nghiên cứu quốc tế về ứng dụng kết hợp ảnh radar và quang học trong phân loại thực vật ngập nước và rừng ngập mặn.

Biểu đồ so sánh độ chính xác phân loại giữa các phương pháp và bảng phân bố diện tích các lớp thực vật sẽ minh họa rõ nét hiệu quả của mô hình cây quyết định. Kết quả này có ý nghĩa quan trọng trong việc theo dõi biến động rừng ngập mặn, hỗ trợ đánh giá tác động môi trường và hoạch định chính sách bảo vệ rừng.

Đề xuất và khuyến nghị

  1. Triển khai áp dụng mô hình cây quyết định kết hợp dữ liệu Sentinel-1 và Sentinel-2 trong giám sát rừng ngập mặn nhằm nâng cao độ chính xác phân loại và theo dõi biến động diện tích, thực hiện định kỳ hàng năm bởi các cơ quan quản lý tài nguyên rừng.

  2. Xây dựng hệ thống cảnh báo sớm biến động rừng ngập mặn dựa trên dữ liệu viễn thám đa nguồn, giúp phát hiện kịp thời các hoạt động khai thác trái phép hoặc suy giảm sinh thái, do Ban Quản lý rừng phòng hộ Cần Giờ phối hợp với các đơn vị nghiên cứu thực hiện trong vòng 2 năm tới.

  3. Đào tạo và nâng cao năng lực cho cán bộ quản lý rừng về công nghệ viễn thám và GIS, đảm bảo vận hành hiệu quả hệ thống phân loại và giám sát rừng, tổ chức các khóa đào tạo chuyên sâu trong 6 tháng đầu năm 2024.

  4. Mở rộng nghiên cứu áp dụng mô hình phân loại cho các khu vực rừng ngập mặn khác trên cả nước, nhằm xây dựng bản đồ tài nguyên rừng toàn diện, phục vụ công tác quy hoạch và bảo tồn, phối hợp với các viện nghiên cứu và trường đại học trong 3 năm tới.

Đối tượng nên tham khảo luận văn

  1. Cơ quan quản lý tài nguyên rừng và môi trường: Sử dụng kết quả để nâng cao hiệu quả giám sát, quản lý và bảo vệ rừng ngập mặn, đặc biệt trong việc phát hiện và xử lý các hành vi khai thác trái phép.

  2. Các nhà nghiên cứu và học viên ngành viễn thám, địa lý môi trường: Tham khảo phương pháp kết hợp dữ liệu radar và quang học, mô hình cây quyết định trong phân loại thực vật, phục vụ nghiên cứu và ứng dụng thực tế.

  3. Các tổ chức bảo tồn và phát triển bền vững: Áp dụng kết quả để xây dựng các chương trình bảo tồn đa dạng sinh học, theo dõi sức khỏe rừng và đánh giá tác động môi trường.

  4. Doanh nghiệp và nhà đầu tư trong lĩnh vực lâm nghiệp và du lịch sinh thái: Sử dụng thông tin phân loại rừng chi tiết để hoạch định kế hoạch phát triển bền vững, khai thác hợp lý tài nguyên rừng ngập mặn.

Câu hỏi thường gặp

  1. Tại sao cần kết hợp dữ liệu Sentinel-1 và Sentinel-2 trong phân loại rừng ngập mặn?
    Ảnh quang học Sentinel-2 cung cấp thông tin phổ rộng nhưng bị hạn chế bởi mây và điều kiện thời tiết, trong khi ảnh radar Sentinel-1 có khả năng xuyên mây, thu thập dữ liệu liên tục. Kết hợp hai loại dữ liệu giúp tăng độ chính xác và độ tin cậy trong phân loại.

  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 tốt dữ liệu đa chiều, cho kết quả chính xác và có thể áp dụng hiệu quả trong phân loại các lớp thực vật phức tạp như rừng ngập mặn.

  3. Độ phân giải ảnh 10m có đủ để phân loại chi tiết các lớp thực vật không?
    Độ phân giải 10m là phù hợp để phân loại các lớp thực vật phổ biến trong rừng ngập mặn, cho phép nhận diện các nhóm cây chính với độ chính xác cao, đồng thời đảm bảo phạm vi bao phủ rộng.

  4. Làm thế nào để kiểm định độ chính xác của mô hình phân loại?
    Sử dụng dữ liệu mẫu thực địa làm tập kiểm định, tính toán các chỉ số như độ chính xác tổng thể và chỉ số Kappa, đồng thời so sánh với các phương pháp phân loại truyền thống như Maximum Likelihood.

  5. Nghiên cứu này có thể áp dụng cho các khu vực rừng khác không?
    Có thể áp dụng, tuy nhiên cần điều chỉnh mô hình và dữ liệu đầu vào phù hợp với đặc điểm sinh thái và điều kiện địa lý của từng khu vực để đảm bảo hiệu quả phân loại.

Kết luận

  • Nghiên cứu đã thành công trong việc kết hợp dữ liệu viễn thám radar Sentinel-1 và quang học Sentinel-2 để phân loại chi tiết 5 lớp thực vật chính trong rừng ngập mặn Cần Giờ với độ chính xác tổng thể gần 80%.
  • Mô hình cây quyết định được xây dựng cho thấy hiệu quả vượt trội so với phương pháp phân loại truyền thống, góp phần nâng cao chất lượng bản đồ phân loại rừng.
  • Kết quả nghiên cứu cung cấp cơ sở khoa học vững chắc cho công tác quản lý, bảo vệ và phát triển bền vững rừng ngập mặn tại Cần Giờ và các khu vực tương tự.
  • Đề xuất triển khai áp dụng mô hình trong giám sát thường xuyên, đào tạo cán bộ và mở rộng nghiên cứu trên phạm vi toàn quốc.
  • Các bước tiếp theo bao gồm hoàn thiện hệ thống giám sát, tích hợp dữ liệu đa nguồn và phát triển các công cụ hỗ trợ ra quyết định cho quản lý tài nguyên rừng.

Hành động ngay hôm nay để bảo vệ rừng ngập mặn – nguồn tài nguyên quý giá của chúng ta!