Luận văn thạc sĩ về phát hiện mất rừng ven biển từ ảnh vệ tinh sử dụng mạng nơ ron

Luận văn thạc sĩ nghiên cứu phát hiện mất rừng ven biển từ ảnh vệ tinh bằng mạng nơ ron, góp phần bảo vệ môi trường và tài nguyên thiên nhiên.

• Tác giả: Trần Xuân Hòa
• Người hướng dẫn: TS. Nguyễn Trọng Khánh
• Trường học: Học viện Công nghệ Bưu chính Viễn thông
• Chuyên ngành: Hệ thống thông tin
• Đề tài: Phát hiện mất rừng ven biển từ ảnh vệ tinh dựa trên mạng nơ-ron
• Loại tài liệu: luận văn thạc sĩ
• Năm xuất bản: 2020
• Địa điểm: Hà Nội

Mục lục chi tiết

• LỜI CAM ĐOAN
• LỜI CẢM ƠN
• MỤC LỤC
• DANH MỤC HÌNH ẢNH
• DANH MỤC BẢNG
• DANH MỤC TỪ VIẾT TẮT
• MỞ ĐẦU
• 1. CHƯƠNG 1: TỔNG QUAN VẤN ĐỀ NGHIÊN CỨU
• 1.1. Đặt vấn đề
• 1.2. Tổng quan về rừng ven biển và biến động rừng ven biển
• 1.2.1. Rừng ven biển
• 1.2.2. Hiện trạng rừng ven biển Việt Nam
• 1.2.3. Nguyên nhân biến động rừng ven biển
• 1.3. Các nghiên cứu liên quan phát hiện biến động rừng từ ảnh vệ tinh
• 1.3.1. Khả năng khai thác ảnh vệ tinh phục vụ phát hiện biến động rừng
• 1.3.2. Một số kết quả nghiên cứu về phát hiện biến động rừng từ ảnh vệ tinh
• 1.3.3. Khó khăn và thách thức trong phát hiện biến động rừng từ ảnh vệ tinh
• 1.4. Ứng dụng mạng nơ-ron giải bài toán phát hiện mất rừng từ ảnh vệ tinh
• 1.4.1. Một số công nghệ liên quan
• 1.4.1.1. Ảnh vệ tinh
• 1.4.1.2. Hệ thống thông tin địa lý
• 1.4.1.3. Điện toán đám mây
• 1.5. Tổng kết chương 1
• 2. CHƯƠNG 2: PHÁT HIỆN MẤT RỪNG VEN BIỂN TỪ ẢNH VỆ TINH DỰA TRÊN MẠNG NƠ-RON
• 2.1. Mạng nơ-ron tích chập
• 2.1.1. Giới thiệu tổng quan
• 2.1.2. Các hàm kích hoạt thường sử dụng
• 2.2. Kiến trúc mạng U-Net
• 2.2.1. Hiểu về phân loại hình ảnh, phát hiện đối tượng và phân đoạn hình ảnh
• 2.2.2. Giới thiệu U-Net
• 2.2.3. Kiến trúc mạng U-Net
• 2.2.4. Đặc điểm mạng U-Net
• 2.3. Phát hiện mất rừng từ ảnh vệ tinh dựa trên mạng U-Net
• 2.3.1. Mô tả bài toán
• 2.3.2. Quy trình thực hiện
• 2.4. Tổng kết chương 2
• 3. CHƯƠNG 3: THỬ NGHIỆM VÀ ĐÁNH GIÁ
• 3.1. Phần mềm và thư viện
• 3.2. Chuẩn bị dữ liệu
• 3.2.1. Vị trí thử nghiệm
• 3.2.2. Dữ liệu ảnh Sentinel-2
• 3.2.3. Dữ liệu bản đồ hiện trạng rừng
• 3.2.4. Dữ liệu điểm mẫu
• 3.3. Cài đặt thực nghiệm
• 3.3.1. Cài đặt thư viện và thiết lập chung
• 3.3.2. Xây dựng các hàm xử lý
• 3.3.3. Thực thi mạng U-Net
• 3.3.4. Huấn luyện mô hình
• 3.4. Kết quả thử nghiệm và đánh giá
• 3.4.1. Kết quả thử nghiệm phương pháp U-Net phát hiện biến động rừng
• 3.4.2. So sánh kết quả phát hiện biến động giữa phương pháp MCVA và U-Net
• 3.4.3. Đánh giá kết quả
• 3.5. Tổng kết chương 3
• 4. CHƯƠNG 4: KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN
• 4.1. Những đóng góp của luận văn
• 4.2. Hướng phát triển
• DANH MỤC CÁC TÀI LIỆU THAM KHẢO
• PHỤ LỤC 1: DANH SÁCH CẢNH ẢNH SENTINEL-2 SỬ DỤNG HUẤN LUYỆN
• PHỤ LỤC 2: HOẠT ĐỘNG ĐẦY ĐỦ CỦA CÁC LỚP TRONG MẠNG U-NET

Tóm tắt

I. Tổng quan về rừng ven biển và biến động rừng ven biển

Rừng ven biển (RVB) đóng vai trò quan trọng trong việc bảo vệ môi trường và sinh kế của người dân ven biển. RVB không chỉ cung cấp dịch vụ sinh thái như lọc nước và bảo tồn đa dạng sinh học mà còn giúp ổn định bờ biển trước tác động của thiên tai. Tuy nhiên, RVB đang phải đối mặt với nhiều thách thức từ biến đổi khí hậu (BĐKH) và hoạt động của con người. Theo thống kê, diện tích RVB tại Việt Nam đã biến động mạnh mẽ trong những năm qua, với nhiều khu vực bị suy giảm do các hoạt động phát triển kinh tế và khai thác tài nguyên. Việc phát hiện và theo dõi biến động này là rất cần thiết để bảo vệ và duy trì hệ sinh thái này. Sử dụng công nghệ ảnh vệ tinh và mạng nơ-ron có thể giúp cải thiện khả năng giám sát và phát hiện mất rừng một cách hiệu quả.

1.1 Rừng ven biển

Rừng ven biển là một hệ sinh thái đa dạng, bao gồm các loài thực vật và động vật đặc trưng cho vùng đất ven biển. Được định nghĩa theo Luật Lâm nghiệp, RVB bao gồm các loại rừng đặc dụng và rừng phòng hộ. Hệ sinh thái này không chỉ có giá trị về mặt sinh thái mà còn có ý nghĩa kinh tế và xã hội lớn. Tuy nhiên, RVB đang bị đe dọa bởi nhiều yếu tố, bao gồm sự phát triển đô thị hóa và biến đổi khí hậu. Việc bảo vệ và duy trì RVB là cần thiết để đảm bảo sự phát triển bền vững cho các cộng đồng ven biển.

1.2 Hiện trạng rừng ven biển Việt Nam

Theo các báo cáo, diện tích RVB tại Việt Nam đã có sự biến động đáng kể trong những năm gần đây. Mặc dù có sự gia tăng diện tích rừng trồng, nhưng rừng tự nhiên lại giảm sút, đặc biệt là rừng ngập mặn. Điều này cho thấy sự cần thiết phải có các biện pháp giám sát và bảo vệ hiệu quả hơn. Việc sử dụng công nghệ hiện đại như ảnh vệ tinh và mạng nơ-ron có thể giúp phát hiện sớm các biến động và đưa ra các giải pháp kịp thời nhằm bảo vệ RVB.

II. Phát hiện mất rừng ven biển từ ảnh vệ tinh dựa trên mạng nơ ron

Nghiên cứu này tập trung vào việc phát hiện mất rừng ven biển thông qua việc sử dụng ảnh vệ tinh và mạng nơ-ron. Mạng nơ-ron tích chập (CNN) được áp dụng để phân tích và phân loại các hình ảnh vệ tinh, từ đó phát hiện các biến động trong diện tích rừng. Việc sử dụng mạng U-Net cho phép cải thiện độ chính xác trong việc phát hiện mất rừng, nhờ vào khả năng phân đoạn hình ảnh hiệu quả. Quy trình thực hiện bao gồm việc thu thập dữ liệu từ ảnh vệ tinh, xử lý và huấn luyện mô hình để đưa ra các dự đoán chính xác về tình trạng rừng. Kết quả từ nghiên cứu cho thấy khả năng ứng dụng của công nghệ này trong việc giám sát và bảo vệ tài nguyên rừng ven biển.

2.1 Mạng nơ ron tích chập

Mạng nơ-ron tích chập (CNN) là một trong những công nghệ tiên tiến nhất trong lĩnh vực học sâu. CNN có khả năng tự động học và trích xuất các đặc trưng từ hình ảnh, giúp cải thiện độ chính xác trong việc phân loại và phát hiện đối tượng. Kiến trúc mạng U-Net, một biến thể của CNN, được thiết kế đặc biệt cho các nhiệm vụ phân đoạn hình ảnh, cho phép phát hiện các vùng rừng bị mất một cách hiệu quả. Việc áp dụng CNN trong nghiên cứu này không chỉ giúp phát hiện mất rừng mà còn cung cấp thông tin chi tiết về tình trạng rừng tại các khu vực ven biển.

2.2 Quy trình thực hiện

Quy trình thực hiện nghiên cứu bao gồm nhiều bước quan trọng. Đầu tiên, dữ liệu ảnh vệ tinh được thu thập từ các nguồn như Google Earth Engine. Sau đó, dữ liệu này được xử lý và phân tích bằng mạng U-Net để phát hiện các biến động trong diện tích rừng. Mô hình được huấn luyện với dữ liệu đầu vào bao gồm các đặc trưng của rừng và các yếu tố môi trường. Kết quả thử nghiệm cho thấy mô hình có khả năng phát hiện mất rừng với độ chính xác cao, từ đó cung cấp thông tin hữu ích cho các cơ quan quản lý trong việc bảo vệ tài nguyên rừng ven biển.

III. Thử nghiệm và đánh giá

Chương này mô tả chi tiết các thử nghiệm được thực hiện để đánh giá hiệu quả của mô hình mạng nơ-ron trong việc phát hiện mất rừng. Các thử nghiệm được tiến hành trên dữ liệu ảnh vệ tinh từ Sentinel-2, với các thông số được thiết lập để đảm bảo tính chính xác và độ tin cậy của kết quả. Kết quả thử nghiệm cho thấy mô hình U-Net có khả năng phát hiện biến động rừng với độ chính xác cao hơn so với các phương pháp truyền thống. Việc so sánh kết quả giữa các phương pháp khác nhau cũng cho thấy rõ ưu điểm của việc sử dụng mạng nơ-ron trong việc giám sát và bảo vệ rừng.

3.1 Kết quả thử nghiệm

Kết quả thử nghiệm cho thấy mô hình U-Net có khả năng phát hiện mất rừng với độ chính xác lên đến 90%. Các thử nghiệm được thực hiện trên nhiều khu vực khác nhau, cho thấy tính khả thi của mô hình trong việc áp dụng thực tế. Việc sử dụng ảnh vệ tinh chất lượng cao từ Sentinel-2 cũng góp phần nâng cao độ chính xác của kết quả. Những thông tin này rất quan trọng cho các cơ quan quản lý trong việc đưa ra các quyết định kịp thời nhằm bảo vệ tài nguyên rừng.

3.2 Đánh giá kết quả

Đánh giá kết quả thử nghiệm cho thấy mô hình U-Net không chỉ phát hiện mất rừng mà còn cung cấp thông tin chi tiết về tình trạng rừng tại các khu vực ven biển. Việc so sánh với các phương pháp truyền thống cho thấy rõ ràng ưu điểm của mạng nơ-ron trong việc phát hiện biến động rừng. Kết quả này mở ra hướng đi mới trong việc ứng dụng công nghệ cao vào công tác quản lý và bảo vệ tài nguyên rừng, đặc biệt là trong bối cảnh biến đổi khí hậu ngày càng nghiêm trọng.

IV. Kết luận và hướng phát triển

Nghiên cứu đã chỉ ra rằng việc phát hiện mất rừng ven biển từ ảnh vệ tinh bằng mạng nơ-ron là một giải pháp hiệu quả và khả thi. Kết quả đạt được không chỉ giúp nâng cao khả năng giám sát rừng mà còn cung cấp thông tin quan trọng cho các cơ quan quản lý trong việc bảo vệ tài nguyên thiên nhiên. Hướng phát triển trong tương lai có thể bao gồm việc mở rộng ứng dụng của công nghệ này đến các khu vực khác và cải thiện các thuật toán để nâng cao độ chính xác hơn nữa. Việc kết hợp giữa công nghệ và quản lý tài nguyên sẽ góp phần quan trọng trong việc bảo vệ môi trường và ứng phó với biến đổi khí hậu.

4.1 Những đóng góp của luận văn

Luận văn đã đóng góp vào việc phát triển các phương pháp mới trong việc phát hiện mất rừng ven biển. Việc áp dụng mạng nơ-ron tích chập đã chứng minh được hiệu quả trong việc phân tích và xử lý ảnh vệ tinh, từ đó cung cấp thông tin hữu ích cho công tác quản lý rừng. Những kết quả đạt được sẽ là cơ sở cho các nghiên cứu tiếp theo trong lĩnh vực này.

4.2 Hướng phát triển

Hướng phát triển trong tương lai có thể bao gồm việc mở rộng nghiên cứu sang các khu vực khác, cải thiện các thuật toán và tích hợp thêm các nguồn dữ liệu khác nhau. Việc kết hợp giữa công nghệ và quản lý tài nguyên sẽ giúp nâng cao hiệu quả trong công tác bảo vệ rừng và ứng phó với biến đổi khí hậu. Các nghiên cứu tiếp theo cũng nên tập trung vào việc phát triển các công cụ hỗ trợ cho các cơ quan quản lý trong việc giám sát và bảo vệ tài nguyên thiên nhiên.

Nội dung chính

Tổng quan nghiên cứu

Biến đổi khí hậu đang gây ra những tác động nghiêm trọng đến hệ sinh thái, đặc biệt là các khu vực rừng ven biển (RVB) – một thành phần quan trọng trong việc bảo vệ bờ biển và duy trì đa dạng sinh học. Việt Nam, với hơn 3.260 km đường bờ biển, đang chứng kiến sự biến động nhanh chóng về diện tích RVB, trong đó diện tích rừng tự nhiên giảm đáng kể, đặc biệt là rừng ngập mặn (giảm 789 ha trong năm 2018). Việc phát hiện sớm và chính xác các biến động mất rừng ven biển là rất cần thiết để nâng cao hiệu quả quản lý và bảo vệ tài nguyên rừng, góp phần ứng phó với biến đổi khí hậu và thiên tai.

Mục tiêu nghiên cứu tập trung vào việc phát triển một giải pháp ứng dụng mạng nơ-ron tích chập (CNN), cụ thể là kiến trúc U-Net, để phát hiện biến động mất rừng ven biển từ ảnh vệ tinh Sentinel-2. Nghiên cứu khai thác dữ liệu ảnh vệ tinh từ năm 2017 đến 2019, kết hợp với dữ liệu hiện trạng rừng từ hệ thống quản lý ngành Lâm nghiệp và dữ liệu điểm mẫu khảo sát thực địa tại khu vực ven biển thành phố Hải Phòng. Giải pháp hướng đến việc phân loại và phân đoạn hình ảnh vệ tinh nhằm phát hiện nhanh chóng các vị trí mất rừng, từ đó hỗ trợ công tác giám sát và quản lý rừng ven biển hiệu quả hơn.

Việc ứng dụng công nghệ trí tuệ nhân tạo và học sâu trong phân tích ảnh vệ tinh không chỉ giúp giảm thiểu thời gian và nhân lực mà còn nâng cao độ chính xác trong phát hiện biến động rừng. Kết quả nghiên cứu có ý nghĩa quan trọng trong việc bảo vệ tài nguyên thiên nhiên, phát triển bền vững vùng ven biển và góp phần giảm thiểu tác động của biến đổi khí hậu.

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. Mạng nơ-ron tích chập (CNN): Là mô hình học sâu được thiết kế để xử lý dữ liệu dạng ảnh, CNN sử dụng các tầng tích chập (convolution), gộp (pooling) và kết nối đầy đủ (fully connected) để trích xuất đặc trưng và phân loại hình ảnh. CNN giúp giảm số lượng tham số, tăng tốc độ huấn luyện và tránh hiện tượng quá khớp.

2. Kiến trúc U-Net: Là một dạng mạng CNN đặc biệt, được thiết kế cho bài toán phân đoạn hình ảnh với khả năng phân đoạn chính xác và yêu cầu ít dữ liệu huấn luyện. U-Net gồm hai phần chính: đường dẫn co (contraction path) để trích xuất đặc trưng và đường dẫn mở rộng (expansion path) để tái tạo lại kích thước ảnh, kết hợp với các kết nối nhảy (skip connections) giúp giữ lại thông tin chi tiết.

Các khái niệm chính được sử dụng trong nghiên cứu bao gồm:

• Phân loại hình ảnh: Xác định loại đối tượng có trong ảnh.
• Phân đoạn hình ảnh: Phân loại từng điểm ảnh để xác định vị trí và hình dạng đối tượng.
• Chỉ số thực vật NDVI: Đo lường chất lượng thảm thực vật dựa trên phản xạ phổ.
• Ảnh vệ tinh Sentinel-2: Ảnh quang học đa phổ với độ phân giải không gian từ 10 đến 60 m, chu kỳ chụp 5 ngày khi kết hợp hai vệ tinh.
• Hệ thống thông tin địa lý (GIS): Công cụ quản lý, phân tích và trực quan hóa dữ liệu không gian.

Phương pháp nghiên cứu

Nghiên cứu kết hợp giữa lý thuyết và thực nghiệm với các bước chính:

• Nguồn dữ liệu:

  • Ảnh vệ tinh Sentinel-2 MSI Level-2A từ Google Earth Engine, thu thập từ năm 2017 đến 2019, với 26 cảnh ảnh huấn luyện và 32 cảnh ảnh dự đoán.
  • Dữ liệu hiện trạng rừng ven biển thành phố Hải Phòng từ hệ thống quản lý ngành Lâm nghiệp FORMIS, với diện tích rừng có rừng là 11.331,74 ha tính đến cuối năm 2019.
  • Bộ dữ liệu điểm mẫu gồm 1.000 điểm huấn luyện và 300 điểm xác minh, được khảo sát thực địa.

• Phương pháp phân tích:

  • Tiền xử lý ảnh vệ tinh: loại bỏ mây, bóng mây, tính toán các chỉ số NDVI, NDSI, NDWI.
  • Xây dựng bộ dữ liệu huấn luyện và xác minh dựa trên điểm mẫu và lớp phủ rừng.
  • Huấn luyện mô hình mạng U-Net trên nền tảng Google Colaboratory sử dụng TPU, TensorFlow và EarthEngine-API.
  • Dự đoán và phân đoạn ảnh vệ tinh để phát hiện biến động mất rừng.
  • So sánh kết quả với phương pháp phân tích véc tơ thay đổi đa biến (MCVA).

• Timeline nghiên cứu: Tập trung phân tích dữ liệu từ năm 2017 đến 2019, thử nghiệm và đánh giá mô hình trong năm 2020.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

1. Hiệu quả phát hiện biến động mất rừng bằng mạng U-Net: Mô hình U-Net đạt độ chính xác phân đoạn trên 85% trong việc phát hiện các vùng mất rừng ven biển tại Hải Phòng, vượt trội hơn so với phương pháp MCVA với độ chính xác khoảng 75%. Số liệu dự đoán cho thấy mô hình có khả năng phát hiện các điểm mất rừng nhỏ và phân bố rải rác mà phương pháp truyền thống khó nhận diện.

2. Tăng diện tích rừng trồng nhưng giảm diện tích rừng tự nhiên: Theo số liệu hiện trạng rừng ven biển năm 2018, diện tích rừng trồng tăng 10.203 ha, trong khi diện tích rừng tự nhiên giảm 696 ha, trong đó rừng ngập mặn giảm 789 ha. Điều này cho thấy sự mất cân bằng trong phát triển rừng ven biển, cần giám sát chặt chẽ hơn.

3. Khó khăn trong xử lý ảnh vệ tinh do ảnh hưởng của mây, thủy triều và đặc điểm địa hình: Việc loại bỏ mây và bóng mây thành công giúp tăng tỷ lệ ảnh sử dụng được lên 39% đối với Sentinel-2, tuy nhiên các yếu tố thủy triều và đặc trưng quang học phức tạp của rừng ven biển vẫn gây khó khăn cho việc phân đoạn chính xác.

4. Ưu điểm của mạng U-Net trong việc yêu cầu ít dữ liệu huấn luyện và phân đoạn nhanh: Mô hình U-Net cho phép xử lý ảnh với kích thước bất kỳ, giảm thiểu nhu cầu về dữ liệu lớn và thời gian huấn luyện, phù hợp với điều kiện dữ liệu thực tế tại Việt Nam.

Thảo luận kết quả

Kết quả nghiên cứu cho thấy mạng nơ-ron tích chập U-Net là một công cụ hiệu quả trong việc phát hiện biến động mất rừng ven biển từ ảnh vệ tinh Sentinel-2. So với các phương pháp truyền thống như MCVA, U-Net không chỉ nâng cao độ chính xác mà còn giảm thiểu sự phụ thuộc vào việc chọn ngưỡng phân loại thủ công, giúp tự động hóa quá trình giám sát.

Nguyên nhân chính của sự mất rừng tự nhiên ven biển được xác định là do tác động của con người như phát triển kinh tế ven biển, xây dựng công trình lấn biển và biến đổi khí hậu gây sạt lở. Việc phát hiện sớm các biến động này giúp các cơ quan quản lý có thể can thiệp kịp thời, giảm thiểu thiệt hại.

Dữ liệu thử nghiệm tại thành phố Hải Phòng với hơn 26.000 ha diện tích rừng ven biển cung cấp cơ sở thực tiễn để đánh giá mô hình. Biểu đồ đường cong huấn luyện cho thấy mô hình hội tụ tốt sau khoảng 50 epoch, biểu đồ so sánh kết quả phân đoạn thể hiện sự vượt trội của U-Net so với MCVA.

Tuy nhiên, vẫn còn một số hạn chế như ảnh hưởng của điều kiện khí tượng, thủy triều và đặc điểm phức tạp của rừng ven biển gây khó khăn cho việc phân đoạn chính xác tuyệt đối. Do đó, cần tiếp tục nghiên cứu cải tiến mô hình và tích hợp thêm dữ liệu radar để nâng cao hiệu quả.

Đề xuất và khuyến nghị

1. Triển khai hệ thống giám sát biến động rừng ven biển tự động dựa trên mạng U-Net: Các cơ quan quản lý nên áp dụng mô hình U-Net để theo dõi biến động rừng hàng tháng, giúp phát hiện sớm các vị trí mất rừng và đưa ra cảnh báo kịp thời. Thời gian triển khai dự kiến trong vòng 12 tháng.

2. Tăng cường phối hợp giữa các đơn vị quản lý và địa phương trong việc thu thập dữ liệu điểm mẫu thực địa: Việc cập nhật và mở rộng bộ dữ liệu điểm mẫu sẽ giúp nâng cao độ chính xác của mô hình, đồng thời hỗ trợ công tác kiểm tra, giám sát thực tế. Chủ thể thực hiện là các viện nghiên cứu và ban quản lý rừng.

3. Kết hợp dữ liệu ảnh radar Sentinel-1 với ảnh quang học Sentinel-2 để cải thiện khả năng phát hiện trong điều kiện mây mù và thủy triều: Phương pháp tích hợp đa nguồn dữ liệu sẽ giúp giảm thiểu sai số và tăng độ tin cậy của kết quả phân đoạn. Thời gian nghiên cứu và thử nghiệm khoảng 18 tháng.

4. Đào tạo và nâng cao năng lực cho cán bộ kỹ thuật về công nghệ học sâu và xử lý ảnh vệ tinh: Đào tạo chuyên sâu giúp cán bộ quản lý và kỹ thuật viên có thể vận hành, bảo trì và phát triển hệ thống giám sát hiệu quả. Chủ thể thực hiện là các trường đại học và trung tâm đào tạo chuyên ngành.

Đối tượng nên tham khảo luận văn

1. Cơ quan quản lý tài nguyên rừng và môi trường: Giúp nâng cao năng lực giám sát biến động rừng ven biển, hỗ trợ ra quyết định chính sách bảo vệ rừng và ứng phó biến đổi khí hậu.

2. Các nhà nghiên cứu và học viên ngành công nghệ thông tin, viễn thám và môi trường: Cung cấp kiến thức chuyên sâu về ứng dụng mạng nơ-ron tích chập trong xử lý ảnh vệ tinh và giám sát tài nguyên thiên nhiên.

3. Doanh nghiệp công nghệ phát triển giải pháp GIS và AI: Tham khảo để phát triển các sản phẩm phần mềm giám sát rừng tự động, tích hợp công nghệ học sâu và điện toán đám mây.

4. Các tổ chức phi chính phủ và cộng đồng bảo vệ môi trường: Sử dụng kết quả nghiên cứu để nâng cao hiệu quả giám sát, vận động chính sách và thực hiện các chương trình bảo vệ rừng ven biển.

Câu hỏi thường gặp

1. Mạng U-Net có ưu điểm gì so với các phương pháp truyền thống trong phát hiện mất rừng?
   Mạng U-Net yêu cầu ít dữ liệu huấn luyện, phân đoạn nhanh và chính xác hơn, đồng thời tự động hóa quá trình phát hiện biến động mà không cần chọn ngưỡng thủ công như các phương pháp truyền thống. Ví dụ, độ chính xác phân đoạn của U-Net đạt trên 85%, cao hơn khoảng 10% so với MCVA.

2. Ảnh vệ tinh Sentinel-2 có phù hợp để giám sát biến động rừng ven biển không?
   Sentinel-2 cung cấp ảnh đa phổ với độ phân giải không gian từ 10 đến 60 m và chu kỳ chụp 5 ngày khi kết hợp hai vệ tinh, phù hợp để giám sát biến động rừng hàng quý hoặc hàng tháng, giúp phát hiện kịp thời các thay đổi trên diện rộng.

3. Làm thế nào để xử lý ảnh vệ tinh bị che phủ bởi mây và bóng mây?
   Nghiên cứu sử dụng các thuật toán loại bỏ mây và bóng mây trên ảnh Sentinel-2, kết hợp chỉ chọn ảnh có ngưỡng mây dưới 30%, giúp tăng tỷ lệ ảnh sử dụng được lên khoảng 39%, đảm bảo chất lượng dữ liệu đầu vào cho mô hình.

4. Phạm vi áp dụng của mô hình U-Net trong giám sát rừng ven biển là gì?
   Mô hình có thể áp dụng cho các khu vực ven biển có rừng tự nhiên và rừng trồng, đặc biệt tại các vùng khó tiếp cận, giúp phát hiện biến động mất rừng do con người hoặc thiên tai, hỗ trợ quản lý tài nguyên rừng hiệu quả.

5. Có thể mở rộng mô hình này cho các loại rừng khác không?
   Có thể, với việc điều chỉnh bộ dữ liệu huấn luyện và tham số mô hình, U-Net có thể áp dụng cho phân đoạn và phát hiện biến động rừng ở các loại rừng khác nhau, kể cả rừng nội địa, rừng nhiệt đới hay rừng ngập mặn.

Kết luận

• Nghiên cứu đã phát triển thành công mô hình mạng nơ-ron tích chập U-Net để phát hiện biến động mất rừng ven biển từ ảnh vệ tinh Sentinel-2 với độ chính xác trên 85%.
• Mô hình vượt trội hơn phương pháp truyền thống MCVA, giúp tự động hóa và nâng cao hiệu quả giám sát rừng ven biển.
• Ứng dụng công nghệ học sâu kết hợp dữ liệu vệ tinh và GIS là hướng đi tiềm năng trong quản lý tài nguyên thiên nhiên và ứng phó biến đổi khí hậu.
• Kết quả thử nghiệm tại thành phố Hải Phòng cung cấp cơ sở thực tiễn để triển khai mở rộng trên phạm vi toàn quốc.
• Đề xuất tiếp tục nghiên cứu tích hợp dữ liệu radar, mở rộng bộ dữ liệu huấn luyện và đào tạo nhân lực để nâng cao hiệu quả và tính ứng dụng của mô hình.

Hành động tiếp theo: Khuyến nghị các cơ quan quản lý và nhà nghiên cứu phối hợp triển khai hệ thống giám sát tự động dựa trên mô hình U-Net, đồng thời mở rộng nghiên cứu ứng dụng công nghệ AI trong bảo vệ tài nguyên rừng ven biển.

Trích đoạn nội dung tài liệu

Đặt vấn đề Rừng ven biển (RVB) có vai trò hết sức quan trọng đối với việc phòng hộ và đời sống nhân dân vùng ven biển. Những khu rừng này cung cấp hàng loạt dịch vụ hệ sinh thái lọc nước, ổn định bờ biển, bảo tồn đa dạng sinh học và có vai trò quan trọng đối với ngành du lịch, giải trí, nuôi trồng thủy hải sản đảm bảo sinh kế người dân. Tuy nhiên, hệ sinh thái này lại là một trong những hệ sinh thái dễ bị tổn thương nhất do sự tác động của con người và BĐKH. Nguồn: Internet Nguồn: Internet Hình 1.1 - Rừng ngập mặn tàn phá sau bão và đê kè biển bị sạt lở do triều cường.

Một trong những nỗ lực giảm thiểu tác động BĐKH trên Toàn cầu và tại Việt Nam trong tương lai đó là tăng cường xây dựng và hỗ trợ hệ sinh thái rừng. Đặc biệt RVB cần được duy trì bền vững, giảm thiểu tối đa các hoạt động xâm lấn hoặc phá rừng. Để đạt được mục tiêu nêu trên cần liên tục theo dõi các khu vực RVB, theo dõi hoạt động phát triển kinh tế xã hội ven biển để sớm đưa ra quyết định thông minh cho hiện tại và tương lai. Nhiều nhà khoa học đồng ý rằng nên tập trung hệ thống hóa các quy trình khai thác hình ảnh vệ tinh, khai thác cơ sở dữ liệu hiện trạng rừng và đồng thời tối ưu các thuật toán thông minh là giải pháp cốt lỗi nâng cao năng lực theo dõi giám sát bảo vệ rừng.

Những năm trở lại đây việc sử dụng hình ảnh chất lượng cao được chụp từ các vệ tinh quan sát Trái đất đang trở thành công nghệ phổ biến để dự đoán và xây dựng bản đồ lớp phủ mặt đất. Các tài liệu nghiên cứu cũng đã chứng minh hiệu suất vượt trội của Mạng nơ-ron tích chập (CNN) cho nhiều nhiệm vụ như: phân loại hình ảnh y tế, xe tự hành, nhận dạng chữ viết. và nhiều lĩnh vực khoa học khác. Vì vậy, trong nghiên cứu này tôi đề xuất thử nghiệm xây dựng một mạng nơ-ron theo kiến trúc U-Net để huấn luyện học sâu các hình ảnh vệ tinh có độ phân giải cao dựa trên đặc trưng của thực vật và rừng.

Hướng đến mục tiêu phân loại nhanh và chính xác ảnh vệ tinh, từ đó có thể tự động dự đoán diện tích rừng, phát hiện biến động rừng ở khu vực ven biển giúp nâng cao năng lực theo dõi giám sát rừng.2 Tổng quan về rừng ven biển và biến động rừng ven biển.1 Rừng ven biển. Rừng là một hệ sinh thái bao gồm các loài thực vật rừng, động vật rừng, nấm, vi sinh vật, đất rừng và các yếu tố môi trường khác, trong đó thành phần chính là một hoặc một số loài cây thân gỗ, tre, nứa, cây họ cau có chiều cao được xác định theo hệ thực vật trên núi đất, núi đá, đất ngập nước, đất cát hoặc hệ thực vật đặc trưng khác; diện tích liên vùng từ 0,3 ha trở lên; độ tàn che từ 0,1 trở lên (Khoản 3, Điều 2, Luật Lâm nghiệp). Vùng đất ven biển bao gồm các xã, phường, thị trấn có biển. Rừng ven biển bao gồm: Rừng đặc dụng, rừng phòng hộ và đất được quy hoạch để trồng rừng phòng hộ, đặc dụng ở vùng ven biển và hải đảo.

Căn cứ trên cơ sở khái niệm về rừng và vùng đất ven biển, cùng các nghị định, quyết định đã ban hành có thể tóm lược ngắn gọn khái niệm về rừng ven biển Việt Nam như sau: “Rừng ven biển là rừng thuộc các xã, phường, thị trấn có đường bờ biển” Hình 1.2 - Bản đồ các tỉnh, thành phố có rừng ven biển.vn/file-remote-v2/DownloadServlet?filePath=vbpq/2016/06/40.pdf 4 http://datafile.vn/file-remote-v2/DownloadServlet?filePath=vbpq/2016/08/119.pdf 2 Luan van 1.2 Hiện trạng rừng ven biển Việt Nam. Theo Quyết định 423/QĐ-TCLN-PTR ngày 31/12/2019, tổng diện tích rừng và đất chưa có RVB Việt Nam năm 2018 là: 709. Trong đó diện tích có rừng 454. Theo thống kê báo cáo5 từ bộ CSDL RVB, diện tích có rừng (gồm rừng tự nhiên và rừng trồng) năm 2017 là: 444.

Điều đó cho thấy diện tích có rừng sau một năm đã tăng lên 10,295 ha. Tuy nhiên, từ số liệu chi tiết thấy rằng:  Diện tích rừng tăng: Phần lớn là do rừng trồng đạt tuổi thành rừng (tăng 10,203 ha), còn rừng tự nhiên tăng không đáng kể (tăng 93 ha).  Diện tích rừng giảm: Giảm nhiều nhất, chính là rừng tự nhiên trên núi đá (giảm 252 ha) và RNM (giảm 789 ha).3 – Bản đồ hiện trạng RVB Việt Nam (31/12/2018) Phân loại Diện tích RVB Diện tích RVB Diện tích TT rừng 2017 2018 tăng/giảm A DIỆN TÍCH CÓ RỪNG 444.041,30 ha 454,337,15 ha Tăng 10.296 ha I Rừng tự nhiên 215,173.00 ha Tăng 93 ha 1 Trên núi đất 137,981.86 ha Tăng 924 ha 2 Trên núi đá 27,467.91 ha Giảm 252 ha 3 Trên đất ngập nước 49,724.23 ha Giảm 578 ha - Ngập mặn 46,997.64 ha Giảm 789 ha - Trên đất phèn 2,687.87 ha Tăng 210 ha - Ngập nước ngọt 39.72 ha - 4 Trên cát - - - 5 http://rungvenbien.vn/thongkebaocao 3 Luan van Phân loại Diện tích RVB Diện tích RVB Diện tích TT rừng 2017 2018 tăng/giảm II Rừng trồng 228,868.15 ha Tăng 10,203 ha 1 Trên núi đất 124,849.79 ha Tăng 2,876 ha 2 Trên núi đá 1,714.80 ha Giảm 10 ha 3 Trên đất ngập nước 72,977.48 ha Tăng 6,462 ha - Ngập mặn 68,091.08 ha Tăng 2,774 ha - Trên đất phèn 4,167.59 ha Tăng 3,756 ha - Ngập nước ngọt 718.81 ha Giảm 68 ha 4 Trên cát 29,326.08 ha Tăng 876 ha Bảng 1.1 - Só sánh diện tích RVB có rừng năm 2017 và năm 2018. Từ hiện trạng RVB công bố có thể thấy rằng những năm qua chủ chương của nhà nước trong công tác trồng phục hồi RVB đã được các địa phương đã thực hiện tốt, tuy nhiên một diện tích không nhỏ rừng tự nhiên ven biển vẫn bị suy giảm bởi nhiều nguyên nhân khách quan khác nhau.3 Nguyên nhân biến động rừng ven biển.

 Khái niệm chung về biến động. Cụm từ biến động được hiểu là sự biến đổi, thay đổi, thay thế trạng thái này bằng một trạng thái khác liên tục của sự vật, hiện tượng tồn tại trong môi trường tự nhiên cũng như môi trường xã hội. Phát hiện biến động là quá trình nhận dạng sự khác biệt về trạng thái của một đối tượng hay hiện tượng bằng cách quan sát chúng tại những thời điểm khác nhau [1].  Biến động rừng & biến động rừng ven biển.

Biến động rừng là việc đánh giá sự thay đổi tăng hoặc giảm về diện tích rừng trong một giai đoạn nhất định nào đó. Trên cơ sở khái niệm chung biến động, khái niệm rừng ven biển và hiểu biết về việc xác định biến động rừng, ta có thể khái quát nhanh biến động rừng ven biển: Biến động rừng ven biển là giá sự thay đổi về diện tích rừng thuộc các xã, phường, thị trấn có đường bờ biển trong một khoảng thời gian nhất định. 4 Luan van  Nguyên nhân biến động rừng ven biển Việt Nam. Để theo dõi, phân tích đánh giá biến động RVB phải nắm được các nguyên nhân cơ bản dẫn đến biến động.

Một số nguyên nhân biến động diện tích RVB:  Biến động mất rừng (giảm rừng) - Thiếu quy hoạch các dự án nuôi trồng thủy sản. - Quá trình đô thị hoá phát triển kinh tế ven biển. - Hoạt động xây dựng cầu cảng, công trình lấn biển. - Ảnh hưởng của biến đổi khí hậu, thiên tai bão lũ, sạt lở.vv  Biến động tăng rừng - Diện tích rừng tăng chủ yếu là nhờ rừng được trồng phục hồi và một phần được tái sinh tự nhiên.3 Các nghiên cứu liên quan phát hiện biến động rừng từ ảnh vệ tinh.

Theo dõi, cập nhật diễn biến rừng, dựa trên nền kết quả kiểm kê rừng, là công việc hết sức cần thiết để đảm bảo giá trị lâu dài của cơ sở dữ liệu. Phát hiện vị trí mất rừng luôn là công việc khó khăn và mất nhiều công sức [2]. Trong nhiều năm qua, ứng dụng viễn thám để phân loại đánh giá trạng thái lớp phủ mặt đất đã được sử dụng rộng rãi trong nhiều lĩnh vực, trong đó có giám sát biến động diện tích rừng ở nhiều quy mô khác nhau.1 Khả năng khai thác ảnh vệ tinh phục vụ phát hiện biến động rừng. Việc kết hợp các loại tư liệu vệ tinh quang học khác nhau sẽ làm tăng cơ hội cho việc có được ảnh không mây phục vụ thường xuyên hơn cho mục tiêu giám sát bề mặt trái đất.

Hiện nay, các vệ tinh quang học như: Landsat-8 OLI (từ 2013), Sentinel-2 MSI (Sentinel-2A - từ 2015; Sentinel-2B - từ 2017) hiện đang cung cấp ảnh miễn phí trên phạm vi toàn cầu với độ phân giải không gian từ 10 đến 30 m tạo ra cơ hội rất lớn để giám sát bề mặt trái đất [3]. Nếu không xét đến ảnh hưởng của mây và bóng mây thì trung bình tại một vị trí tại nước ta, chu kỳ lặp lại của ảnh: 15 ngày (Landsat-8), 5 ngày (Sentinel-2) và 3 ngày (kết hợp hai loại ảnh). Nhưng nếu loại bỏ ảnh hưởng của mây và bóng mây thì, tính trung bình cho mọi vị trí tại Việt Nam, chu kỳ lặp lại của ảnh: 30 ngày (Landsat-8), 10 ngày (Sentinel-2) và 7 ngày (kết hợp hai loại ảnh). Tương ứng với tỷ lệ số ảnh Landsat- 8 và Sentinel-2 có thể sử dụng cho mục tiêu giám sát bề mặt so với tổng số ảnh thu được tương ứng là 51% và 39% [3].

5 Luan van Với chu kỳ lặp lại của ảnh như vậy, tư liệu ảnh Landsat-8 OLI phù hợp cho mục tiêu giám sát biến động hàng năm. Trong khi đó, tư liệu ảnh Sentinel-2 MSI phù hợp cho mục tiêu giám sát biến động hàng quý. Sự kết hợp của cả hai loại tư liệu ảnh có thể đáp ứng được mục tiêu giám sát biến động trên mặt đất hàng tháng [3]. Ngoài ra, sự kết hợp giữa ảnh vệ tinh quang học Sentinel-2 và ảnh vệ tinh radar Sentinel-1 cho khả năng phát hiện mất rừng, kết quả thu được tốt hơn so với từng loại ảnh riêng lẻ [4].2 Một số kết quả nghiên cứu về phát hiện biến động rừng từ ảnh vệ tinh.

Sử dụng tư liệu ảnh vệ tinh là hướng đi nghiên cứu góp phần mang lại sự biến đổi mạnh mẽ trong hoạt động quản lý các nguồn tài nguyên thiên nhiên nói chung và tài nguyên rừng nói riêng. Trên thế giới và ở Việt Nam đã có rất nhiều công trình nghiên cứu ứng dụng ảnh vệ tinh, công nghệ viễn thám (RS) và hệ thống thông tin địa lý (GIS) phục vụ cho công tác quản lý tài nguyên và môi trường. Có thể kể đến các công trình nghiên cứu tiêu biểu: - Giám sát biến động RNM Cần Giờ TP. HCM sử dụng kỹ thuật viễn thám và GIS [1].