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.