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 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 cữu 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” 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/2016/08/119.2 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 cáo 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). Bản đồ hiện trạng RVB Việt Nam (31/12/2018) 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.
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 tằng 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. 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: Các công trình tiêu biểu phát hiện biến động rừng từ ảnh vệ tinh: Giám sát biến động RNM Cần Giờ TP. HCM sử dụng kỹ thuật viễn thám và GIS [1]. Ứng dụng công nghệ tích hợp tư liệu viễn thám và hệ thông tin địa lý xác định sự biến động rừng ngập mặn [5]; Xác định vị trí mất rừng bằng phương pháp phân tích véc tơ thay đổi đa biến (MCVA) trên tư liệu vệ tinh Landsat-8 [2]; Nghiên cứu kết hợp ảnh vệ tinh quang học Sentinel-2 và Radar Sentinel-1 trong phát hiện mất rừng ở tỉnh Gia Lai [4].
Sử dụng ảnh Google Earth để xây dựng bản đồ hiện trạng rừng và đánh giá biến động rừng tại Công ty Lâm nghiệp La Ngà, Tỉnh Đồng Nai [6]. Ứng dụng GIS và ảnh Landsat đa thời gian xây dựng bản đồ biến động diện tích rừng tại xã vùng đệm Xuân Đài và Kim Thượng, 4 Vườn quốc gia Xuân Sơn [7]. Phương pháp tích hợp dữ liệu MODIS và Landsat để giám sát có hệ thống về độ che phủ và thay đổi rừng trong Lưu vực Congo [9]. Giám sát rừng ngập mặn trong Google Earth Engine [10].3 Khó khăn và thách thức trong phát hiện biến động rừng từ ảnh vệ tinh.
RVB có đặc điểm mọc tự nhiên hoặc được trồng và sinh trưởng ở những vùng đất, khu vực tiếp giáp giữa đất liền và biển. Do đó, có bốn đối tượng chính thể hiện trên tư liệu ảnh viễn thám quang học là: thảm thực vật, đất, nước và mây. Riêng với RVB còn bị ảnh hưởng bởi các đợt thủy triều trong ngày và theo mùa. Những yếu tố này tác động lớn tới đặc trưng quang học Ảnh chụp bề mặt trái đất từ vệ tinh Sentinel-2 ngày 04/06/2020 của ảnh.
Ngoài ra, rừng ven biển gồm nhiều trạng thái và loại rừng khác nhau như: rừng thông chắn cát, rừng tự nhiên trên núi ven biển, rừng ngập mặn.vv điều này làm gia tăng khó khăn trong việc xác định biến động rừng ven biển. Cũng cần nói thêm rằng có một số phương pháp chính xác hơn như: sử dụng máy bay không người lái (UAV) hoặc tuần tra đo đạc địa hình. Nhưng phương pháp này thường rất tốn kém, cần nhân sự có trình độ chuyên môn cao, khó triển khai mở rộng liên tục hoặc giám sát tự động trong phạm vi lớn. Do nhiều vị trí địa hình phức tạp con người không thể đi đến và tiếp cận ngay được.4 Ứng dụng mạng nơ-ron giải bài toán phát hiện mất rừng từ ảnh vệ tinh.
Những năm qua, với sự bùng nổ mạnh mẽ của cuộc cách mạng công nghiệp 4.0, các thuật ngữ như trí tuệ nhân tạo (Artificial Intelligence - AI), học máy (Machine Learning - ML), học sâu (Deep Learning - DL), mạng nơ-ron nhân tạo (Neural Network - NN) đang dần trở nên phổ biến và quen thuộc được nhắc đến thường xuyên như một bước đột phá của kỷ nguyên công nghệ 4. Đặc biệt, mạng nơ-ron tích chập (Convolutional Neural Networks - CNN) là một trong những mô hình DL phổ biến, được ứng dụng nhiều trong giải quyết các bài toán như nhân dạng ảnh, phân tích video, xử lý ngôn ngữ tự nhiên và hầu hết đều giải quyết 5 tốt các bài toán này; một số ưng dụng thực tế như: phát hiện bệnh bằng hình ảnh y tế, robot phẫu thuật, ô tô tự lái, hệ thống dịch tự động…vv.
