Tóm tắt luận văn thạc sĩ về phát hiện mất rừng ven biển từ ảnh vệ tinh sử dụng mạng nơron

Tóm tắt luận văn thạc sĩ về kỹ thuật phát hiện mất rừng ven biển từ ảnh vệ tinh sử dụng mạng nơron, ứng dụng trong bảo vệ môi trường.

• 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
• 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
• 2. CHƯƠNG 2: PHÁT HIỆN MẤT RỪNG VEN BIỂN TỪ ẢNH VỆ TINH DỰA TRÊN MẠNG NƠ-RON
• 3. CHƯƠNG 3: THỬ NGHIỆM VÀ ĐÁNH GIÁ
• 4. CHƯƠNG 4: KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN

Tóm tắt

I. Tính cấp thiết của đề tài

Biến đổi khí hậu (BĐKH) đang ngày càng phức tạp và báo động. Việt Nam là quốc gia chịu ảnh hưởng nặng nề do BĐKH, với hơn 74% dân số bị tác động. Rừng ven biển (RVB) đóng vai trò quan trọng trong việc bảo vệ môi trường và ứng phó với BĐKH. Tuy nhiên, diện tích RVB đang giảm sút do nhiều nguyên nhân, bao gồm cả tác động của con người và thiên tai. Việc phát hiện và giám sát tình trạng mất rừng là rất cần thiết để bảo vệ tài nguyên thiên nhiên. Công nghệ vệ tinh và trí tuệ nhân tạo (AI) có thể cung cấp giải pháp hiệu quả cho vấn đề này.

1.1. Vai trò của rừng ven biển

Rừng ven biển cung cấp nhiều dịch vụ sinh thái, như lọc nước, ổn định bờ biển và bảo tồn đa dạng sinh học. Tuy nhiên, RVB là một trong những hệ sinh thái dễ bị tổn thương nhất. Việc duy trì và bảo vệ RVB là cần thiết để giảm thiểu tác động của BĐKH và bảo vệ đời sống người dân ven biển.

1.2. Thách thức trong việc phát hiện mất rừng

Việc phát hiện mất rừng gặp nhiều khó khăn do thiếu nhân lực và công nghệ. Các phương pháp truyền thống không đáp ứng được yêu cầu giám sát kịp thời. Do đó, cần áp dụng công nghệ mới, như mạng nơ-ron, để nâng cao hiệu quả trong việc phát hiện và giám sát tình trạng rừng.

II. Tổng quan về công nghệ phát hiện mất rừng

Công nghệ vệ tinh đã trở thành công cụ quan trọng trong việc giám sát biến động rừng. Việc sử dụng ảnh vệ tinh quang học như Sentinel-2 và Landsat-8 giúp cung cấp dữ liệu chính xác về tình trạng rừng. Mạng nơ-ron tích chập (CNN) đã được chứng minh là có khả năng phân loại và phát hiện biến động rừng hiệu quả hơn so với các phương pháp truyền thống. Việc kết hợp dữ liệu từ nhiều nguồn khác nhau sẽ nâng cao độ chính xác trong việc phát hiện mất rừng.

2.1. Ứng dụng của ảnh vệ tinh

Ảnh vệ tinh cung cấp thông tin chi tiết về tình trạng rừng và biến động của nó. Việc sử dụng ảnh vệ tinh quang học giúp theo dõi sự thay đổi của RVB theo thời gian, từ đó đưa ra các biện pháp bảo vệ kịp thời.

2.2. Mạng nơ ron trong phát hiện mất rừng

Mạng nơ-ron tích chập (CNN) đã được áp dụng thành công trong nhiều lĩnh vực, bao gồm phát hiện mất rừng. CNN có khả năng học và phân loại dữ liệu đầu vào, từ đó đưa ra cảnh báo về tình trạng mất rừng. Việc áp dụng CNN trong nghiên cứu này sẽ giúp nâng cao hiệu quả giám sát và bảo vệ tài nguyên rừng.

III. Phương pháp nghiên cứu

Nghiên cứu này kết hợp giữa lý thuyết và thực hành để phát hiện mất rừng ven biển. Các phương pháp nghiên cứu bao gồm phân tích dữ liệu ảnh vệ tinh, áp dụng mạng nơ-ron và đánh giá kết quả thực nghiệm. Dữ liệu được thu thập từ nhiều nguồn khác nhau, bao gồm ảnh vệ tinh và thông tin hiện trạng rừng. Việc xây dựng mô hình và thử nghiệm sẽ giúp đánh giá hiệu quả của phương pháp trong thực tế.

3.1. Thu thập dữ liệu

Dữ liệu ảnh vệ tinh được khai thác từ Google Earth Engine, cùng với thông tin hiện trạng rừng từ Hệ thống thông tin quản lý ngành Lâm nghiệp. Dữ liệu này sẽ được sử dụng để huấn luyện và đánh giá mô hình mạng nơ-ron.

3.2. Thử nghiệm mô hình

Mô hình mạng nơ-ron sẽ được thử nghiệm trên dữ liệu đã thu thập. Kết quả thử nghiệm sẽ được so sánh với các mô hình hiện có để đánh giá hiệu quả và tính khả thi của phương pháp mới trong việc phát hiện mất rừng.

IV. Kết luận và hướng phát triển

Nghiên cứu đã chỉ ra rằng việc áp dụng mạng nơ-ron trong phát hiện mất rừng ven biển từ ảnh vệ tinh là khả thi và hiệu quả. Kết quả thử nghiệm cho thấy mô hình có thể phát hiện biến động rừng một cách chính xác. Hướng phát triển trong tương lai cần tập trung vào việc cải thiện mô hình và mở rộng ứng dụng công nghệ trong quản lý tài nguyên rừng.

4.1. Đánh giá kết quả

Kết quả nghiên cứu cho thấy mô hình mạng nơ-ron có khả năng phát hiện mất rừng hiệu quả. Việc áp dụng công nghệ mới sẽ giúp nâng cao năng lực giám sát và bảo vệ tài nguyên rừng.

4.2. Đề xuất hướng phát triển

Cần tiếp tục nghiên cứu và phát triển các mô hình mạng nơ-ron mới, đồng thời mở rộng ứng dụng công nghệ trong quản lý tài nguyên thiên nhiên. Việc kết hợp giữa công nghệ và quản lý sẽ giúp bảo vệ hiệu quả hơn các khu rừng ven biển.

Nội dung chính

Tổng quan nghiên cứu

Việt Nam sở hữu hơn 3.260 km đường bờ biển trải dài từ Móng Cái đến Cà Mau, nằm trong nhóm 6 quốc gia chịu ảnh hưởng nặng nề nhất bởi biến đổi khí hậu toàn cầu, tác động trực tiếp tới hơn 74% dân số. Trong bối cảnh đó, hệ thống rừng ven biển với tổng diện tích đất quy hoạch đạt khoảng 709.000 ha vào năm 2018 đóng vai trò như một bức tường xanh phòng hộ, chắn sóng và bảo tồn đa dạng sinh học. Mặc dù diện tích có rừng năm 2018 đạt 454.000 ha, tăng 10.295 ha so với mức 444.000 ha của năm 2017, nhưng sự gia tăng này chủ yếu đến từ rừng trồng với 10.203 ha. Ngược lại, diện tích rừng tự nhiên ngập mặn lại suy giảm nghiêm trọng tới 789 ha và rừng trên núi đá ven biển giảm 252 ha do áp lực đô thị hóa, nuôi trồng thủy hải sản tự phát và thiên tai.

Phương thức giám sát truyền thống dựa trên việc đối soát ảnh vệ tinh theo chu kỳ năm hoặc điều tra thực địa bộc lộ nhiều hạn chế về độ trễ thời gian và chi phí vận hành. Đề tài tập trung giải quyết bài toán phát hiện mất rừng ven biển bằng cách ứng dụng mạng nơ-ron tích chập kiến trúc U-Net trên chuỗi ảnh vệ tinh quang học Sentinel-2. Mục tiêu trọng tâm là tự động hóa quy trình phân đoạn hình ảnh, nhận diện ranh giới tán rừng và trích xuất điểm biến động với độ chính xác cao. Nghiên cứu giới hạn không gian thử nghiệm tại khu vực rừng ven biển thành phố Hải Phòng trong giai đoạn 2017 - 2019, kế thừa cơ sở dữ liệu từ Hệ thống thông tin quản lý ngành Lâm nghiệp (FORMIS). Mô hình đạt độ chính xác huấn luyện 98,38% và kiểm định 98,03%, mở ra giải pháp cảnh báo sớm suy thoái rừng với chu kỳ cập nhật rút ngắn xuống dưới 10 ngày.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Nghiên cứu xây dựng trên nền tảng tích hợp giữa lý thuyết viễn thám quang học, hệ thống thông tin địa lý và kỹ thuật học sâu. Trong đó, phản xạ phổ của các đối tượng tự nhiên trên bề mặt Trái Đất tạo nên cơ sở phân biệt giữa thảm thực vật, nền đất và mặt nước. Ba chỉ số quang phổ chuyên dụng được tính toán đồng thời để làm giàu đặc trưng đầu vào:

• Chỉ số thực vật khác biệt chuẩn (NDVI): Phản ánh mật độ sinh khối và độ khỏe mạnh của tán lá thông qua tỷ lệ giữa kênh cận hồng ngoại và kênh đỏ.
• Chỉ số đất khác biệt chuẩn (NDSI): Đo lường sự chênh lệch giữa kênh xanh lục và hồng ngoại sóng ngắn, hỗ trợ loại bỏ ảnh hưởng của mây và nền địa hình trơ sỏi đá.
• Chỉ số nước khác biệt chuẩn (NDWI): Phản ánh hàm lượng ẩm trong cấu trúc tế bào lá cây và phát hiện các vùng đất trũng ngập nước định kỳ do thủy triều.

Kiến trúc mạng nơ-ron U-Net được áp dụng với cấu trúc đối xứng đặc trưng gồm nhánh co rút (Encoder) để chiết xuất ngữ cảnh không gian và nhánh mở rộng (Decoder) để định vị chính xác điểm ảnh. Mô hình loại bỏ hoàn toàn các tầng kết nối đầy đủ, thay thế bằng các kết nối tắt (Skip Connections) nhằm truyền trực tiếp bản đồ đặc trưng có độ phân giải cao sang nhánh giải mã, giúp bảo toàn chi tiết đường biên của các lô rừng có diện tích nhỏ từ 0,3 ha trở lên.

Phương pháp nghiên cứu

Nguồn dữ liệu sử dụng trong nghiên cứu bao gồm bộ ảnh vệ tinh Sentinel-2 MSI Level-2A khai thác trên nền tảng Google Earth Engine với độ phân giải không gian 10 mét. Cỡ mẫu nghiên cứu gồm 1.300 điểm thực địa chuẩn hóa được phân bố đại diện trên địa bàn ven biển Hải Phòng, chia thành hai tập độc lập:

• Tập huấn luyện (Training Set): 1.000 điểm mẫu (gồm 500 điểm rừng và 500 điểm phi rừng).
• Tập xác minh (Validation Set): 300 điểm mẫu (gồm 150 điểm rừng và 150 điểm phi rừng).

Phương pháp chọn mẫu phân tầng cân bằng được lựa chọn nhằm triệt tiêu hiện tượng mất cân bằng lớp giữa diện tích che phủ thực vật và các bề mặt khác. Quy trình phân tích áp dụng kết hợp hàm mất mát Binary Cross-Entropy và Dice Loss để tối ưu hóa khả năng dự đoán pixel ranh giới. Toàn bộ chuỗi xử lý từ tiền xử lý lọc mây qua kênh chất lượng QA60, trích xuất ma trận vùng lân cận điểm ảnh qua định dạng TFRecord đến huấn luyện mô hình được thực thi trong môi trường điện toán đám mây Google Colab Pro trên phần cứng TPU v3 với bộ nhớ RAM dung lượng cao.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

Quá trình thực nghiệm và kiểm định mô hình học sâu U-Net ghi nhận bốn kết quả then chốt:

• Hiệu năng phân loại vượt trội: Mô hình đạt độ chính xác huấn luyện 98,38% và độ chính xác xác minh 98,03% chỉ sau 25 chu kỳ duyệt dữ liệu (epochs). Thời gian huấn luyện trung bình mỗi epoch là 123 giây, đưa tổng thời gian xử lý toàn bộ tập mẫu 1.300 điểm về ngưỡng xấp xỉ 1 giờ.
• Tối ưu hóa dung lượng tham số: Cấu trúc U-Net được thiết lập với 5 khối mã hóa và 5 khối giải mã, tổng hợp 31.129.377 tham số, trong đó có 31.113.377 tham số có thể huấn luyện và 16.000 tham số cố định, tạo ra độ khái quát hóa cao mà không bị hiện tượng quá khớp (overfitting).
• Phát hiện biến động ranh giới vi mô: Thử nghiệm thực tế tại huyện Thủy Nguyên (Hải Phòng) cho thấy mô hình bóc tách chính xác các lô rừng biến động giảm giữa năm 2018 và 2019 với diện tích liên vùng từ 0,3 ha và độ tàn che trên 0,1 theo đúng quy chuẩn Luật Lâm nghiệp.
• Độ nhạy không gian vượt trội so với baseline: So sánh với phương pháp phân tích véc tơ thay đổi đa biến (MCVA) đạt độ chính xác công bố từ 91,6% đến 99,2%, mô hình U-Net phát hiện thêm nhiều điểm dị thường cục bộ tại các dải rừng ngập mặn cửa sông vốn bị phương pháp truyền thống bỏ qua do lẫn tạp tín hiệu triều cường.

Thảo luận kết quả

Hiệu quả phân loại cao của mô hình bắt nguồn từ việc kết hợp ma trận đặc trưng đa phổ Sentinel-2 với kỹ thuật lọc mây kép (kết hợp kênh QA60 và chỉ số dải mây mỏng Cirrus). Dữ liệu phân loại có thể được trực quan hóa tối ưu thông qua ma trận nhầm lẫn (Confusion Matrix) để đánh giá độ chính xác người dùng (User's Accuracy) và độ chính xác nhà sản xuất (Producer's Accuracy), kết hợp cùng biểu đồ hàm mất mát suy giảm đều đặn từ epoch 1 đến epoch 25 trên TensorBoard.

Khi đặt cạnh các công trình viễn thám truyền thống sử dụng ảnh Landsat-8 hoặc thuật toán phân loại hướng đối tượng kinh điển, việc tích hợp U-Net trên nền tảng Google Earth Engine giúp loại bỏ hoàn toàn các bước gán nhãn thủ công phức tạp. Kết quả này chứng minh rằng việc kết hợp các chỉ số phản xạ thực vật NDVI, NDSI và NDWI trực tiếp vào các kênh đầu vào của mạng nơ-ron giúp thuật toán phân định ranh giới giữa mặt nước ngập mặn theo mùa và tán rừng tự nhiên một cách chuẩn xác, hạn chế tối đa báo động giả.

Đề xuất và khuyến nghị

Nhằm nâng cao hiệu quả quản lý tài nguyên rừng ven biển và ứng dụng chuyển đổi số trong lâm nghiệp, bốn giải pháp trọng tâm được đề xuất:

• Tích hợp mô hình U-Net vào Hệ thống FORMIS quốc gia: Cục Lâm nghiệp phối hợp cùng các đơn vị công nghệ thông tin thực hiện chuẩn hóa đường truyền dữ liệu API từ Google Earth Engine về hệ thống máy chủ ngành trong giai đoạn 2024 - 2025, hướng tới tự động hóa 90% các cảnh báo mất rừng ven biển định kỳ hàng tháng.
• Mở rộng quy mô tập dữ liệu mẫu chuẩn hóa: Viện Sinh thái rừng và Môi trường cùng các trường đại học chuyên ngành triển khai khảo sát thực địa, nâng quy mô tập dữ liệu huấn luyện từ 1.300 điểm lên hơn 10.000 điểm mẫu trải dài trên 28 tỉnh thành ven biển trong giai đoạn 2024 - 2026.
• Hợp nhất tư liệu ảnh quang học Sentinel-2 và Radar Sentinel-1: Sở Nông nghiệp và Phát triển Nông thôn các địa phương chỉ đạo các Chi cục Kiểm lâm áp dụng công nghệ viễn thám radar xuyên mây vào năm 2025, giúp duy trì năng lực giám sát liên tục trong mùa mưa bão với mục tiêu triệt tiêu 95% độ nhiễu tín hiệu thời tiết.
• Nâng cấp quy trình phản ứng hiện trường theo thời gian thực: Ủy ban nhân dân cấp huyện ven biển thiết lập cơ chế tiếp nhận dữ liệu không gian tự động, đảm bảo lực lượng kiểm lâm địa bàn có mặt kiểm tra các tọa độ phát hiện biến động rừng trong vòng 48 giờ kể từ khi hệ thống phát tín hiệu cảnh báo.

Đối tượng nên tham khảo luận văn

Nội dung và kết quả thực nghiệm của luận văn mang lại giá trị ứng dụng thiết thực cho bốn nhóm đối tượng:

• Học viên cao học và nghiên cứu sinh chuyên ngành Hệ thống thông tin, Khoa học dữ liệu: Tiếp cận chi tiết quy trình xây dựng mạng tích chập U-Net 5 tầng mã hóa - giải mã, kỹ thuật xử lý dữ liệu không gian định dạng TFRecord và phương pháp tùy biến hàm tổn thất Dice Loss trên Keras/TensorFlow.
• Cán bộ kỹ thuật và quản lý tại các Chi cục Kiểm lâm ven biển: Tham khảo mô hình giám sát tài nguyên rừng tự động hóa, hỗ trợ xây dựng bản đồ chuyên đề biến động lớp phủ đất rừng và lập kế hoạch tuần tra trọng điểm tại các khu bảo tồn ngập mặn.
• Chuyên gia Viễn thám và GIS tại các viện nghiên cứu tài nguyên: Kế thừa thuật toán tiền xử lý ảnh Sentinel-2, quy trình kết hợp ba chỉ số quang phổ NDVI, NDSI, NDWI và phương thức tích hợp nền tảng tính toán đám mây Google Earth Engine vào bài toán môi trường.
• Các tổ chức bảo tồn thiên nhiên và ứng phó biến đổi khí hậu: Sử dụng phương pháp luận và các chỉ số định lượng về suy thoái rừng ngập mặn để xây dựng báo cáo đánh giá tác động môi trường và thiết kế các dự án phục hồi sinh thái dải bờ biển Việt Nam.

Câu hỏi thường gặp

Mạng nơ-ron U-Net mang lại ưu thế gì vượt trội so với các thuật toán phân loại viễn thám truyền thống?
Mạng U-Net sở hữu các kết nối tắt liên kết trực tiếp giữa nhánh co rút và mở rộng, giúp tái tạo chuẩn xác ranh giới không gian của từng pixel. Nhờ đó, mô hình đạt độ chính xác 98,38% trên tập dữ liệu nhỏ 1.000 điểm mà không đòi hỏi hàng trăm nghìn mẫu huấn luyện như các kiến trúc mạng sâu thông thường.

Tại sao nghiên cứu cần kết hợp đồng thời ba chỉ số quang phổ NDVI, NDSI và NDWI?
Khu vực ven biển có nền địa hình phức tạp gồm thảm thực vật, bãi triều và vùng ngập nước xen kẽ. Việc tính toán đồng thời ba chỉ số giúp phân tách rõ độ che phủ thực vật (NDVI), tách biệt mây với nền đất cát (NDSI) và phát hiện độ ẩm nền đất ngập triều (NDWI), giảm thiểu sai số phân loại.

Biện pháp nào được sử dụng để khắc phục hiện tượng mây che phủ trên ảnh vệ tinh quang học Sentinel-2?
Nghiên cứu ứng dụng kết hợp mặt nạ mây từ kênh QA60 (lọc bỏ các bit mây dày và mây tầng cao) kết hợp thuật toán tính điểm mây Sentinel Cloud Score và phép lấy giá trị trung vị (Median) trên chuỗi cảnh ảnh đa thời gian, giúp tạo ra ảnh tổng hợp sạch mây đạt chất lượng cao.

Cỡ mẫu 1.300 điểm thực địa có đảm bảo tính đại diện khoa học cho bài toán học sâu không?
Bộ dữ liệu gồm 1.000 điểm huấn luyện và 300 điểm xác minh được chuẩn hóa từ kết quả điều tra thực địa của Viện Sinh thái rừng và Môi trường. Với cơ chế học đặc trưng theo ma trận vùng lân cận của U-Net, số lượng mẫu này đảm bảo sự cân bằng giữa các lớp và cho kết quả kiểm định độc lập đạt 98,03%.

Mô hình được huấn luyện trong luận văn có thể triển khai giám sát trên phạm vi toàn quốc được không?
Mô hình hoàn toàn có khả năng nhân rộng nhờ xây dựng trên các kênh ảnh tiêu chuẩn của Sentinel-2 và nền tảng Google Earth Engine. Tuy nhiên, khi áp dụng cho các vùng sinh thái rừng ngập mặn phía Nam hoặc rừng phòng hộ cát miền Trung, hệ thống cần được nạp thêm khoảng 10% dữ liệu mẫu cục bộ để tinh chỉnh trọng số.

Kết luận

• Ứng dụng thành công kiến trúc mạng nơ-ron tích chập U-Net trên chuỗi dữ liệu ảnh vệ tinh Sentinel-2 đa phổ để giải quyết bài toán phát hiện biến động mất rừng ven biển.
• Đạt độ chính xác huấn luyện 98,38% và độ chính xác xác minh độc lập 98,03%, tối ưu hóa 31,1 triệu tham số với thời gian huấn luyện chỉ trong 1 giờ trên nền tảng Google Colab Pro.
• Xây dựng quy trình tự động hóa khép kín từ tiền xử lý lọc mây, trích xuất chỉ số phổ (NDVI, NDSI, NDWI) trên Google Earth Engine đến kết xuất bản đồ phân vùng biến động tại Hải Phòng.
• Chứng minh tính vượt trội về độ chi tiết không gian và khả năng phát hiện các lô rừng mất diện tích nhỏ so với phương pháp phân tích véc tơ thay đổi đa biến MCVA truyền thống.
• Định hình lộ trình nâng cấp giai đoạn 2024 - 2026 thông qua việc tích hợp dữ liệu radar xuyên mây Sentinel-1 và mở rộng kho mẫu trên toàn bộ 3.260 km dải ven biển Việt Nam.

Công trình nghiên cứu khẳng định tiềm năng to lớn của trí tuệ nhân tạo và công nghệ viễn thám đám mây trong việc hiện đại hóa công tác bảo vệ rừng phòng hộ ven biển. Quý bạn đọc, nhà nghiên cứu và các cơ quan quản lý lâm nghiệp có thể tra cứu toàn văn luận văn tại Thư viện Học viện Công nghệ Bưu chính Viễn thông để khai thác trọn vẹn bộ mã nguồn và phương pháp luận chuyên sâu.

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 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.