Tổng quan về luận án
Mất rừng và suy thoái rừng là hiểm họa sinh thái toàn cầu đe dọa trực tiếp đến an ninh môi trường, đa dạng sinh học và sự cân bằng carbon của sinh quyển. Theo báo cáo tài nguyên rừng toàn cầu của Tổ chức Lương thực và Nông nghiệp Liên Hợp Quốc (FAO), diện tích rừng thế giới hiện đạt 4,06 tỷ ha (chiếm 31% diện tích bề mặt trái đất), song đã có tới khoảng 420 triệu ha rừng bị mất kể từ năm 1990. Mặc dù tốc độ phá rừng có xu hướng giảm từ 7,8 triệu ha/năm (giai đoạn 1990–2000) xuống 5,2 triệu ha/năm (2000–2010) và 4,7 triệu ha/năm (2010–2020), áp lực nhân sinh lên các hệ sinh thái rừng nhiệt đới vẫn ở mức báo động. Tại Việt Nam, Tây Nguyên là địa bàn chiến lược về quốc phòng, an ninh và môi trường sinh thái, song đang đối mặt với tình trạng suy giảm nghiêm trọng diện tích và chất lượng rừng do chuyển đổi mục đích sử dụng đất, khai thác lâm sản trái phép và áp lực phát triển kinh tế - xã hội.
Tính tiên phong của luận án tiến sĩ "Ứng dụng công nghệ địa không gian để phát hiện sớm mất rừng, suy thoái rừng ở vùng Tây Nguyên, Việt Nam" (chuyên ngành Quản lý tài nguyên rừng, mã số 9620211) do nghiên cứu sinh Nguyễn Quốc Hiệu thực hiện dưới sự hướng dẫn của TS. Đoàn Hoài Nam và PGS.TS. Phùng Văn Khoa tại Trường Đại học Lâm nghiệp nằm ở việc chuyển dịch mô hình giám sát tài nguyên rừng từ "hậu kiểm định kỳ" sang "cảnh báo sớm thời gian thực" dựa trên nền tảng viễn thám đa phổ và điện toán đám mây địa không gian.
Khoảng trống nghiên cứu (research gap) cốt lõi mà luận án giải quyết xuất phát từ thực trạng:
- Kỹ thuật so sánh sau phân loại (Post-Classification Comparison - PCC) truyền thống đòi hỏi số lượng mẫu khóa ảnh khổng lồ, chi phí đo đạc thực địa tốn kém và bị tích lũy sai số phân loại từ hai thời điểm độc lập (Yang et al., 2018; Reddy et al., 2016).
- Các thuật toán phát hiện thay đổi trực tiếp dạng hiệu số tuyệt đối ($dNDVI, dNBR$) hay phân tích vector thay đổi đa biến ($MCVA$) chưa phản ánh chính xác bản chất suy thoái của các trạng thái rừng có mức nền trữ lượng khác nhau, đồng thời triệt tiêu thông tin về chiều hướng biến động do phép bình phương vector (Key & Benson, 2006; Nguyễn Thanh Hoàn et al., 2018).
- Thiếu hụt cơ sở toán học và thực nghiệm lâm học vững chắc để lượng hóa ranh giới giữa mất rừng hoàn toàn (Deforestation) và suy thoái rừng cục bộ (Forest Degradation) trên các tư liệu ảnh viễn thám quang học miễn phí có độ phân giải không gian và thời gian cao.
Để giải quyết khoảng trống này, luận án tập trung vào ba câu hỏi nghiên cứu (Research Questions - RQ) và ba giả thuyết khoa học (Hypotheses - H) tương ứng:
- RQ1: Có tồn tại mối quan hệ định lượng có ý nghĩa thống kê giữa các chỉ số viễn thám đa phổ ($NDVI, NBR$) với trữ lượng rừng ($M, m^3/ha$) và trạng thái rừng thực địa hay không?
- H1: Các chỉ số phản xạ phổ bề mặt có tương quan phi tuyến chặt chẽ với trữ lượng tầng tán, cho phép xác lập mức suy giảm phổ tương đối để nhận diện mức độ suy thoái lâm phần.
- RQ2: Ngưỡng biến động phổ tương đối ($KB$) nào cho phép phân tách chính xác giữa rừng không đổi, rừng suy thoái và mất rừng trên ảnh vệ tinh Landsat 8 và Sentinel 2?
- H2: Tiếp cận theo tỷ số suy giảm tương đối ($KB$) sẽ triệt tiêu đáng kể ảnh hưởng của nhiễu khí quyển, thời tiết và đặc thù nền phổ của từng kiểu rừng so với phương pháp trừ đại số tuyệt đối.
- RQ3: Làm thế nào để tự động hóa quy trình phát hiện sớm mất rừng và suy thoái rừng trên quy mô toàn vùng Tây Nguyên nhằm phục vụ công tác thực thi pháp luật lâm nghiệp?
- H3: Sự kết hợp giữa nền tảng điện toán đám mây Google Earth Engine (GEE) và môi trường phân tích không gian ArcGIS ModelBuilder cho phép xây dựng chu trình xử lý dữ liệu tự động, cung cấp tọa độ cảnh báo mất rừng chu kỳ 5–16 ngày với độ chính xác trên 85%.
Khung lý thuyết của nghiên cứu được xây dựng trên sự tích hợp giữa Lý thuyết truyền xạ quang phổ thực vật (Vegetation Radiative Transfer Theory), Quang phổ học tán rừng nhiệt đới và Khung định lượng nhiễu loạn sinh thái rừng (Forest Disturbance Framework). Đóng góp đột phá của luận án là thiết lập được bộ chỉ số tương đối $KB(dNDVI)$ và $KB(dNBR)$ kèm theo hệ thống ngưỡng giải đoán tối ưu cho 7 kiểu rừng tự nhiên (lá rộng thường xanh - LRTX, lá rộng nửa rụng lá - LRNRL, lá rộng rụng lá - LRRL, hỗn giao lá rộng - lá kim, lá kim - LK, tre nứa - TN, hỗn giao gỗ - tre nứa - HG G-TN) và 1 kiểu rừng trồng nhân tác trên phạm vi 5 tỉnh Tây Nguyên (Kon Tum, Gia Lai, Đắk Lắk, Đắk Nông, Lâm Đồng) trong giai đoạn 2015–2018. Công trình dựa trên bộ cơ sở dữ liệu thực nghiệm gồm 2.667 ô tiêu chuẩn lâm học, 360 mẫu rừng không đổi, 230 mẫu hiệu chuẩn mất rừng và 240 mẫu kiểm chứng độc lập (150 mẫu mất rừng, 90 mẫu suy thoái rừng), mang lại giá trị định lượng xác thực cao.
Literature Review và Positioning
Nghiên cứu ứng dụng công nghệ địa không gian (Geospatial Technology - GT) bao gồm Viễn thám (RS), Hệ thống thông tin địa lý (GIS) và Hệ thống định vị toàn cầu (GPS) trong giám sát động thái rừng trên thế giới và tại Việt Nam phát triển qua hai trường phái tiếp cận chủ đạo:
Ứng dụng Công nghệ Địa không gian trong Giám sát Biến động Rừng
Kỹ thuật So sánh sau Phân loại Thuật toán Phát hiện Thay đổi Trực tiếp
(Post-Classification Comparison) (Direct Change Detection)
Nghiên cứu Quốc tế Nghiên cứu Việt Nam Chỉ số Tuyệt đối Vector Đa biến Chỉ số Tương đối
• Yang et al. (2018, Myanmar) • Nguyễn Minh Kỳ (2017) $D = X_{t1} - X_{t2}$ $\Delta M = \sqrt{\dots}$ $KB = \frac{X_{t1}-X_{t2}}{X_{t1}}$
• Ghasemi et al. (2019, Iran) • Trần Quang Bảo (2017) (Key & Benson, 2006; (Shen et al., 2018; (Miller & Thode, 2007;
• Hościło & Lewandowska (2017, Ba Lan) • Nguyễn Hải Hòa (2016) Duarte et al., 2019) Nguyễn Thanh Hoàn, 2018) Parks et al., 2014; Luận án)
Đột phá của Luận án (2020)
Trường phái so sánh sau phân loại (PCC) tạo lập hai hay nhiều bản đồ hiện trạng độc lập tại các thời điểm khác nhau rồi tiến hành chồng xếp không gian. Trên thế giới, Yang et al. (2018) sử dụng chuỗi ảnh Landsat 5, 7, 8 trong 30 năm (1988–2017) tại Myanmar, xác định tỷ lệ mất rừng 0,87%/năm với độ chính xác phân loại 83–93%; Hościło & Lewandowska (2017) kết hợp Sentinel 2 và mô hình số độ cao (DEM) tại Ba Lan để phân loại rừng với độ chính xác đạt 98,3%; Reddy et al. (2016) tích hợp dữ liệu Landsat MSS/TM và IRS giám sát biến động rừng Odisha (Ấn Độ) giai đoạn 1930–2013 với độ chính xác 71,8–93,3%. Tại Việt Nam, phương pháp này được ứng dụng rộng rãi trong các công trình của Nguyễn Minh Kỳ et al. (2017) tại Chư Prông - Gia Lai (độ chính xác 76,0%), Nguyễn Hữu Hải et al. (2018) tại Đại Lộc - Quảng Nam (90,0%), Trần Quang Bảo et al. (2017) tại La Ngà - Đồng Nai (81,0%), Nguyễn Hải Hòa et al. (2016) tại Vườn quốc gia Xuân Sơn (81,7–86,5%) và dự án Tổng điều tra kiểm kê rừng toàn quốc (2013–2016) sử dụng ảnh SPOT 5, 6 và eCognition. Mặc dù cung cấp bức tranh tổng thể đa thời gian, PCC bộc lộ hạn chế lớn: độ chính xác phát hiện biến động phụ thuộc vào tích số độ chính xác của từng bản đồ thành phần, đòi hỏi khối lượng mẫu khóa giải đoán hiện trường rất lớn và không thể đáp ứng yêu cầu giám sát tức thời.
Trường phái sử dụng thuật toán phát hiện thay đổi trực tiếp dựa trên sự biến động giá trị phổ giữa hai cảnh ảnh đã hiệu chỉnh khí quyển. Các thuật toán này chia làm ba nhánh:
- Chỉ số tuyệt đối ($D = X_{t1} - X_{t2}$): Key & Benson (2006) phát triển chỉ số $dNBR = (NBR_{pre} - NBR_{post}) \times 1000$; Duarte et al. (2019) ước tính suy giảm trữ lượng carbon ($C_D = C_{t1} - C_{t2}$) tại Dominica đạt độ chính xác 70,7%; Jin et al. (2013) dùng $dNDVI$ giám sát biến động khai khoáng tại Sơn Tây (Trung Quốc). Tại Việt Nam, Nguyễn Hải Hòa et al. (2018) dùng $dNDVI, dNBR, dIRSI$ tại Khu dự trữ sinh quyển Langbiang đạt độ chính xác 66,7–85,7%. Tuy nhiên, nhược điểm chí mạng của chỉ số tuyệt đối là bỏ qua mức nền trữ lượng ban đầu: một lô rừng giàu ($NDVI = 0,85$) giảm về $0,55$ ($dNDVI = 0,30$) thực chất chỉ là suy thoái tán, nhưng nếu áp ngưỡng tuyệt đối $dNDVI \ge 0,30$ sẽ bị đánh đồng với một lô rừng nghèo ($NDVI = 0,50$) bị chặt trắng về $0,20$ ($dNDVI = 0,30$ - mất rừng hoàn toàn).
- Phân tích vector thay đổi đa biến ($MCVA$): Shen et al. (2018) dùng khoảng cách Euclid đa phổ tại Mu Su (Trung Quốc); Wang & Xu (2010) đánh giá tổn thất rừng sau bão Katrina tại Hoa Kỳ ($MWNRS$ đạt độ chính xác 67,6–80,8%); Nguyễn Thanh Hoàn et al. (2018) áp dụng $MCVA$ ($ChangeIndex = \sqrt{VCNDVI^2 + VCNDSI^2}$) tại Đắk Nông đạt độ chính xác 91,6–99,2%. Song, $MCVA$ luôn trả về giá trị độ lớn dương do bình phương sai phân, làm triệt tiêu chiều hướng biến động sinh thái, dễ gây nhầm lẫn giữa mất rừng và phục hồi rừng nếu không phân tích góc vector phức tạp.
- Chỉ số tương đối: Miller & Thode (2007) đề xuất chỉ số $RdNBR = \frac{NBR_{pre} - NBR_{post}}{\sqrt{|NBR_{pre}/1000|}}$ tại Sierra Nevada (Hoa Kỳ) đạt độ chính xác 59,9%; Parks et al. (2014) phát triển chỉ số $RBR = \frac{dNBR}{NBR_{pre} + 1,001}$ nâng độ chính xác phân loại cháy rừng lên 70,5% so với $dNBR$ (68,4%) và $RdNBR$ (69,2%).
Luận án định vị nghiên cứu vào nhánh chỉ số tương đối, kế thừa tư tưởng của Miller & Thode (2007) và Parks et al. (2014), nhưng tạo ra bước nhảy vọt mang tính hệ thống: mở rộng phạm vi ứng dụng từ đánh giá mức độ cháy rừng (fire severity) sang phát hiện sớm hai dạng nhiễu loạn sinh thái riêng biệt là mất rừng và suy thoái rừng trên 8 kiểu rừng nhiệt đới gió mùa phức tạp tại vùng Tây Nguyên.
Đóng góp lý thuyết và khung phân tích
Đóng góp cho lý thuyết
Luận án đóng góp vào Lý thuyết phản xạ phổ bề mặt (Surface Reflectance Dynamics) và Lý thuyết định lượng sinh thái cảnh quan thông qua việc mô hình hóa toán học mối quan hệ giữa suy giảm chỉ số viễn thám chuẩn hóa và mức độ tổn thất cấu trúc sinh khối lâm phần. Cụ thể, nghiên cứu làm sáng tỏ:
Tồn tại quy luật tương quan phi tuyến chặt chẽ giữa trữ lượng rừng tầng đứng ($M, m^3/ha$) với các chỉ số thực vật ($NDVI$) và chỉ số cháy chuẩn hóa ($NBR$). Phương trình hàm tương quan mũ và phi tuyến được xác lập trên 2.667 ô tiêu chuẩn chứng minh rằng khi trữ lượng rừng đạt ngưỡng $> 200–250,m^3/ha$, chỉ số $NDVI$ có xu hướng bão hòa quang phổ (spectral saturation), trong khi chỉ số $NBR$ (với sự tham gia của kênh cận hồng ngoại NIR và hồng ngoại sóng ngắn SWIR) duy trì độ nhạy cảm cao hơn với sự thay đổi độ ẩm và cấu trúc ba chiều của tán rừng.
Xây dựng mô hình khái niệm tỷ lệ suy giảm phổ tương đối ($Relative,Spectral,Decrease$):
$$KB(dIndex) = \frac{Index_{t1} - Index_{t2}}{Index_{t1}} \times 100%$$
(hoặc nhân hệ số 1000 để chuẩn hóa số nguyên). Mô hình này chuẩn hóa mức độ biến động theo chính mức nền sinh khối trước tác động ($Index_{t1}$), giải quyết triệt để vấn đề "ngụy sai số" do sự không đồng nhất về mật độ tán giữa các trạng thái rừng giàu, trung bình, nghèo và phục hồi.
Chuyển dịch quan niệm sinh thái học: Luận án chứng minh bằng thực nghiệm rằng suy thoái rừng nhiệt đới không chỉ đơn thuần là sự chuyển dịch hành chính giữa các cấp trữ lượng theo phân loại tĩnh, mà là một quá trình suy giảm quang phổ liên tục. Bằng việc phân tích phương sai phi tham số, luận án xác định được các "ngưỡng ranh giới phổ" (spectral boundary thresholds) có ý nghĩa phân định rõ giữa dao động tự nhiên theo mùa (phenological noise), suy thoái tầng tán sinh thái (degradation) và chuyển đổi đất mất rừng hoàn toàn (deforestation).
Khung phân tích độc đáo
Khung phân tích của luận án tích hợp ba trụ cột:
- Quang phổ học viễn thám đa thời gian: Khai thác sự kết hợp giữa kênh Red, NIR và SWIR trên hai chùm cảm biến Landsat 8 (OLI) và Sentinel 2 (MSI) để phản ánh đồng thời lượng diệp lục ($NDVI$) và hàm lượng nước/cấu trúc lignocellulose ($NBR$).
- Thống kê sinh trắc lâm học phi tham số: Ứng dụng kiểm định Mann-Whitney U test cho từng cặp trạng thái rừng nhằm gộp nhóm các kiểu rừng có hành vi quang phổ tương đồng, giảm thiểu độ phức tạp tính toán mà vẫn đảm bảo tính phân tách thống kê ($p < 0,05$).
- Tự động hóa không gian địa lý đám mây: Thiết lập pipeline xử lý khép kín từ lọc mây dựa trên thuật toán QA band trên Google Earth Engine đến mô hình trích xuất ranh giới vector hóa qua ArcGIS ModelBuilder.
Điều kiện biên (Boundary conditions) của khung phân tích được xác lập rõ: thuật toán hoạt động tối ưu trên dữ liệu ảnh đã hiệu chỉnh phản xạ đáy khí quyển (Bottom-Of-Atmosphere / Surface Reflectance); áp dụng hiệu quả nhất cho các vùng sinh thái có tính chu kỳ thời tiết rõ rệt (mùa khô và mùa mưa Tây Nguyên); đòi hỏi ngưỡng lọc che phủ mây cục bộ $< 20–30%$ trên cảnh ảnh.
Phương pháp nghiên cứu tiên tiến
Thiết kế nghiên cứu
Luận án tuân thủ thế giới quan thực chứng luận (Positivism) kết hợp hiện thực phê phán (Critical Realism), xem các đặc trưng phản xạ quang phổ bề mặt là các đại lượng vật lý khách quan có thể đo đạc và lượng hóa chính xác. Nghiên cứu sử dụng thiết kế hỗn hợp định lượng (Quantitative-dominant mixed design) kết hợp dữ liệu giải đoán ảnh vệ tinh đa thời gian với dữ liệu đo đếm lâm học thực địa trên diện rộng.
Thiết kế đa cấp độ (Multi-level design) được triển khai qua 3 cấp bậc:
- Cấp độ Pixel: Độ phân giải không gian $30m \times 30m$ (Landsat 8) và $10m \times 10m / 20m \times 20m$ (Sentinel 2).
- Cấp độ Ô tiêu chuẩn / Lô rừng: Diện tích ô tiêu chuẩn thực địa $500–1000,m^2$ và các lô kiểm kê lâm nghiệp hiện hành.
- Cấp độ Vùng cảnh quan: Toàn bộ không gian địa lý 5 tỉnh Tây Nguyên với tổng diện tích tự nhiên trên 5,46 triệu ha.
QUY TRÌNH NGHIÊN CỨU VÀ TỰ ĐỘNG HÓA PHÂN TÍCH
DỮ LIỆU ĐIỀU TRA THỰC ĐỊA DỮ LIỆU ẢNH VIỄN THÁM
• 2.667 Ô tiêu chuẩn (OTC) lâm học • Chuỗi ảnh Landsat 8 OLI (30m) & Sentinel 2 MSI (10-20m)
• 360 Mẫu chuẩn rừng không đổi • Giai đoạn 2015–2018 trên 5 tỉnh Tây Nguyên
• 230 Mẫu hiệu chuẩn mất rừng • Kiểm chứng độc lập chéo bằng ảnh PlanetScope (3m)
PHÂN TÍCH THỐNG KÊ & MÔ HÌNH HÓA
• Xây dựng hàm tương quan phi tuyến: Trữ lượng rừng ($M$) vs. NDVI / NBR
• Kiểm định phi tham số Mann-Whitney U test giữa các trạng thái rừng
• Xác lập ngưỡng dao động tự nhiên trên 360 mẫu rừng không đổi
• Tính toán chỉ số tương đối: $KB(dNDVI)$ và $KB(dNBR)$
XÁC LẬP BỘ NGƯỠNG PHÂN LOẠI TỐI ƯU
NGƯỠNG MẤT RỪNG NGƯỠNG SUY THOÁI RỪNG
$KB(dNDVI) \ge 35 - 40\%$ $15\% \le KB(dNDVI) < 35\%$
$KB(dNBR) \ge 40 - 45\%$ $20\% \le KB(dNBR) < 40\%$
ĐÁNH GIÁ ĐỘ CHÍNH XÁC ĐỘC LẬP
• 150 mẫu mất rừng $\rightarrow$ Độ chính xác: 91,3% – 95,3%
• 90 mẫu suy thoái $\rightarrow$ Độ chính xác: 81,1% – 86,7%
• Ma trận nhầm lẫn (Confusion Matrix) & Hệ số Kappa
TỰ ĐỘNG HÓA CẢNH BÁO VỚI ARCGIS MODELBUILDER
• Tích hợp Raster Calculator & Batch Processing
• Xuất ranh giới vùng biến động (Shapefile/GeoJSON) chu kỳ 5–16 ngày
• Chuyển giao tọa độ cảnh báo trực tiếp đến lực lượng Kiểm lâm
Quy trình nghiên cứu rigorous
Chiến lược thu thập và xử lý mẫu dữ liệu được thực hiện nghiêm ngặt:
- Dữ liệu thực địa: Sử dụng kết quả điều tra 2.667 ô tiêu chuẩn định vị bằng GPS cầm tay từ dự án Tổng điều tra, kiểm kê rừng toàn quốc (2013–2016) trên địa bàn Kon Tum, Gia Lai, Đắk Lắk, Đắk Nông, Lâm Đồng (Phụ lục 15). Các ô đo đếm đầy đủ đường kính ngang ngực ($D_{1.3}$), chiều cao vút ngọn ($H_{vn}$), chiều cao dưới cành, mật độ và tính toán trữ lượng lâm phần ($M, m^3/ha$).
- Mẫu biến động viễn thám: Thiết lập 360 mẫu rừng không đổi đại diện cho các kiểu rừng tại 5 tỉnh (Phụ lục 05) để theo dõi biến động phổ nền theo 12 tháng trong năm; 230 mẫu mất rừng thực tế (Phụ lục 06) để xác định ngưỡng; 150 mẫu mất rừng (Phụ lục 07) và 90 mẫu suy thoái rừng (Phụ lục 08) được trích xuất độc lập hoàn toàn để kiểm chứng độ chính xác.
- Kiểm chứng chéo siêu cao (Triangulation): Mọi điểm biến động trên ảnh Landsat 8 và Sentinel 2 đều được đối soát chéo với ảnh vệ tinh thương mại độ phân giải cao PlanetScope ($3m \times 3m$) tại các mốc thời gian trước và sau khi xảy ra sự kiện mất rừng (ví dụ: đối soát tại lô 1 khoảnh 8 tiểu khu 1737; lô 27 khoảnh 6 tiểu khu 1409; lô 13 khoảnh 4 tiểu khu 1409).
- Độ tin cậy và kiểm định thống kê: Áp dụng kiểm định phi tham số Mann-Whitney U test ở mức ý nghĩa $\alpha = 0,05$ để kiểm tra sự khác biệt giá trị chỉ số viễn thám giữa các trạng thái rừng. Đánh giá độ chính xác phân loại thông qua ma trận nhầm lẫn (Confusion Matrix), tính toán độ chính xác của người sản xuất (Producer's Accuracy - PA), độ chính xác của người dùng (User's Accuracy - UA), độ chính xác tổng thể (Overall Accuracy - OA) và hệ số Cohen's Kappa.
Data và phân tích
Quy trình phân tích dữ liệu ứng dụng kết hợp các công cụ chuyên sâu:
- Google Earth Engine (GEE): Sử dụng các đoạn mã JavaScript/Python API (Phụ lục 03 và 04) để truy vấn bộ sưu tập
LANDSAT/LC08/C01/T1_SR và COPERNICUS/S2_SR. Áp dụng các thuật toán mặt nạ mây pixel_qa (Landsat 8) và QA60 / SCL (Sentinel 2) để lọc bỏ điểm ảnh mây và bóng mây tự động.
- ArcGIS Engine: Xây dựng quy trình tự động hóa qua ModelBuilder tích hợp Raster Calculator, chuyển đổi dữ liệu raster biến động thành các lớp vector ranh giới mất rừng/suy thoái, tự động gắn thuộc tính diện tích, tọa độ tâm và tiểu khu lâm nghiệp phục vụ tuần tra hiện trường.
Phát hiện đột phá và implications
Những phát hiện then chốt
-
Mối quan hệ định lượng giữa chỉ số viễn thám và trữ lượng rừng ($M$): Nghiên cứu đã chứng minh giá trị $NDVI$ và $NBR$ tăng tỷ lệ thuận phi tuyến với trữ lượng rừng từ trạng thái nghèo kiệt ($M < 50,m^3/ha$) đến rừng giàu ($M > 200,m^3/ha$). Trên ảnh Landsat 8 và Sentinel 2, chỉ số $NBR$ thể hiện hệ số tương quan ($R^2$) cao hơn và đường cong hồi quy ổn định hơn so với $NDVI$ ở các cấp trữ lượng cao do không bị bão hòa sớm, khẳng định vai trò then chốt của các kênh phổ sóng ngắn SWIR trong giải đoán sinh khối tầng tán.
-
Xác lập ngưỡng ổn định tự nhiên của rừng không đổi: Dựa trên phân tích chuỗi thời gian 360 mẫu rừng không đổi qua các mùa trong năm, luận án xác định ngưỡng dao động quang phổ nội tại (do thay đổi góc chiếu mặt trời, độ ẩm bề mặt và biến động rụng lá sinh lý):
- Trên ảnh Landsat 8: Dao động $KB(dNDVI)$ của rừng không đổi nằm trong khoảng $-8,5%$ đến $+12,4%$; dao động $KB(dNBR)$ nằm trong khoảng $-10,2%$ đến $+14,6%$.
- Trên ảnh Sentinel 2: Dao động $KB(dNDVI)$ nằm trong khoảng $-7,8%$ đến $+11,5%$; dao động $KB(dNBR)$ nằm trong khoảng $-9,1%$ đến $+13,8%$.
- Kết luận quy chuẩn: Ngưỡng biến động tự nhiên an toàn của rừng ổn định được thiết lập là $KB < 15%$.
-
Hệ thống ngưỡng chỉ số tương đối phân định mất rừng và suy thoái rừng:
- Phát hiện Mất rừng (Deforestation - mất trên 70% tán độ tàn che hoặc chuyển sang đất trống/cây nông nghiệp):
- Ảnh Landsat 8: Ngưỡng $KB(dNDVI) \ge 38,5%$ và $KB(dNBR) \ge 42,0%$.
- Ảnh Sentinel 2: Ngưỡng $KB(dNDVI) \ge 36,0%$ và $KB(dNBR) \ge 40,5%$.
- Phát hiện Suy thoái rừng (Degradation - suy giảm từ 20% đến dưới 70% tán rừng/trữ lượng do khai thác chọn, tỉa thưa, lấn chiếm nhỏ lẻ):
- Ảnh Landsat 8: $15,0% \le KB(dNDVI) < 38,5%$ và $18,0% \le KB(dNBR) < 42,0%$.
- Ảnh Sentinel 2: $14,0% \le KB(dNDVI) < 36,0%$ và $16,5% \le KB(dNBR) < 40,5%$.
-
Độ chính xác vượt trội của phương pháp chỉ số tương đối:
- Kết quả kiểm chứng độc lập trên 150 mẫu mất rừng thực địa xác nhận:
- Độ chính xác phát hiện mất rừng đạt 91,33% (đối với $KB(dNDVI)$ trên Landsat 8), 93,33% (đối với $KB(dNBR)$ trên Landsat 8), 94,00% (đối với $KB(dNDVI)$ trên Sentinel 2) và 95,33% (đối với $KB(dNBR)$ trên Sentinel 2).
- Kết quả kiểm chứng độc lập trên 90 mẫu suy thoái rừng xác nhận:
- Độ chính xác phát hiện suy thoái rừng đạt 81,11% (Landsat 8 - $KB(dNDVI)$), 83,33% (Landsat 8 - $KB(dNBR)$), 84,44% (Sentinel 2 - $KB(dNDVI)$) và 86,67% (Sentinel 2 - $KB(dNBR)$).
- Hệ số tương đồng Kappa đạt từ $0,78$ đến $0,91$, khẳng định độ tin cậy vượt bậc so với các phương pháp hiệu số tuyệt đối truyền thống ($66,7–85,7%$).
-
Sự phân hóa ưu thế giữa cảm biến Landsat 8 và Sentinel 2: Luận án phát hiện Sentinel 2 với độ phân giải không gian $10–20m$ và chu kỳ tái lặp 5 ngày có khả năng phát hiện các điểm mất rừng/suy thoái quy mô nhỏ ($< 0,3,ha$ đến $0,5,ha$) với độ nét biên giới lô rừng vượt trội, trong khi Landsat 8 ($30m$, chu kỳ 16 ngày) phù hợp cho các điểm biến động diện tích lớn ($> 1,0,ha$) và cung cấp chuỗi dữ liệu lịch sử đối sánh dài hạn.
Implications đa chiều
- Về mặt học thuật và lý thuyết: Công trình cung cấp minh chứng thực nghiệm vững chắc làm phong phú thêm lý thuyết viễn thám thực vật nhiệt đới, khẳng định tính khả thi của việc lượng hóa suy thoái tán rừng bằng chỉ số biến thiên tương đối thay vì chỉ dừng lại ở phân loại nhị phân (rừng/không rừng).
- Về mặt phương pháp luận: Thiết lập một quy trình chuẩn hóa từ khâu tiền xử lý mây trên GEE, tính toán chỉ số tương đối $KB$, phân ngưỡng tự động trên ArcGIS đến kiểm chứng thực địa, tạo tiền đề để nhân rộng mô hình ra toàn bộ các vùng sinh thái lâm nghiệp khác của Việt Nam (Tây Bắc, Bắc Trung Bộ, Đông Nam Bộ).
- Về mặt quản lý và chính sách: Đem lại công cụ mang tính cách mạng cho lực lượng Kiểm lâm và các Ban quản lý rừng vùng Tây Nguyên. Thay vì phát hiện các vụ phá rừng sau nhiều tháng (khi diện tích đã bị san phẳng và canh tác), hệ thống cảnh báo sớm cho phép phát hiện các vụ mở đường lâm tặc, khai thác chọn và lấn chiếm đất rừng trong vòng 5–16 ngày kể từ khi có ảnh vệ tinh sạch mây, giúp ngăn chặn triệt để thiệt hại lan rộng.
- Hỗ trợ cam kết quốc tế: Cung cấp số liệu kỹ thuật khách quan, minh bạch phục vụ Cơ chế chi trả giảm phát thải khí nhà kính thông qua nỗ lực hạn chế mất rừng và suy thoái rừng (REDD+), Chi trả dịch vụ môi trường rừng (PFES) và giám sát thực thi chủ trương đóng cửa rừng tự nhiên của Chính phủ.
Limitations và Future Research
Mặc dù đạt được những kết quả đột phá, luận án thẳng thắn chỉ ra các giới hạn nghiên cứu (limitations) mang tính khách quan:
- Nhiễu mây nhiệt đới trong mùa mưa: Vùng Tây Nguyên có mùa mưa kéo dài (từ tháng 5 đến tháng 10) với tỷ lệ che phủ mây thường xuyên vượt quá $70–80%$. Do các cảm biến Landsat 8 và Sentinel 2 là cảm biến quang học thụ động, khả năng phát hiện sớm mất rừng trong các tháng cao điểm mùa mưa bị gián đoạn do thiếu ảnh sạch mây.
- Hiện tượng rụng lá sinh lý mùa khô ở rừng khộp: Kiểu rừng lá rộng rụng lá (rừng khộp) tại vùng Ea Súp (Đắk Lắk) hay Ayun Pa (Gia Lai) có hiện tượng rụng lá hàng loạt vào mùa khô, dẫn đến sự sụt giảm tự nhiên của chỉ số $NDVI/NBR$, đôi khi gây ra sai số dương tính giả (false positive) nếu thời điểm chụp ảnh rơi vào chu kỳ thay lá cực điểm.
- Độ phân giải không gian đối với suy thoái siêu nhỏ lẻ: Với độ phân giải $10–30m$, việc phát hiện các hành vi khai thác trộm từng cây gỗ đơn lẻ phân tán dưới tán rừng già khép tán sâu mà không làm vỡ tán lớn vẫn vượt ngoài ngưỡng phát hiện của cảm biến quang học quang phổ trung bình.
Chương trình nghiên cứu tương lai (Future Research Agenda) được định hướng cụ thể:
- Tích hợp dữ liệu Radar khẩu độ tổng hợp (SAR): Nghiên cứu kết hợp dữ liệu quang học (Sentinel 2, Landsat 8) với ảnh Radar Sentinel-1 (C-band) và ALOS-2 PALSAR-2 (L-band). Sóng Radar có khả năng xuyên mây và nhạy cảm với cấu trúc hình thái thân cành, giải quyết triệt để bài toán giám sát xuyên suốt mùa mưa bão.
- Ứng dụng Trí tuệ nhân tạo và Học sâu (Deep Learning): Triển khai các mạng nơ-ron tích chập không gian - thời gian (Spatial-Temporal CNNs, U-Net, Vision Transformers) trên chuỗi thời gian ảnh vệ tinh liên tục để tự động học các quy luật biến đổi phổ theo mùa, loại bỏ hoàn toàn nhiễu rụng lá sinh lý của rừng rụng lá.
- Nâng cấp tích hợp cảm biến siêu cao và UAV: Ứng dụng thiết bị bay không người lái (UAV) tích hợp cảm biến LiDAR và Multispectral để tự động bay kiểm tra các tọa độ nghi vấn do thuật toán $KB$ cảnh báo, hình thành mạng lưới giám sát "Vệ tinh viễn thám $\rightarrow$ Cảnh báo thuật toán $\rightarrow$ UAV thị sát $\rightarrow$ Kiểm lâm cơ động xử lý".
Tác động và ảnh hưởng
Luận án tạo ra tác động sâu rộng trên cả 5 phương diện:
- Tác động học thuật: Mở ra hướng tiếp cận định lượng hóa suy thoái rừng bằng chỉ số viễn thám tương đối tại Việt Nam, cung cấp nguồn trích dẫn học thuật nền tảng cho các nghiên cứu sinh, học viên cao học chuyên ngành Quản lý tài nguyên rừng, Lâm học, Bản đồ và Viễn thám.
- Hiện đại hóa công nghệ ngành Lâm nghiệp: Chuyển đổi căn bản phương thức thu thập số liệu diễn biến rừng từ thủ công, ghi chép định tính sang quy trình số hóa tự động, khách quan, loại bỏ các sai lệch và tính chủ quan trong báo cáo diễn biến rừng thường niên.
- Tác động chính sách nhà nước: Kết quả nghiên cứu cung cấp luận cứ khoa học trực tiếp cho Bộ Nông nghiệp và Phát triển nông thôn, Cục Kiểm lâm trong việc hoàn thiện các Thông tư quy định kỹ thuật về theo dõi diễn biến rừng (như Thông tư 33/2018/TT-BNNPTNT) và xây dựng Hệ sinh thái Giám sát Rừng Quốc gia thời gian thực.
- Hiệu quả kinh tế - xã hội: Giảm thiểu trên 60% chi phí nhân lực và ngân sách cho các đợt tuần tra rừng mù quáng ngoài thực địa; bảo vệ nguyên vẹn các hệ sinh thái đầu nguồn, duy trì nguồn nước ngầm cho các vùng chuyên canh cà phê, hồ tiêu trọng điểm của Tây Nguyên và bảo đảm an toàn cho các công trình thủy điện bậc thang sông Sêrêpôk, sông Ba, sông Sê San.
- Giá trị toàn cầu: Đóng góp thiết thực vào nỗ lực thực hiện Thỏa thuận Paris về Biến đổi Khí hậu và các cam kết của Việt Nam tại COP26 về việc chấm dứt mất rừng, hướng tới mục tiêu phát thải ròng bằng "0" (Net-Zero) vào năm 2050.
Đối tượng hưởng lợi
- Nghiên cứu sinh và Giới học thuật: Tiếp cận cơ sở dữ liệu thực nghiệm mẫu lớn (2.667 OTC, 360 mẫu chuẩn rừng không đổi), công thức toán học và mã nguồn thuật toán viễn thám xử lý trên GEE/ArcGIS phục vụ nghiên cứu phát triển.
- Cơ quan Quản lý Nhà nước (Cục Kiểm lâm, Sở NN&PTNT): Sở hữu giải pháp công nghệ làm chủ, độc lập với các phần mềm thương mại đắt tiền, chủ động theo dõi và cập nhật số liệu rừng định kỳ chính xác.
- Lực lượng Kiểm lâm địa bàn và Chủ rừng (Ban Quản lý Rừng đặc dụng, Rừng phòng hộ, Công ty Lâm nghiệp): Nhận các file vector cảnh báo biến động tích hợp tọa độ chính xác để nạp trực tiếp vào máy GPS cầm tay hoặc ứng dụng di động (Smart Ranger, Locus GIS), giúp cơ động đến đúng hiện trường vi phạm nhanh nhất.
- Cộng đồng địa phương và Xã hội: Hưởng lợi từ môi trường sinh thái rừng ổn định, hạn chế xói mòn rửa trôi đất, lũ quét mùa mưa và suy kiệt nguồn nước mùa khô.
Câu hỏi chuyên sâu
1. Đóng góp lý thuyết độc đáo nhất của nghiên cứu là gì và đã mở rộng lý thuyết nào?
Luận án đã mở rộng Lý thuyết phản xạ phổ bề mặt và Khung phân tích mức độ nhiễu loạn rừng (RdNBR của Miller & Thode, 2007; RBR của Parks et al., 2014) thông qua việc thiết lập chỉ số tương đối $KB(dNDVI)$ và $KB(dNBR)$. Nghiên cứu chứng minh rằng bằng cách chuẩn hóa mức suy giảm phổ trên chính giá trị nền trước tác động ($Index_{t1}$), mô hình đã khắc phục triệt để hiện tượng bão hòa phổ và sự sai lệch biên độ giữa các trạng thái rừng giàu, trung bình, nghèo, tạo cơ sở toán học để phân tách ranh giới giữa mất rừng và suy thoái rừng nhiệt đới.
2. Đột phá về phương pháp luận so với các nghiên cứu trước đây thể hiện như thế nào?
So với phương pháp so sánh sau phân loại truyền thống (Yang et al., 2018; Trần Quang Bảo et al., 2017) vốn tốn kém mẫu khóa và nhân đôi sai số, và phương pháp trừ tuyệt đối $dNDVI$ (Jin et al., 2013; Duarte et al., 2019) hay vector đa biến $MCVA$ (Nguyễn Thanh Hoàn et al., 2018) vốn làm mất dấu biến động hoặc đánh đồng các cấp trữ lượng, phương pháp chỉ số tương đối $KB$ của luận án xử lý trực tiếp trên ảnh phản xạ bề mặt, giữ nguyên chiều hướng suy giảm sinh thái, tự động hóa lọc mây trên GEE và đạt độ chính xác kiểm chứng vượt trội ($91,33–95,33%$ đối với mất rừng; $81,11–86,67%$ đối với suy thoái rừng).
3. Phát hiện thực nghiệm nào bất ngờ và có ý nghĩa quan trọng nhất từ dữ liệu?
Phát hiện bất ngờ nhất là chỉ số $NBR$ (vốn truyền thống chỉ được dùng trong nghiên cứu cháy rừng) lại thể hiện độ nhạy cảm và độ chính xác phân định mất rừng/suy thoái rừng cao hơn chỉ số thực vật chuẩn hóa kinh điển $NDVI$ trên cả hai cảm biến Landsat 8 và Sentinel 2 ($95,33%$ so với $94,00%$). Điều này chứng minh rằng việc mất tán rừng nhiệt đới làm sụt giảm đột ngột hàm lượng ẩm và cấu trúc lignocellulose (phản xạ mạnh ở kênh SWIR) rõ nét hơn sự biến thiên của diệp lục tố đơn thuần ở kênh Red/NIR.
4. Luận án có cung cấp quy trình và giao thức tái lập (Replication Protocol) hoàn chỉnh không?
Luận án cung cấp chi tiết toàn bộ giao thức thực nghiệm, bao gồm danh mục câu lệnh xử lý GEE cho Landsat 8 và Sentinel 2 (Phụ lục 03, 04), mô hình trực quan ModelBuilder trong ArcGIS (Hình 4.47), bảng số liệu 2.667 ô tiêu chuẩn lâm học (Phụ lục 15) và bộ ngưỡng phân loại định lượng $KB$ cụ thể cho từng cảm biến và từng nhóm kiểu rừng, cho phép các nhà khoa học độc lập tái lập quy trình 100% trên các vùng nghiên cứu mới.
5. Chương trình nghiên cứu 10 năm tiếp theo được định hình ra sao?
Lộ trình 10 năm tập trung vào 3 trụ cột: (1) Hợp nhất dữ liệu viễn thám đa nguồn Quang học - SAR - LiDAR (Sentinel 1/2, NISAR, GEDI) để loại bỏ hoàn toàn điểm mù do mây mùa mưa; (2) Tích hợp mô hình học sâu Spatio-Temporal Transformer nhằm dự báo trước các điểm nóng có nguy cơ bị phá rừng dựa trên phân tích không gian lịch sử; (3) Thương mại hóa và tích hợp thuật toán vào nền tảng cảnh báo di động quốc gia phục vụ giám sát rừng tự động thời gian thực.
Kết luận
Luận án tiến sĩ của tác giả Nguyễn Quốc Hiệu đã hoàn thành xuất sắc các mục tiêu nghiên cứu đề ra với 5 đóng góp học thuật và thực tiễn mang tính then chốt:
- Thiết lập nền tảng cơ sở khoa học: Chứng minh bản chất mối quan hệ tương quan phi tuyến giữa các chỉ số viễn thám đa phổ ($NDVI, NBR$) với trữ lượng rừng tầng đứng ($M, m^3/ha$) và trạng thái lâm phần dựa trên cơ sở dữ liệu thực nghiệm đồ sộ gồm 2.667 ô tiêu chuẩn lâm học tại Tây Nguyên.
- Xác lập hệ thống ngưỡng chỉ số tương đối chuẩn hóa: Định lượng chính xác bộ ngưỡng dao động tự nhiên cho rừng ổn định ($KB < 15%$), ngưỡng suy thoái rừng ($15% \le KB < 40%$) và ngưỡng mất rừng ($KB \ge 40%$) trên cả hai tư liệu vệ tinh Landsat 8 và Sentinel 2.
- Đạt độ chính xác kiểm chứng tin cậy: Đạt độ chính xác tổng thể $91,33% – 95,33%$ đối với phát hiện mất rừng và $81,11% – 86,67%$ đối với phát hiện suy thoái rừng trên bộ mẫu kiểm chứng độc lập (150 mẫu mất rừng, 90 mẫu suy thoái), vượt trội so với các thuật toán truyền thống.
- Xây dựng quy trình công nghệ tự động hóa khép kín: Tích hợp thành công năng lực tính toán đám mây của Google Earth Engine với môi trường xử lý không gian ArcGIS ModelBuilder, cho phép chiết xuất ranh giới biến động rừng chu kỳ 5–16 ngày.
- Mở ra 3 hướng nghiên cứu sinh thái mới: Đặt nền móng cho việc mở rộng thuật toán $KB$ sang giám sát đa dạng sinh học tầng tán, tích hợp viễn thám Radar xuyên mây và lượng giá sinh khối phục vụ thị trường tín chỉ carbon rừng quốc tế.
- Giá trị di sản thực tiễn lâu dài: Cung cấp công cụ chuyển giao kỹ thuật số hoàn chỉnh cho Cục Kiểm lâm và các tỉnh Tây Nguyên, trực tiếp nâng cao năng lực thực thi pháp luật lâm nghiệp, bảo tồn hệ sinh thái rừng tự nhiên và hiện thực hóa các cam kết quốc tế về bảo vệ môi trường và khí hậu toàn cầu.
