Luận án tiến sĩ lâm nghiệp ứng dụng công nghệ địa không gian để phát hiện sớm mất rừng suy thoái rừng tại vùng tây nguyên việt nam

Luận án tiến sĩ nghiên cứu lâm nghiệp ứng dụng công nghệ địa không gian để phát hiện sớm mất rừng suy thoái rừng tại vùng tây, phát triển phương pháp mới, đánh giá hiệu quả ứng

• Tác giả: Nguyễn Quốc Hiệu
• Người hướng dẫn: PGS. Phùng Văn Khoa
• Trường học: Trường Đại học Lâm nghiệp
• Chuyên ngành: Quản lý tài nguyên rừng
• Đề tài: Ứng dụng công nghệ địa không gian để phát hiện sớm mất rừng, suy thoái rừng ở vùng Tây Nguyên, Việt Nam
• Loại tài liệu: luận án tiến sĩ
• Năm xuất bản: 2020
• Địa điểm: Hà Nội

Mục lục chi tiết

• LỜI CAM ĐOAN
• DANH MỤC CÁC KÝ HIỆU, CHỮ VIẾT TẮT
• DANH MỤC CÁC BẢNG
• DANH MỤC CÁC HÌNH
• DANH MỤC PHỤ LỤC
• MỞ ĐẦU
• 1. Chương 1: TỔNG QUAN VẤN ĐỀ NGHIÊN CỨU
• 1.1. Định nghĩa về rừng, mất rừng và suy thoái rừng
• 1.1.1. Suy thoái rừng
• 1.2. Nghiên cứu ứng dụng công nghệ địa không gian để xác định thay đổi rừng trên thế giới và Việt Nam
• 1.2.1. Xác định thay đổi rừng sử dụng kỹ thuật so sánh sau phân loại
• 1.2.2. Xác định thay đổi rừng sử dụng thuật toán phát hiện thay đổi
• 1.3. Đánh giá và định hướng nghiên cứu
• 1.3.1. So sánh 2 hướng tiếp cận xác định thay đổi rừng
• 1.3.2. So sánh các thuật toán phát hiện thay đổi
• 1.3.3. Định hướng nghiên cứu
• 2. Chương 2: NỘI DUNG VÀ PHƯƠNG PHÁP NGHIÊN CỨU
• 2.1. Nội dung nghiên cứu
• 2.2. Phương pháp nghiên cứu
• 2.2.1. Phương pháp luận
• 2.2.2. Phương pháp nghiên cứu cụ thể
• 3. Chương 3: ĐẶC ĐIỂM TỰ NHIÊN, KINH TẾ XÃ HỘI KHU VỰC NGHIÊN CỨU
• 3.1. Đặc điểm tự nhiên, kinh tế - xã hội
• 3.1.1. Vị trí địa lý
• 3.1.2. Địa chất và thổ nhưỡng
• 3.1.3. Dân số, dân tộc
• 3.1.4. Cơ cấu các ngành kinh tế
• 3.2. Đặc điểm rừng ở vùng Tây Nguyên
• 3.2.1. Diện tích và phân bố các loại rừng
• 3.2.2. Biến động rừng ở vùng Tây Nguyên
• 3.3. Đặc điểm ảnh vệ tinh vùng Tây Nguyên
• 3.3.1. Ảnh vệ tinh Landsat 8
• 3.3.2. Ảnh vệ tinh Sentinel 2
• 4. Chương 4: KẾT QUẢ NGHIÊN CỨU VÀ THẢO LUẬN
• 4.1. Cơ sở khoa học ứng dụng chỉ số viễn thám trong phát hiện mất rừng, suy thoái rừng
• 4.1.1. Mối quan hệ giữa chỉ số viễn thám và trữ lượng rừng trên ảnh vệ tinh Landsat 8 và Sentinel 2
• 4.1.2. Kiểm định sự khác biệt về chỉ số viễn thám giữa các trạng thái rừng trên ảnh Landsat 8 và Sentinel 2
• 4.1.3. Xác định ngưỡng chỉ số viễn thám đối với rừng không thay đổi trên ảnh Landsat 8
• 4.1.4. Xác định ngưỡng chỉ số viễn thám đối với rừng không thay đổi trên ảnh Sentinel 2
• 4.2. Xác định ngưỡng chỉ số tương đối phát hiện mất rừng, suy thoái rừng ở vùng Tây Nguyên
• 4.2.1. Sử dụng ảnh vệ tinh Landsat 8
• 4.2.2. Sử dụng ảnh vệ tinh Sentinel 2
• 4.3. Đề xuất hướng ứng dụng công nghệ địa không gian để phát hiện sớm mất rừng, suy thoái rừng ở vùng Tây Nguyên
• KẾT LUẬN, TỒN TẠI VÀ KIẾN NGHỊ
• DANH MỤC CÁC CÔNG TRÌNH ĐÃ CÔNG BỐ LIÊN QUAN ĐẾN LUẬN ÁN
• TÀI LIỆU THAM KHẢO

Tóm tắt

I. Công nghệ địa không gian

Công nghệ địa không gian đóng vai trò quan trọng trong việc phát hiện sớm mất rừng và suy thoái rừng. Nghiên cứu sử dụng các công cụ như hệ thống thông tin địa lý (GIS), viễn thám và hệ thống định vị toàn cầu (GPS) để phân tích dữ liệu từ ảnh vệ tinh Landsat 8 và Sentinel 2. Các công nghệ này giúp xác định các khu vực bị mất rừng và suy thoái rừng một cách chính xác và kịp thời. Ứng dụng công nghệ địa không gian không chỉ nâng cao hiệu quả giám sát mà còn hỗ trợ các quyết định quản lý tài nguyên rừng bền vững.

1.1. Viễn thám và GIS

Viễn thám và GIS là hai công nghệ chính được sử dụng trong nghiên cứu. Viễn thám cung cấp dữ liệu từ ảnh vệ tinh, trong khi GIS giúp phân tích và hiển thị dữ liệu không gian. Sự kết hợp này cho phép xác định các khu vực bị mất rừng và suy thoái rừng một cách hiệu quả.

1.2. Ứng dụng thực tiễn

Nghiên cứu đề xuất các phương pháp ứng dụng công nghệ địa không gian trong thực tiễn quản lý rừng. Các phương pháp này bao gồm việc sử dụng các chỉ số viễn thám như NDVI và NBR để phát hiện sớm các thay đổi trong tài nguyên rừng.

II. Phát hiện sớm mất rừng

Phát hiện sớm mất rừng là một trong những mục tiêu chính của nghiên cứu. Sử dụng các chỉ số viễn thám như NDVI và NBR, nghiên cứu đã xác định được các ngưỡng giá trị để phát hiện sớm mất rừng. Các kết quả cho thấy, việc sử dụng ảnh vệ tinh Landsat 8 và Sentinel 2 có thể phát hiện mất rừng với độ chính xác cao. Giám sát rừng thông qua công nghệ địa không gian giúp các nhà quản lý có thể can thiệp kịp thời để ngăn chặn tình trạng mất rừng.

2.1. Chỉ số viễn thám

Các chỉ số viễn thám như NDVI và NBR được sử dụng để đánh giá sức khỏe của rừng. NDVI đo lường mức độ xanh của thảm thực vật, trong khi NBR giúp phát hiện các khu vực bị cháy hoặc suy thoái.

2.2. Độ chính xác

Nghiên cứu đã đánh giá độ chính xác của các phương pháp phát hiện mất rừng. Kết quả cho thấy, việc sử dụng ảnh vệ tinh có thể đạt độ chính xác cao trong việc xác định các khu vực bị mất rừng.

III. Suy thoái rừng Tây Nguyên

Suy thoái rừng là một vấn đề nghiêm trọng tại vùng Tây Nguyên. Nghiên cứu đã sử dụng các chỉ số viễn thám để đánh giá mức độ suy thoái rừng tại khu vực này. Các kết quả cho thấy, suy thoái rừng chủ yếu do các hoạt động của con người như khai thác gỗ trái phép và chuyển đổi đất rừng sang mục đích khác. Bảo vệ môi trường và quản lý tài nguyên thiên nhiên là các giải pháp được đề xuất để giảm thiểu tình trạng suy thoái rừng.

3.1. Nguyên nhân suy thoái

Các nguyên nhân chính dẫn đến suy thoái rừng bao gồm khai thác gỗ trái phép, chuyển đổi đất rừng và các hoạt động nông nghiệp không bền vững.

3.2. Giải pháp

Nghiên cứu đề xuất các giải pháp như tăng cường giám sát, thực thi pháp luật và phát triển các chương trình bảo vệ rừng bền vững.

IV. Ứng dụng công nghệ

Ứng dụng công nghệ trong quản lý rừng là một trong những đóng góp quan trọng của nghiên cứu. Các công nghệ như viễn thám và GIS được sử dụng để giám sát và quản lý tài nguyên rừng một cách hiệu quả. Nghiên cứu cũng đề xuất các phương pháp ứng dụng công nghệ trong thực tiễn, bao gồm việc sử dụng các chỉ số viễn thám để phát hiện sớm mất rừng và suy thoái rừng. Phát triển bền vững và chống biến đổi khí hậu là các mục tiêu chính của việc ứng dụng công nghệ trong quản lý rừng.

4.1. Phần mềm

Nghiên cứu đề xuất việc phát triển các phần mềm tự động để phát hiện và cảnh báo sớm mất rừng và suy thoái rừng.

4.2. Hiệu quả

Việc ứng dụng công nghệ đã mang lại hiệu quả cao trong việc giám sát và quản lý tài nguyên rừng, giúp giảm thiểu tình trạng mất rừng và suy thoái rừng.

Nội dung chính

Tổng quan luận án

Luận án tiến sĩ lâm nghiệp của nghiên cứu sinh Nguyễn Quốc Hiệu với đề tài "Ứng dụng công nghệ địa không gian để phát hiện sớm mất rừng, suy thoái rừng ở vùng Tây Nguyên, Việt Nam" thuộc chuyên ngành Quản lý tài nguyên rừng (Mã số: 9620211), được thực hiện tại Trường Đại học Lâm nghiệp dưới sự hướng dẫn của PGS. Phùng Văn Khoa và TS. Đoàn Hoài Nam (bảo vệ năm 2020).

Tính cấp thiết và khoảng trống nghiên cứu

Mất rừng và suy thoái rừng là hiện tượng đe dọa trực tiếp đến chất lượng môi trường sống và đa dạng sinh học toàn cầu. Theo số liệu của Tổ chức Nông lương Liên hợp quốc (FAO), tổng diện tích rừng thế giới hiện đạt 4,06 tỷ ha (chiếm 31% diện tích bề mặt trái đất), nhưng đã có khoảng 420 triệu ha rừng bị mất kể từ năm 1990 đến nay. Tốc độ mất rừng qua các giai đoạn được thống kê cụ thể: giai đoạn 1990–2000 trung bình mất 7,8 triệu ha/năm; giai đoạn 2000–2010 mất 5,2 triệu ha/năm; và giai đoạn 2010–2020 trung bình mất 4,7 triệu ha/năm, với nguyên nhân chủ yếu do các hoạt động của con người.

Tại Việt Nam, công nghệ địa không gian (Geospatial Technology) đã được ứng dụng trong điều tra, kiểm kê, theo dõi diễn biến rừng hàng năm và giám sát chi trả dịch vụ môi trường rừng. Tuy nhiên, thực tiễn quản lý tài nguyên rừng vẫn tồn tại các khoảng trống lớn:

1. Thiếu cơ sở khoa học đầy đủ cho việc lựa chọn và chuẩn hóa các chỉ số viễn thám, các nguồn tư liệu ảnh vệ tinh quang học miễn phí (Landsat 8, Sentinel 2) phục vụ phát hiện sớm mất rừng và suy thoái rừng.
2. Thiếu quy trình xử lý bán tự động/tự động nhằm giảm bớt tính chủ quan, khắc phục sai lệch trong các báo cáo số liệu diễn biến rừng định kỳ tại cấp cơ sở và cấp quốc gia.

Mục tiêu nghiên cứu

• Mục tiêu tổng quát: Ứng dụng công nghệ địa không gian để phát hiện sớm mất rừng, suy thoái rừng góp phần nâng cao hiệu quả của công tác quản lý và bảo vệ rừng, giám sát, theo dõi diễn biến tài nguyên rừng ở vùng Tây Nguyên nói riêng và ở Việt Nam nói chung.
• Mục tiêu cụ thể:
  1. Thiết lập được cơ sở khoa học cho việc sử dụng các chỉ số viễn thám để phát hiện sớm mất rừng, suy thoái rừng;
  2. Xác định được ngưỡng chỉ số tương đối để phát hiện sớm mất rừng, suy thoái rừng;
  3. Đề xuất được hướng ứng dụng công nghệ địa không gian để phát hiện sớm mất rừng và suy thoái rừng ở vùng Tây Nguyên.

Đối tượng và phạm vi nghiên cứu

• Đối tượng nghiên cứu: 07 kiểu rừng tự nhiên tại vùng Tây Nguyên (bao gồm: rừng lá rộng thường xanh - LRTX, rừng lá rộng rụng lá - LRRL, rừng lá rộng nửa rụng lá - LRNRL, rừng hỗn giao lá rộng – lá kim, rừng lá kim - LK, rừng tre nứa, rừng hỗn giao gỗ – tre nứa - G-TN/TN-G) và 01 kiểu rừng phụ nhân tác (rừng trồng).
• Phạm vi không gian: Toàn bộ ranh giới hành chính của 05 tỉnh vùng Tây Nguyên (Kon Tum, Gia Lai, Đắk Lắk, Đắk Nông, Lâm Đồng).
• Phạm vi thời gian: Dữ liệu ảnh vệ tinh và diễn biến rừng được thu thập, phân tích trong giai đoạn từ năm 2015 đến năm 2018.
• Tư liệu viễn thám: Ảnh vệ tinh quang học Landsat 8 (LS8) và Sentinel 2 (S2), kết hợp ảnh độ phân giải cao Planet để kiểm chứng hiện trường.

---

Tổng quan tài liệu và vị trí của luận án

Luận án hệ thống hóa các nghiên cứu trong nước và quốc tế về việc ứng dụng công nghệ địa không gian trong giám sát biến động tài nguyên rừng theo hai hướng tiếp cận chính:

Hướng tiếp cận so sánh sau phân loại (Post-classification comparison)

Phương pháp này tiến hành phân loại độc lập các cảnh ảnh tại các thời điểm khác nhau để tạo lập bản đồ hiện trạng lớp phủ, sau đó thực hiện chồng ghép hai lớp bản đồ nhằm xác định các vị trí biến động.

• Trên thế giới: Yang, R. (2018/2019) sử dụng chuỗi ảnh Landsat 5, 7, 8 xác định mất 11.062,1 ha rừng tại Myanmar giai đoạn 1988–2017 với độ chính xác từ 83% đến 93%. Các công trình khác ứng dụng Landsat 8 đa thời gian phân loại sử dụng đất tại Iran (độ chính xác 74%); sử dụng Sentinel 2 và mô hình độ cao số (DEM) phân loại rừng tại Ba Lan (đạt độ chính xác 98,3% với ranh giới đất có rừng/không rừng và 94,8% giữa rừng lá rộng và lá kim); nghiên cứu của các tác giả tại Odisha - Ấn Độ (1930–2013), Bursa - Thổ Nhĩ Kỳ (2000–2017), Tanzania (kết hợp Landsat 5 và ALOS PALSAR đạt độ chính xác 97%), Algeria (2000–2010), Ireland (2010), Romania (1993–2009), Azerbaijan (Iran) và Samsun (Thổ Nhĩ Kỳ).
• Tại Việt Nam: Nguyễn Minh Kỳ và cs. (2016) nghiên cứu biến động rừng Chư Prông, Gia Lai; Nguyễn Hữu Hải và cs. (2017) tại Đại Lộc, Quảng Nam; Trần Quang Bảo và cs. (2016) ứng dụng ảnh Google Earth tại Công ty Lâm nghiệp La Ngà, Đồng Nai; Đoàn Duy Hiếu và Nguyễn Thám (2014) tại Ia Pa, Gia Lai; Nguyễn Hải Hòa và cs. (2015) tại VQG Xuân Sơn, Phú Thọ; Phạm Văn Duẩn và Phùng Văn Khoa (2013) dùng ảnh SPOT 5 và NDVI phân loại rừng; Nguyễn Thị Ngọc Quyên và cs. (2018) trên lưu vực Srepok; Trần Thu Hà và cs. (2015) tại Cao Phong, Hòa Bình; Nguyễn Quang Giáp (2017) tại Bắc Kạn; Phạm Quang Vinh và Vũ Thị Kim Dung (2014) tại Điện Biên; Nguyễn Văn Lợi và Vũ Kim Chi (2013) dùng phân loại hướng đối tượng trên ảnh SPOT lưu vực Suối Muội, Sơn La; Nguyễn Văn Thị và Trần Quang Bảo (2014) ứng dụng eCognition phân loại rừng tại Hương Sơn, Hà Tĩnh; Nguyễn Thu Hiền và cs. (2010) tại Tiên Yên, Quảng Ninh; Nguyễn Văn Lợi (2007) tại Thừa Thiên Huế; Trần Quang Bảo và Nguyễn Đắc Triển (2007) tại Kim Bôi, Hòa Bình; Chu Thị Bình và Chu Ngọc Thuấn (2001) tại Lương Sơn, Hòa Bình.

Hướng tiếp cận sử dụng thuật toán phát hiện thay đổi (Change detection algorithms)

Phương pháp này tính toán trực tiếp sự biến động giá trị phổ hoặc chỉ số viễn thám giữa hai thời điểm ảnh:

1. Chỉ số tuyệt đối (Khác biệt ảnh đơn biến): Sử dụng phép trừ giá trị phổ hoặc chỉ số $D = X_{t1} - X_{t2}$. Duarte, E. (2018) sử dụng hiệu số $dNDVI$ và $dNBR$ để xác định mất rừng, suy thoái trữ lượng các-bon rừng lá kim tại Cộng hòa Dominica; các nghiên cứu tại Sơn Tây và mỏ than Đại Đồng (Trung Quốc) của các nhóm tác giả (2015, 2017, 2018) chia cấp $dNDVI$, $dNBR$ xác định mất và tăng rừng. Tại Việt Nam, Nguyễn Hải Hòa và cs. (2018, 2019) sử dụng $dNDVI$, $dAlbedo$, $dNBR$, $dIRSI$ để xác định ranh giới khai khoáng và mất rừng tại Khu dự trữ sinh quyển Langbiang (Lâm Đồng).
2. Phân tích vector đa biến (Multivariate Change Vector Analysis - MCVA): Kết hợp nhiều kênh phổ hoặc nhiều chỉ số viễn thám qua khoảng cách Euclid trong không gian đa chiều ($\Delta M = \sqrt{(X_{t2}-X_{t1})^2 + (Y_{t2}-Y_{t1})^2}$). Điển hình là các nghiên cứu đánh giá thiệt hại do bão Katrina tại Louisiana (Mỹ) bằng tổ hợp kênh Tasselled Cap (TCG, TCB, TCW, NDVI, SAVI); theo dõi biến động đất cát Mu Su (Trung Quốc); và nghiên cứu của Nguyễn Thanh Hoàn và cs. (2017) tại Đắk Nông đạt độ chính xác phát hiện mất rừng 99,2% theo lô khoanh vi từ Landsat 8.
3. Chỉ số tương đối: Phân tích tỷ số thay đổi chuẩn hóa. Key và Benson (2005), Miller và Thode (2007) phát triển chỉ số $RdNBR$; Parks và cs. (2014) phát triển chỉ số $RBR$ để phân loại mức độ cháy rừng và nhiễu loạn rừng ở miền Tây nước Mỹ; Lê Tuấn Anh và cs. (2017) dùng chỉ số tỷ số khác biệt màu sắc $SsNDVI$ và cấp độ sáng $SsBright$ trên ảnh SPOT 5/6 tại Đắk Song (Đắk Nông).

Khoảng trống luận án lựa chọn giải quyết

• Về mặt lý thuyết: Hướng tiếp cận so sánh sau phân loại thường chỉ dừng ở việc phân loại đất có rừng và đất không có rừng, chưa phân định được biến động suy giảm trữ lượng nội tại (suy thoái rừng). Trong khi đó, thuật toán chỉ số tuyệt đối ($D = X_{t1} - X_{t2}$) bị phụ thuộc vào điều kiện thời tiết, khí quyển và không phân biệt được mức độ tổn thất giữa các trạng thái rừng giàu và rừng nghèo khi cùng suy giảm một lượng giá trị tuyệt đối. Thuật toán vector đa biến căn bậc hai luôn cho giá trị dương, làm triệt tiêu khả năng nhận biết xu hướng tăng hay giảm của rừng.
• Luận án lựa chọn giải quyết khoảng trống này bằng cách chuẩn hóa và ứng dụng thuật toán chỉ số tương đối ($KB$) trên hai chỉ số thực vật chuẩn hóa $NDVI$ và chỉ số cháy chuẩn hóa $NBR$, kết hợp kiểm định thống kê trên tập mẫu điều tra thực địa để xác lập các ngưỡng phân định rõ ràng giữa 3 trạng thái: rừng không đổi, suy thoái rừng và mất rừng.

---

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung khái niệm và cơ sở lý thuyết

• Định nghĩa về rừng, mất rừng và suy thoái rừng: Luận án dựa trên khung định nghĩa của FCCC, FAO, UN-CBD, IPCC, Luật Lâm nghiệp năm 2017, Nghị định số 156/2018/NĐ-CP và Thông tư số 33/2018/TT-BNNPTNT. Trong đó:
  • Mất rừng: Hiện tượng rừng bị chặt hạ, chuyển đổi mục đích sử dụng làm diện tích cây gỗ giảm xuống dưới tiêu chuẩn tối thiểu (độ tàn che dưới 0,1 hoặc diện tích liền vùng dưới 0,3 ha).
  • Suy thoái rừng: Sự suy giảm về trữ lượng gỗ hoặc độ che phủ của tán rừng nhưng diện tích vẫn duy trì độ tàn che trên 10% (trên 0,1), biểu hiện qua sự chuyển dịch trạng thái rừng từ cấp trữ lượng cao xuống cấp trữ lượng thấp hơn.
• Hệ thống công nghệ địa không gian: Tích hợp GPS (định vị tọa độ ô tiêu chuẩn ngoài thực địa), GIS (phân tích, lưu trữ, chồng ghép bản đồ và tự động hóa chuỗi xử lý qua ModelBuilder) và Viễn thám (phân tích phản xạ phổ và chỉ số thực vật trên ảnh vệ tinh).
• Các chỉ số viễn thám cơ sở:
  • Chỉ số thực vật khác biệt chuẩn hóa: $$\text{NDVI} = \frac{\text{NIR} - \text{RED}}{\text{NIR} + \text{RED}}$$
  • Chỉ số cháy chuẩn hóa: $$\text{NBR} = \frac{\text{NIR} - \text{SWIR2}}{\text{NIR} + \text{SWIR2}}$$
  • Chỉ số tương đối ($KB$): $$KB(dX) = \frac{X_{t1} - X_{t2}}{X_{t1}} \times 100 \quad (\text{hoặc} \times 1000)$$ Trong đó $X_{t1}$ là giá trị chỉ số ($NDVI$ hoặc $NBR$) của ảnh chụp thời điểm trước; $X_{t2}$ là giá trị chỉ số của ảnh chụp thời điểm sau.

Phương pháp nghiên cứu cụ thể

1. Phân tích tương quan hồi quy: Thiết lập phương trình quan hệ giữa chỉ số viễn thám ($NDVI$, $NBR$) và trữ lượng tầng cây gỗ ($M$, $\text{m}^3/\text{ha}$) đo đạc từ các ô tiêu chuẩn thực địa theo các dạng hàm (tuyến tính, logarit, đa thức, hàm mũ, hàm lũy thừa).
2. Kiểm định phi tham số Mann-Whitney: Kiểm định sự khác biệt có ý nghĩa thống kê về giá trị phản xạ phổ và chỉ số viễn thám ($NDVI$, $NBR$) giữa các cặp trạng thái và kiểu rừng tự nhiên trên cả hai tư liệu ảnh Landsat 8 và Sentinel 2, làm căn cứ gộp nhóm trạng thái rừng có đặc trưng phổ tương đồng.
3. Phương pháp xác định ngưỡng chỉ số tương đối ($KB$):
   • Phân tích biến động $KB(dNDVI)$ và $KB(dNBR)$ trên tập mẫu rừng không đổi qua các mùa trong năm để xác định ngưỡng dao động tự nhiên (ngưỡng cận trên của rừng không đổi).
   • Phân tích giá trị $KB$ trên tập mẫu mất rừng và suy thoái rừng đã kiểm chứng để xác lập khoảng giá trị ngưỡng cho từng loại biến động.
4. Đánh giá độ chính xác: Sử dụng ma trận nhầm lẫn (Confusion Matrix) tính toán độ chính xác tổng thể (Overall Accuracy) và hệ số Kappa dựa trên tập mẫu kiểm chứng độc lập ngoài thực địa và ảnh độ phân giải cao Planet.

Nguồn tư liệu và quy mô mẫu dữ liệu

Luận án sử dụng hệ thống dữ liệu thực địa và viễn thám với quy mô mẫu thống kê được tổng hợp trong bảng sau:

Loại dữ liệu / Mẫu nghiên cứu	Số lượng mẫu / Tư liệu	Mục đích sử dụng trong luận án
Ô tiêu chuẩn thực địa (OTC)	2.667 ô	Đo đạc thể tích thân cây, trữ lượng rừng ($M$), xác định trạng thái thực tế phục vụ phân tích tương quan và kiểm định phổ
Mẫu rừng không đổi	360 mẫu	Theo dõi biến động chỉ số viễn thám theo chuỗi thời gian 12 tháng, xác định ngưỡng $KB$ cho trạng thái ổn định
Mẫu mất rừng xác định ngưỡng	230 mẫu	Tính toán phân bố giá trị $KB(dNDVI)$ và $KB(dNBR)$ tại các vị trí rừng bị phá
Mẫu mất rừng đánh giá độ chính xác	150 mẫu	Đánh giá kiểm chứng độc lập độ chính xác phát hiện mất rừng của mô hình
Mẫu suy thoái rừng đánh giá độ chính xác	90 mẫu	Đánh giá kiểm chứng độc lập độ chính xác phát hiện suy thoái rừng của mô hình
Tư liệu ảnh vệ tinh Landsat 8 (LS8)	Dải ảnh 2015–2018	Độ phân giải 30m; hiệu chỉnh phản xạ bề mặt (Surface Reflectance), lọc mây trên nền tảng Google Earth Engine
Tư liệu ảnh vệ tinh Sentinel 2 (S2)	Dải ảnh 2015–2018	Độ phân giải 10m/20m; xử lý kênh phổ đỏ, cận hồng ngoại và hồng ngoại sóng ngắn trên Google Earth Engine
Ảnh vệ tinh độ phân giải cao Planet	Các thời điểm đối chiếu	Khóa ảnh trực quan kiểm chứng vị trí và thời điểm diễn ra mất rừng tại các tiểu khu thực địa

---

Nội dung chính theo từng chương

Chương 1: Tổng quan vấn đề nghiên cứu

Chương 1 tập trung phân tích hệ thống các định nghĩa, chuẩn mực pháp lý và kỹ thuật trong quản lý rừng của FAO, UNEP, IPCC, FCCC và Luật Lâm nghiệp Việt Nam năm 2017. Tác giả đánh giá chi tiết lịch sử phát triển của hai trường phái ứng dụng công nghệ địa không gian:

• Đánh giá trường phái so sánh sau phân loại: Chỉ ra ưu điểm không đòi hỏi chuẩn hóa phổ quá cao giữa hai ảnh chụp khác mùa, nhưng nhược điểm lớn là tích lũy sai số từ cả hai lần phân loại, tốn kém nhân lực lấy mẫu khóa ảnh và không đáp ứng được yêu cầu phát hiện sớm.
• Đánh giá trường phái sử dụng thuật toán phát hiện thay đổi: Phân tích 3 nhóm thuật toán (chỉ số tuyệt đối, phân tích vector đa biến, chỉ số tương đối). Luận án chứng minh chỉ số tương đối loại bỏ được phần lớn sai khác về điều kiện chiếu sáng và góc chiếu mặt trời, mang lại độ ổn định cao hơn khi áp dụng cho các kiểu rừng nhiệt đới gió mùa tại Tây Nguyên.

Chương 2: Nội dung và phương pháp nghiên cứu

Chương 2 trình bày chi tiết phương pháp luận tiếp cận từ ảnh viễn thám đa thời gian, phương pháp điều tra thực địa 2.667 ô tiêu chuẩn, quy trình tính toán các chỉ số $NDVI$, $NBR$ và thuật toán $KB$.

• Trình bày thuật toán trích xuất chỉ số phổ tự động thông qua nền tảng Google Earth Engine (GEE).
• Xây dựng sơ đồ quy trình xác định ngưỡng tương đối $KB$:
  1. Trích xuất giá trị phổ trên chuỗi ảnh Landsat 8 và Sentinel 2 đã hiệu chỉnh khí quyển;
  2. Tính toán $KB(dNDVI)$ và $KB(dNBR)$ cho tập mẫu rừng không đổi (360 mẫu) để tìm ngưỡng chặn trên của nhiễu tự nhiên;
  3. Tính toán $KB$ cho tập mẫu mất rừng (230 mẫu);
  4. Xác định khoảng ngưỡng suy thoái rừng nằm giữa ngưỡng biến động tự nhiên và ngưỡng mất rừng;
  5. Đánh giá kiểm chứng ma trận sai số trên tập mẫu độc lập.

Chương 3: Đặc điểm tự nhiên, kinh tế xã hội khu vực nghiên cứu

Chương 3 phân tích điều kiện lập địa, địa chất, thổ nhưỡng, khí hậu và phân bố dân cư, kinh tế tại 5 tỉnh Tây Nguyên (Kon Tum, Gia Lai, Đắk Lắk, Đắk Nông, Lâm Đồng).

• Thực trạng tài nguyên rừng: Tổng hợp diện tích rừng và đất lâm nghiệp năm 2015; phân tích diễn biến suy giảm diện tích rừng tự nhiên và biến động rừng trồng giai đoạn 2015–2018.
• Quy luật phá rừng: Tổng hợp số vụ phá rừng trái phép theo các tháng trong 4 năm (2015–2018), chỉ ra áp lực xâm lấn rừng tự nhiên để lấy đất sản xuất nông nghiệp thường tập trung cao vào các tháng mùa khô.
• Đặc điểm tư liệu viễn thám: Đánh giá xác suất và tỷ lệ mây che phủ trên ảnh Landsat 8 và Sentinel 2 tại Tây Nguyên theo 12 tháng trong năm (chia 3 cấp: $<10%$, $10–30%$, $>30%$). Kết quả cho thấy mùa khô (từ tháng 11 đến tháng 4 năm sau) là thời điểm có tỷ lệ ảnh quang học chất lượng tốt cao nhất để giám sát diễn biến rừng.

Chương 4: Kết quả nghiên cứu và thảo luận

Chương 4 cung cấp toàn bộ các kết quả thực nghiệm, tính toán thống kê và thảo luận học thuật:

• Quan hệ giữa chỉ số viễn thám và trữ lượng rừng: Xây dựng phương trình tương quan giữa trữ lượng gỗ ($M$) với $NDVI$ và $NBR$ trên ảnh Landsat 8 và Sentinel 2. Chỉ số $NDVI$ và $NBR$ có tương quan thuận chặt chẽ với trữ lượng rừng ở các trạng thái trữ lượng thấp và trung bình, nhưng có hiện tượng bão hòa giá trị khi trữ lượng rừng đạt mức cao ($M > 200\text{ m}^3/\text{ha}$).
• Kết quả kiểm định Mann-Whitney: Phân tích sự khác biệt chỉ số viễn thám giữa các kiểu rừng. Luận án tiến hành kiểm định từng cặp trạng thái rừng và thực hiện gộp các nhóm kiểu rừng có đặc trưng phản xạ phổ tương đồng nhằm tối ưu hóa việc phân tách ngưỡng.
• Xác định ngưỡng chỉ số tương đối $KB$:
  • Đối với rừng không đổi: Trên ảnh Landsat 8, ngưỡng $KB(dNDVI)$ dao động trong khoảng $-5,4%$ đến $+6,8%$; $KB(dNBR)$ dao động từ $-6,2%$ đến $+7,5%$. Trên ảnh Sentinel 2, khoảng dao động tương ứng là $-4,8%$ đến $+5,9%$ đối với $KB(dNDVI)$ và $-5,5%$ đến $+6,4%$ đối với $KB(dNBR)$.
  • Đối với mất rừng: Giá trị chỉ số $KB$ tăng vọt vượt qua mức biến động tự nhiên. Luận án xác định ngưỡng phát hiện mất rừng trên ảnh Landsat 8 là $KB(dNDVI) \ge 35%$ (hoặc $\ge 350$ theo thang 1000) và $KB(dNBR) \ge 40%$; trên ảnh Sentinel 2 là $KB(dNDVI) \ge 30%$ và $KB(dNBR) \ge 35%$.
  • Đối với suy thoái rừng: Khoảng giá trị nằm giữa ngưỡng rừng không đổi và mất rừng (ví dụ trên Landsat 8, suy thoái rừng nằm trong khoảng $15% \le KB(dNDVI) < 35%$).
• Đánh giá độ chính xác: Kiểm chứng trên tập mẫu độc lập cho thấy phương pháp chỉ số tương đối $KB$ trên ảnh Sentinel 2 đạt độ chính xác phát hiện mất rừng tổng thể trên 88% và hệ số Kappa trên 0,78; trên ảnh Landsat 8 đạt độ chính xác từ 82% đến 86%.
• Quy trình ứng dụng công nghệ địa không gian: Đề xuất quy trình công nghệ tích hợp gồm 4 bước: (1) Lọc và tải ảnh vệ tinh đạt chuẩn qua Google Earth Engine; (2) Tiền xử lý, cắt ảnh theo ranh giới hành chính; (3) Tính toán chỉ số tương đối $KB$ bằng công cụ Raster Calculator trong ArcGIS; (4) Tự động hóa phân loại ngưỡng cảnh báo bằng mô hình ModelBuilder trong ArcGIS.

---

Kết quả và những đóng góp mới

Đóng góp mới về mặt khoa học

1. Luận án đã thiết lập được cơ sở khoa học cho việc sử dụng các chỉ số viễn thám ($NDVI$, $NBR$) và thuật toán tỷ số tương đối ($KB$) trên tư liệu ảnh vệ tinh Landsat 8 và Sentinel 2 để phát hiện sớm mất rừng, suy thoái rừng tại khu vực nhiệt đới gió mùa Tây Nguyên.
2. Đã xác lập được hệ thống giá trị ngưỡng biến động tương đối $KB(dNDVI)$ và $KB(dNBR)$ cho từng trạng thái: rừng không thay đổi (nhiễu tự nhiên do góc chiếu và thời tiết), suy thoái rừng (giảm trữ lượng tán) và mất rừng (chuyển đổi lớp phủ) đối với các kiểu rừng tự nhiên chính tại Tây Nguyên.
3. Chứng minh được tính hiệu quả của thuật toán chỉ số tương đối $KB$ trong việc triệt tiêu ảnh hưởng của điều kiện địa hình và khí quyển so với thuật toán trừ ảnh tuyệt đối truyền thống.

Đóng góp mới về mặt thực tiễn

1. Đề xuất quy trình công nghệ bán tự động kết hợp nền tảng điện toán đám mây Google Earth Engine (lọc, trích xuất dữ liệu ảnh lớn không gian đa thời gian) và phần mềm GIS (ArcGIS - ModelBuilder), cho phép rút ngắn thời gian xử lý và hỗ trợ lực lượng kiểm lâm phát hiện sớm các điểm nghi vấn biến động rừng.
2. Cung cấp bộ công cụ và các câu lệnh mẫu (scripts trên GEE và mô hình ModelBuilder) có khả năng chuyển giao trực tiếp cho Chi cục Kiểm lâm các tỉnh Tây Nguyên để nâng cao độ chính xác trong công tác cập nhật diễn biến tài nguyên rừng định kỳ.

Kiến nghị và giải pháp đề xuất

• Cục Kiểm lâm và Chi cục Kiểm lâm 5 tỉnh Tây Nguyên cần xem xét tích hợp thuật toán chỉ số tương đối $KB$ trên ảnh vệ tinh miễn phí Sentinel 2 và Landsat 8 vào hệ thống cảnh báo sớm mất rừng hàng tuần/hàng tháng.
• Cần tổ chức các lớp tập huấn kỹ thuật về khai thác dữ liệu GEE và công cụ ModelBuilder trong ArcGIS cho cán bộ chuyên trách theo dõi diễn biến rừng cấp huyện và tỉnh.

---

Hạn chế và hướng nghiên cứu tiếp

Hạn chế của nghiên cứu

• Nghiên cứu chỉ sử dụng tư liệu ảnh vệ tinh quang học (Landsat 8 và Sentinel 2), do đó hiệu quả giám sát trong mùa mưa (từ tháng 5 đến tháng 10) bị suy giảm đáng kể do tỷ lệ che phủ của mây cao tại khu vực Tây Nguyên.
• Việc phân tách các cấp suy thoái rừng ở mức độ nhẹ đối với một số kiểu rừng hỗn giao gỗ – tre nứa còn gặp sai số do đặc tính phục hồi sinh khối nhanh của thảm tre nứa tầng dưới.

Hướng nghiên cứu tiếp

• Mở rộng kết hợp dữ liệu ảnh viễn thám quang học với ảnh Radar khẩu độ tổng hợp (SAR như Sentinel-1) nhằm khắc phục hoàn toàn nhược điểm mây mù trong mùa mưa.
• Kiểm nghiệm và hiệu chỉnh bộ ngưỡng chỉ số tương đối $KB$ cho các vùng sinh thái lâm nghiệp khác tại Việt Nam như vùng Tây Bắc, Đông Bắc và Bắc Trung Bộ.

---

Giá trị tham khảo

• Đối với nghiên cứu sinh, học viên cao học và giảng viên: Luận án là tài liệu tham khảo chi tiết về phương pháp luận ứng dụng thống kê phi tham số (Mann-Whitney), phân tích hồi quy phi tuyến trong lâm nghiệp và quy trình phân tích chuỗi thời gian ảnh viễn thám trên nền tảng Google Earth Engine.
• Đối với các nhà quản lý, cán bộ ngành kiểm lâm: Luận án cung cấp giải pháp kỹ thuật cụ thể, chi phí thấp (sử dụng hoàn toàn dữ liệu ảnh vệ tinh miễn phí và phần mềm GIS tiêu chuẩn) để hiện đại hóa công tác theo dõi diễn biến rừng và phát hiện sớm các vụ phá rừng trái pháp luật ngay khi mới phát sinh.

---

Câu hỏi thường gặp

1. Luận án sử dụng những loại ảnh vệ tinh nào và độ phân giải không gian của chúng là bao nhiêu?

Luận án sử dụng 2 nguồn tư liệu ảnh vệ tinh quang học chính là Landsat 8 (độ phân giải không gian 30m) và Sentinel 2 (độ phân giải không gian 10m và 20m tùy kênh phổ). Ngoài ra, ảnh vệ tinh độ phân giải cao Planet được sử dụng làm tư liệu kiểm chứng trực quan hiện trường trước và sau khi mất rừng.

2. Thuật toán chỉ số tương đối KB được tính toán như thế nào trong luận án?

Chỉ số tương đối $KB$ được tính toán dựa trên tỷ số phần trăm thay đổi của chỉ số viễn thám giữa hai thời điểm: $$KB(dX) = \frac{X_{t1} - X_{t2}}{X_{t1}} \times 100$$ Trong đó $X_{t1}$ và $X_{t2}$ lần lượt là giá trị của chỉ số viễn thám ($NDVI$ hoặc $NBR$) tại thời điểm chụp trước ($t1$) và thời điểm chụp sau ($t2$).

3. Số lượng ô tiêu chuẩn điều tra thực địa và các mẫu kiểm chứng trong luận án là bao nhiêu?

Luận án đã thu thập và sử dụng tổng cộng:

• 2.667 ô tiêu chuẩn điều tra ngoài thực địa để thu thập số liệu trữ lượng và cấu trúc rừng;
• 360 mẫu rừng không đổi để theo dõi biến động phổ tự nhiên theo chuỗi thời gian;
• 230 mẫu mất rừng để xác định khoảng ngưỡng $KB$;
• 150 mẫu mất rừng và 90 mẫu suy thoái rừng độc lập để đánh giá độ chính xác.

4. Tại sao luận án lựa chọn thuật toán chỉ số tương đối thay vì kỹ thuật so sánh sau phân loại hay chỉ số tuyệt đối?

Kỹ thuật so sánh sau phân loại đòi hỏi lượng mẫu khóa ảnh rất lớn và tích lũy sai số từ hai lần phân loại độc lập. Thuật toán chỉ số tuyệt đối ($X_{t1} - X_{t2}$) bị ảnh hưởng mạnh bởi điều kiện khí quyển, thời tiết và không phản ánh đúng bản chất suy thoái khi so sánh giữa rừng giàu và rừng nghèo. Thuật toán chỉ số tương đối $KB$ giúp chuẩn hóa tỷ lệ suy giảm, triệt tiêu sai số chiếu sáng và phân biệt rõ ràng xu hướng tăng/giảm của rừng.

5. Những công cụ phần mềm chính nào được tác giả ứng dụng để xử lý dữ liệu?

Tác giả sử dụng nền tảng điện toán đám mây Google Earth Engine (GEE) để lọc mây, trích xuất chuỗi ảnh đa thời gian và phần mềm ArcGIS (sử dụng các công cụ Raster Calculator và ModelBuilder) để tự động hóa quy trình phân loại ngưỡng biến động.

---

Kết luận

Luận án của nghiên cứu sinh Nguyễn Quốc Hiệu đã giải quyết hoàn chỉnh mục tiêu thiết lập cơ sở khoa học và xây dựng quy trình ứng dụng công nghệ địa không gian trong giám sát tài nguyên rừng tại Tây Nguyên. Thông qua việc phân tích thực nghiệm trên 2.667 ô tiêu chuẩn và chuỗi ảnh vệ tinh Landsat 8, Sentinel 2 giai đoạn 2015–2018, công trình đã xác lập bộ ngưỡng chỉ số tương đối $KB(dNDVI)$ và $KB(dNBR)$ có độ tin cậy cao để phân định rừng không đổi, suy thoái rừng và mất rừng. Kết quả nghiên cứu cung cấp một quy trình công nghệ kết hợp giữa Google Earth Engine và ArcGIS, đóng góp giải pháp kỹ thuật hữu ích phục vụ công tác quản lý bảo vệ và theo dõi diễn biến rừng tại Việt Nam.

Trích đoạn nội dung tài liệu

Chương 1 TỔNG QUAN VẤN ĐỀ NGHIÊN CỨU 1. Định nghĩa về rừng, mất rừng và suy thoái rừng 1. Rừng Đã có một số định nghĩa về rừng được chấp nhận bởi các tổ chức môi trường và lâm nghiệp thế giới như sau: Theo Công ước khung về biến đổi khí hậu (FCCC) [54], rừng được định nghĩa là diện tích đất tối thiểu 0,05-1,0 ha với độ tàn che trên 10–30% với những cây có khả năng đạt chiều cao tối thiểu 2-5 m. Rừng có thể bao gồm một trong hai dạng rừng kín (nơi cây cối nhiều tầng) hoặc rừng thưa.

Theo Công ước của Liên hợp quốc về Đa dạng sinh học (UN-CBD) [80], rừng được định nghĩa là diện tích đất lớn hơn 0,5 ha, có độ tàn che trên 10%, cây phải có khả năng đạt chiều cao 5 m. Theo Tổ chức Nông lương Liên hợp quốc (FAO) [52], rừng được định nghĩa là diện tích đất có độ tàn che trên 10% và diện tích lớn hơn 0,5 ha. Các cây phải có thể đạt chiều cao tối thiểu là 5 m khi trưởng thành, hàng cây rộng trên 20 m. Có thể bao gồm một trong hai kiểu rừng: rừng kín, nơi cây có nhiều tầng và tầng sinh trưởng chiếm tỷ lệ cao trên mặt đất; hoặc rừng thưa, có độ tàn che trên 10%.

Theo Luật Lâm nghiệp 2017 [35], rừng được định nghĩa 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 liền vùng từ 0,3 ha trở lên; độ tàn che từ 0,1 trở lên. Theo Nghị định 156/NĐ-CP [11], diện tích liền vùng là diện tích vùng đất có rừng tự nhiên, rừng trồng, liên tục, khoảng cách giữa các dải rừng không vượt quá 30 m và tổng diện tích các khoảng trống không quá 30% diện tích. 6 Theo Phụ lục I – Phân chia trạng thái rừng tại Thông tư số 33/2018/TT- BNNPTNT [5] quy định về điều tra, kiểm kê và theo dõi diễn biến rừng thì đất quy hoạch cho lâm nghiệp được chia thành đất có rừng và đất chưa có rừng. Đất có rừng là diện tích được xác định là có rừng theo Luật Lâm nghiệp 2017.

Và đất chưa có rừng bao gồm: đất có cây gỗ tái sinh (trữ lượng gỗ nhỏ hơn hoặc bằng 10 m3/ha), đất đã trồng nhưng chưa thành rừng (trữ lượng gỗ nhỏ hơn hoặc bằng 10 m3/ha) và đất khác (đất trống, đất trồng cây nông nghiệp, mặt nước, đất có cây lâm nghiệp khác). Các quốc gia, tổ chức quốc tế khác nhau đã đưa ra những định nghĩa về rừng khac nhau. Tuy nhiên, điểm chung là dựa trên một, hai hay cả 3 tiêu chí: diện tích tối thiểu, độ tàn che và chiều cao cây gỗ. Mất rừng Theo Tổ chức Nông lương Liên hợp quốc (FAO) [53], mất rừng là việc chuyển đổi đất rừng sang đất sử dụng vào mục đích khác hoặc làm giảm độ tàn che của cây rừng dưới ngưỡng tối thiểu 10%.

Mất rừng có hàm ý là việc mất độ che phủ rừng lâu dài hoặc vĩnh viễn hoặc chuyển sang mục đích sử dụng đất khác. Theo Công ước khung về biến đổi khí hậu (FCCC) [54], mất rừng là sự chuyển đổi trực tiếp từ đất có rừng sang đất không có rừng bởi con người. Theo Trung tâm Nông lâm nghiệp thế giới (ICRAF) [55], mất rừng là việc thay đổi từ trạng thái rừng sang trạng thái không rừng tùy thuộc vào định nghĩa về rừng, liên quan đến cả 2 khía cạnh thể chế và độ che phủ. Có thể thấy, các tổ chức khác nhau có những định nghĩa khác nhau về mất rừng nhưng đều liên quan đến 2 yếu tố là: chuyển đổi sử dụng đất và độ che phủ rừng.

Trong đó, chỉ tiêu độ che phủ rừng có liên quan đến định nghĩa về rừng (căn cứ để xác định 1 diện tích nào đó còn đủ tiêu chuẩn là rừng hay không). 7 Ở Việt Nam, định nghĩa mất rừng chưa được đề cập một cách rõ ràng, tuy nhiên, có thể hiểu là hiện tượng các cây rừng bị chặt hạ trên một khu vực có diện tích từ 0,3 ha trở lên. Suy thoái rừng Theo Tổ chức Nông lương Liên hợp quốc (FAO) [53], suy thoái rừng là việc giảm độ che phủ hoặc trữ lượng rừng do việc khai thác, đốt cháy hoặc các sự kiện khác, với điều kiện độ tàn che của cây rừng trên 10% (để đảm bảo theo định nghĩa về rừng). Theo nghĩa chung hơn, suy thoái rừng là giảm dài hạn nguồn cung cấp tổng thể các lợi ích từ rừng, bao gồm: gỗ, đa dạng sinh học và sản phẩm hoặc dịch vụ khác.

Theo Chương trình môi trường Liên hợp quốc (UNEP) [81], suy thoái rừng là rừng bị mất đi cấu trúc, chức năng, thành phần loài hoặc năng suất bởi các hoạt động của con người. Do đó, rừng bị suy thoái làm giảm khả năng cung cấp hàng hóa và dịch vụ và chỉ duy trì đa dạng sinh học ở mức hạn chế. Đa dạng sinh học của rừng bị suy thoái bao gồm nhiều thành phần phi cây, có thể chiếm ưu thế trong thảm thực vật dưới tán. Theo Ủy ban liên chính phủ về biến đổi khí hậu (IPCC) [56], suy thoái rừng là do con người trực tiếp gây ra (kéo dài trong X năm trở lên) gây tổn thất dài hạn ít nhất Y% trữ lượng các-bon rừng (và giá trị rừng) kể từ thời điểm T và chưa đủ tiêu chuẩn để được gọi là mất rừng.

[79], suy thoái rừng được định nghĩa rộng rãi là sự suy giảm khả năng của rừng để sản xuất các dịch vụ hệ sinh thái như lưu trữ các-bon và các sản phẩm gỗ do tác động của con người và những thay đổi về môi trường. Các tác giả đã đề xuất xác định suy thoái rừng dựa vào 4 tiêu chí bao gồm: năng suất của rừng; đa dạng sinh học; các nhiễu loạn bất thường (lửa, sâu, bệnh hại); chức năng bảo vệ (đất, nước) của rừng; và lưu trữ các-bon rừng. 8 Các định nghĩa, cách tiếp cận khác nhau về suy thoái rừng ở trên đã cho thấy, xác định suy thoái rừng phức tạp hơn so với xác định mất rừng, đặc biệt có những khía cạnh của suy thoái rừng là rất khó định lượng. Ở Việt Nam, suy thoái rừng được định nghĩa trong Luật Lâm nghiệp 2017 [35], là sự suy giảm về hệ sinh thái rừng, làm giảm chức năng của rừng.

Mặc dù, suy thoái rừng đã được định nghĩa trong văn bản Luật nhưng với định nghĩa này, việc xác định suy thoái rừng ở Việt Nam vẫn còn nhiều thách thức ngay từ cách hiểu cho đến việc định lượng suy thoái rừng. Suy thoái rừng thường được hiểu là các vụ phá rừng có quy mô nhỏ (là một phần của mất rừng) hoặc là sự chuyển đổi từ trạng thái rừng có trữ lượng gỗ cao xuống trạng thái rừng có trữ lượng gỗ thấp hơn. Trong khi đó, các khía cạnh của suy thoái rừng như suy giảm đa dạng sinh học, suy giảm chức năng phòng hộ của rừng vẫn còn ít được đề cập đến. Nghiên cứu ứng dụng công nghệ địa không gian để xác định thay đổi rừng trên thế giới và Việt Nam Theo Phùng Văn Khoa và Đỗ Xuân Lân [30], công nghệ địa không gian (Geospatial Technology - GT) có thể được hiểu là công nghệ thu thập, tổng hợp, phân tích, trình diễn, diễn giải, chia sẻ và quản lý các dữ liệu không gian và các dữ liệu thuộc tính liên quan.

Thông thường, công nghệ địa không gian bao gồm 3 hệ thống cơ bản là: Hệ thống định vị toàn cầu (Global Positioning System - GPS), Hệ thống thông tin địa lý (Geographic Information Systems - GIS) và Công nghệ viễn thám (Remote Sensing - RS). Mặc dù, khi xét về bản chất ứng dụng trong thực tiễn, ba hệ thống cơ bản đó có tính độc lập tương đối nhưng chúng có mối liên hệ chặt chẽ và bổ sung cho nhau, tùy theo từng ứng dụng trong mỗi trường hợp nhất định. * Hệ thống định vị toàn cầu (GPS) GPS là hệ thống định vị toàn cầu để xác định vị trí mặt đất dựa vào các vệ tinh nhân tạo. Trong cùng một thời điểm, một vị trí cụ thể trên mặt đất sẽ 9 được xác định trên cơ sở khoảng cách đến ba vệ tinh (tối thiểu), từ đó tính được tọa độ của vị trí đó.

Các vệ tinh GPS bay vòng quanh trái đất hai lần trong một ngày theo một quỹ đạo rất chính xác và phát tín hiệu có thông tin xuống trái đất. Các máy thu GPS nhận thông tin này và bằng phép tính lượng giá tính được chính xác vị trí của người dùng. Về bản chất máy thu GPS so sánh thời gian tín hiệu được phát đi từ vệ tinh với thời gian nhận được chúng. Sai lệch về thời gian cho biết máy thu GPS ở các vệ tinh bao xa.

Rồi với nhiều khoảng cách đo được tới nhiều vệ tinh máy thu có thể tính được vị trí của người dùng và hiển thị lên bản đồ điện tử của máy. Máy thu GPS phải kết nối tín hiệu của ít nhất ba vệ tinh để tính ra vị trí hai chiều (kinh độ và vĩ độ) và để theo dõi được chuyển động. Với bốn hay nhiều hơn số vệ tinh trong tầm kết nối thì máy thu GPS có thể tính được vị trí ba chiều (kinh độ, vĩ độ và độ cao). * Hệ thống thông tin địa lý (GIS) Hệ thống thông tin địa lý xuất hiện vào giữa thập niên 1960 phản ánh những tiến bộ của công nghệ máy tính và sự ảnh hưởng của cuộc cách mạng về địa lý định lượng.

GIS được ứng dụng rộng rãi trong nhiều lĩnh vực khác nhau, do đó có nhiều định nghĩa khác nhau đã được sử dụng, trong đó có 3 định nghĩa về GIS được sử dụng phổ biến: - GIS là một hệ thống thông tin được thiết kế để làm việc với các dữ liệu trong một hệ tọa độ quy chiếu. GIS bao gồm một hệ cơ sở dữ liệu và các phương thức để thao tác với dữ liệu đó. - GIS là một hệ thống tích hợp giữa phần cứng và phần mềm máy tính nhằm thu thập, lưu trữ, kiểm tra, tích hợp, thao tác, phân tích, hiển thị dữ liệu được quy chiếu cụ thể. - GIS là một chương trình máy tính hỗ trợ việc thu thập, lưu trữ, phân tích, hiển thị dữ liệu bản đồ.