Giới thiệu dự án

Khu bảo tồn thiên nhiên (KBTTN) Thần Sa – Phượng Hoàng thuộc địa giới hành chính huyện Võ Nhai, tỉnh Thái Nguyên, sở hữu tổng diện tích rừng đặc dụng 19.913,54 ha trải dài trên 7 xã và 01 thị trấn (gồm Thần Sa, Thượng Nung, Sảng Mộc, Nghinh Tường, Vũ Chấn, Cúc Đường, Phú Thượng và thị trấn Đình Cả). Đây là hệ sinh thái rừng trên núi đá vôi đặc hữu với tính đa dạng sinh học cao, là nơi cư trú của 1.096 loài thực vật bậc cao (319 loài cây gỗ, 574 loài dược liệu) và 295 loài động vật hoang dã (bao gồm các loài nguy cấp, quý hiếm thuộc nhóm IB, IIB như Voọc mũi hếch). Tuy nhiên, với địa hình núi đá chia cắt hiểm trở chiếm tới 87% diện tích cùng áp lực sinh kế từ 20.411 nhân khẩu (4.446 hộ gia đình với 85,7% lao động nông nghiệp thuần túy), tình trạng khai thác gỗ, thu hái lâm sản phụ, chăn thả gia súc tự do và đốt nương làm rẫy diễn biến phức tạp.

Công tác quản lý, theo dõi tài nguyên rừng truyền thống dựa trên tuần tra thực địa và báo cáo thống kê chu kỳ 5 năm bộc lộ nhiều điểm nghẽn nghiêm trọng: chi phí nhân lực lớn, chu kỳ cập nhật chậm, không xác định được tọa độ không gian chính xác của các điểm suy thoái cục bộ trong địa hình núi cao. Đề tài "Ứng dụng GIS và Viễn thám trong đánh giá biến động rừng tại khu vực vùng lõi Khu bảo tồn Thần Sa – Phượng Hoàng giai đoạn 2017 – 2020" được triển khai nhằm thiết lập quy trình giám sát không gian bán tự động, giải quyết triệt để bài toán theo dõi động thái rừng theo chu kỳ ngắn với độ chính xác cao.

                  QUY TRÌNH TỔNG THỂ GIÁM SÁT BIẾN ĐỘNG RỪNG
                  
                               [Tính toán chỉ số NDVI (B08 & B04)]
                             [Phân loại Maximum Likelihood (MLC)]
                                  (2017*10 + 2020)
                           [Bản đồ Biến động & Ma trận Chuyển dịch]

Mục tiêu nghiên cứu cụ thể:

  1. Xây dựng cơ sở dữ liệu ảnh viễn thám đa thời gian: Thu thập, tiền xử lý và chuẩn hóa ảnh vệ tinh quang học Sentinel-2A độ phân giải 10m x 10m tại hai mốc thời gian 2017 và 2020 cho toàn bộ vùng lõi khu bảo tồn.
  2. Giải đoán và thành lập bản đồ hiện trạng rừng: Ứng dụng chỉ số thực vật NDVI kết hợp thuật toán phân loại có kiểm định Maximum Likelihood (MLC) để phân chia 02 lớp trạng thái: Đất có rừng và Đất không có rừng.
  3. Đánh giá độ chính xác phân loại: Kiểm chứng kết quả giải đoán bằng ma trận nhầm lẫn (Confusion Matrix) với các điểm khảo sát GPS thực địa (96 điểm năm 2017 và 124 điểm năm 2020).
  4. Mô hình hóa biến động không gian: Chồng xếp lớp dữ liệu raster bằng phép toán đại số bản đồ (Map Algebra), xác định chính xác diện tích rừng suy giảm, diện tích rừng phục hồi và diện tích rừng ổn định.
  5. Phân tích nguyên nhân và đề xuất giải pháp: Kết hợp điều tra xã hội học (50 phiếu phỏng vấn chuyên sâu) và dữ liệu vi phạm lâm luật để đưa ra các giải pháp quản lý rừng bền vững.

Phạm vi và giới hạn nghiên cứu:

  • Phạm vi không gian: Vùng lõi có diện tích nghiên cứu trọng điểm ~18.864,29 ha thuộc Khu bảo tồn thiên nhiên Thần Sa – Phượng Hoàng.
  • Phạm vi thời gian: Giai đoạn 2017 – 2020.
  • Giới hạn kỹ thuật: Phân loại cấu trúc lớp phủ tập trung vào 02 trạng thái vĩ mô (Đất có rừng và Đất không có rừng), chưa phân tách chi tiết các trạng thái rừng giàu, trung bình, nghèo do ảnh hưởng của bóng đổ địa hình karst núi đá vôi.

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Trước khi tích hợp giải pháp GIS và ảnh viễn thám Sentinel-2A, công tác quản lý tài nguyên rừng tại địa phương dựa trên các phương thức truyền thống với nhiều hạn chế so sánh dưới đây:

Tiêu chí đánh giá Kiểm kê truyền thống (Điều tra ô tiêu chuẩn) Viễn thám Landsat (30m) Giải pháp Đề xuất: Sentinel-2A + GIS (10m)
Độ phân giải không gian Đo đạc điểm rời rạc $30\text{m} \times 30\text{m}$ (Pixel $900\text{m}^2$) $10\text{m} \times 10\text{m}$ (Pixel $100\text{m}^2$)
Chu kỳ lặp lại (Temporal) 5 năm / lần 16 ngày 5 ngày (kết hợp Sentinel-2A/B)
Độ chính xác định vị ranh giới Thấp ở địa hình chia cắt phức tạp Trung bình (bỏ sót các lỗ thủng tán nhỏ) Cao, phát hiện các khoảng trống mất rừng $\ge 0,01\text{ha}$
Chi phí triển khai Rất cao (kinh phí nhân công ngoại nghiệp) Trung bình (dữ liệu miễn phí, xử lý phức tạp) Thấp - Tối ưu (dữ liệu mở, xử lý tự động hóa)
Khả năng cập nhật biến động Tĩnh, chậm trễ sau khi xảy ra vi phạm Bán thời gian thực Kịp thời, hỗ trợ kiểm tra định kỳ hàng năm/mùa

Yêu cầu kỹ thuật theo mô hình MoSCoW:

  • Must have (Bắt buộc): Trích xuất chỉ số NDVI từ các kênh phổ Red (B4) và NIR (B8); Phân loại giám sát MLC đạt độ chính xác tổng thể $\ge 85%$; Tính toán chuyển đổi diện tích 4 trạng thái biến động ($11, 12, 21, 22$).
  • Should have (Nên có): Tích hợp điểm GPS khảo sát ngoại nghiệp vào hệ tọa độ chuẩn VN-2000 kinh tuyến trục $106^\circ30'$, múi chiếu $3^\circ$.
  • Could have (Có thể mở rộng): Tự động hóa trích xuất thuộc tính vùng biến động sang định dạng bảng tính phục vụ báo cáo kiểm lâm.
  • Won't have (Không làm đợt này): Tích hợp ảnh radar SAR Sentinel-1 để xuyên mây mùa mưa.
                    MA TRẬN CHUYỂN DỊCH KHÔNG GIAN (MAP ALGEBRA)
                    
                             [ Hiện trạng Năm 2020 ]

Thiết kế hệ thống

Hệ thống xử lý và phân tích dữ liệu không gian được cấu hình đồng bộ nhằm đảm bảo tính nhất quán dữ liệu:

Công nghệ và dữ liệu sử dụng:

  • Phần mềm xử lý không gian: Esri ArcGIS Desktop v10.8 (mô-đun Spatial Analyst, Data Management, 3D Analyst).
  • Dữ liệu viễn thám:
    • S2A_MSIL1C_20171031T032851_N0206_R018_T48QXK (Ngày chụp: 31/10/2017).
    • S2A_MSIL1C_20171220T034151_N0206_R018_T48QWK (Ngày chụp: 20/12/2017).
    • S2A_MSIL2A_20200309T032551_N0214_R018_T48QWK (Ngày chụp: 09/03/2020).
    • S2A_MSIL2A_20200428T032551_N0214_R018_T48QXK (Ngày chụp: 28/04/2020).
  • Thiết bị ngoại nghiệp: Thiết bị định vị vệ tinh cầm tay GPS Garmin 78CSx (sai số RMS $< 3\text{m}$).
  • Dữ liệu nền tảng: Bản đồ kiểm kê rừng 2015, ảnh độ phân giải cao Google Earth Pro 2017/2020 phục vụ đối soát lịch sử.

Phương pháp luận (Methodology)

Nghiên cứu áp dụng quy trình định lượng kết hợp phân tích viễn thám, GIS và điều tra xã hội học theo 4 mốc triển khai (Milestones):

  • Giai đoạn 1 (Tháng 01 - 02/2020): Thu thập dữ liệu thứ cấp, ảnh vệ tinh Sentinel-2A qua cổng USGS EarthExplorer, chuẩn hóa ranh giới hành chính và ranh giới vùng lõi KBTTN Thần Sa - Phượng Hoàng.
  • Giai đoạn 2 (Tháng 03/2020): Tiền xử lý dữ liệu viễn thám, tính toán NDVI, tạo mẫu huấn luyện (ROI) và phân loại hiện trạng năm 2017 và 2020.
  • Giai đoạn 3 (Tháng 04 - 05/2020): Điều tra thực địa ngoại nghiệp bằng GPS 78CSx, phỏng vấn 50 phiếu hộ dân bản địa tại các xã vùng lõi, thu thập số liệu vi phạm lâm luật từ Hạt kiểm lâm Cúc Đường, Sảng Mộc, Nghinh Tường.
  • Giai đoạn 4 (Tháng 06/2020): Đánh giá độ chính xác phân loại bằng ma trận kiểm định, phân tích đại số bản đồ biến động và tổng hợp báo cáo luận văn.

Implementation và kết quả

Quy trình tiền xử lý và thuật toán trích xuất dữ liệu

1. Tính toán chỉ số thực vật NDVI (Normalized Difference Vegetation Index)

Chỉ số NDVI dựa trên sự tương phản phản xạ phổ giữa kênh Đỏ (Red - B4, hấp thụ mạnh bởi chất diệp lục trong mô lá ở bước sóng $640 - 670\text{ nm}$) và kênh Cận hồng ngoại (NIR - B8, phản xạ mạnh do cấu trúc tế bào xốp của lá ở bước sóng $700 - 1100\text{ nm}$):

$$\text{NDVI} = \frac{\rho_{\text{NIR}} - \rho_{\text{RED}}}{\rho_{\text{NIR}} + \rho_{\text{RED}}} = \frac{\text{Band 8} - \text{Band 4}}{\text{Band 8} + \text{Band 4}}$$

Trong môi trường ArcGIS Map Algebra / Raster Calculator, thuật toán được cấu hình:

# Đoạn mã mô phỏng quy trình tính toán NDVI và Phân ngưỡng trên ArcPy
import arcpy
from arcpy.sa import *

arcpy.CheckOutExtension("Spatial")

# Đường dẫn dữ liệu Band 4 (Red) và Band 8 (NIR) độ phân giải 10m
band4_path = "D:/Sentinel2020/B04_10m.tif"
band8_path = "D:/Sentinel2020/B08_10m.tif"

# 1. Tính toán NDVI
band4 = Raster(band4_path)
band8 = Raster(band8_path)
num = Float(band8 - band4)
denom = Float(band8 + band4)
ndvi = Divide(num, denom)
ndvi.save("D:/Output/NDVI_2020.tif")

# 2. Phân loại ngưỡng (NDVI Thresholding)
# Ngưỡng xác lập: NDVI >= 0.59 là Có Rừng (Mã 1), < 0.59 là Không Rừng (Mã 2)
classified_raster = Con(ndvi >= 0.59, 1, 2)
classified_raster.save("D:/Output/Forest_Classified_2020.tif")
  • Kết quả chỉ số năm 2017: NDVI dao động từ $-0,4716$ đến $0,8398$. Ngưỡng tách lớp: Đất có rừng có $\text{NDVI} \ge 0,60$; Đất không có rừng có $\text{NDVI} < 0,60$.
  • Kết quả chỉ số năm 2020: NDVI dao động từ $-0,6791$ đến $0,9449$. Ngưỡng tách lớp: Đất có rừng có $\text{NDVI} \ge 0,59$; Đất không có rừng có $\text{NDVI} < 0,59$.

2. Phân loại có kiểm định Maximum Likelihood Classification (MLC)

Thuật toán phân loại hợp lý cực đại gán một pixel $x$ vào lớp $\omega_i$ có hàm mật độ xác suất hậu nghiệm lớn nhất:

$$P(\omega_i | x) = \frac{P(x | \omega_i) P(\omega_i)}{P(x)}$$

Giả định phân bố chuẩn đa biến (Gaussian Distribution):

$$g_i(x) = -\frac{1}{2} (x - \mu_i)^T \Sigma_i^{-1} (x - \mu_i) - \frac{1}{2} \ln |\Sigma_i| + \ln P(\omega_i)$$

Trong đó: $\mu_i$ là vector giá trị trung bình phổ của lớp $\omega_i$, $\Sigma_i$ là ma trận hiệp phương sai của lớp $\omega_i$.

3. Mô hình hóa biến động bằng phép toán Raster Calculator (Map Algebra)

Để theo dõi sự chuyển dịch trạng thái không gian giữa 2 năm nghiên cứu, các lớp raster đơn kỳ được gán giá trị nguyên (1: Có rừng, 2: Không có rừng) và tính toán theo công thức:

$$\text{Biendong}{2017_2020} = (\text{Hientrang}{2017} \times 10) + \text{Hientrang}_{2020}$$

# Phép toán Raster Calculator xác định ma trận biến động
raster_2017 = Raster("D:/Output/Forest_Classified_2017.tif")
raster_2020 = Raster("D:/Output/Forest_Classified_2020.tif")

change_raster = (raster_2017 * 10) + raster_2020
change_raster.save("D:/Output/Biendong_2017_2020.tif")

# Giải mã kết quả đầu ra:
# 11: Đất rừng ổn định (1 -> 1)
# 12: Mất rừng / Suy thoái (1 -> 2)
# 21: Phục hồi rừng / Tái sinh (2 -> 1)
# 22: Đất không rừng ổn định (2 -> 2)

Kiểm chứng và đánh giá độ chính xác (Accuracy Assessment)

Độ tin cậy của bản đồ phân loại được kiểm chứng thông qua ma trận nhầm lẫn (Confusion Matrix) với các điểm thực địa thu thập bằng GPS Garmin 78CSx và ảnh Google Earth Pro độ phân giải cao:

Ma trận kiểm định độ chính xác năm 2017 (96 điểm kiểm tra):

Lớp phân loại / Thực địa Không có rừng (Ground) Có rừng (Ground) Tổng dòng (User) User's Accuracy (Độ chính xác người dùng)
Không có rừng 50 2 52 96,15%
Có rừng 4 40 44 90,91%
Tổng cột (Producer) 54 42 96 -
Producer's Accuracy 92,59% 95,24% - Độ chính xác tổng thể: 95,86%

Ma trận kiểm định độ chính xác năm 2020 (124 điểm kiểm tra):

Lớp phân loại / Thực địa Không có rừng (Ground) Có rừng (Ground) Tổng dòng (User) User's Accuracy
Không có rừng 55 7 62 88,71%
Có rừng 4 58 62 93,55%
Tổng cột (Producer) 59 65 124 -
Producer's Accuracy 93,22% 89,23% - Độ chính xác tổng thể: 89,02%

Kết quả đạt được và phân tích động thái diện tích rừng

1. Hiện trạng diện tích rừng năm 2017 và 2020

Trạng thái lớp phủ Hiện trạng 2017 (ha) Tỷ lệ 2017 (%) Hiện trạng 2020 (ha) Tỷ lệ 2020 (%) Chênh lệch ròng (ha)
Đất có rừng 17.800,88 94,36 17.636,29 93,49 -164,59
Đất không có rừng 1.063,41 5,64 1.228,00 6,51 +164,59
Tổng diện tích vùng nghiên cứu 18.864,29 100,00 18.864,29 100,00 0,00 
                       BIỂU ĐỒ CHUYỂN DỊCH DIỆN TÍCH RỪNG (2017 - 2020)
                       
                            
                                
===> BIẾN ĐỘNG RÒNG (NET LOSS): -164,59 ha RỪNG

2. Chi tiết ma trận chuyển hóa không gian giai đoạn 2017 – 2020:

  • Đất rừng ổn định (Mã 11): $16.983,13\text{ ha}$ (chiếm $90,03%$ tổng diện tích tự nhiên).
  • Diện tích mất rừng (Rừng $\rightarrow$ Không có rừng - Mã 12): $817,75\text{ ha}$ (chiếm $4,33%$).
  • Diện tích rừng phục hồi/trồng mới (Không rừng $\rightarrow$ Rừng - Mã 21): $652,91\text{ ha}$ (chiếm $3,46%$).
  • Đất trống/không rừng ổn định (Mã 22): $410,50\text{ ha}$ (chiếm $2,18%$).

3. Phân tích nguyên nhân suy giảm diện tích rừng:

Dữ liệu khảo sát 50 hộ gia đình và hồ sơ xử lý vi phạm của Hạt kiểm lâm xác định các nguyên nhân cốt lõi:

  • Khai thác gỗ trái phép: $4/50$ hộ dân được phỏng vấn thừa nhận có vào rừng khai thác gỗ làm nhà ở và chuồng trại.
  • Khai thác củi và lâm sản ngoài gỗ: $35/50$ hộ ($70%$) thường xuyên khai thác măng rừng, $4/50$ hộ ($8%$) khai thác cây thuốc, dược liệu tự nhiên.
  • Chuyển đổi sang đất canh tác nông nghiệp: Do diện tích đất ruộng chỉ chiếm $5,07%$ diện tích tự nhiên, người dân phát đốt rừng nương rẫy luân canh trên các sườn núi dốc và thung lũng đá vôi.
  • Áp lực chăn thả tự do: Tổng đàn gia súc trong vùng là $21.759$ con (bình quân 1 trâu, 0,5 bò/hộ) chăn thả trực tiếp trong khu bảo tồn làm gãy đổ cây tái sinh non.
  • Số liệu xử lý vi phạm pháp luật lâm nghiệp:
    • Năm 2017: Phát hiện và xử lý 41 vụ vi phạm.
    • Năm 2018: Phát hiện và xử lý 38 vụ vi phạm.
    • Năm 2019: Phát hiện và xử lý 17 vụ vi phạm.
    • 05 tháng đầu năm 2020: Phát hiện và xử lý 13 vụ vi phạm.

Đổi mới và đóng góp

Đổi mới kỹ thuật và học thuật:

  • Tận dụng nguồn ảnh viễn thám đa phổ thế hệ mới: Thay thế dòng ảnh Landsat truyền thống ($30\text{m}$) bằng ảnh Sentinel-2A ($10\text{m}$) hoàn toàn miễn phí, nâng cao khả năng phát hiện các mảng rừng bị suy thoái phân tán quy mô nhỏ ($100\text{m}^2$) gấp 9 lần về mặt diện tích pixel.
  • Tối ưu hóa quy trình phân loại kết hợp: Kết hợp chỉ số phản xạ phổ diệp lục NDVI với phân loại có kiểm định Maximum Likelihood giúp triệt tiêu hiện tượng nhầm lẫn giữa thảm cỏ nhân tạo, nương ngô xanh với tán rừng tự nhiên núi đá vôi.
  • Chuẩn hóa đại số không gian (Map Algebra Indexing): Ứng dụng công thức nhân hệ số $10$ cho lớp cơ sở giúp việc phân tách trạng thái ma trận chuyển đổi ($11, 12, 21, 22$) hoàn toàn tự động, loại bỏ các bước truy vấn bảng thuộc tính thủ công.

Đóng góp thực tiễn cho công tác quản lý tài nguyên:

  • Cung cấp cho Ban quản lý KBTTN Thần Sa – Phượng Hoàng bộ cơ sở dữ liệu số chuẩn hóa hệ VN-2000 về các vị trí "điểm nóng" mất $817,75\text{ ha}$ rừng tập trung ở các ranh giới tiếp giáp xã Nghinh Tường, Sảng Mộc, Thần Sa.
  • Làm cơ sở khoa học để Chi cục Kiểm lâm Thái Nguyên quy hoạch lại các trạm, chốt kiểm lâm lưu động và điều chỉnh chính sách giao khoán bảo vệ rừng gắn liền với phát triển sinh kế bền vững.

Ứng dụng thực tế và triển khai

Kịch bản ứng dụng thực tế (Use Cases):

  1. Giám sát định kỳ và phát hiện sớm mất rừng: Tích hợp ảnh vệ tinh Sentinel-2 cập nhật 5 ngày/lần để phát hiện các khu vực suy giảm chỉ số NDVI đột ngột (giảm $> 0,3$), cảnh báo tọa độ GPS cho đội kiểm lâm tuần tra cơ động.
  2. Hỗ trợ nghiệm thu khoán bảo vệ rừng: Ứng dụng lớp bản đồ rừng ổn định (Mã 11) và phục hồi (Mã 21) để chi trả dịch vụ môi trường rừng (DVMTR) chính xác đến từng tổ đội cộng đồng thôn bản.
  3. Quy hoạch phân khu chức năng: Hỗ trợ điều chỉnh ranh giới phân khu bảo vệ nghiêm ngặt và phân khu phục hồi sinh thái dựa trên bản đồ mật độ biến động thực tế.
                     MÔ HÌNH HỖ TRỢ RA QUYẾT ĐỊNH QUẢN LÝ RỪNG
                     
  [Ảnh Vệ Tinh Định Kỳ 5 Ngày]

Yêu cầu triển khai và cấu hình hệ thống:

  • Phần cứng máy trạm: CPU Intel Core i5/i7 thế hệ 8 trở lên, RAM tối thiểu 16GB, ổ cứng SSD dung lượng trống tối thiểu 500GB để xử lý tệp raster đa băng phổ.
  • Thiết bị dã ngoại: GPS chuyên dụng (Garmin GPSMAP series) hoặc điện thoại thông minh cài ứng dụng định vị bản đồ Offline (Locus Map, Avenza Maps) tích hợp lớp raster biến động.
  • Nhân sự vận hành: 01 - 02 kỹ sư chuyên ngành Quản lý tài nguyên rừng / GIS nắm vững kỹ năng xử lý ảnh viễn thám và hệ thống thông tin địa lý.

Hạn chế và hướng phát triển

Hạn chế kỹ thuật:

  • Ảnh hưởng của góc nghiêng mặt trời và bóng đổ núi đá: Địa hình karst hiểm trở chiếm $87%$ diện tích tạo ra hiện tượng bóng đổ (shadow effect) trên các sườn khuất, làm sai lệch giá trị phản xạ phổ của kênh NIR, dẫn đến giảm độ chính xác tổng thể năm 2020 xuống $89,02%$.
  • Độ phủ mây mùa mưa: Dữ liệu quang học Sentinel-2 phụ thuộc vào thời tiết; mùa mưa từ tháng 4 đến tháng 10 thường xuyên bị che phủ bởi mây, gây khó khăn cho việc chọn ảnh không mây cùng kỳ.
  • Phân cấp trạng thái rừng: Nghiên cứu mới dừng lại ở việc phân loại nhị phân (Có rừng / Không có rừng), chưa phân tách được các trạng thái rừng giàu, trung bình, nghèo hoặc rừng trồng thuần loài.

Hướng nâng cấp mở rộng:

  1. Tích hợp ảnh viễn thám Radar khẩu độ tổng hợp (SAR Sentinel-1): Kết hợp dữ liệu phân cực kép VV/VH với băng tần C-band có khả năng xuyên mây và hoạt động cả ngày lẫn đêm để giám sát liên tục trong mùa mưa bão.
  2. Ứng dụng thuật toán học máy (Machine Learning / Deep Learning): Triển khai các thuật toán tiên tiến như Random Forest (RF), Support Vector Machine (SVM) hoặc mạng nơ-ron tích chập (U-Net) trên nền tảng điện toán đám mây Google Earth Engine (GEE).
  3. Xây dựng WebGIS cảnh báo tự động: Phát triển cổng thông tin WebGIS kết hợp ứng dụng di động cho phép kiểm lâm viên cập nhật hình ảnh và tọa độ vi phạm trực tiếp từ hiện trường về máy chủ trung tâm theo thời gian thực.

Đối tượng hưởng lợi

                             NHÓM ĐỐI TƯỢNG HƯỞNG LỢI
                             
   [Sinh viên & Giảng viên]       [Kỹ sư GIS & Viễn thám]       [Ban quản lý KBTTN & Kiểm lâm]
- Tài liệu học tập thực tiễn  - Mã nguồn ArcPy xử lý ảnh      - CSDL Bản đồ biến động 10m
- Khung phương pháp chuẩn hóa - Quy trình giải đoán mẫu       - Tọa độ điểm nóng vi phạm
- Tham khảo số liệu địa phương- Tối ưu hóa đại số bản đồ      - Cơ sở chi trả DVMTR
  • Học viên, sinh viên ngành Lâm nghiệp & Địa tin học: Tiếp cận tài liệu tham khảo chi tiết về quy trình xử lý dữ liệu viễn thám Sentinel-2A miễn phí độ phân giải cao kết hợp công cụ ArcGIS.
  • Kỹ sư GIS & Chuyên viên môi trường: Nắm bắt quy trình xây dựng công thức đại số bản đồ (Map Algebra) để tự động hóa trích xuất ma trận biến động hai kỳ.
  • Ban quản lý Khu bảo tồn và Chi cục Kiểm lâm: Sở hữu bản đồ và cơ sở dữ liệu số phản ánh chính xác $817,75\text{ ha}$ rừng suy giảm để chủ động phân bổ lực lượng bảo vệ rừng trọng điểm.
  • Cộng đồng địa phương: Tăng cường tính minh bạch trong công tác giao đất khoán rừng và hưởng lợi từ chính sách hỗ trợ phát triển vùng đệm.

Câu hỏi thường gặp

1. Tại sao đề tài lựa chọn ảnh vệ tinh Sentinel-2A thay vì Landsat-8 hay MODIS?

Ảnh Sentinel-2A có độ phân giải không gian $10\text{m} \times 10\text{m}$ (so với $30\text{m}$ của Landsat-8 và $250\text{m} - 1000\text{m}$ của MODIS), hoàn toàn miễn phí từ Cơ quan Vũ trụ Châu Âu (ESA). Ở địa hình núi đá vôi Thần Sa – Phượng Hoàng bị chia cắt mạnh, độ phân giải $10\text{m}$ cho phép phát hiện các điểm phát nương rẫy nhỏ lẻ diện tích chỉ từ $100\text{m}^2$ mà ảnh Landsat dễ dàng bỏ sót do hiện tượng trộn lẫn điểm ảnh (mixed pixel).

2. Sự khác biệt giữa chỉ số NDVI năm 2017 và 2020 do yếu tố nào quyết định?

Ngưỡng NDVI phân loại năm 2017 là $\ge 0,60$ và năm 2020 là $\ge 0,59$. Sự dao động nhẹ này bắt nguồn từ:

  • Mùa chụp ảnh khác nhau: Ảnh 2017 chụp vào mùa khô (tháng 10 và tháng 12), ảnh 2020 chụp vào cuối xuân đầu hè (tháng 3 và tháng 4).
  • Độ ẩm và giai đoạn sinh trưởng của thảm thực vật tán rừng núi đá thay đổi theo mùa.

3. Làm thế nào để loại bỏ sai số do bóng đổ núi đá vôi khi phân loại ảnh?

Trong nghiên cứu này, các biện pháp kiểm soát sai số gồm:

  • Lựa chọn ảnh có góc cao mặt trời phù hợp và độ che phủ mây $< 5%$.
  • Kết hợp ngưỡng NDVI với thuật toán phân loại giám sát MLC để phân tách phổ bóng đổ của núi đá với vùng nước hoặc đất trống sẫm màu.
  • Sử dụng 124 điểm GPS thực địa và ảnh lịch sử độ nét cao trên Google Earth Pro để hiệu chỉnh trực tiếp trên các vùng nghi ngờ.

4. Phép toán Raster Calculator (Hiện trạng 2017 * 10) + Hiện trạng 2020 hoạt động như thế nào?

Đây là kỹ thuật mã hóa ma trận biến động nhị phân:

  • Nếu năm 2017 là Có rừng ($1$) và 2020 là Có rừng ($1$): $1 \times 10 + 1 = 11$ (Rừng ổn định).
  • Nếu năm 2017 là Có rừng ($1$) và 2020 là Không rừng ($2$): $1 \times 10 + 2 = 12$ (Mất rừng).
  • Nếu năm 2017 là Không rừng ($2$) và 2020 là Có rừng ($1$): $2 \times 10 + 1 = 21$ (Phục hồi rừng).
  • Nếu năm 2017 là Không rừng ($2$) và 2020 là Không rừng ($2$): $2 \times 10 + 2 = 22$ (Đất trống ổn định).

5. Chi phí phần mềm và dữ liệu để duy trì hệ thống giám sát này là bao nhiêu?

Chi phí dữ liệu ảnh vệ tinh Sentinel-2A là 0 VNĐ (dữ liệu mở). Chi phí phần mềm có thể tối ưu hóa về 0 VNĐ bằng cách chuyển giao quy trình sang phần mềm mã nguồn mở QGIS (tích hợp mô-đun Semi-Automatic Classification Plugin - SCP và GRASS GIS) với thuật toán phân loại và đại số bản đồ tương đương ArcGIS.

Kết luận

Đề tài tốt nghiệp của tác giả Lưu Mạnh Đức đã hoàn thành xuất sắc các mục tiêu nghiên cứu đề ra, minh chứng cho hiệu quả vượt trội của việc kết hợp công nghệ GIS (ArcGIS) và dữ liệu ảnh vệ tinh Sentinel-2A trong công tác giám sát tài nguyên rừng:

  • Về mặt kỹ thuật: Xây dựng thành công quy trình phân loại ảnh độ phân giải $10\text{m}$ đạt độ chính xác kiểm chứng thực địa cao ($95,86%$ năm 2017 và $89,02%$ năm 2020).
  • Về mặt số liệu thực tiễn: Định lượng chính xác biến động tài nguyên rừng vùng lõi KBTTN Thần Sa – Phượng Hoàng giai đoạn 2017 – 2020 với diện tích đất có rừng suy giảm ròng $164,59\text{ ha}$ (trong đó mất $817,75\text{ ha}$ rừng tự nhiên và phục hồi $652,91\text{ ha}$).
  • Về mặt ứng dụng quản lý: Xác định rõ nguyên nhân suy giảm gắn liền với áp lực sinh kế dân cư bản địa ($70%$ hộ thu hái măng, $8%$ khai thác gỗ làm nhà) và áp lực chăn thả gia súc; cung cấp luận cứ khoa học tin cậy để Ban quản lý Khu bảo tồn và UBND huyện Võ Nhai ban hành các giải pháp bảo vệ rừng trọng tâm, hiệu quả.

Nghiên cứu mở ra hướng đi bền vững, chi phí thấp nhưng mang lại giá trị thực tiễn cao cho các ban quản lý rừng đặc dụng và phòng hộ trên toàn quốc trong kỷ nguyên số hóa quản lý tài nguyên thiên nhiên.