Giới thiệu dự án

Ứng dụng công nghệ không gian và viễn thám (Remote Sensing - RS) trong quản lý tài nguyên rừng đang trở thành tiêu chuẩn bắt buộc trong kỷ nguyên chuyển đổi số. Theo thống kê từ Tổ chức Lương thực và Nông nghiệp Liên Hợp Quốc (FAO) và sáng kiến Giám sát Rừng Toàn cầu (Global Forest Watch), việc phân tích chuỗi dữ liệu ảnh vệ tinh đa thời gian đóng vai trò quyết định trong việc phát hiện sớm nạn mất rừng và đánh giá suy thoái tài nguyên sinh thái. Tuy nhiên, quy trình xử lý ảnh viễn thám truyền thống đòi hỏi hạ tầng tính toán cấu hình cao, dung lượng lưu trữ cục bộ lớn (hàng trăm Gigabyte đến Terabyte) và yêu cầu kỹ năng lập trình xử lý không gian phức tạp.

+-----------------------------------------------------------------------------+
|                                PROBLEM STATEMENT                            |
|                                                                             |
|  [Sinh viên / Cán bộ Lâm nghiệp]                                             |
|          |                                                                  |
|          +--> Rào cản kỹ năng lập trình (Python/JS)                         |
|          +--> Giới hạn phần cứng xử lý dữ liệu viễn thám cục bộ (Gigabytes) |
|          +--> Khó khăn truy cập và tiền xử lý ảnh vệ tinh đa thời gian      |
|          |                                                                  |
|          v                                                                  |
|  [GIẢI PHÁP: WEB GIS TÍCH HỢP GOOGLE EARTH ENGINE & DJANGO]                 |
|          |                                                                  |
|          +--> Tự động lọc mây, tính toán chỉ số thực vật (NDVI)             |
|          +--> Điện toán đám mây GEE: Xử lý song song không cần tải ảnh      |
|          +--> Giao diện trực quan hóa theo ranh giới hành chính 3 cấp       |
+-----------------------------------------------------------------------------+

Đề tài "Nghiên cứu nền tảng công nghệ Google Earth Engine, ứng dụng xây dựng phần mềm phân tích, khai thác dữ liệu từ ảnh vệ tinh dành cho sinh viên, học viên Đại học Lâm nghiệp" do sinh viên Lương Văn Hiếu thực hiện dưới sự hướng dẫn của ThS. Trần Xuân Hòa (Khoa Kinh tế & Quản trị Kinh doanh, Trường Đại học Lâm nghiệp) đã giải quyết triệt để rào cản này.

Mục tiêu cụ thể của dự án:

  1. Nghiên cứu cơ chế vận hành, cấu trúc dữ liệu và giao diện lập trình ứng dụng (API) của nền tảng điện toán đám mây Google Earth Engine (GEE).
  2. Thiết kế và phát triển hệ thống phần mềm Web GIS hoàn chỉnh trên nền tảng Django Framework và cơ sở dữ liệu không gian PostgreSQL/PostGIS.
  3. Module hóa các thuật toán xử lý ảnh vệ tinh quang học (Sentinel-2, Landsat 8, MODIS) và mô hình số độ cao (DEM) nhằm tự động hóa quá trình giám sát biến động diện tích rừng, phân tích địa hình (độ cao, độ dốc, hướng dốc) theo phân cấp ranh giới hành chính Tỉnh - Huyện - Xã tại Việt Nam.

Phạm vi nghiên cứu tập trung vào việc chuẩn hóa quy trình phân tích không gian tự động, phục vụ trực tiếp cho hoạt động đào tạo, nghiên cứu khoa học của giảng viên, sinh viên ngành Lâm sinh, Quản lý tài nguyên rừng và Hệ thống thông tin.

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Trước khi xây dựng hệ thống, các giải pháp khai thác dữ liệu viễn thám hiện có bộc lộ những ưu và nhược điểm rõ rệt khi áp dụng vào môi trường giáo dục chuyên ngành:

Tiêu chí Phần mềm GIS để bàn (ArcGIS / QGIS) GEE Code Editor (JavaScript Web IDE) Hệ thống Web GIS chuyên biệt (Đề tài phát triển)
Yêu cầu phần cứng Rất cao (RAM $\ge$ 16GB, GPU, ổ cứng lớn) Thấp (chạy trên trình duyệt) Thấp (chạy mượt trên mọi trình duyệt/thiết bị)
Lưu trữ dữ liệu Tải toàn bộ ảnh Raster thô về máy cục bộ Lưu trữ và xử lý trực tiếp trên Google Cloud Xử lý Cloud, trực quan hóa Web Map, không tốn đĩa
Kỹ năng lập trình Không bắt buộc hoặc dùng Python script Bắt buộc thành thạo JavaScript/Python API Không yêu cầu code, giao diện GUI trực quan
Khả năng tự động hóa Thấp, phải thực hiện thủ công qua toolbox Cao, nhưng phụ thuộc vào code người dùng Tự động hóa hoàn toàn theo luồng nghiệp vụ
Truy cập ranh giới VN Phải tự chuẩn bị Shapefile ranh giới Phải tự tải FeatureCollection cá nhân Tích hợp sẵn cơ sở dữ liệu không gian 3 cấp

Yêu cầu người dùng được cấu trúc theo mô hình MoSCoW:

  • Must have (Bắt buộc): Lọc ảnh Sentinel-2 theo khoảng thời gian và tỷ lệ mây; tự động che phủ mây qua kênh QA60; tính toán chỉ số khác biệt thực vật chuẩn hóa (NDVI); trích xuất độ dốc, độ cao, hướng dốc từ DEM SRTM; truy vấn ranh giới hành chính 3 cấp.
  • Should have (Nên có): Xuất dữ liệu ảnh đã phân tích về máy tính qua định dạng chuẩn; gửi báo cáo và ảnh phân tích tự động qua hệ thống Email; tích hợp SMS Gateway.
  • Could have (Có thể có): So sánh trực quan biến động lớp phủ đa thời gian bằng thanh trượt (swipe map layer).
  • Won't have (Chưa hỗ trợ): Phân loại ảnh tự động bằng học sâu (Deep Learning) thời gian thực trên giao diện web.

Thiết kế hệ thống

Hệ thống được thiết kế theo mô hình kiến trúc MVT (Model - View - Template) phân tán của Django kết hợp kiến trúc dịch vụ RESTful API:

Technology Stack chi tiết:

  • Backend: Python 3.9+, Django Web Framework (phiên bản 3.2 LTS / 4.x), earthengine-api (Google Earth Engine Python API).
  • Database: PostgreSQL 13+ tích hợp phần mở rộng không gian PostGIS, quản trị dữ liệu qua Navicat Premium.
  • Frontend: HTML5, CSS3, JavaScript (ES6+), Bootstrap 4 UI Framework, jQuery, Vue.js, Leaflet/Mapbox GL JS rendering raster tiles.
  • Hạ tầng triển khai: Ubuntu Server 20.04 LTS, Web Server Nginx đóng vai trò Reverse Proxy, Gunicorn WSGI container.

Thiết kế cơ sở dữ liệu không gian lưu trữ dữ liệu ranh giới hành chính:

+-----------------------------------------------------------------------------------+
|                                DATABASE SCHEMA (PostGIS)                         |
+-----------------------------------------------------------------------------------+
|  tb_Province                                                                      |
|  - matinh (Integer, PK) | tinh (Varchar) | tinhvt (Varchar) | geom (MultiPolygon)  |
+-----------------------------------------------------------------------------------+
                                         | 1
                                         | n
+-----------------------------------------------------------------------------------+
|  tb_District                                                                      |
|  - mahuyen (Integer, PK)| huyen (Varchar)| matinh_id (FK)   | geom (MultiPolygon)  |
+-----------------------------------------------------------------------------------+
                                         | 1
                                         | n
+-----------------------------------------------------------------------------------+
|  tb_Commune                                                                       |
|  - maxa (Integer, PK)   | xa (Varchar)   | mahuyen_id (FK)  | geom (MultiPolygon)  |
+-----------------------------------------------------------------------------------+

Phương pháp nghiên cứu và phát triển

Quy trình phát triển phần mềm tuân thủ mô hình tiếp cận lặp kết hợp phương pháp luận chuyên gia trong lĩnh vực lâm nghiệp:

  1. Khảo sát & Thu thập yêu cầu: Phỏng vấn trực tiếp giảng viên ngành Lâm sinh, Quản lý tài nguyên rừng và sinh viên hệ đại học chính quy tại Trường Đại học Lâm nghiệp.
  2. Xây dựng module lõi: Đóng gói các hàm kết nối và tính toán không gian dựa trên earthengine-api.
  3. Đánh giá rủi ro & giải pháp:
    • Rủi ro vượt ngưỡng hạn ngạch (Rate limit) GEE: Áp dụng bộ nhớ đệm (caching) kết quả truy vấn không gian và xử lý lazy-loading cho các bản đồ phân tích.
    • Độ trễ khi tải dữ liệu Raster: Giới hạn phân giải hiển thị (scale reduction) khi xem trước trên web và chỉ tính toán độ phân giải gốc ($10\text{m}$) khi xuất dữ liệu.

Triển khai thực nghiệm và kết quả

Quy trình phát triển và thuật toán cốt lõi

Cấu trúc ứng dụng được module hóa thành các sub-apps chuyên biệt (app_quanlyranhgioi, app_phantichanh, app_docaohuongdoc, app_email, app_bando, app_sms).

1. Thuật toán lọc mây trên ảnh vệ tinh Sentinel-2 (QA60 Cloud Masking)

Kênh chất lượng QA60 của Sentinel-2 chứa thông tin mặt nạ mây ở định dạng bitmask. Bit 10 tương ứng với mây dày (dense cloud) và Bit 11 tương ứng với mây ti (cirrus cloud). Bằng cách áp dụng phép toán dịch bit (bit shift), hệ thống loại bỏ triệt để các pixel bị ảnh hưởng bởi mây:

import ee

def maskSE2clouds(image):
    """
    Xử lý che phủ mây và mây ti cho tập dữ liệu ảnh Sentinel-2 sử dụng kênh QA60.
    """
    qa = image.select('QA60')
    
    # Bit 10 là mây đặc (opaque clouds), Bit 11 là mây ti (cirrus)
    cloud_bit_mask = 1 << 10
    cirrus_bit_mask = 1 << 11
    
    # Cả hai cờ trạng thái phải bằng 0 để chỉ định điều kiện trời quang
    mask = qa.bitwiseAnd(cloud_bit_mask).eq(0).And(
        qa.bitwiseAnd(cirrus_bit_mask).eq(0)
    )
    
    # Áp dụng mặt nạ và cập nhật thuộc tính thời gian
    return image.updateMask(mask).copyProperties(
        image, ["CLOUDY_PIXEL_PERCENTAGE", "system:time_start"]
    )

2. Thuật toán tính toán chỉ số thực vật chuẩn hóa (NDVI)

Chỉ số NDVI được tính toán nhằm phân biệt lớp phủ thực vật và phát hiện suy giảm sinh khối:

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

def addNDVI(image):
    """
    Tính toán chỉ số thực vật NDVI từ kênh phổ Cận hồng ngoại (B8) và Đỏ (B4).
    """
    ndvi = image.normalizedDifference(['B8', 'B4']).rename('NDVI')
    return image.addBands(ndvi)

3. Thuật toán lọc chuỗi ảnh không gian và cắt theo ranh giới hành chính

def imageCollection(boundary_geometry, start_date, end_date, cloud_cover_rate=30):
    """
    Lọc bộ sưu tập ảnh Sentinel-2 theo ranh giới không gian, thời gian và tỷ lệ mây.
    """
    image_dataset = (
        ee.ImageCollection('COPERNICUS/S2_SR')
        .filterBounds(boundary_geometry)
        .filterDate(start_date, end_date)
        .filter(ee.Filter.lt('CLOUDY_PIXEL_PERCENTAGE', cloud_cover_rate))
        .map(maskSE2clouds)
        .map(addNDVI)
    )
    
    # Tạo ảnh tổng hợp chất lượng cao nhất (Median Composite)
    composite_image = image_dataset.median().clip(boundary_geometry)
    return composite_image

4. Phân tích mô hình số độ cao DEM (Độ cao, Độ dốc, Hướng dốc)

Sử dụng dữ liệu SRTM V3 (Shuttle Radar Topography Mission - độ phân giải $30\text{m}$):

  • Độ dốc (Slope): Tính toán độ nghiêng bề mặt địa hình theo độ ($^\circ$).
  • Hướng dốc (Aspect): Xác định góc phương vị của hướng dốc ($0^\circ - 360^\circ$), hỗ trợ đánh giá tiểu khí hậu và hướng đón ánh sáng cho cây lâm nghiệp.
def analyzeTerrain(geometry):
    """
    Trích xuất thông số địa hình từ mô hình độ cao số SRTM DEM.
    """
    dem = ee.Image('USGS/SRTMGL1_003').clip(geometry)
    elevation = dem.select('elevation')
    slope = ee.Terrain.slope(elevation)
    aspect = ee.Terrain.aspect(elevation)
    
    terrain_stack = elevation.addBands(slope).addBands(aspect)
    return terrain_stack

Kiểm thử và đánh giá hiệu năng

Hệ thống đã trải qua quy trình kiểm thử đơn vị (Unit Testing) và kiểm thử chấp nhận người dùng (UAT) trên tập dữ liệu thực tế tại các tỉnh miền núi phía Bắc (Hòa Bình, Sơn La, Phú Thọ):

Kịch bản kiểm thử Dữ liệu đầu vào Thời gian phản hồi trung bình Kết quả đạt được Trạng thái
Truy vấn ranh giới xã Mã xã (Commune ID) $120\text{ ms}$ Trả về GeoJSON MultiPolygon chính xác Đạt (Pass)
Lọc và ghép 12 cảnh ảnh Sentinel-2 Diện tích huyện ($500\text{ km}^2$), mây $<20%$ $1.85\text{ s}$ Tổng hợp median không mây, phủ kín vùng chọn Đạt (Pass)
Tính biến động NDVI 2 thời kỳ $T_1 (2020), T_2 (2022)$ $2.40\text{ s}$ Bản đồ raster phát hiện điểm mất rừng (đỏ) Đạt (Pass)
Trích xuất DEM đa điểm $100$ điểm tọa độ ngẫu nhiên $450\text{ ms}$ Trả về JSON độ cao, độ dốc, hướng dốc Đạt (Pass)
Gửi báo cáo qua Email File PNG kèm metadata thống kê $3.10\text{ s}$ Email gửi thành công kèm link tải ảnh GeoTIFF Đạt (Pass)

Đổi mới công nghệ và đóng góp khoa học

  1. Chuyển dịch mô hình tính toán viễn thám: Loại bỏ hoàn toàn sự phụ thuộc vào các máy trạm cấu hình cao. Thay vì phải tải xuống $1 - 2\text{ GB}$ dữ liệu cho mỗi cảnh ảnh vệ tinh Sentinel-2/Landsat 8, toàn bộ thuật toán được thực thi phân tán trên hạ tầng Google Cloud, giảm $100%$ dung lượng lưu trữ đĩa cứng cục bộ của người dùng cuối.
  2. Chuẩn hóa quy trình viễn thám cho ngành lâm nghiệp: Tích hợp sẵn cơ chế phân cấp hành chính 3 cấp của Việt Nam vào hệ thống không gian địa lý GEE. Sinh viên không cần chuẩn bị các tệp vector ranh giới phức tạp mà có thể chọn trực tiếp từ danh mục hệ thống.
  3. Cắt giảm thời gian phân tích: Thời gian tạo bản đồ hiện trạng rừng và trích xuất chỉ số biến động thực vật giảm từ 45 - 60 phút (khi thao tác thủ công trên phần mềm GIS để bàn) xuống còn dưới 5 giây trên nền tảng Web GIS.
QUY TRÌNH TRUYỀN THỐNG (45 - 60 Phút):
[Tìm ảnh USGS/Copernicus] -> [Tải ảnh 1-2GB] -> [Import QGIS/ArcGIS] -> [Cắt ảnh theo Shapefile] -> [Tính Band Math NDVI] -> [Layout xuất bản đồ]

QUY TRÌNH WEB GIS TỰ ĐỘNG (Dưới 5 Giây):
[Chọn Tỉnh/Huyện/Xã] -> [Chọn 2 mốc thời gian] -> [Click "Phân tích"] -> [Xem kết quả & Nhận Email báo cáo]

Ứng dụng thực tế và lộ trình triển khai

Trường hợp sử dụng thực tế (Use Cases)

  • Giám sát mất rừng và suy thoái rừng theo chu kỳ: Cán bộ kiểm lâm hoặc sinh viên thực tập có thể so sánh ảnh viễn thám của một xã qua 2 năm liên tiếp để khoanh vùng các điểm rừng bị suy giảm diện tích do cháy rừng hoặc chuyển đổi mục đích sử dụng đất trái phép.
  • Quy hoạch lập địa và chọn loài cây trồng rừng: Dựa trên module phân tích địa hình app_docaohuongdoc, người dùng nhấp chọn tọa độ bất kỳ để nhận ngay độ cao tuyệt đối (so với mực nước biển), độ dốc sườn đồi và hướng dốc. Từ đó đối chiếu với điều kiện sinh thái của từng loài cây lâm nghiệp (ví dụ: Keo, Bạch đàn, Quế, Hồi) để đưa ra quyết định trồng rừng tối ưu.
+------------------------------------------------------------------------------------+
|                      HƯỚNG DẪN TRIỂN KHAI HỆ THỐNG (DEPLOYMENT)                    |
+------------------------------------------------------------------------------------+
| 1. Cài đặt môi trường hệ thống:                                                    |
|    sudo apt update && sudo apt install python3-pip python3-venv postgresql postgis |
|                                                                                    |
| 2. Thiết lập cơ sở dữ liệu PostGIS:                                                |
|    CREATE DATABASE forestry_gis;                                                   |
|    \c forestry_gis;                                                                |
|    CREATE EXTENSION postgis;                                                       |
|                                                                                    |
| 3. Khởi tạo Service Account Google Earth Engine:                                   |
|    earthengine authenticate --service-account-file=gee-credentials.json            |
|                                                                                    |
| 4. Khởi chạy ứng dụng Django qua Gunicorn & Nginx:                                 |
|    gunicorn --workers 4 --bind 127.0.0.1:8000 core.wsgi:application                |
+------------------------------------------------------------------------------------+

Đánh giá hiệu quả kinh tế - xã hội (Cost-Benefit Analysis)

  • Chi phí bản quyền phần mềm: Tiết kiệm hàng ngàn USD chi phí mua license thương mại của các phần mềm viễn thám chuyên dụng nhờ khai thác $100%$ công nghệ nguồn mở (Python, Django, PostgreSQL, OpenStreetMap) và nền tảng dữ liệu mở GEE.
  • Hiệu quả đào tạo: Nâng cao chất lượng giảng dạy thực hành các môn học Viễn thám lâm nghiệp, Hệ thống thông tin địa lý (GIS), Quy hoạch lâm nghiệp tại các cơ sở đào tạo chuyên ngành tài nguyên môi trường.

Hạn chế và hướng phát triển

Hạn chế kỹ thuật hiện tại

  • Phụ thuộc vào chất lượng kết nối Internet để truyền tải các mảng gạch bản đồ (map tiles) từ máy chủ Google.
  • Độ phân giải không gian của ảnh quang học miễn phí (Sentinel-2 là $10\text{m}$, Landsat là $30\text{m}$) còn hạn chế khi cần phát hiện các biến động rừng quy mô nhỏ (cây phân tán dưới $100\text{m}^2$).
  • Module phát hiện mất rừng hiện tại sử dụng ngưỡng sai khác NDVI thuần túy, có thể xuất hiện sai số do biến động mùa lá rụng ở các kiểu rừng rụng lá theo mùa.

Định hướng nâng cấp

  1. Tích hợp thuật toán học máy (Random Forest, SVM) và học sâu (U-Net CNN) trực tiếp trên giao diện GEE để tự động phân loại chi tiết trạng thái rừng (rừng giàu, rừng trung bình, rừng nghèo, đất trống).
  2. Mở rộng khai thác dữ liệu ảnh Radar khẩu độ tổng hợp (SAR) Sentinel-1 nhằm phục vụ quan sát bề mặt xuyên mây trong mùa mưa bão tại Việt Nam.
  3. Xây dựng module tự động phát đi cảnh báo cháy rừng sớm dựa trên ảnh nhiệt vệ tinh MODIS / VIIRS kết hợp hệ thống SMS Gateway.

Đối tượng hưởng lợi

+---------------------------------------------------------------------------------------+
|                                  ĐỐI TƯỢNG HƯỞNG LỢI                                  |
+---------------------------------------------------------------------------------------+
|                                                                                       |
|   [Sinh viên & Học viên]           [Lập trình viên Web GIS]      [Cán bộ Lâm nghiệp]  |
|          |                                    |                           |           |
|          v                                    v                           v           |
|   Học tập trực quan               Mô hình kiến trúc tham khảo     Giám sát biến động  |
|   Thao tác dữ liệu lớn            Tích hợp Django & GEE API       Không cần cài máy   |
|   Không cần code phức tạp         Mã nguồn chuẩn MVT / REST       Báo cáo nhanh email |
|                                                                                       |
+---------------------------------------------------------------------------------------+
  • Sinh viên, học viên chuyên ngành Lâm nghiệp, Quản lý tài nguyên, Môi trường: Tiếp cận công nghệ viễn thám hiện đại mà không bị cản trở bởi rào cản kỹ thuật lập trình; dễ dàng thu thập số liệu phục vụ đồ án, khóa luận tốt nghiệp.
  • Kỹ sư phần mềm và nhà phát triển Web GIS: Nhận được bộ khung kiến trúc (architecture pattern) hoàn chỉnh về việc tích hợp API điện toán đám mây Google Earth Engine vào khung phát triển web Python/Django.
  • Cán bộ quản lý tại các Ban Quản lý rừng, Chi cục Kiểm lâm: Có thêm công cụ hỗ trợ ra quyết định nhanh chóng, trực quan, hỗ trợ theo dõi hiện trạng rừng địa phương từ xa với chi phí $0$ đồng.

Câu hỏi thường gặp

1. Yêu cầu cấu hình phần cứng tối thiểu để triển khai và sử dụng hệ thống là gì?

Đối với người dùng cuối, hệ thống chỉ yêu cầu máy tính hoặc thiết bị di động có trình duyệt web tiêu chuẩn (Google Chrome, Firefox, Edge) kết nối Internet ổn định. Đối với máy chủ triển khai (Server), cấu hình tối thiểu là 1 vCPU, 2GB RAM, 20GB SSD chạy hệ điều hành Ubuntu Linux, do phần lớn tác vụ tính toán nặng đã được ủy quyền cho máy chủ Google Earth Engine.

2. Google Earth Engine có giới hạn số lượng yêu cầu (Quota/Limit) không và xử lý thế nào?

Tài khoản Google Earth Engine phi thương mại có hạn ngạch tính toán song song nhất định. Hệ thống giải quyết vấn đề này bằng cách tối ưu hóa các chuỗi tính toán dạng lười (lazy evaluation), áp dụng hàm reduceRegion với tham số scale phù hợp và lưu cache các ranh giới GeoJSON thường xuyên truy vấn trên cơ sở dữ liệu PostgreSQL cục bộ.

3. Hệ thống có thể tích hợp thêm các nguồn ảnh vệ tinh độ phân giải siêu cao không?

Có. Nền tảng Django có thể mở rộng để nhận các nguồn dữ liệu ảnh máy bay không người lái (UAV) hoặc ảnh thương mại (PlanetScope, WorldView) thông qua định dạng Cloud Optimized GeoTIFF (COG) hoặc kết nối qua các giao thức bản đồ tiêu chuẩn như WMS/WMTS.

4. Dữ liệu ranh giới hành chính được cập nhật và bảo trì như thế nào?

Dữ liệu ranh giới Tỉnh - Huyện - Xã được lưu trữ trong các bảng tb_Province, tb_District, tb_Commune với kiểu dữ liệu không gian MultiPolygon của PostGIS. Quản trị viên có thể dễ dàng cập nhật, chỉnh sửa hình học ranh giới thông qua công cụ quản trị Navicat hoặc các tập lệnh SQL/Shapefile import mà không làm gián đoạn ứng dụng web.

5. Chi phí vận hành hệ thống ước tính là bao nhiêu?

Hệ thống sử dụng $100%$ công nghệ mã nguồn mở (Django, PostgreSQL, PostGIS, Nginx, Linux) và nền tảng Google Earth Engine miễn phí cho mục đích nghiên cứu, giáo dục. Do đó, chi phí duy trì chỉ bao gồm phí thuê hạ tầng máy chủ ảo (VPS) cơ bản, ước tính khoảng 100.000 - 200.000 VNĐ/tháng.

Kết luận

Đề tài khóa luận tốt nghiệp của sinh viên Lương Văn Hiếu đã nghiên cứu chuyên sâu nền tảng điện toán đám mây Google Earth Engine và ứng dụng thành công vào việc xây dựng phần mềm Web GIS quản lý hiện trạng rừng tại Trường Đại học Lâm nghiệp. Hệ thống giải quyết triệt để bài toán khai thác dữ liệu ảnh vệ tinh đa thời gian (Sentinel-2, Landsat 8, SRTM DEM), tự động hóa quy trình lọc mây, tính toán chỉ số NDVI và trích xuất đặc trưng địa hình theo ranh giới hành chính 3 cấp.

Công trình không chỉ mang giá trị học thuật cao về mặt ứng dụng công nghệ thông tin trong lâm nghiệp mà còn mang ý nghĩa thực tiễn to lớn, cung cấp công cụ đắc lực cho sinh viên, giảng viên và các nhà nghiên cứu tài nguyên môi trường. Đây là tiền đề vững chắc để phát triển các giải pháp giám sát tài nguyên thiên nhiên thông minh, phục vụ chiến lược chuyển đổi số quốc gia trong lĩnh vực nông nghiệp và phát triển nông thôn.