Báo Cáo Nghiên Cứu: Ứng Dụng Viễn Thám và GIS Thành Lập Bản Đồ Hiện Trạng Rừng Ngập Mặn tại BQLRPH Đặc Dụng Tỉnh Bến Tre

Tóm tắt nghiên cứu (Research Summary)

Nhiệm vụ nghiên cứu khoa học "Ứng dụng viễn thám và GIS thành lập bản đồ hiện trạng rừng ngập mặn tại Ban quản lý rừng phòng hộ và đặc dụng (BQLRPH-ĐD) tỉnh Bến Tre" do ThS. Võ Minh Hoàn chủ nhiệm cùng nhóm nghiên cứu tại Khoa Tài nguyên và Môi trường – Phân hiệu Trường Đại học Lâm nghiệp tại tỉnh Đồng Nai thực hiện trong giai đoạn 2023. Nghiên cứu tập trung giải quyết câu hỏi trọng tâm: Làm thế nào để ứng dụng hiệu quả dữ liệu viễn thám quang học đa phổ độ phân giải cao kết hợp hệ thống thông tin địa lý (GIS) nhằm thành lập bản đồ hiện trạng và xác định trữ lượng rừng ngập mặn với độ chính xác cao, phục vụ công tác quản lý tài nguyên rừng bền vững?

Nhóm tác giả đã triển khai phương pháp phân loại định hướng đối tượng (Object-Based Image Analysis - OBIA) trên phần mềm eCognition Developer từ ảnh vệ tinh Sentinel-2A, kết hợp phân tích chỉ số thực vật khác biệt chuẩn hóa (NDVI) và hệ thống 100 mẫu khóa giải đoán ảnh đối soát thực địa theo tiêu chuẩn TCVN 13353:2021. Kết quả nghiên cứu đã phân lập chính xác 7 trạng thái thảm thực vật và đất lâm nghiệp trên tổng diện tích 2.908,67 ha tại huyện Thạnh Phú với độ chính xác tổng thể đạt 87,85%. Nghiên cứu xác định diện tích đất có rừng đạt 1.812,90 ha (chiếm 62,3%) với tổng trữ lượng gỗ ước tính 117.942,52 m³. Kết quả này cung cấp bộ cơ sở dữ liệu số hóa tin cậy, giải quyết triệt để bài toán sai lệch ranh giới từ kỳ kiểm kê 2016 và mở ra giải pháp giám sát biến động tài nguyên rừng hiệu quả cho các vùng ven biển Đồng bằng sông Cửu Long.

Bối cảnh và tầm quan trọng (Context & Significance)

Hệ sinh thái rừng ngập mặn đóng vai trò then chốt như một "lá chắn xanh" sinh thái, bảo vệ đường bờ biển trước tình trạng xói lở, triều cường, bão lũ, đồng thời là bể chứa carbon xanh (Blue Carbon) quan trọng giúp giảm thiểu biến đổi khí hậu toàn cầu. Huyện Thạnh Phú, tỉnh Bến Tre nằm ở vị trí hạ lưu giữa hai cửa sông lớn Hàm Luông và Cổ Chiên tiếp giáp Biển Đông, là khu vực xung yếu chịu tác động mạnh mẽ của biến đổi khí hậu, nước biển dâng và xâm nhập mặn.

Tại BQLRPH-ĐD tỉnh Bến Tre, công tác quản lý, giám sát và bảo vệ rừng ngập mặn trong nhiều năm qua chủ yếu dựa vào cơ sở dữ liệu của cuộc tổng điều tra, kiểm kê rừng giai đoạn 2014–2016. Trải qua thời gian dài biến động tự nhiên cùng các hoạt động chuyển đổi kinh tế – xã hội (đặc biệt là sự mở rộng vùng nuôi tôm nước lợ), ranh giới nhiều lô rừng trên bản đồ đã xuất hiện sự sai lệch đáng kể so với thực địa. Điều này gây khó khăn nghiêm trọng cho lực lượng chức năng trong tuần tra, kiểm soát và xử lý vi phạm lâm nghiệp.

Phương pháp điều tra thực địa truyền thống đối với rừng ngập mặn thường đối mặt với nhiều trở ngại lớn: địa hình sình lầy chia cắt bởi mạng lưới sông rạch, chi phí tốn kém, mất nhiều thời gian và khó tiếp cận các khu vực bãi bồi ngoài xa. Sự phát triển vượt bậc của dữ liệu vệ tinh Sentinel-2 (bộ cảm biến đa phổ MSI với chu kỳ lặp 5 ngày và độ phân giải không gian 10m) kết hợp với công nghệ GIS hiện đại mở ra cơ hội đột phá để tự động hóa quy trình phân loại thảm thực vật. Đề tài được thực hiện hết sức kịp thời, vừa giải quyết khoảng trống dữ liệu thực tiễn tại địa phương, vừa đóng góp một mô hình giám sát tài nguyên rừng ngập mặn có tính ứng dụng thực tiễn cao cho vùng ven biển phía Nam.

Methodology và Approach

Nghiên cứu áp dụng quy trình công nghệ tích hợp đa bước giữa dữ liệu ảnh viễn thám không gian, thuật toán xử lý ảnh tiên tiến và điều tra định lượng thực địa:

           [ Dữ liệu ảnh Sentinel-2A (2023) ]
                           │
           ┌───────────────┴───────────────┐
           ▼                               ▼
 [ Phân tích chỉ số NDVI ]       [ Phân vùng ảnh đa độ phân giải ]
           │                       (Scale: 50, Shape: 0.2, Comp: 0.8)
           │                               │
           └───────────────┬───────────────┘
                           ▼
          [ Thuật toán phân loại OBIA (eCognition) ]
                           ▲
                           │ (Huấn luyện với 100 mẫu khóa ảnh)
          [ Dữ liệu 40 OTC (500m²) & TCVN 13353:2021 ]
                           │
                           ▼
               [ Đánh giá độ chính xác ]
         (100 điểm kiểm chứng: 60 thực địa + 40 Google Earth)
                           │
                           ▼
          [ Biên tập GIS & Gán trữ lượng trên MapInfo ]
                           │
                           ▼
   [ Bản đồ hiện trạng rừng & Bản đồ trữ lượng rừng (2023) ]

1. Thu thập dữ liệu và xây dựng bộ mẫu khóa ảnh

  • Dữ liệu viễn thám: Cảnh ảnh vệ tinh Sentinel-2A thu nhận năm 2023, đã qua xử lý hình học và khí quyển.
  • Mẫu khóa giải đoán (MKA): Thiết lập 100 mẫu khóa ảnh thực địa theo tiêu chuẩn quốc gia TCVN 13353:2021. Trong đó, bố trí 40 ô tiêu chuẩn (OTC) diện tích 500 m² và 60 điểm mẫu ảnh nhanh.
  • Điều tra trữ lượng: Tại mỗi OTC, nhóm nghiên cứu đo đếm toàn bộ cây có đường kính tại vị trí 1,3 m ($D_{1.3} \ge 6\text{ cm}$) bằng thước vải và chiều cao vút ngọn ($H_{vn}$) bằng máy đo cao Vertex. Thể tích cây đứng được tính toán qua công thức: $$V_i = G \times H \times F$$ (Trong đó: $G$ là tiết diện ngang thân cây; $H$ là chiều cao; $F$ là hệ số hình dạng thân cây với $F = 0{,}45$ cho rừng tự nhiên và $F = 0{,}50$ cho rừng trồng).

2. Kỹ thuật phân loại định hướng đối tượng (OBIA)

  • Phân vùng ảnh (Multiresolution Segmentation): Tách ảnh vệ tinh thành các đối tượng đồng nhất (polygon/lô trạng thái) dựa trên các tham số được tối ưu hóa qua thử nghiệm: Scale parameter = 50, Shape = 0.2, Compactness = 0.8.
  • Trích xuất chỉ số NDVI: Tính toán chỉ số khác biệt thực vật chuẩn hóa nhằm phân lập sinh khối và mật độ tán lá giữa các trạng thái rừng.
  • Phân loại tự động: Sử dụng thuật toán phân loại có kiểm định láng giềng gần nhất (Standard Nearest Neighbor) trên phần mềm eCognition Developer kết hợp bộ mẫu khóa ảnh và ngưỡng NDVI.

3. Hậu xử lý và kiểm định độ chính xác

  • Sử dụng phần mềm MapInfo để sửa lỗi hình học, tiến hành gộp các lô rừng liền kề có cùng trạng thái với diện tích nhỏ hơn 0,3 ha.
  • Đánh giá độ tin cậy bằng ma trận nhầm lẫn dựa trên 100 điểm kiểm chứng độc lập (60 điểm kiểm tra trực tiếp ngoài thực địa bằng GPS Garmin 64 và 40 điểm đối soát trên nền không ảnh độ phân giải cao Google Earth).

Phát hiện chính (Key Findings)

Báo cáo tổng kết đưa ra các phát hiện khoa học và số liệu định lượng chi tiết về hiện trạng tài nguyên rừng ngập mặn tại BQLRPH-ĐD tỉnh Bến Tre (địa bàn huyện Thạnh Phú):

+-------------------------------------------------------------------------------+
|                      CƠ CẤU HIỆN TRẠNG RỪNG VÀ ĐẤT LÂM NGHIỆP                 |
|                             (Tổng diện tích: 2.908,67 ha)                     |
+------------------------------------------------------+------------------------+
| Trạng thái lớp phủ                                   | Diện tích (ha) | Tỷ lệ |
+------------------------------------------------------+----------------+-------+
| 1. Rừng trồng ngập mặn (RTM)                         |     967,06 ha  | 33,25%|
| 2. Rừng gỗ tự nhiên ngập mặn chưa có trữ lượng (NMP) |     541,16 ha  | 18,61%|
| 3. Rừng gỗ tự nhiên ngập mặn nghèo (NMN)             |     261,75 ha  |  9,00%|
| 4. Rừng trồng cau dừa ngập mặn (RTCDN)               |      42,93 ha  |  1,48%|
| 5. Đất có cây gỗ tái sinh ngập mặn (DT2M)            |      59,95 ha  |  2,06%|
| 6. Diện tích mặt nước (MN)                           |     576,04 ha  | 19,80%|
| 7. Diện tích đất khác (DK)                           |     459,78 ha  | 15,81%|
+------------------------------------------------------+----------------+-------+

1. Độ chính xác giải đoán ảnh đạt mức cao

Kết quả kiểm chứng ma trận nhầm lẫn cho thấy độ chính xác tổng thể của quy trình phân loại đạt 87,85% (chỉ số thống kê Kappa = 0,342). Hầu hết các trạng thái chính như Rừng tự nhiên ngập mặn nghèo (NMN), Rừng trồng ngập mặn (RTM), Rừng cau dừa ngập mặn (RTCDN), Mặt nước (MN) và Đất khác (DK) đều đạt độ chính xác kiểm chứng lên tới 90%. Riêng trạng thái đất có cây gỗ tái sinh (DT2M) đạt độ chính xác 80% do đặc tính phân bố rải rác và dễ lẫn với các kiểu thảm cỏ ven bãi bồi.

2. Ngưỡng giá trị NDVI phân lập rõ rệt giữa các trạng thái

Chỉ số NDVI phản ánh chính xác mật độ tầng tán và sinh khối thảm phủ:

  • Rừng trồng ngập mặn (RTM): Đạt giá trị NDVI cao nhất ($0{,}79 \pm 0{,}08$) do cấu trúc thuần loài, mật độ dày và sinh khối đồng nhất.
  • Rừng tự nhiên ngập mặn nghèo (NMN): Giá trị NDVI đạt $0{,}68 \pm 0{,}15$.
  • Rừng tự nhiên chưa có trữ lượng (NMP): Giá trị NDVI đạt $0{,}54 \pm 0{,}12$.
  • Rừng trồng cau dừa (RTCDN): Đạt $0{,}44 \pm 0{,}13$.
  • Đất có cây tái sinh (DT2M): Đạt $0{,}25 \pm 0{,}10$.
  • Đất khác (DK) và Mặt nước (MN): Đạt các giá trị thấp nhất, lần lượt là $0{,}12 \pm 0{,}09$ và $0{,}05 \pm 0{,}09$.

3. Phân bố diện tích theo chức năng quy hoạch

Trong tổng số 2.908,67 ha đất lâm nghiệp quản lý:

  • Diện tích đất có rừng: Đạt 1.812,90 ha (chiếm 62,3%). Trong đó, rừng đặc dụng chiếm ưu thế tuyệt đối với 1.756,23 ha; rừng phòng hộ chiếm 56,67 ha và không có rừng sản xuất.
  • Diện tích chưa thành rừng: Chiếm 1.095,77 ha (37,7%), bao gồm 59,95 ha đất trống có cây gỗ tái sinh và 1.035,82 ha diện tích mặt nước, bãi bồi, đất khác.
  • Phân theo nguồn gốc: Toàn bộ 802,91 ha rừng tự nhiên là rừng thứ sinh; toàn bộ 1.009,99 ha rừng trồng là rừng trồng mới trên đất ngập triều chưa có rừng.

4. Đánh giá trữ lượng tài nguyên rừng

Tổng trữ lượng gỗ rừng ngập mặn tại khu vực nghiên cứu đạt 117.942,52 m³:

  • Theo chức năng: Rừng đặc dụng chiếm 114.173,46 m³ (96,8%); rừng phòng hộ chiếm 3.769,06 m³ (3,2%).
  • Theo nguồn gốc: Rừng trồng ngập mặn chiếm tỷ trọng vượt trội với 89.459,11 m³ (75,8%); rừng tự nhiên thứ sinh đạt 27.656,86 m³ (24,2%).
  • Theo cấp trữ lượng rừng tự nhiên: Nhóm rừng nghèo chiếm 14.237,05 m³ (100% thuộc rừng đặc dụng); nhóm rừng chưa có trữ lượng chiếm 13.419,82 m³. Toàn bộ trữ lượng gỗ tự nhiên thuộc kiểu rừng lá rộng thường xanh hoặc nửa rụng lá ngập mặn.

Đóng góp khoa học và giá trị thực tiễn

1. Đóng góp về mặt học thuật và phương pháp luận

  • Chuẩn hóa quy trình OBIA cho rừng ngập mặn: Nghiên cứu minh chứng tính ưu việt của phương pháp phân loại định hướng đối tượng kết hợp chỉ số NDVI trên ảnh Sentinel-2A so với phương pháp phân loại điểm ảnh truyền thống (Pixel-based), giảm thiểu đáng kể hiệu ứng "muối tiêu" (salt-and-pepper noise).
  • Bộ dữ liệu khóa ảnh chuẩn hóa: Cung cấp bộ tham số phân loại và mẫu khóa giải đoán ảnh chi tiết theo TCVN 13353:2021 cho 7 trạng thái rừng ngập mặn vùng cửa sông ven biển Tây Nam Bộ, tạo tiền đề khoa học cho các nghiên cứu sinh khối và chu trình carbon tiếp theo.

2. Giá trị ứng dụng thực tiễn và chính sách

  • Cập nhật và số hóa dữ liệu quản lý: Cung cấp bộ bản đồ hiện trạng rừng và bản đồ trữ lượng số hóa tỷ lệ chi tiết năm 2023 cho Ban quản lý rừng phòng hộ - đặc dụng tỉnh Bến Tre. Đây là công cụ pháp lý và kỹ thuật quan trọng giúp đơn vị điều chỉnh ranh giới, khắc phục sai lệch của kỳ kiểm kê 2016.
  • Tối ưu hóa công tác tuần tra, bảo vệ rừng: Hỗ trợ lực lượng kiểm lâm xác định chính xác các điểm nóng về biến động rừng, khoanh vùng các diện tích tái sinh tự nhiên để xúc tiến khoanh nuôi bảo vệ.
  • Cơ sở định giá dịch vụ môi trường rừng và tín chỉ Carbon: Số liệu định lượng chi tiết về diện tích và trữ lượng là căn cứ cốt lõi để tỉnh Bến Tre xây dựng đề án chi trả dịch vụ môi trường rừng, tham gia thị trường tín chỉ carbon xanh và thu hút các nguồn tài trợ phục hồi hệ sinh thái quốc tế.

Đối tượng hưởng lợi và ứng dụng

┌─────────────────────────────────────────────────────────────────────────────┐
│                             ĐỐI TƯỢNG HƯỞNG LỢI                             │
├──────────────────────────┬──────────────────────────────────────────────────┤
│ Nhóm đối tượng           │ Giá trị và Lợi ích mang lại                      │
├──────────────────────────┼──────────────────────────────────────────────────┤
│ Ban quản trị rừng        │ • Nắm bắt chính xác ranh giới và hiện trạng      │
│ & Kiểm lâm địa phương    │ • Giảm 60-70% thời gian, chi phí điều tra ngoại  │
│                          │   nghiệp tại các vùng sình lầy khó đi lại        │
├──────────────────────────┼──────────────────────────────────────────────────┤
│ Cơ quan quản lý cấp tỉnh │ • Hoàn thiện quy hoạch không gian bảo tồn biển   │
│ (Sở NN&PTNT, Sở TN&MT)   │ • Hoạch định chính sách ứng phó biến đổi khí hậu │
├──────────────────────────┼──────────────────────────────────────────────────┤
│ Viện nghiên cứu,         │ • Giáo trình, tài liệu tham khảo thực tế về GIS  │
│ Trường Đại học           │   và Viễn thám ứng dụng trong lâm nghiệp         │
├──────────────────────────┼──────────────────────────────────────────────────┤
│ Các tổ chức bảo tồn &    │ • Dữ liệu nền tảng thẩm định dự án Blue Carbon   │
│ Doanh nghiệp ESG         │ • Hỗ trợ đo đạc MRV (Measurement, Reporting,     │
│                          │   Verification) phát thải khí nhà kính           │
└──────────────────────────┴──────────────────────────────────────────────────┘

Câu hỏi thường gặp (FAQ)

1. Phát hiện quan trọng nhất của báo cáo nghiên cứu này là gì?

Nghiên cứu đã số hóa và xây dựng thành công bản đồ hiện trạng và trữ lượng rừng ngập mặn năm 2023 tại huyện Thạnh Phú với độ chính xác cao (87,85%). Kết quả làm rõ diện tích có rừng thực tế là 1.812,90 ha với tổng trữ lượng gỗ đạt 117.942,52 m³, giải quyết dứt điểm các bất cập về sai lệch ranh giới quản lý tồn tại từ kỳ kiểm kê năm 2016.

2. Điểm đặc biệt trong phương pháp nghiên cứu (Methodology) là gì?

Điểm đột phá là việc kết hợp công nghệ phân loại định hướng đối tượng (OBIA) trên phần mềm eCognition với chỉ số thực vật NDVI từ ảnh Sentinel-2A đa thời gian và bộ 100 mẫu khóa ảnh thực địa chuẩn hóa theo TCVN 13353:2021. Phương pháp này nhận diện đối tượng dựa trên tổ hợp quang phổ, hình dạng, độ chặt và ngữ cảnh không gian thay vì chỉ dựa vào từng pixel đơn lẻ.

3. Kết quả nghiên cứu có thể nhân rộng (generalize) cho các địa phương khác không?

Hoàn toàn có thể. Quy trình công nghệ sử dụng nguồn dữ liệu vệ tinh mở (Sentinel-2A) miễn phí kết hợp chuẩn TCVN có thể chuyển giao và áp dụng đồng bộ cho các khu vực rừng ngập mặn khác thuộc Đồng bằng sông Cửu Long như Trà Vinh, Sóc Trăng, Bạc Liêu, Cà Mau và Kiên Giang.

4. Những hướng phát triển tiếp theo của nghiên cứu là gì?

Nhóm nghiên cứu định hướng tích hợp thuật toán học máy (Machine Learning/Random Forest) trên nền tảng điện toán đám mây Google Earth Engine (GEE) để thiết lập hệ thống cảnh báo mất rừng tự động theo thời gian thực (near real-time), kết hợp ảnh radar xuyên mây (Sentinel-1) và công nghệ LiDAR/UAV nhằm mô hình hóa cấu trúc tán rừng 3D chuẩn xác hơn.

5. Nghiên cứu mang lại ứng dụng thực tế nào cho việc chi trả dịch vụ môi trường rừng?

Bản đồ trữ lượng và cơ sở dữ liệu số hóa là căn cứ pháp lý và khoa học trực tiếp để tính toán lượng hấp thụ carbon rừng ngập mặn, phục vụ công tác xây dựng hồ sơ phát hành tín chỉ carbon rừng (Blue Carbon Credits) và phân bổ nguồn thu dịch vụ môi trường rừng cho cộng đồng địa phương.

Kết luận (Conclusion)

Báo cáo tổng kết nhiệm vụ khoa học do ThS. Võ Minh Hoàn và các cộng sự tại Phân hiệu Trường Đại học Lâm nghiệp tỉnh Đồng Nai thực hiện đã khẳng định vai trò vượt trội của công nghệ Viễn thám và GIS trong quản trị lâm nghiệp hiện đại. Việc xây dựng thành công bản đồ hiện trạng và bản đồ trữ lượng rừng ngập mặn tại BQLRPH-ĐD tỉnh Bến Tre không chỉ tháo gỡ điểm nghẽn về cơ sở dữ liệu thực địa mà còn đặt nền móng kỹ thuật vững chắc cho công tác bảo tồn đa dạng sinh học ven biển.

Để phát huy tối đa hiệu quả nghiên cứu, các cơ quan ban ngành lâm nghiệp tỉnh Bến Tre cần sớm tích hợp bộ cơ sở dữ liệu số này vào hệ thống giám sát tài nguyên môi trường chung của tỉnh, đồng thời đầu tư nguồn lực mở rộng mô hình quan trắc tự động trên nền tảng điện toán đám mây, hướng tới mục tiêu phát triển bền vững và kinh tế tuần hoàn cho dải ven biển Việt Nam.