KHOA HỌC KỸ THUẬT THỦY LỢI VÀ MÔI TRƯỜNG - SỐ 88 (3/2024)
28
BÀI BÁO KHOA HỌC
ĐÁNH GIÁ HẠN NÔNG NGHIỆP KHU VỰC PHÍA BẮC TỈNH ĐĂK NÔNG
SỬ DỤNG ẢNH VIỄN THÁM VÀ GOOGLE EARTH ENGINE
Bùi Mạnh Bằng
1
, Hoàng Đức Vinh
1
, Đỗ Anh Đức
1
Tóm tắt: Hạn hán là hiện tượng tự nhiên tác động mạnh mẽ đến môi trường, sản xuất và các hoạt động
của con người. Là một đất nước nông nghiệp vùng nhiệt đới, nhiều nơi ở Việt Nam thường xuyên phải
chịu tình trạng hạn hán kéo dài, gây nhiều thiệt hại đến sản xuất nông nghiệp và đời sống nhân dân.
Nghiên cứu này nhằm mục đích xây dựng các bản đồ hạn hán cho các huyện Cư Jút, Đăk Mil và Krông
Nô của tỉnh Đăk Nông. Chúng tôi sử dụng ảnh viễn thám Landsat 8 OLI dựa trên nền tảng Google
Earth Engine để đánh giá hạn nông nghiệp thông qua các chỉ số khác biệt thực vật (NDVI), khác biệt về
nước (NDWI) và chỉ số khác biệt về hạn hán (NDDI). Các bản đồ hạn hán trong mùa khô từ 2014 đến
2023 được thiết lập và từ đó, phân tích mức độ hạn hán khác nhau theo thời gian và không gian. Kết
quả của nghiên cứu cung cấp những hiểu biết có giá trị cho nhà quản lý, cho phép họ theo dõi diễn biến
của các đợt hạn hán và xây dựng các chiến lược hiệu quả nhằm giảm thiểu tác động bất lợi của các đợt
hạn hán kéo dài.
Từ khoá: Đăk Nông, Google Earth Engine, Landsat 8, NDVI, NDWI, NDDI.
1. GIỚI THIỆU
*
Theo định nghĩa của tổ chức khí tượng Thế giới
WMO, hạn hán được mô tả là các điều kiện khô
hơn đáng kể so với bình thường hoặc hạn chế độ
ẩm sẵn có ở mức độ có khả năng gây thiệt hại
(WMO và GWP, 2016). Hạn hán được phân thành
các loại khác nhau phụ thuộc vào tác động của nó
đến từng ngành cụ thể, như hạn khí tượng, hạn thủy
văn, hạn nông nghiệp và hạn kinh tế - xã hội. Trong
đó, hạn nông nghiệp xảy ra khi lượng ẩm trong đất
không đủ để duy trì sản lượng nông nghiệp trung
bình và sản xuất nông nghiệp bị ảnh hưởng.
Nghiên cứu về hạn hán thường sử dụng các chỉ
số khác nhau. Trong hạn khí tượng, các chỉ số như
mức độ nghiêm trọng hạn hán Palmer (PDSI) hay
chỉ số lượng mưa chuẩn hóa (SPI) thường được áp
dụng để đánh giá mức độ nghiêm trọng của hạn
hán dài hạn. Trong hạn thủy văn thường tính toán
các chỉ số như chỉ số dòng chảy hạn hán (SDI)
hoặc chỉ số hạn hán nước ngầm (GDI). Đối với
hạn nông nghiệp, các chỉ số như độ ẩm cây trồng
(CMI), chỉ số khác biệt thực vật (NDVI), hoặc chỉ
số chuẩn hóa về nước (NDWI) thường được áp
1
Viện Khoa học Thủy lợi Việt Nam
dụng. Các chỉ số này thường được tổng hợp, phân
tích theo chuỗi thời gian và không gian áp dụng
công nghệ viễn thám và GIS.
Trong các nghiên cứu gần đây, chỉ số chênh
lệch hạn hán chuẩn hóa (Normalized Difference
Drought Index – NDDI) đã được áp dụng rộng rãi
để phân tích các đặc điểm của hạn hán. Bằng cách
sử dụng dữ liệu vệ tinh và tập trung vào sự khác
biệt về phản xạ cận hồng ngoại, hồng ngoại sóng
ngắn, NDDI đưa ra thước đo chuẩn hóa có độ
nhạy cao với sự thay đổi của các thực vật và độ
ẩm của đất (G. Yingxin và nnk, 2007). Đặc điểm
nổi bật của NDDI là khả năng phản ánh cả về hạn
khí tượng do thiếu hụt lượng mưa và cả hạn nông
nghiệp bởi cách đánh giá tác động đến sức khỏe
thực vật. Bên cạnh đó, việc sử dụng ảnh viễn thám
với độ phân giải không gian cao, giúp NDDI trở
thành chỉ số có giá trị và toàn diện để đánh giá về
hạn hán theo thời gian và không gian.
Sử dụng NDDI như là một chỉ số hiệu quả để
đánh giá hạn hán, đã được ứng dụng trong nhiều
nghiên cứu trên thế giới và cả Việt Nam. Năm
2021, Sakar Nepal và đồng nghiệp đã sử dụng
NDDI để đánh giá rủi ro hạn hán cho khu vực trung
du Remechhap của Nepan (S. Nepal và nnk, 2021).
KHOA HỌC KỸ THUẬT THỦY LỢI VÀ MÔI TRƯỜNG - SỐ 88 (3/2024)
29
Nghiên cứu đã sử dụng ảnh Landsat 8 để tính toán
NDDI cho hạn hán năm 2017 và lập bản đồ hạn
hán cho vùng Remechhap. Năm 2023, Fernando
Salas-Martinez và đồng nghiệp cũng sử dụng
NDDI như một chỉ số chính để lượng hóa tình
trạng hạn hán ở vịnh Mexico (F. Salas-Martínez và
nnk, 2023). Nghiên cứu cũng sử dụng Landsat 8 để
đánh giá khô hạn trong thời gian tháng 7 đến tháng
10 của các năm 2018 và 2019. Ở Indonesia, SD
Artikanur năm 2022 cũng công bố một nghiên cứu
sử dụng NDDI để lập bản đồ hạn hán ở Đông Java
(S. D. Artikanur và nnk, 2022). Nghiên cứu này đã
tính toán hạn hán từ tháng 4 đến tháng 6 năm 2022
và sử dụng ảnh viễn thám Landsat 8. Tống Thị
Huyền Ái và nnk (2020) đã công bố nghiên cứu
theo dõi hạn hán ở Đăk Nông sử dụng chỉ số NDDI
(Tống Thị Huyền Ái và nnk, 2020). Nghiên cứu đã
sử dụng ảnh Landsat và công cụ Google Earth
Engine để lập bản đồ hạn hán cho tỉnh từ 2005 đến
2019. Ngoài ra, Nguyễn Văn Hoàng và đồng
nghiệp cũng sử dụng NDDI để giám sát hạn hán
lưu vực sông Đồng Nai (Nguyễn Văn Hoàng và
nnk, 2020). Nghiên cứu đã sử dụng ảnh Landsat 8
để đánh giá phân bố hạn hán từ 2014 đến 2019.
Như vậy có thể thấy, NDDI được ứng dụng rộng
rãi để đánh giá hạn hán ở nhiều nơi trên thế giới và
cả Việt Nam. Bên cạnh đó, ảnh viễn thám Landsat
8 và Google Earth Engine là những dữ liệu và công
cụ được khai thác mạnh mẽ, bởi tính dễ tiếp cận,
miễn phí và dễ sử dụng.
Trong nghiên cứu này, chúng tôi tiếp tục sử
dụng chỉ số NDDI để đánh giá hạn nông nghiệp
được tính từ ảnh vệ tinh Landsat 8, độ phân giải
không gian 30 m trên nền Google Earth Engine
cập nhật đến mùa khô năm 2023. Chúng tôi tập
trung vào khu vực phía bắc tỉnh Đăk Nông, nơi bị
thiệt hại lớn nhất về hạn hán của tỉnh. Kết quả của
nghiên cứu là những bản đồ mô tả phân bố không
gian và mức độ của tình trạng hạn hán của khu
vực nghiên cứu. Những kết quả này giúp các nhà
quản lý theo dõi diễn biến của hạn hán, hỗ trợ dự
báo và đưa ra các biện pháp chủ động nhằm giảm
thiểu tác động của các đợt hạn hán kéo dài. Ngoài
ra, nó cũng giúp các nhà quản lý trong việc phân
bổ nguồn lực hợp lý và lập kế hoạch ứng phó hiệu
quả trên nhiều lĩnh vực.
2. PHƯƠNG PHÁP NGHIÊN CỨU
2.1. Khu vực và thời gian nghiên cứu
Khu vực nghiên cứu là diện tích của 3 huyện
Cư Jút, Đăk Mil và Krông Nô nằm ở phía bắc tỉnh
Đăk Nông với tổng diện tích khoảng 2.215,8 km
2
.
Địa hình khu vực khá đa dạng, phong phú với độ
cao từ 200 – 1.548 m so với mực nước biển (hình
1). Khí hậu được phân hóa thành 2 mùa rõ rệt là
mùa mưa và mùa khô, trong đó mùa khô từ tháng
12 đến tháng 4 năm sau (Tống Thị Huyền Ái và
nnk, 2020). Tổng lượng mưa trung bình năm vào
khoảng 2.513 mm, nhưng chủ yếu tập trung vào
mùa mưa. Do đó, mùa khô thường xảy ra tình
trạng thiếu nước và gây ra hạn hán cho nông
nghiệp. Mặt khác, các công trình thủy lợi trong
khu vực không đảm bảo được khả năng phục vụ
sản xuất, ao hồ tự nhiên ít, các sông suối nhỏ nên
khi hạn hán xảy ra, khả năng phòng chống là rất
hạn chế. Điều này dẫn đến tình trạng hạn hán có
thể xảy ra bất cứ năm nào kể cả năm có điều kiện
thời tiết bình thường (Phan Thị Thanh Hằng và
nnk, 2012).
Nghiên cứu này tập trung vào thời gian cao
điểm mùa khô từ 01/01 đến 30/4 hàng năm từ
2014 – 2023.
Hình 1. Khu vực nghiên cứu trên địa bàn 3 huyện
phía Bắc tỉnh Đăk Nông
2.2. Công cụ và dữ liệu sử dụng
Công cụ chủ yếu được sử dụng trong nghiên
cứu này là Google Earth Engine (GEE), ArcGIS
KHOA HỌC KỸ THUẬT THỦY LỢI VÀ MÔI TRƯỜNG - SỐ 88 (3/2024)
30
10.5 và Microsoft Office. GEE là nền tảng đám
mây dùng để xử lý không gian địa lý. GEE cung
cấp các dữ liệu viễn thám miễn phí như Landsat,
Sentinel, MODIS…, đồng thời cho phép người
dùng thu thập, xử lý, tính toán, phân tích các chỉ
số viễn thám trực tiếp mà không cần phải tải ảnh
viễn thám về máy. Giao diện lập trình code dựa
trên môi trường Javascript, cho phép người dùng
chạy các thuật toán để xử lý ảnh một cách thuận
tiện và nhanh chóng (Tống Thị Huyền Ái và nnk,
2020). Các kết quả sau khi được tính toán bằng
GEE, được tải về máy, và sử dụng công cụ
ArcGIS 10.5 để lập bản đồ. Các tính toán phân
tích khác sử dụng Microsoft Excel và Microsoft
Word để trình bày.
Dữ liệu sử dụng chủ yếu là ảnh Landsat 8
OLI/TIR được cung cấp miễn phí bởi cơ quan
khảo sát địa chất Hoa Kỳ (USGS) trên nền tảng
GEE. Ảnh Landsat 8 OLI có độ phân giải không
gian 30 m được thu thập trong thời gian mùa khô
từ 01/01 đến 30/4 hàng năm từ 2014 đến 2023.
Ảnh được lọc mây với diện tích che phủ dưới 10%
và tổng cộng 113 cảnh ảnh đã được thu thập và
phân tích cho 10 năm nghiên cứu.
2.3. Phương pháp nghiên cứu
Nghiên cứu được thiết kế trong 7 bước (hình 2).
Bước 1, ảnh “Landsat 8 OLI Colletion 1 Tier 1 TOA
reflectance” được thu thập với các bộ lọc: (1) lọc
theo khoảng thời gian từ 01/01 đến 30/4 hàng năm;
(2) lọc theo khu vực nghiên cứu; (3) lọc cảnh ảnh có
mây che nhỏ hơn 10%. Tại bước 2, những pixel của
từng cảnh ảnh mây che sẽ được loại bỏ bằng thuật
toán maskCloud. Sau đó, ở bước 3, các pixel bị xóa
ở bước 2 sẽ được gán bằng giá trị trung vị của toàn
bộ tập ảnh đó. Ở bước 4, tập hợp ảnh từng năm sẽ
được tổng hợp thành 1 ảnh với giá trị trung vị
(median). Mặc dù là một ảnh nhưng vẫn đầy đủ các
kênh của ảnh Landsat. Sau đó, ảnh tổng hợp của
từng năm được cắt theo ranh giới của khu vực
nghiên cứu (bước 5).
Tại bước 6, các chỉ số gồm: chuẩn hóa khác
biệt thực vật (NDVI), chuẩn hóa khác biệt về nước
(NDWI) được tính toán dựa vào các kênh cận
hồng ngoại (NIR), kênh đỏ (RED) và kênh hồng
ngoại sóng ngắn (SWIR) theo công thức (1) và
(2). Cuối cùng, ở bước 7, chỉ số chuẩn hóa khác
biệt về hạn hán (NDDI) được tính toán dựa vào
công thức (3).
NIR RED
NDVI
NIR RED
(1)
NIR SWIR
NDWI
NIR SWIR
(2)
NDVI NDWI
NDDI
NDVI NDWI
(3)
`
Hình 2. Các bước tính toán
Dựa vào chỉ số NDDI, các mức độ hạn hán được được phân loại dựa vào ngưỡng giá trị theo bảng 1.
KHOA HỌC KỸ THUẬT THỦY LỢI VÀ MÔI TRƯỜNG - SỐ 88 (3/2024)
31
Bảng 1. Ngưỡng phân loại mức độ hạn hán
theo giá trị NDDI (G. Yingxin và nnk, 2007)
STT
Giá trị NDDI Mức độ hạn hán
1 < -2,00 Không hạn hán
2 -2,00 ÷ 0,70 Hạn hán nhẹ
3 0,70 ÷ 1,25 Hạn hán trung bình
4 1,25 ÷ 3,00 Hạn hán nặng
5 > 3,00 Hạn hán rất nặng
3. KẾT QUẢ VÀ THẢO LUẬN
3.1. Tính toán chỉ số NDVI, NDWI cho từng năm
Các chỉ số NDVI, NDWI mùa khô cho từng
năm từ 2014 đến 2023 được thể hiện ở hình 3. Các
pixel có chỉ số NDVI càng lớn (màu xanh đậm)
thể hiện độ dày của thực vật càng cao như rừng
cây, khu trồng trọt, ngược lại, NDVI nhỏ (màu đỏ)
thể hiện mức độ thực vật thấp, như đô thị, mặt
nước, đất trống. Kết quả tính toán NDVI cho thấy,
khu vực phía bắc và phía đông có mật độ thực vật
thấp hơn khu vực phía nam và phía tây. Trong đó,
các năm 2014, 2015, 2016, 2022 chỉ số NDVI
giảm, nhiều nơi có chỉ số NDVI thấp hơn 0,1,
phân bố chủ yếu ở huyện Cư Jút và Krông Nô.
Trong khi đó, với chỉ số khác biệt về nước
NDWI, giá trị cao (màu đỏ) thể hiện khu vực có
nhiều nước (nước mặt, nước trong tán lá cây hoặc độ
ẩm đất) tập trung ở phía nam huyện Krông Nô hoặc
khu vực phía tây nam giáp ranh huyện Cư Jút và
Đăk Mil. Ngược lại, giá trị NDWI thấp (màu xanh
trời) thể hiện những nơi ít nước, như đất trống, đô thị
hoặc khu vực bị khô hạn, tập trung ở phía bắc huyện
Cư Jút. Các năm 2014, 2015, 2016, 2019 và 2023,
giá trị NDWI bị giảm thấp thể hiện tình trạng khô
hạn lớn hơn so với các năm còn lại.
3.2. Mức độ hạn hán qua chỉ số NDDI
Tập bản đồ mức độ hạn hán của khu vực
nghiên cứu thể hiện ở hình 4. Giá trị NDDI được
phân chia thành 5 mức: Không hạn hán (màu xanh
đậm), hạn hán nhẹ (màu xanh nhạt), hạn hán trung
bình (màu vàng), hạn hán nặng (màu cam) và hạn
hán rất nặng (màu đỏ). Các khu vực hạn hán nặng
và rất nặng tập trung chủ yếu ở huyện Cư Jút, một
phần phía bắc huyện Đăk Mil và phía đông huyện
Krông Nô. Các năm 2014, 2015, 2016, 2019, 2021
và 2023 có mức độ hạn nặng và rất nặng chiếm tỷ
lệ lớn. Ngược lại các năm 2017, 2018, 2022 mức
độ hạn hán thấp hơn (hình 5).
Hình 3. Chỉ số NDVI (a) và NDWI (b) của từng năm
KHOA HỌC KỸ THUẬT THỦY LỢI VÀ MÔI TRƯỜNG - SỐ 88 (3/2024)
32
Hình 4. Mức độ hạn hán từng năm
theo chỉ số NDDI
Hình 5. So sánh diện tích ứng với từng mức độ hạn
hán trong 10 năm gần đây
Bảng 2. Diện tích (km
2
) bị hạn nặng và hạn rất nặng ứng với từng xã trong 10 năm
TT Huyện Xã 2014 2015 2016 2017 2018 2019 2020 2021 2022 2023
1
Đăk Mil
Đức Mạnh 8,84 5,87 4,02 2,24 1,42 2,59 1,79 2,65 0,65 0,89
2 Đức Minh 1,34 1,24 0,47 0,41 0,28 0,70 0,65 0,72 0,02 0,59
3 Đăk Mil 0,50 0,51 0,28 0,45 0,43 0,57 0,58 0,64 0,01 0,41
4 Đắk Gằn 14,63
13,37 8,33 3,11 2,98 6,42 4,38 6,78 1,03 4,05
5 Đắk Lao 12,87
23,50 22,81 1,90 1,73 14,55
6,46 8,57 0,71 1,83
6 Đắk R'La 37,80
35,64 31,16 11,84
10,71
23,75
12,01
20,53
6,03 11,05
7 Đắk Sắk 4,75 4,17 2,36 0,45 0,44 1,42 1,25 1,47 0,03 0,75
8 Thuận An 1,58 2,20 0,79 0,27 0,39 1,15 0,95 0,66 0,03 0,54
9
Cư Jút
Đăk Đrông 27,11
25,91 22,84 10,83
11,49
18,71
13,83
15,23
2,17 13,65
10 Đăk Wil 88,67
117,48
104,59
7,73 52,80
76,39
46,69
75,04
1,45 63,54
11 Cư KNia 12,30
11,30 8,57 4,55 4,07 6,52 5,00 6,06 1,45 4,59
12 Ea Pô 49,74
46,97 43,15 21,84
28,41
34,81
26,24
32,73
13,67
32,44
13 Ea T'ling 7,74 7,82 5,54 3,59 4,20 5,23 4,89 5,60 3,75 5,63
14 Nam Đồng 9,40 8,42 5,41 2,76 3,89 6,06 4,41 5,48 3,34 4,41
15 Tâm Thắng 5,25 5,65 3,00 2,28 2,71 3,59 2,86 3,50 3,02 3,83
16 Trúc Sơn 6,27 6,06 3,55 1,78 1,71 2,62 2,27 2,81 0,85 2,32