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. một đất ớc nông nghiệp vùng nhiệt đới, nhiều nơi Việt Nam thường xuyên phải
chịu tình trạng hạn hán kéo dài, gây nhiều thiệt hại đến sản xuất nông nghiệp 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
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) chỉ số khác biệt về hạn hán (NDDI). Các bản đồ hạn hán trong mùa khô từ 2014 đến
2023 được thiết lập từ đó, phân tích mức độ hạn hán khác nhau theo thời gian 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 ợc 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 ktượng Thế giới
WMO, hạn hán được tả là các điều kiện khô
hơn đáng kể so với bình thường hoặc hn chế độ
ẩm sẵn mức độ kh năng gây thiệt hại
(WMO GWP, 2016). Hạn hán được phân thành
các loại khác nhau phthuộc vào tác động của
đến từng ngành cụ thể, như hạn khí tượng, hạn thy
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 ảnhởng.
Nghiên cứu v hạn hán thường sử dụng các chỉ
số khác nhau. Trong hạn khí tượng, các chỉ số n
mức độ nghiêm trọng hạn hán Palmer (PDSI) hay
chỉ slượng mưa chuẩn hóa (SPI) thường được áp
dụng để đánh giá mức độ nghiêm trọng của hn
hán dài hạn. Trong hạn thy văn thường tính toán
các chỉ s như chỉ số dòng chảy hạn hán (SDI)
hoặc chỉ số hn hán nước ngầm (GDI). Đối vi
hn nông nghiệp, các chỉ số như đ ẩm cây trồng
(CMI), chỉ số khác biệt thc vật (NDVI), hoặc ch
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 s chênh
lệch hn hán chuẩn hóa (Normalized Difference
Drought Index NDDI) đã được áp dụng rộng i
để phân tích các đặc điểm của hạn hán. Bằng cách
sử dụng dữ liệu vệ tinh tập trung vào skhác
biệt vphản xạ cận hồng ngoi, hồng ngoại sóng
ngắn, NDDI đưa ra thước đo chuẩn hóa đ
nhy cao với sự thay đổi của các thực vật đ
ẩm của đất (G. Yingxin nnk, 2007). Đặc điểm
nổi bật của NDDI là khnăng phn 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 vin thám
với độ phân giải không gian cao, giúp NDDI trở
thành chỉ sgiá trị toàn diện để đánh giá về
hn hán theo thời gian và không gian.
Sử dụng NDDI như 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. m
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 ng sử dụng
NDDI như một chỉ số chính để ợng hóa tình
trạng hạn hán vnh Mexico (F. Salas-Martínez
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. Indonesia, SD
Artikanur năm 2022 cũng công bố một nghiên cứu
sử dụng NDDI để lập bản đồ hạn hán 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 nnk (2020) đã công bố nghiên cứu
theo dõi hạn hán ở Đăk Nông sử dụng ch số NDDI
(Tống Thị Huyền Ái và nnk, 2020). Nghiên cứu đã
sử dụng ảnh Landsat ng cụ Google Earth
Engine để lập bản đồ hạn hán cho tỉnh từ 2005 đến
2019. Ngoài ra, Nguyễn Văn Hoàng 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 ththấy, 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 dsử dụng.
Trong nghiên cứu này, chúng tôi tiếp tục sử
dụng chỉ sNDDI để đánh ghạn nông nghiệp
được tính từ nh vệ tinh Landsat 8, đ phân gii
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 ng, nơi b
thiệt hại lớn nhất v hn hán của tỉnh. Kết quả của
nghiên cứu nhng bản đồ tả phân bkhông
gian mức đ của tình trạng hạn hán của khu
vực nghiên cứu. Nhng kết quả này giúp các nhà
quản theo i din biến của hạn hán, hỗ trợ dự
báo và đưa ra các biện pháp chđộng nhằm gim
thiểu tác động của các đợt hạn hán kéo dài. Ngoài
ra, ng giúp các nhà quản lý trong việc phân
bổ nguồn lực hợp lý lập kế hoạch ứng phó hiệu
quả tn nhiều lĩnh vực.
2. PHƯƠNG PHÁP NGHIÊN CỨU
2.1. Khu vực và thời gian nghiên cứu
Khu vực nghiên cứu din ch của 3 huyn
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 đ
cao từ 200 1.548 m so với mực nước biển (hình
1). Khí hậu được phân hóa thành 2 mùa rệt
mùa mưa mùa khô, trong đó mùa khô từ tháng
12 đến tháng 4 năm sau (Tống Thị Huyền Ái
nnk, 2020). Tổng ợng mưa trung bình năm vào
khong 2.513 mm, nhưng chủ yếu tập trung vào
mùa mưa. Do đó, mùa khô thường xảy ra tình
trạng thiếu ớc 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 rất
hn chế. Điều này dẫn đến tình trạng hạn hán
thể xảy ra bất cứ năm nào kể cả năm điều kin
thời tiết bình thường (Phan Thị Thanh Hằng
nnk, 2012).
Nghiên cứu này tập trung vào thời gian cao
điểm mùa khô t 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 ch yếu được sử dụng trong nghiên
cứu này 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 nn tảng đám
mây ng để xử 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 không cần phải tải ảnh
viễn thám v máy. Giao diện lập trình code dựa
trên môi trường Javascript, cho phép người dùng
chạy các thuật toán để xử ảnh một cách thuận
tiện nhanh chóng (Tống Thị Huyền Ái nnk,
2020). Các kết quả sau khi được tính toán bằng
GEE, được tải về máy, sử dụng công cụ
ArcGIS 10.5 để lập bản đồ. Các tính toán phân
tích khác sử dụng Microsoft Excel Microsoft
Word để trình bày.
Dữ liệu sử dụng chủ yếu nh Landsat 8
OLI/TIR được cung cấp miễn phí bởi quan
kho sát địa chất Hoa Kỳ (USGS) trên nền tảng
GEE. Ảnh Landsat 8 OLI độ phân giải không
gian 30 m được thu thập trong thời gian mùa khô
từ 01/01 đến 30/4 ng 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
phân tích cho 10 năm nghiên cứu.
2.3. Phương pháp nghiên cu
Nghiên cứu được thiết kế trong 7 bước (hình 2).
Bước 1, ảnh “Landsat 8 OLI Colletion 1 Tier 1 TOA
reflectance được thu thp với các bộ lọc: (1) lọc
theo khoảng thời gian t 01/01 đến 30/4 hàng m;
(2) lọc theo khu vực nghiên cứu; (3) lọc cảnh ảnh có
mây che nhỏ n 10%. Tại bước 2, những pixel của
từng cảnh ảnh mây che sẽ được loại bỏ bằng thut
toán maskCloud. Sau đó, bước 3, các pixel bị xóa
bước 2 sẽ được gán bằng giá trị trung vị của toàn
b tp ảnh đó. bước 4, tập hợp ảnh từng năm sẽ
được tổng hp thành 1 ảnh với giá trị trung v
(median). Mặc 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 cu (bước 5).
Tại bước 6, các chỉ số gm: chuẩn hóa khác
biệt thực vật (NDVI), chuẩn hóa khác biệt về nước
(NDWI) được tính toán dựa vào các kênh cận
hồng ngoi (NIR), kênh đ(RED) và kênh hồng
ngoại sóng ngắn (SWIR) theo công thức (1)
(2). Cuối cùng, bước 7, chỉ schuẩn 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 đ 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 nng
5 > 3,00 Hạn hán rất nặng
3. KẾT QUVÀ THẢO LUẬN
3.1. Tính toán ch s NDVI, NDWI cho tng năm
Các chỉ số NDVI, NDWI mùa khô cho từng
năm từ 2014 đến 2023 được thể hiện hình 3. Các
pixel chỉ số NDVI càng lớn (màu xanh đậm)
thể hiện độ y 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 phía đông có mật độ thực vật
thấp hơn khu vực phía nam và phía tây. Trong đó,
các năm 2014, 2015, 2016, 2022 ch số NDVI
giảm, nhiều nơi chỉ số NDVI thấp hơn 0,1,
phân b chủ yếu ở huyện Cư Jút và Krông Nô.
Trong khi đó, với ch số khác biệt về nước
NDWI, giá trị cao (màu đỏ) thể hiện khu vực có
nhiu nước (nước mặt, nước trong tán lá cây hoặc độ
m đất) tập trung ở phía nam huyện Krông Nô hoc
khu vực phía tây nam giáp ranh huyện Cư t 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 t. c năm 2014, 2015, 2016, 2019 và 2023,
giá trị NDWI bị giảm thấp thhiện 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 đ hạn hán của khu vực
nghiên cứu thể hiện hình 4. Giá trị NDDI được
phân chia thành 5 mức: Không hạn hán (màu xanh
đậm), hn hán nhẹ (màu xanh nhạt), hạn hán trung
bình (màu vàng), hạn hán nng (màu cam) và hạn
hán rất nặng (màu đỏ). Các khu vực hạn hán nặng
và rất nặng tập trung chủ yếu huyện Cư Jút, một
phn phía bắc huyn Đăk Mil phía đông huyn
Krông Nô. Các năm 2014, 2015, 2016, 2019, 2021
và 2023 mức độ hạn nặng và rất nng chiếm t
lệ lớn. Ngược lại các năm 2017, 2018, 2022 mức
độ hn 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 nng và hạn rất nặng ứng với từng xã trong 10 năm
TT Huyện 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