Tóm tắt Luận án Tiến sĩ Lâm nghiệp: Ứng dụng công nghệ địa không gian để phát hiện sớm mất rừng, suy thoái rừng tại vùng Tây Nguyên, Việt Nam

Chia sẻ: _ _ | Ngày: | Loại File: PDF | Số trang:27

Thêm vào BST

Báo xấu

16
lượt xem 3
download

Download Vui lòng tải xuống để xem tài liệu đầy đủ

Mục đích nghiên cứu của Luận án này nhằm ứng dụng công nghệ địa không gian để phát hiện sớm mất rừng, suy thoái rừng góp phần nâng cao hiệu quả của công tác quản lý và bảo vệ rừng, giám sát, theo dõi diễn biến tài nguyên rừng ở vùng Tây Nguyên nói riêng và ở Việt Nam nói chung. Mời các bạn cùng tham khảo!

Chủ đề:

Bình luận(0) Đăng nhập để gửi bình luận!

Lưu

Nội dung Text: Tóm tắt Luận án Tiến sĩ Lâm nghiệp: Ứng dụng công nghệ địa không gian để phát hiện sớm mất rừng, suy thoái rừng tại vùng Tây Nguyên, Việt Nam

BỘ GIÁO DỤC VÀ ĐÀO TẠO --- - BỘ NÔNG NGHIỆP VÀ PTNT TRƯỜNG ĐẠI HỌC LÂM NGHIỆP NGUYỄN QUỐC HIỆU ỨNG DỤNG CÔNG NGHỆ ĐỊA KHÔNG GIAN ĐỂ PHÁT HIỆN SỚM MẤT RỪNG, SUY THOÁI RỪNG Ở VÙNG TÂY NGUYÊN, VIỆT NAM Chuyên ngành: Quản lý tài nguyên rừng Mã số: 9620211 TÓM TẮT LUẬN ÁN TIẾN SĨ LÂM NGHIỆP HÀ NỘI, 2020
Luận án được hoàn thành tại Trường Đại học lâm nghiệp Người hướng dẫn khoa học: 1. PGS.TS. PHÙNG VĂN KHOA 2. TS. ĐOÀN HOÀI NAM Phản biện 1: ...................................................... Phản biện 2:................................................... Phản biện 3: ................................................... Luận án sẽ được bảo vệ tại Hội đồng chấm luận án cấp Trường họp tại: Trường Đại học Lâm nghiệp. Vào hồi … giờ, ngày … tháng … năm 2020. Có thể tìm hiểu luận án tại thư viện: - Thư viện Quốc gia Việt Nam; - Thư viện trường Đại học Lâm nghiệp.
DANH MỤC CÁC CÔNG TRÌNH ĐÃ CÔNG BỐ LIÊN QUAN ĐẾN LUẬN ÁN 1. Nguyễn Quốc Hiệu, Phùng Văn Khoa, Nguyễn Hải Hòa, Lê Văn Hương, Lê Văn Sơn, Tôn Thất Minh, Trương Quang Cường, Trần Văn Nam (2018). Sử dụng chỉ số viễn thám để phát hiện suy thoái rừng tại Khu dự trữ sinh quyển thế giới LangBiang, Lâm Đồng. Tạp chí Khoa học Lâm nghiệp Số 3/2018. 2. Phùng Văn Khoa, Nguyễn Quốc Hiệu, Nguyễn Thị Thanh An, Phí Đăng Sơn, Phạm Văn Duẩn (2019). Sử dụng chỉ số thực vật khác biệt chuẩn hóa (NDVI) để xác định nhanh một số trạng thái rừng ở khu vực Tây Nguyên, Việt Nam. Tạp chí Khoa học và Công nghệ Lâm Nghiệp Số 5/2019. 3. Phùng Văn Khoa, Nguyễn Quốc Hiệu, Nguyễn Quang Huy (2019). Sử dụng ảnh Landsat 8 và Google Earth Engine phát hiện sớm mất rừng, suy thoái rừng vùng Tây Nguyên: trường hợp ở tỉnh Đắk Nông. Tạp chí Khoa học và Công nghệ Lâm Nghiệp Số 5/2019. 4. Phùng Văn Khoa, Nguyễn Quốc Hiệu, Nguyễn Quang Huy (2020). Phát hiện sớm mất rừng, suy thoái rừng ở tỉnh Đắk Lắk sử dụng chỉ số tương đối KB tính theo chỉ số NBR (Normalized Burn Ratio) của ảnh Sentinel 2. Tạp chí Khoa học và Công nghệ Lâm Nghiệp Số 2/2020.
1 MỞ ĐẦU 1. Sự cần thiết của luận án Mất rừng, suy thoái rừng đã được xem như là một hiện tượng thực tế đe dọa đến chất lượng cuộc sống của con người và đa dạng sinh học trên trái đất. Theo Tổ chức Nông lương Liên hợp quốc (FAO, 2020), tổng diện tích rừng của thế giới hiện nay là 4,06 tỷ ha, chiếm 31% trong tổng diện tích bề mặt trái đất. Có khoảng 420 triệu ha rừng đã bị mất từ những năm 1990 đến nay. Giai đoạn 1990-2000, trung bình mỗi năm mất 7,8 triệu ha rừng; giai đoạn 2000-2010, trung bình mỗi năm mất 5,2 triệu ha rừng và giai đoạn 2010-2020 trung bình mỗi năm mất 4,7 triệu ha rừng. Nguyên nhân của mất rừng, suy thoái rừng đã được xác định chủ yếu do yếu tố con người. Phát hiện sớm mất rừng, suy thoái rừng không những giúp chúng ta đưa ra các quyết định phù hợp nhằm ngăn chặn để rừng không bị phá thêm mà còn giúp chúng ta sớm đưa ra các giải pháp cho việc phục hồi rừng, tăng cường chất lượng rừng tại những nơi đã mất rừng, suy thoái rừng. Mất rừng, suy thoái rừng thường được phát hiện trực tiếp bởi lực lượng chức năng hoặc thông qua việc phối hợp giữa lực lượng chức năng và các tổ chức, hộ gia đình, cá nhân có liên quan…vv. Ngoài ra, với sự phát triển mạnh mẽ của công nghệ thông tin trong đó phải kể đến công nghệ địa không gian bao gồm (hệ thống thông tin địa lý, hệ thống định vị toàn cầu và viễn thám) đã góp phần quan trọng vào việc phát hiện sớm mất rừng, suy thoái rừng. Ở Việt Nam, công nghệ địa không gian ngày càng được ứng dụng mạnh mẽ trong lĩnh vực quản lý tài nguyên rừng như: điều tra, kiểm kê rừng; cập nhật diễn biến rừng hàng năm; giám sát các hoạt động lâm nghiệp (trồng rừng, khai thác rừng, chi trả dịch vụ môi trường rừng). Tuy nhiên, thực tiễn đã cho thấy chúng ta còn thiếu cơ sở khoa học cho việc sử dụng các chỉ số viễn thám, các loại ảnh viễn thám (nhất là các loại ảnh miễn phí) cũng như chưa có những phần mềm có thể tự động phát hiện, cảnh báo sớm mất rừng, suy thoái rừng góp phần khắc phục những sai lệch, tính chủ quan trong các báo cáo số liệu về mất rừng, suy thoái rừng quốc gia. Do đó, việc thực hiện đề tài “Ứng dụng công nghệ địa không gian để phát hiện sớm mất rừng, suy thoái rừng tại vùng Tây Nguyên, Việt Nam” là hết sức cần thiết, có ý nghĩa khoa học ứng dụng. 2. Mục tiêu của luận án 2.1. Mục tiêu tổng quát Ứng dụng công nghệ địa không gian để phát hiện sớm mất rừng, suy thoái rừng góp phần nâng cao hiệu quả của công tác quản lý và bảo vệ rừng, giám sát, theo dõi diễn biến tài nguyên rừng ở vùng Tây Nguyên nói riêng và ở Việt Nam nói chung. 2.2. Mục tiêu cụ thể (1) Thiết lập được cơ sở khoa học cho việc sử dụng các chỉ số viễn thám để phát hiện mất rừng, suy thoái rừng; (2) Xác định được ngưỡng chỉ số tương đối để phát hiện mất rừng, suy thoái rừng và đánh giá độ chính xác; (3) Đề xuất được hướng ứng dụng công nghệ địa không gian để phát hiện sớm mất rừng
2 và suy thoái rừng ở vùng Tây Nguyên. 3. Đối tượng, phạm vi của luận án Đối tượng nghiên cứu của đề tài là 07 kiểu rừng tự nhiên vùng Tây Nguyên (rừng lá rộng thường xanh, rừng lá rộng rụng lá, rừng lá rộng nửa rụng lá, rừng hỗn giao lá rộng – lá kim, rừng lá kim, rừng tre nứa, rừng hỗn giao gỗ - tre nứa) và 01 kiểu rừng phụ nhân tác (rừng trồng). Nghiên cứu được thực hiện trong phạm vi 5 tỉnh vùng Tây Nguyên (Kon Tum, Gia Lai, Đắk Lắk, Đắk Nông, Lâm Đồng), từ năm 2015 đến năm 2018. 4. Những đóng góp mới của luận án - Thiết luận được cơ sở khoa học cho việc phát hiện sớm mất rừng, suy thoái rừng thông qua việc sử dụng một số chỉ số viễn thám (KB, NDVI, NBR) trên ảnh vệ tinh Landsat 8 và Sentinel 2 và dữ liệu điều tra thực địa. - Đề xuất được hướng áp dụng công nghệ địa không gian phát hiện sớm mất rừng, suy thoái rừng từ tư liệu ảnh viễn thám Landsat 8 và Sentinel 2. 5. Ý nghĩa khoa học và thực tiễn của luận án 5.1. Ý nghĩa khoa học Đã xác lập được ngưỡng chỉ số tương đối phản ánh sự thay đổi các chỉ số viễn thám (NDVI, NBR) trên ảnh vệ tinh Landsat 8 và Sentinel 2 làm cơ sở khoa học cho việc phát hiện sớm mất rừng, suy thoái rừng ở vùng Tây Nguyên. 5.2. Ý nghĩa thực tiễn Đã đề xuất được hướng ứng dụng công nghệ địa không gian để phát hiện sớm mất rừng, suy thoái rừng trong thực tiễn quản lý bảo vệ rừng ở vùng Tây Nguyên.
3 Chương 1 TỔNG QUAN VẤN ĐỀ NGHIÊN CỨU Những kết quả nghiên cứu trên thế giới và Việt Nam về việc ứng dụng công nghệ địa không gian trong phát hiện thay đổi rừng đã cho thấy, phát hiện thay đổi rừng thường được thực hiện theo 2 hướng: (1) sử dụng kỹ thuật so sánh sau phân loại rừng (so sánh bản đồ phân loại rừng tại 2 thời điểm); (2) sử dụng thuật toán phát hiện thay đổi để xác định những biến động trực tiếp từ ảnh vệ tinh. Tác giả thấy rằng, một trong những hạn chế quan trọng về lý luận trong các nghiên cứu trước sử dụng kỹ thuật so sánh sau phân loại để phát hiện mất rừng, suy thoái rừng là chỉ mới tập trung phân loại các loại đất có rừng và đất chưa có rừng mà chưa đề cập sâu đến việc phân loại các trạng thái rừng theo cấp trữ lượng rừng (giàu, trung bình, nghèo, nghèo kiệt, phục hồi). Điều này cũng đã lý giải phần nào cho việc các kết quả về phát hiện mất rừng là rất phong phú trong khi đó kết quả về phát hiện suy thoái rừng còn ít được đề cập đến. Tác giả cũng thấy rằng, một hạn chế khác trong các nghiên cứu trước sử dụng thuật toán để phát hiện thay đổi rừng là còn thiếu cơ sở khoa học cho việc lựa chọn, áp dụng chỉ số viễn thám, thuật toán phát hiện thay đổi cho mỗi trường hợp cụ thể trong đó có vấn đề mất rừng, suy thoái rừng. Trong số những nghiên cứu trước theo hướng này, nổi lên nghiên cứu của Miller, J. D. và Thode, A. E. (2007). Các tác giả đã sử dụng thuật toán tương đối để phân loại các mức độ cháy bao gồm: không cháy, cháy thấp, cháy trung bình và cháy cao. Các tác giả cũng gợi ý rằng, cháy rừng là một trong những dạng nhiễu loạn của rừng và chỉ số tương đối có thể ứng dụng cho việc nghiên cứu các dạng nhiễu loạn rừng khác. Xuất phát từ những hạn chế ở như trên, tác giả đã lựa chọn hướng tiếp cận nghiên cứu của luận án với việc sử dụng thuật toán tương đối để phát hiện sớm mất rừng, suy thoái rừng. Luận án có thể được xem như là việc mở rộng nghiên cứu của Miller, J. D. và Thode, A. E. cho một trường hợp cụ thể khác. Công nghệ địa không gian đã được ứng dụng mạnh mẽ ở nước ta trong việc điều tra, lập bản đồ hiện trạng rừng, kiểm kê rừng, cập nhật diễn biến rừng và gần đây nhất là dự án điều tra, kiểm kê rừng toàn quốc giai đoạn 2013-2016. Có thể nói, công nghệ địa không gian đã góp phần đưa ngành lâm nghiệp cả nước đạt được những bước tiến mới trong việc thu thập, quản lý và sử dụng số liệu tài nguyên rừng phục vụ tốt cho công tác quản lý tài nguyên rừng. Tuy nhiên, vẫn còn một số vấn đề đang được đặt ra như: làm thế nào có thể kết hợp được giữa phương pháp truyền thống và ảnh viễn thám trong việc cập nhật diễn biến rừng? làm thế nào để khắc phục được sự sai lệch, tính chủ quan trong các báo cáo số liệu về mất rừng, suy thoái? làm thế nào để phát hiện được sớm mất rừng, suy thoái rừng phục vụ công tác cảnh báo sớm? Xuất phát từ những vấn đề thực tiễn kể trên, tác giả thấy rằng, thực hiện đề tài “Ứng dụng công nghệ địa không gian để phát hiện sớm mất rừng, suy thoái rừng tại vùng Tây Nguyên, Việt Nam” là hết sức cần thiết, có ý nghĩa khoa học ứng dụng.
4 Chương 2 NỘI DUNG VÀ PHƯƠNG PHÁP NGHIÊN CỨU 2.1. Nội dung nghiên cứu Trên cơ sở xác định mục tiêu, đối tượng và phạm vi nghiên cứu, luận án thực hiện các nội dung nghiên cứu như sau: (1) Thiết lập cơ sở khoa học ứng dụng chỉ số viễn thám để phát hiện mất rừng, suy thoái rừng. (2) Xác định ngưỡng chỉ số tương đối để phát hiện mất rừng, suy thoái rừng; (3) Đề xuất hướng ứng dụng công nghệ địa không gian để phát hiện mất rừng, suy thoái rừng ở vùng Tây Nguyên. 2.2. Phương pháp nghiên cứu 2.2.1. Phương pháp luận a) Câu hỏi nghiên cứu (1) cơ sở nào cho ta lựa chọn được chỉ số viễn thám phù hợp với việc phát hiện mất rừng, suy thoái rừng? hay theo cách dễ hiểu hơn là các chỉ số viễn thám trên ảnh vệ tinh có mối liên hệ như thế nào với hiện trạng rừng ngoài thực địa? (2) làm thế nào có thể xác định được ngưỡng của các chỉ số viễn thám để phát hiện mất rừng, suy thoái rừng? và (3) làm thế nào để ứng dụng được kết quả của nghiên cứu vào thực tiễn ở vùng Tây Nguyên, Việt Nam? b) Chỉ số tương đối Chỉ số tương đối được tính theo công thức sau: KB = 100x(T1-T2)/T1 (1) Trong đó: T1 là giá trị của chỉ số viễn thám tại thời điểm trước tác động. T2 là giá trị của chỉ số viễn thám tại thời điểm sau tác động. Luận án đã sử dụng chỉ số tương đối KB để xác định các mức độ suy giảm rừng bao gồm: rừng không đổi, suy thoái rừng và cháy rừng thông qua việc sử dụng 2 chỉ số viễn thám (NDVI, NBR). Chỉ số thực vật NDVI (Rouse, 1974) được xác định theo công thức: (𝐵𝑎𝑛𝑑 − 𝐵𝑎𝑛𝑑𝑅𝐸𝐷 ) NDVI = (𝐵𝑎𝑛𝑑𝑁𝐼𝑅 (2) 𝑁𝐼𝑅 + 𝐵𝑎𝑛𝑑𝑅𝐸𝐷 ) Trong đó: Đối với ảnh Landsat 8, BandNIR (kênh cận hồng ngoại) là Band 5 và BandRED (kênh đỏ) là Band 4. Đối với ảnh Sentinel 2, BandNIR (kênh cận hồng ngoại) là Band 8 và BandRED (kênh đỏ) là Band 4. Chỉ số NBR (Key and Benson, 2005) được xác định theo công thức: (𝐵𝑎𝑛𝑑 − 𝐵𝑎𝑛𝑑𝑆𝑊𝐼𝑅) NBR = (𝐵𝑎𝑛𝑑𝑁𝐼𝑅 (3) 𝑁𝐼𝑅 + 𝐵𝑎𝑛𝑑𝑆𝑊𝐼𝑅 ) Trong đó: Đối với ảnh Landsat 8, BandNIR (kênh cận hồng ngoại) là Band 5 và BandSWIR (kênh hồng ngoại sóng ngắn) là Band 7. Đối với ảnh Sentinel 2, BandNIR (kênh cận hồng ngoại) là Band 8 và BandSWIR (kênh hồng ngoại sóng ngắn) là Band 12. c) Giải thích thuật ngữ
5 Trong luận án này, một số thuật ngữ quan trọng bao gồm: rừng không đổi, mất rừng, suy thoái rừng, phát hiện sớm cần được làm rõ. Thông qua định nghĩa về nó, người đọc có thể thấy được một số vấn đề nghiên cứu đã được tác giả giới hạn lại cho phù hợp với năng lực nghiên cứu của tác giả, cũng như để có cơ sở cho việc xem xét, đánh giá các kết quả của luận án. (i) Rừng không đổi được hiểu là các diện tích rừng không hoặc hầu như không có sự tác động của con người, tự nhiên, lửa rừng dẫn đến việc mất rừng, suy thoái rừng. (ii) Mất rừng được hiểu là việc chuyển đổi đất có rừng sang mục đích khác (đất nông nghiệp, đất trống, đất khác…) hoặc chuyển đổi đất từ trạng thái có rừng sang trạng thái không có rừng, hoặc tác động chặt hạ, khai thác các cây rừng làm cho độ tàn che thấp hơn 0,1 và diện tích từ 0,3 ha trở lên. (iii) Suy thoái rừng bao gồm nhiều khía cạnh khác nhau như: suy giảm năng suất rừng, suy giảm đa dạng sinh học, các nhiễu loạn do sâu bệnh hại, suy giảm chức năng bảo vệ (đất, nước), suy giảm trữ lượng các-bon rừng…vv. Tuy nhiên, trong luận án này, định nghĩa suy thoái rừng được hiểu là việc chặt phá hoặc khai rừng làm giảm trữ lượng và độ tàn che rừng. Trong thực tiễn, khi rừng thay đổi trạng thái từ rừng có trữ lượng cao (như rừng giàu) về rừng có trữ lượng thấp (như rừng nghèo, rừng nghèo kiệt) thì có thể hiểu đó là suy thoái rừng. (iv) Định nghĩa phát hiện “sớm” mất rừng, suy thoái rừng. Phát hiện “sớm” được hiểu là khả năng phát hiện sớm nhất kể từ khi xảy ra sự kiện mất rừng hoặc suy thoái rừng. Phát hiện sớm ở đây bao gồm các khía cạnh: về thời gian phát hiện (sớm nhất có thể), diện tích phát hiện (không gian - nhỏ nhất có thể, thông thường từ 0,3 ha trở lên). Về mặt thời gian: khi sử dụng ảnh viễn thám, việc phát hiện sớm mất rừng, suy thoái rừng phụ thuộc vào chu kỳ bay chụp của loại ảnh sử dụng (chu kỳ bay chụp của vệ tinh Landsat 8 là 16 ngày và Sentinel 2 là 6 ngày). Về mặt không gian: phát hiện “sớm” bằng ảnh vệ tinh phản ánh diện tích mất rừng, suy thoái rừng nhỏ nhất mà loại ảnh được sử dụng có thể phát hiện được trên cơ sở nghiên cứu so sánh khả năng phát hiện mất rừng, suy thoái rừng giữa các loại ảnh khác nhau. 2.2.2. Các phương pháp nghiên cứu cụ thể Phương pháp nghiên cứu được trình bày theo từng nội dung nghiên cứu của luận án. 2.2.2.1. Nội dung 1: Xác lập cơ sở khoa học ứng dụng chỉ số viễn thám trong phát hiện sớm mất rừng, suy thoái rừng a) Nghiên cứu mối quan hệ giữa trữ lượng rừng và chỉ số viễn thám (NDVI, NBR) trên ảnh Landsat 8 và Sentinel 2 * Mẫu điều tra trữ lượng rừng: tác giả đã lựa chọn 350 mẫu điều tra thuộc kiểu rừng tự nhiên lá rộng thường xanh với 5 trạng thái (giàu, trung bình, nghèo, nghèo kiệt, phục hồi) được kế thừa từ bộ số liệu điều tra ô tiêu chuẩn (mẫu) về trữ lượng rừng từ Chương trình Điều tra Kiểm kê rừng toàn quốc giai đoạn 2013-2016 tại 5 tỉnh (Kon Tum, Gia Lai, Đắk Lắk, Đắk Nông, Lâm Đồng). Các mẫu điều tra rừng tự nhiên có kích thước là 1.000 m2 (30 m x 33,3 m). Mẫu điều tra gồm có các thông tin: chu vi thân cây tại vị trí 1,3 m; chiều cao vút ngọn; tọa độ địa lý (X, Y).
6 * Ảnh vệ tinh sử dụng: luận án sử dụng các cảnh ảnh vệ tinh Landsat 8, Sentinel 2 tại thời điểm tháng 3, 4 của các năm 2015, 2016. Ảnh vệ tinh Landsat 8, Sentinel 2 được tải về từ GEE. Ảnh vệ tinh đã được đưa về giá trị phản xạ phổ bề mặt (Surface Reflectance - SR). Các ảnh này gồm 2 Band (band 1 - ảnh chỉ số NDVI và band 2 - ảnh chỉ số NBR). Các Pixel bị mây trên ảnh đã được đưa về giá trị bằng 0 thông qua câu lệnh trong GEE. * Phương pháp trích xuất giá trị NDVI, NBR cho các điểm mẫu trên ảnh: giá trị NDVI, NBR được trích xuất tại các điểm mẫu trên ảnh vệ tinh với việc sử dụng công cụ Extract Multi Values to Points trong phần mềm ArcGIS 10.1. * Lựa chọn mô hình tương quan: nghiên cứu sử dụng dữ liệu mẫu đã được xác định trữ lượng rừng và trích xuất giá trị NDVI, NBR từ ảnh Landsat 8, Sentinel 2 để xây dựng phương trình hồi quy tương quan đơn biến theo 06 kiểu hàm sau: + Hàm tuyến tính (Linear): Y = b0 + (b1 x X) (4) + Hàm logarit (Logarithmic): Y = b0 + b1 x ln(X) (5) + Hàm bậc 2 (Quadratic): Y = b0 + b1 x X + b2 x X2 (6) 2 3 + Hàm bậc 3 (Cubic): Y = b0 + b1 x X + b2 x X + b3 x X (7 + Hàm lũy thừa (Power): Y = b0 x Xb1 (8) + Hàm mũ (Exponential): Y = b0 + eb1 x X (9) Trong đó: b0 là các hằng số; b1, b2, b3 là hệ số hồi quy; X là biến độc lập (giá trị của chỉ số viễn thám); Y là biến phụ thuộc (trữ lượng rừng). Tác giả sử dụng phần mềm SPSS 20.0 để xác định các hằng số, tham số hồi quy của các mô hình tương quan. Hệ số xác định (R2) cho biết mức độ biến thiên của trữ lượng rừng được giải thích bởi các chỉ số viễn thám. Dựa vào hệ số (R2) để đánh giá mối tương quan giữa trữ lượng rừng và chỉ số viễn thám, R2 càng cao cho thấy mô hình tương quan càng phản ánh tốt mối quan hệ giữa trữ lượng rừng và chỉ số viễn thám. b) Kiểm định sự khác biệt về chỉ số viễn thám giữa các trạng thái rừng với nhau trên ảnh Landsat 8 và Sentinel 2 * Mẫu điều tra theo trạng thái: luận án đã kế thừa dữ liệu 2.667 mẫu ô tiêu chuẩn điều tra rừng từ Chương trình Điều tra Kiểm kê rừng toàn quốc giai đoạn 2013-2016 tại 5 tỉnh (Kon Tum, Gia Lai, Đắk Lắk, Đắk Nông, Lâm Đồng) với 16 trạng thái thuộc 5 kiểu rừng tự nhiên ở vùng Tây Nguyên. * Ảnh vệ tinh sử dụng: luận án sử dụng các cảnh ảnh vệ tinh Landsat 8, Sentinel 2 tại thời điểm tháng 3, 4 của các năm 2015, 2016. * Trích xuất giá trị NDVI và NBR: tác giả sử dụng công cụ Extract Multi Values to Points trong phần mềm ArcGIS 10.1. * Phương pháp kiểm định: luận án sử dụng phương pháp kiểm định Mann-Whitney để kiểm định sự khác biệt giữa từng cặp (hai trạng thái rừng với nhau): Giả thuyết đặt ra H0 - không có sự khác nhau về giá trị NDVI, NBR giữa 2 trạng thái rừng; H1 - có sự khác nhau về giá trị NDVI, NBR giữa 2 trạng thái rừng. Sử dụng lệnh “Analyze/Nonparametric Test/Legacy
7 Dialogs/Two – Independent – Samples Test” trong phần mềm SPSS 20.0 để tính giá trị |z| và P- value với mức ý nghĩa 0,05. Với giá trị |z| và Sig., tính toán được so sánh với giá trị tra bảng phân bố chuẩn cho thấy, nếu |z| >1,96 và giá trị Sig. < 0,05 sẽ có cơ sở để bác bỏ giả thuyết H0 và tương đương với chấp nhận đối thuyết H1 hay nói cách khác giá trị NDVI, NBR có sự khác biệt giữa các nhóm (với mức ý nghĩa bằng 0,05). Các cặp trạng thái nhận giá trị H0 sẽ được gộp thành nhóm kiểu rừng, sau đó tiếp tục kiểm định sự khác biệt giữa các nhóm cho đến khi các nhóm kiểu rừng có sự khác biệt với nhau. c) Nghiên cứu biến động chỉ số viễn thám theo thời gian và xác định ngưỡng biến động của các kiểu rừng trên ảnh Landsat 8 và Sentinel 2 * Mẫu rừng không đổi: nghiên cứu thực hiện trên 6 kiểu rừng (rừng lá rộng thường xanh; rừng lá rộng rụng lá; rừng lá kim; rừng hỗn giao gỗ - tre nứa; rừng tre nứa; rừng trồng). Mỗi kiểu rừng lựa 60 mẫu thuộc 2 tỉnh có diện tích rừng lớn nhất (mỗi tỉnh chọn 30 mẫu). Mỗi kiểu rừng lựa chọn 3 trạng thái rừng chính (rừng giàu, rừng trung bình, rừng nghèo). Mỗi trạng thái rừng lấy 10 mẫu ngẫu nhiên. Tổng số mẫu xác định rừng không đổi là 360 mẫu. Các mẫu này đã được kiểm chứng trên bản đồ theo dõi diễn biến rừng các năm 2015, 2016, 2017, 2018 đồng thời được kiểm chứng trên Planet để đảm bảo không bị các tác động có thể dẫn đến mất rừng, suy thoái rừng. * Ảnh vệ tinh sử dụng: ảnh vệ tinh được luận án sử dụng là ảnh Landsat 8 và ảnh Sentinel 2 trong khoảng thời gian mùa khô (từ tháng 11 đến tháng 4 năm kế tiếp) trong thời gian 4 năm liên tiếp (2015, 2016, 2017, 2018) trong phạm vi 5 tỉnh Tây Nguyên. Ảnh vệ tinh được sử dụng trực tiếp trong GEE mà không cần tải về máy. * Trích xuất giá trị NDVI, NBR cho các mẫu nghiên cứu trong Google Earth Engine: mẫu rừng không đổi của mỗi kiểu rừng được đưa vào GEE. Các lệnh trong GEE sẽ hỗ trợ trích xuất giá trị NDVI hoặc NBR trung bình theo tất cả các mẫu của kiểu rừng đó. Giá trị NDVI hoặc NBR cho mỗi kiểu rừng được lưu trong 1 file .csv trong GEE và được tải về máy để tính giá trị tương đối KB cho mỗi kiểu rừng. * Xác định ngưỡng chỉ số tương đối KB cho rừng không đổi: tác giả tính toán ngưỡng KB trong khoảng thời gian mùa khô (từ tháng 11 năm trước đến tháng 4 năm sau) cho mỗi kiểu rừng theo công thức (1). T1 tương ứng với giá trị NDVI, NBR lớn nhất và T2 tương ứng với giá trị NDVI, NBR nhỏ nhất. Ngưỡng phát hiện rừng không thay đổi được xác định là có giá trị nằm trong khoảng (a, b), trong đó: a = 0 là giá trị lý tưởng trong trường hợp không có sự thay đổi nào và b là giá trị KB lớn nhất trong các kiểu rừng nghiên cứu. 2.2.2.2. Nội dung 2: Xác định ngưỡng chỉ số tương đối phát hiện sớm mất rừng, suy thoái rừng trên ảnh Landsat 8 và Sentinel 2 a) Xác định ngưỡng mất rừng, suy thoái rừng * Thu thập mẫu mất rừng, suy thoái rừng: các mẫu mất rừng, suy thoái rừng được thu thập từ Chi cục kiểm lâm của 5 tỉnh vùng Tây Nguyên trong thời gian từ 2015 đến 2018. Sau đó các mẫu mất rừng, suy thoái rừng được tác giả đưa vào Planet để kiểm chứng và xác định khoảng
8 thời gian mất rừng, suy thoái rừng. Luận án đã lựa chọn được tổng số mẫu mất rừng là 380 mẫu, trong đó: 230 mẫu được sử dụng để xác định ngưỡng mất rừng, suy thoái rừng và 150 mẫu để đánh giá độ chính xác phát hiện mất rừng. Tổng số mẫu suy thoái rừng được lựa chọn là 90 mẫu được dùng để đánh giá độ chính xác phát hiện suy thoái rừng. * Ảnh vệ tinh sử dụng: ảnh vệ tinh Landsat 8 và Sentinel 2 được luận án sử dụng để xác định ngưỡng mất rừng, suy thoái rừng trong khoảng thời gian mùa khô năm 2015-2016 và 2016- 2017. Ảnh Landsat 8 và ảnh Sentinel 2 trong khoảng thời gian mùa khô năm 2017-2018 được sử dụng để đánh giá độ chính xác phát hiện mất rừng, suy thoái rừng. Ảnh vệ tinh Landsat 8 và Sentinel 2 được tải về máy từ GEE. * Xác định ngưỡng mất rừng: Bước 1: Lựa chọn ảnh vệ tinh tại thời điểm T1 (trước khi biến động) và thời điểm T2 (thời điểm phát hiện biến động). Tính giá trị KB theo công thức (1) bằng công cụ Spatial Analyst Tools trong phần mềm ArcGIS. Bước 2. Chiết xuất giá trị KB với tham số giá trị trung bình (Mean) cho các mẫu nghiên cứu, sử dụng công cụ Zonal Statistics As Table trong phần mềm ArcGIS để thực hiện. Bước 3. Xác định ngưỡng phát hiện mất rừng. Từ kết quả ở bước 2, với bảng số liệu về giá trị Mean của số lượng vùng mẫu nghiên cứu, ngưỡng phát hiện mất rừng (KBmatrung) được xác định là có giá trị nằm trong khoảng (c, d), trong đó: c là giá trị KB nhỏ nhất trong tổng số mẫu nghiên cứu mẫu và d là giá trị KB lớn nhất trong tổng số mẫu nghiên cứu. * Xác định ngưỡng suy thoái rừng Nghiên cứu xác định diện tích rừng bị suy thoái có ngưỡng KBsuythoairung lớn hơn ngưỡng KBkhongthaydoi (rừng không thay đổi) và nhỏ hơn ngưỡng KBmatrung (rừng bị mất). b) Phương pháp đánh giá độ chính xác phát hiện mất rừng, suy thoái rừng Luận án sử dụng 150 mẫu mất rừng và 90 mẫu suy thoái rừng năm 2018 tại các tỉnh vùng Tây Nguyên để đánh giá độ chính xác bao gồm: độ chính xác phát hiện và độ chính xác về diện tích. tổng số mẫu phát hiện được Tỷ lệ phần trăm (%) phát hiện = 𝑥100 (10) tổng số mẫu kiểm chứng 100 𝐴𝑡 − 𝐹𝑡 Tỷ lệ sai lệch diện tích (%): M = ∑𝑛𝑡=1 | | (11) 𝑛 𝐴𝑡 Trong đó: M là tỷ lệ sai lệch về diện tích (%); n là tổng số mẫu kiểm chứng; At là diện tích kiểm chứng(ha); Ft là diện tích phát hiện trên ảnh (ha). 2.2.2.3. Nội dung 3. Đề xuất hướng ứng dụng công nghệ địa không gian để phát hiện sớm mất rừng, suy thoái rừng ở vùng Tây Nguyên. Kết quả thiết lập cơ sở khoa học và xác định ngưỡng chỉ số tương đối KB để phát hiện sớm mất rừng, suy thoái rừng được sử dụng làm cơ sở cho đề xuất hướng ứng dụng công nghệ địa không gian để phát hiện sớm mất rừng, suy thoái rừng ở vùng Tây Nguyên. Luận án đề xuất các bước ứng dụng công nghệ địa không gian để phát hiện mất rừng, suy thoái rừng với việc sử dụng các ngưỡng chỉ số tương đối KB đã được xác định.
9 Chương 3 ĐẶC ĐIỂM TỰ NHIÊN, KINH TẾ XÃ HỘI KHU VỰC NGHIÊN CỨU 3.1. Đặc điểm tài rừng vùng Tây Nguyên 3.1.1. Diện tích các loại rừng Theo Bộ NN&PTNT, đến 31/12/2015 diện tích rừng và đất quy hoạch cho lâm nghiệp 5 tỉnh Tây Nguyên đến 31/12/2015 là 3.354.194 ha; trong đó: diện tích có rừng là 2.567.118 ha (rừng tự nhiên 2.253.804 ha; rừng trồng 248.714 ha), độ che phủ rừng 45,8%. 3.1.2. Biến động rừng giai đoạn 2015 – 2018 Theo số liệu công bố hiện trạng rừng của Bộ Nông nghiệp và Phát triển nông thôn, giai đoạn 2015 – 2018, các tỉnh vùng Tây Nguyên có diện tích rừng tự nhiên giảm 39.092 ha trong khi đó diện tích rừng trồng tăng 34.446 ha. Tỉnh có diện tích rừng tự nhiên giảm mạnh nhất là Đắk Lắk (-14.537 ha), tiếp đến là tỉnh Đắk Nông (-12.131 ha), tỉnh Gia Lai (-12.092 ha), tỉnh Kon Tum (-1.132 ha). Riêng tỉnh Lâm Đồng diện tích rừng tự nhiên tăng 800 ha trong giai đoạn 2015 – 2018. Tỉnh có diện tích rừng trồng tăng cao nhất là Gia Lai (+17.272 ha), tiếp theo là tỉnh Đắk Nông (+12.446 ha), tỉnh Lâm Đồng (+3.785 ha). Số vụ phá rừng trái phép tại 5 tỉnh Tây Nguyên diễn ra mạnh vào cả mùa khô và mùa mưa. Mùa khô từ tháng 11 năm trước đến tháng 4 năm sau, các vụ phá rừng tập trung vào các tháng 11, 12 và tháng 3. Mùa mưa kéo dài từ tháng 5 đến tháng 10, các vụ phá rừng tập trung mạnh vào tháng 6, 7. Nguyên nhân phá rừng ở Tây Nguyên được xác định là các vụ khai thác gỗ trái phép tập trung vào mùa khô trong khi đó các vụ phá rừng lấn chiếm đất rừng xảy ra mạnh vào mùa mưa. 3.2. Đặc điểm ảnh vệ tinh vùng Tây Nguyên 3.2.1. Ảnh vệ tinh Landsat 8 Tổng hợp số liệu về các cảnh ảnh Landsat 8 bao phủ khu vực Tây Nguyên trong thời gian từ 01/01/2015 đến 31/12/2018 cho thấy, từ tháng 10 của năm trước đến tháng 4 của năm sau kế tiếp (mùa khô) là khoảng thời gian các tỉnh khu vực Tây Nguyên có nhiều ảnh Landsat 8 với tỷ lệ mây thấp dưới 10% (chiếm từ 20 đến 40% tổng số ảnh của từng tháng). Trong khi đó các tháng 5, 6, 7, 8, 9 (mùa mưa) ảnh Landsat 8 ở khu vực Tây Nguyên chủ yếu là có tỷ lệ mây trên 30% (chiếm từ 60 – 70% tổng số ảnh của từng tháng). 3.2.2. Ảnh vệ tinh Sentinel 2 Tổng hợp số liệu về các cảnh ảnh Sentinel 2 bao phủ khu vực Tây Nguyên trong thời gian từ 01/01/2015 đến 31/12/2018 cho thấy, đối với ảnh Sentinel 2 có tỷ lệ mây thấp vào mùa khô và có tỷ lệ mây cao vào mùa mưa. Từ tháng 11 năm trước đến tháng 4 năm sau kế tiếp là khoảng thời gian các tỉnh khu vực Tây Nguyên có nhiều ảnh Sentinel 2 với tỷ lệ mây thấp dưới 10% (chiếm từ 20 đến 40% tổng số ảnh của từng tháng). Trong khi đó các tháng 5, 6, 7, 8, 9, 10 (mùa mưa) ảnh Sentinel 2 ở khu vực Tây Nguyên chủ yếu là có tỷ lệ mây trên 30% (chiếm từ 70 – 90% tổng số ảnh của từng tháng).
10 Chương 4 KẾT QUẢ NGHIÊN CỨU VÀ THẢO LUẬN 4.1. Cơ sở khoa ứng dụng chỉ số viễn thám trong phát hiện mất rừng, suy thoái rừng 4.1.1. Xác định mối quan hệ giữa chỉ số viễn thám và trữ lượng rừng trên ảnh Landsat 8 và Sentinel 2 Trữ lượng rừng là một trong số những nhân tố quan trọng phản ánh mức độ mất rừng, suy thoái rừng. Xác định mối quan hệ giữa chỉ số viễn thám và nhân tố trữ lượng rừng là cơ sở để lựa chọn chỉ số viễn thám trong việc phát hiện những thay đổi của rừng như mất rừng, suy thoái rừng. Để đánh giá mối quan hệ giữa chỉ số viễn thám và trữ lượng rừng, 6 dạng mô hình tương quan bao gồm: hàm tuyến tính (Linear), hàm logarit (Logarithmic), hàm bậc hai (Quadratic), hàm bậc ba (Cubic), hàm lũy thừa (Power), hàm mũ (Exponential) đã được thiết lập với việc sử dụng các chỉ số viễn thám (NDVI, NBR) và các ảnh vệ tinh (Landsat 8, Sentinel 2). a) Mối quan hệ giữa trữ lượng rừng và chỉ số NDVI trên ảnh Landsat 8 Bảng 4. 1. Ước lượng tham số các mô hình tương quan giữa trữ lượng rừng và chỉ số NDVI trên ảnh Landsat 8 Dependent Variable: M (m3/ha) Equation Model Summary Parameter Estimates R R Square F df1 df2 Sig. Constant b1 b2 b3 Linear .694 .481 322.760 1 348 .000 -245.757 622.939 Logarithmic .664 .441 274.846 1 348 .000 336.376 374.944 Quadratic .714 .510 180.798 2 347 .000 169.430 -701.545 1000.439 Cubic .713 .509 179.910 2 347 .000 45.024 -74.702 .000 512.529 Power .817 .667 695.691 1 348 .000 411.372 2.478 Exponential .829 .688 766.476 1 348 .000 9.563 4.005 The independent variable is NDVI. Nghiên cứu đã xây dựng được 06 phương trình tương quan (Bảng 4.1) thể hiện mối quan hệ giữa trữ lượng rừng (biến Y - m3/ha) và chỉ số NDVI (biến X) trên ảnh Landsat 8 trong đó phương trình mũ (Exponential): Y = 9,563 x e4,005 x X (R2 = 0,688) phản ánh tốt nhất mối quan hệ giữa trữ lượng rừng và chỉ số NDVI trên ảnh Landsat 8. b) Mối quan hệ giữa trữ lượng rừng và chỉ số NBR trên ảnh Landsat 8 Bảng 4. 2. Ước lượng tham số các mô hình tương quan giữa trữ lượng rừng và chỉ số NBR trên ảnh Landsat 8 Dependent Variable: M (m3/ha) Equation Model Summary Parameter Estimates R R Square F df1 df2 Sig. Constant b1 b2 b3 Linear .714 .510 362.259 1 348 .000 -55.694 474.083 Logarithmic .603 .364 198.979 1 348 .000 310.838 142.491 Quadratic .731 .534 199.072 2 347 .000 47.629 -39.670 533.561 Cubic .733 .537 133.780 3 346 .000 90.274 -503.718 1766.487 -937.803 Power .740 .547 420.744 1 348 .000 347.114 .940 Exponential .831 .691 777.986 1 348 .000 34.070 2.967 The independent variable is NBR. Nghiên cứu đã xây dựng được 06 phương trình tương quan (Bảng 4.2) thể hiện mối quan hệ giữa trữ lượng rừng (biến Y - m3/ha) và chỉ số NBR (biến X) trên ảnh Landsat 8 trong đó
11 phương trình mũ (Exponential): Y = 34,070 x e2,967 x X (R2 = 0,691) phản ánh tốt nhất mối quan hệ giữa trữ lượng rừng và chỉ số NBR trên ảnh Landsat 8. c) Mối quan hệ giữa trữ lượng rừng và chỉ số NDVI trên ảnh Sentinel 2 Bảng 4. 3. Ước lượng tham số các mô hình tương quan giữa trữ lượng rừng và chỉ số NDVI trên ảnh Sentinel 2 Dependent Variable: M (m3/ha) Equation Model Summary Parameter Estimates R R Square F df1 df2 Sig. Constant b1 b2 b3 Linear .771 .595 511.748 1 348 .000 -99.408 448.980 Logarithmic .736 .541 410.170 1 348 .000 289.615 221.902 Quadratic .804 .647 317.684 2 347 .000 186.131 -653.979 1001.258 Cubic .831 .691 258.207 3 346 .000 -522.891 3911.162 -8218.465 5912.122 Power .837 .701 814.762 1 348 .000 366.652 1.603 Exponential .842 .709 846.039 1 348 .000 23.959 3.109 The independent variable is NDVI. Nghiên cứu đã xây dựng được 06 phương trình tương quan (Bảng 4.3) thể hiện mối quan hệ giữa trữ lượng rừng (biến Y - m3/ha) và chỉ số NDVI (biến X) trên ảnh Sentinel 2 trong đó phương trình mũ (Exponential): Y = 23,959 x e3,109 x X (R2 = 0,709) phản ánh tốt nhất mối quan hệ giữa trữ lượng rừng và chỉ số NDVI trên ảnh Sentinel 2. d) Mối quan hệ giữa trữ lượng rừng và chỉ số NBR trên ảnh Sentinel 2 Bảng 4. 4. Ước lượng tham số các mô hình tương quan giữa trữ lượng rừng và chỉ số NBR trên ảnh Sentinel 2 Dependent Variable: M(m3/ha) Equation Model Summary Parameter Estimates R R Square F df1 df2 Sig. Constant b1 b2 b3 Linear .804 .646 635.404 1 348 .000 -131.942 518.325 Logarithmic .742 .551 426.571 1 348 .000 295.268 213.752 Quadratic .828 .685 378.031 2 347 .000 51.685 -284.783 797.975 Cubic .828 .686 251.444 3 346 .000 73.981 -460.384 1201.769 -285.473 Power .880 .774 1191.793 1 348 .000 443.482 1.888 Exponential .908 .825 1643.615 1 348 .000 11.615 4.365 The independent variable is NBR. Nghiên cứu đã xây dựng được 06 phương trình tương quan (Bảng 4.4) thể hiện mối quan hệ giữa trữ lượng rừng (biến Y - m3/ha) và chỉ số NBR (biến X) trên ảnh Sentinel 2 trong đó phương trình mũ (Exponential): Y = 11,615 x e4,365 x X (R2 = 0,825) phản ánh tốt nhất mối quan hệ giữa trữ lượng rừng và chỉ số NBR trên ảnh Sentinel 2. 4.1.2. Kiểm định sự khác biệt về các chỉ số viễn thám giữa các trạng thái rừng trên ảnh Landsat 8 và Sentinel 2 Tác giả đã kiểm định sự khác biệt về chỉ số viễn thám đối với 16 trạng thái rừng bao gồm: 05 trạng thái rừng lá rộng thường xanh (giàu, trung bình, nghèo, nghèo kiệt, phục hồi); 05 trạng thái rừng lá rộng rụng lá (giàu, trung bình, nghèo, nghèo kiệt, phục hồi); 02 trạng thái rừng lá kim (giàu, trung bình); 02 trạng thái rừng lá rộng nửa rụng lá (giàu, trung bình); 02 trạng thái rừng hỗn giao (gỗ - tre nứa và tre nứa – gỗ). Kết qủa kiểm định nhằm xác định ngưỡng chỉ số viễn thám để phân loại các kiểu rừng như dưới đây:
12 a) Xác định ngưỡng chỉ số NDVI trên ảnh Landsat 8 cho các kiểu rừng ở Tây Nguyên Nghiên cứu đã kiểm định 120 cặp trạng thái bằng kiểm định Mann-Whitney cho 2 mẫu độc lập và kết quả cho thấy, có 16 cặp trạng thái có cơ sở để chấp nhận giả thuyết H0 và 104 cặp trạng thái có cơ sở để chấp nhận giả thuyết H1. Các cặp trạng thái chấp nhận giả thuyết H0 là căn cứ để nghiên gộp các trạng thái rừng tương đồng thành 5 nhóm kiểu rừng. Sau đó, tác giả tiếp tục kiểm định sự khác biệt theo phương pháp kiểm định Mann – Whitney, cho 5 nhóm kiểu rừng sau khi gộp. Kết quả đã cho thấy, tất cả các giá trị |z| lớn hơn 1,96 và tất cả các giá trị (Sig.) là nhỏ hơn 0,05 do đó ta có thể bác giả thuyết H0 hay có thể nói rằng các nhóm kiểu rừng đã có sự khác nhau về giá trị trung bình NDVI của mỗi nhóm. Từ đó, cho phép ước lượng ngưỡng giá trị NDVI trên ảnh Landsat 8 cho các nhóm kiểu rừng như Bảng 4.5. Bảng 4. 5. Kết quả ước lượng ngưỡng giá trị NDVI cho các nhóm trạng thái rừng Cận dưới Giá trị Cận trên TT Nhóm kiểu rừng (𝑥̅ − 𝑆𝑡𝑑 × trung bình (𝑥̅ + 𝑆𝑡𝑑 1,96) (𝑥̅ ) × 1,96) Rừng gỗ tự nhiên núi đất LRTX (giàu, 1 0,769 0,825 0,881 trung bình, nghèo) Rừng gỗ tự nhiên núi đất LRTX (nghèo 2 kiệt, phục hồi), rừng hỗn giao (gỗ - tre nứa, 0,627 0,693 0,758 tre nứa - gỗ), rừng lá kim (giàu, trung bình) Rừng gỗ tự nhiên núi đất LRNRL (giàu, 3 0,494 0,557 0,620 trung bình) Rừng gỗ tự nhiên núi đất LRRL (giàu, 4 0,411 0,450 0,489 trung bình) Rừng gỗ tự nhiên núi đất LRRL (nghèo, 5 0,243 0,318 0,392 nghèo kiệt, phục hồi) b) Xác định ngưỡng chỉ số NBR trên ảnh Landsat 8 cho các kiểu rừng ở Tây Nguyên Nghiên cứu đã kiểm định 120 cặp trạng thái bằng kiểm định Mann-Whitney cho 2 mẫu độc lập và kết quả cho thấy, có 11 cặp trạng thái có cơ sở để chấp nhận giả thuyết H0 và 109 cặp trạng thái có cơ sở để chấp nhận giả thuyết H1. Các cặp trạng thái chấp nhận giả thuyết H0 là căn cứ để nghiên gộp các trạng thái rừng tương đồng thành 5 nhóm kiểu rừng. Sau đó, tác giả tiếp tục kiểm định sự khác biệt theo phương pháp kiểm định Mann – Whitney, cho 5 nhóm kiểu rừng sau khi gộp. Kết quả đã cho thấy, tất cả các giá trị |z| lớn hơn 1,96 và tất cả các giá trị (Sig.) là nhỏ hơn 0,05 do đó ta có thể bác giả thuyết H0 hay có thể nói rằng các nhóm kiểu rừng đã có sự khác nhau về giá trị trung bình NBR của mỗi nhóm. Từ đó, cho phép ước lượng ngưỡng giá trị NBR trên ảnh Landsat 8 cho các nhóm kiểu rừng như Bảng 4.6.
13 Bảng 4. 6. Kết quả ước lượng ngưỡng giá trị NBR cho các nhóm trạng thái rừng Cận dưới Giá trị Cận trên TT Nhóm trạng thái rừng (𝑥̅ − 𝑆𝑡𝑑 × trung bình (𝑥̅ + 𝑆𝑡𝑑 1,96) (𝑥̅ ) × 1,96) Rừng gỗ tự nhiên núi đất LRTX (giàu, 1 0,576 0,661 0,745 trung bình, nghèo) Rừng gỗ tự nhiên núi đất LRTX (nghèo 2 kiệt, phục hồi), rừng hỗn giao (gỗ - tre nứa, 0,484 0,525 0,565 tre nứa - gỗ), rừng lá kim (giàu, trung bình) Rừng gỗ tự nhiên núi đất LRNRL (giàu, 3 0,220 0,316 0,411 trung bình) Rừng gỗ tự nhiên núi đất LRRL (giàu, 4 0,067 0,101 0,134 trung bình) Rừng gỗ tự nhiên núi đất LRRL (nghèo, 5 -0,035 0,021 0,077 nghèo kiệt, phục hồi) c) Xác định ngưỡng chỉ số NDVI trên ảnh Sentinel 2 cho các kiểu rừng ở Tây Nguyên Nghiên cứu đã kiểm định 120 cặp trạng thái bằng kiểm định Mann-Whitney cho 2 mẫu độc lập và kết quả cho thấy, có 20 cặp trạng thái có cơ sở để chấp nhận giả thuyết H0 và 100 cặp trạng thái có cơ sở để chấp nhận giả thuyết H1. Các cặp trạng thái chấp nhận giả thuyết H0 là căn cứ để nghiên gộp các trạng thái rừng tương đồng thành 5 nhóm kiểu rừng. Sau đó, tác giả tiếp tục kiểm định sự khác biệt theo phương pháp kiểm định Mann – Whitney, cho 5 nhóm kiểu rừng sau khi gộp. Kết quả đã cho thấy, tất cả các giá trị |z| lớn hơn 1,96 và tất cả các giá trị (Sig.) là nhỏ hơn 0,05 do đó ta có thể bác giả thuyết H0 hay có thể nói rằng các nhóm kiểu rừng đã có sự khác nhau về giá trị trung bình NDVI của mỗi nhóm. Từ đó, cho phép ước lượng ngưỡng giá trị NDVI trên ảnh Sentinel 2 cho các nhóm kiểu rừng như Bảng 4.7. Bảng 4. 7. Kết quả ước lượng ngưỡng giá trị NDVI trên ảnh Sentinel 2 cho các nhóm kiểu rừng Cận dưới Giá trị Cận trên TT Nhóm kiểu rừng ̅ − 𝑺𝒕𝒅 × (𝒙 trung ̅ + 𝑺𝒕𝒅 (𝒙 𝟏, 𝟗𝟔) ̅) bình (𝒙 × 𝟏, 𝟗𝟔) Rừng gỗ tự nhiên núi đất LRTX (giàu, 1 0,603 0,674 0,744 trung bình, nghèo) Rừng gỗ tự nhiên núi đất LRTX (nghèo kiệt, phục hồi), rừng hỗn giao (gỗ - tre 2 0,503 0,552 0,601 nứa, tre nứa - gỗ), rừng lá kim (giàu, trung bình) Rừng gỗ tự nhiên núi đất LRNRL (giàu, 3 0,358 0,410 0,463 trung bình) Rừng gỗ tự nhiên núi đất LRRL (giàu, 4 0,215 0,254 0,294 trung bình, nghèo) Rừng gỗ tự nhiên núi đất LRRL (nghèo 5 0,121 0,161 0,201 kiệt, phục hồi) d) Xác định ngưỡng chỉ số NBR trên ảnh Sentinel 2 cho các kiểu rừng ở Tây Nguyên
14 Nghiên cứu đã kiểm định 120 cặp trạng thái bằng kiểm định Mann-Whitney cho 2 mẫu độc lập và kết quả cho thấy, có 17 cặp trạng thái có cơ sở để chấp nhận giả thuyết H0 và 103 cặp trạng thái có cơ sở để chấp nhận giả thuyết H1. Các cặp trạng thái chấp nhận giả thuyết H0 là căn cứ để nghiên gộp các trạng thái rừng tương đồng thành 5 nhóm kiểu rừng. Sau đó, tác giả tiếp tục kiểm định sự khác biệt theo phương pháp kiểm định Mann – Whitney, cho 5 nhóm kiểu rừng sau khi gộp. Kết quả đã cho thấy, tất cả các giá trị |z| lớn hơn 1,96 và tất cả các giá trị (Sig.) là nhỏ hơn 0,05 do đó ta có thể bác giả thuyết H0 hay có thể nói rằng các nhóm kiểu rừng đã có sự khác nhau về giá trị trung bình NBR của mỗi nhóm. Từ đó, cho phép ước lượng ngưỡng giá trị NBR trên ảnh Sentinel 2 cho các nhóm kiểu rừng như Bảng 4.8. Bảng 4. 8. Kết quả ước lượng ngưỡng giá trị NBR trên ảnh Sentinel 2 cho các nhóm kiểu rừng khác nhau Cận dưới Giá trị Cận trên TT Nhóm kiểu rừng ̅ − 𝑺𝒕𝒅 × (𝒙 trung ̅ + 𝑺𝒕𝒅 (𝒙 𝟏, 𝟗𝟔) ̅) bình (𝒙 × 𝟏, 𝟗𝟔) Rừng gỗ tự nhiên núi đất LRTX (giàu, 1 0,529 0,616 0,704 trung bình, nghèo) Rừng gỗ tự nhiên núi đất LRTX (nghèo kiệt, phục hồi), rừng hỗn giao (gỗ - tre 2 0,417 0,468 0,519 nứa, tre nứa - gỗ), rừng lá kim (giàu, trung bình) Rừng gỗ tự nhiên núi đất LRNRL (giàu, 3 0,173 0,217 0,261 trung bình) Rừng gỗ tự nhiên núi đất LRRL (giàu, 4 0,081 0,122 0,163 trung bình, nghèo) Rừng gỗ tự nhiên núi đất LRRL (nghèo 5 -0,177 -0,055 0,065 kiệt, phục hồi) 4.1.3. Xác định ngưỡng chỉ số tương đối với rừng không thay đổi trên ảnh Landsat 8 Mục tiêu của nghiên cứu là đánh giá sự thay đổi chỉ số NDVI, NBR trên ảnh Landsat 8 của các kiểu rừng trong 6 tháng mùa khô Mùa khô (từ tháng 11 của năm trước đến tháng 4 của năm kế tiếp) ở Tây Nguyên nhằm xác định ngưỡng biến động của chỉ số viễn thám trong trường hợp rừng không đổi làm cơ sở cho xác định ngưỡng phát hiện suy thoái rừng, mất rừng ở vùng Tây Nguyên. Bảng 4. 9. Kết quả xác định ngưỡng KB(dNDVI) và KB(dNBR) phát hiện rừng không đổi trên ảnh Landsat 8 TT Kiểu rừng KB(dNVDI) KB(dNBR) 1 Lá rộng thường xanh 10,2 10,1 2 Lá kim 14,4 25,0 3 Lồ ô tre nứa 11,4 17,4 4 Hỗn giao gỗ - tre nứa 15,4 15,8 5 Rừng trồng 20,0 23,1
15 Giá trị lớn nhất 20,0 25,0 Kết quả trong Bảng 4.9 đã cho thấy, giá trị KB(dNVDI) lớn nhất trong 5 kiểu rừng nghiên cứu là 20 và giá trị KB(dNBR) là 25. Từ đó, nghiên cứu xác định ngưỡng KB(dNDVI) và KB(dNBR) phát hiện rừng không đổi trên ảnh Landsat 8 ở vùng Tây Nguyên lần lượt là 0 – 20 và 0 – 25. Ngưỡng KB(dNDVI) và KB(dNBR) phát hiện rừng không đổi được sử dụng để xác định ngưỡng suy thoái rừng, mất rừng. 4.1.4. Xác định ngưỡng chỉ số tương đối với rừng không thay đổi trên ảnh Sentinel 2 Tương tự như đối với ảnh Landsat 8, Luận án đánh giá sự thay đổi chỉ số NDVI, NBR trên ảnh Sentinel 2 của các kiểu rừng trong 6 tháng mùa khô Mùa khô (từ tháng 11 của năm trước đến tháng 4 của năm kế tiếp) ở Tây Nguyên để xác định ngưỡng rừng không đổi. Bảng 4. 10. Kết quả xác định ngưỡng KB(dNDVI) và KB(dNBR) phát hiện rừng không đổi trên ảnh Sentinel 2 TT Kiểu rừng KB(dNVDI) KB(dNBR) 1 Lá rộng thường xanh 14,0 16,8 2 Lá kim 20,0 25,0 3 Lồ ô tre nứa 14,3 17,4 4 Hỗn giao gỗ - tre nứa 18,2 16,9 5 Rừng trồng 17,9 22,3 Giá trị lớn nhất 20,0 25,0 Kết quả trong Bảng 4.10 đã cho thấy, giá trị KB(dNVDI) lớn nhất trong 5 kiểu rừng nghiên cứu là 20 và giá trị KB(dNBR) là 25. Từ đó, nghiên cứu xác định ngưỡng KB(dNDVI) và KB(dNBR) phát hiện rừng không đổi trên ảnh Sentinel 2 ở vùng Tây Nguyên lần lượt là 0-20 và 0-25. Kết quả này cho thấy, ngưỡng phát hiện rừng không đổi trên ảnh Sentinel 2 tương tự với trên ảnh Landsat 8. 4.1.5. Thảo luận a) Về mối quan hệ giữa chỉ số viễn thám và trữ lượng rừng Thông qua việc thiết lập 6 mô hình tương quan giữa trữ lượng rừng và các chỉ số NDVI, NBR trên ảnh Landsat 8 và Sentinel 2, tác giả đã thấy rằng: những thay đổi về trữ lượng rừng có thể được giải thích tốt nhất thông qua sự thay đổi của 2 chỉ số NDVI và NBR theo hàm số mũ. Trên ảnh Landsat 8 hoặc ảnh Sentinel 2, chỉ số NBR có thể giải thích tốt hơn chỉ số NDVI về sự thay đổi của trữ lượng rừng. Đối với việc sử dụng chỉ số NDVI hoặc NBR, ảnh Sentinel 2 có thể giải thích tốt hơn ảnh Landsat 8 về sự thay đổi trữ lượng rừng. Những phát hiện của tác giả phù hợp với một số nghiên cứu trước đã được công bố bởi: Motlagh, M. G. et al. (2018); Pandey, P. C. et al. (2018); Muhd-Ekhzarizal, M. E. et al. (2017); Phạm Văn Duẩn và Vũ Thị Thìn (2016); Laurin G. V. et al. (2016) và Askar (2018). b) Về sự khác biệt về chỉ số viễn thám giữa các kiểu trạng thái rừng
16 Kết quả kiểm định sự khác biệt 2 chỉ số viễn thám NDVI và NBR trên ảnh vệ tinh Landsat 8 và Sentinel 2 đối với 16 trạng thái rừng thuộc 5 kiểu rừng chính ở vùng Tây Nguyên, tác giả thấy rằng, có sự tương đồng về kết quả nghiên cứu khi sử dụng chỉ số NDVI hoặc NBR trên ảnh Landsat 8 và Sentinel 2. Về phân loại các kiểu rừng: có thể sử dụng chỉ số NDVI, NBR để phân biệt được 3 kiểu rừng trong số 5 kiểu rừng nghiên cứu bao gồm: rừng tự nhiên lá rộng thường xanh, rừng tự nhiên lá rộng rụng lá và rừng tự nhiên lá rộng nửa rụng lá. Hai kiểu rừng (rừng lá kim và rừng hỗn giao gỗ - tre nứa) không có sự khác biệt về chỉ số NDVI và NBR so với các kiểu rừng lá rộng thường xanh nên không thể phân loại 2 kiểu rừng này. Về phân loại các trạng thái rừng theo cấp trữ lượng (giàu, trung bình, nghèo, nghèo kiệt, phục hồi): không có sự khác biệt rõ rệt về chỉ số viễn thám của 5 trạng thái rừng này, nhưng có sự khác biệt về chỉ số viễn thám giữa 2 nhóm trạng thái (giàu, trung bình, nghèo) và nhóm trạng thái (nghèo kiệt, phục hồi). Kết quả của luận án phù hợp với một số nghiên cứu trước đã được công bố bởi: Yang, Y. et al. (2019); Koppada, A. G. et al. (2017); Shisshir, S. et al. (2018); Nguyễn Hải Hòa và cộng sự (2019); Phạm Văn Duẩn và Phùng Văn Khoa (2013). c) Về ngưỡng chỉ số tương đối phát hiện rừng không đổi Như đã được đề cập đến trong Phương pháp luận nghiên cứu, không phải mọi thay đổi về chỉ số viễn thám trên ảnh vệ tinh là liên quan đến mất rừng, suy thoái rừng ngoài thực địa. Do đó, tác giả nghiên cứu biến động chỉ số viễn thám cho các kiểu rừng không đổi theo thời gian đồng thời xác định ngưỡng chỉ số tương đối để phát hiện rừng không đổi làm cơ sở cho việc xác định ngưỡng phát hiện mất rừng, suy thoái rừng. Nghiên cứu đã xác định biến động chỉ số NDVI, NBR của 6 kiểu rừng (rừng lá rộng thường xanh, rừng lá rộng rụng lá, rừng lá kim, rừng hỗn giao gỗ - tre nứa, rừng lồ ô – tre nứa, rừng trồng) vào 6 tháng mùa khô (từ tháng 11 năm trước đến tháng 4 năm kế tiếp) của các năm 2015, 2016, 2017, 2018. Tác giả thấy rằng, kiểu rừng lá rộng rụng lá có sự biến động chỉ số viễn thám cao nhất và kiểu rừng lá rộng thường xanh có biến động chỉ số viễn thám thấp nhất. Đặc biệt, chỉ số viễn thám của kiểu rừng lá rộng rụng lá có sự biến động rất mạnh có thể nhầm lẫn với khu vực mất rừng, suy thoái rừng. Với kết quả này, luận án đã giới hạn lại phạm vi xác định ngưỡng chỉ số tương đối để phát hiện rừng không đổi ở vùng Tây Nguyên với việc không lựa chọn kiểu rừng lá rộng rụng lá. Nghiên cứu đã xác định ngưỡng chỉ số tương đối với 5 kiểu rừng không đổi (rừng lá rộng thường xanh, rừng lá kim, rừng hỗn giao gỗ - tre nứa, rừng lồ ô – tre nứa, rừng trồng) với kết quả như sau: KB(dNDVI) và KB(dNBR) phát hiện rừng không đổi lần lượt là: 0-20 và 0-25 trên cả hai loại ảnh Landsat 8 và Sentinel 2. Kết quả này cho thấy, không có sự khác biệt về ngưỡng chỉ số tương đối KB sử dụng chỉ số NDVI hoặc NBR trên cả 2 loại ảnh Landsat 8 và Sentinel 2. Nhưng có sự khác biệt về ngưỡng chỉ số tương đối KB giữa chỉ số NDVI và NBR trên cùng 1 loại ảnh Landsat 8 hoặc Sentinel 2. Khi sử dụng chỉ số NBR cho ngưỡng phát hiện rừng không đổi KB(dNBR) rộng hơn so với ngưỡng KB(dNDVI) khi sử dụng chỉ số NDVI. Mặc dù, sự khác
17 biệt là không lớn nhưng có thể giải thích như sau: (i) trong công thức tính giá trị NBR sử dụng kênh dải hồng ngoại sóng ngắn (SWIR) trong khi việc tính giá trị NDVI sử dụng kênh đỏ (RED). SWIR nhạy cảm với các khu vực khô, ẩm, thực vật bị khô, chết hơn so với kênh RED; (ii) kết quả nghiên cứu cho thấy, các kiểu rừng (lá kim và rừng trồng) có sự biến động về chỉ số viễn thám cao hơn so với các kiểu rừng (lá rộng thường xanh, rừng hỗn giao gỗ - tre nứa, rừng lồ ô – tre nứa). Do đó, ngưỡng chỉ số tương đối phát hiện rừng không đổi trị KB(dNDVI) và KB(dNBR) đã được xác định dựa vào sự biến động chỉ số viễn thám của 2 kiểu rừng này. Vào mùa khô, đây là hai kiểu rừng có sự sự biến động về tán nhiều hơn so với các kiểu rừng khác (do tính đặc thù về kiểu rừng, cũng như các hoạt động khác của con người như phát dọn thực bì, áp dụng các biện pháp giảm thiểu cháy rừng). Do đó, khi sử dụng chỉ số NBR khả năng phát hiện những biến động từ hai kiểu rừng này nhạy hơn so với việc sử dụng chỉ số NDVI. 4.2. Xác định ngưỡng mất rừng, suy thoái rừng ở vùng Tây Nguyên trên ảnh Landsat 8 và Sentinel 2 4.2.1. Sử dụng ảnh Landsat 8 4.2.1.1. Xác định ngưỡng phát hiện mất rừng và suy thoái rừng Nghiên cứu đã sử dụng phần mềm ArcGIS 10.1 để tính toán và trích xuất giá trị KB(dNDVI) và KB(dNBR) trên ảnh Landsat 8 theo 230 mẫu mất rừng đã được lựa chọn. Bảng 4. 11. Xác định ngưỡng phát hiện mất rừng trên ảnh Landsat 8 Kết quả tổng hợp 230 mẫu mất rừng KB (dNDVI) KB (dNBR) - Giá trị nhỏ nhất 40,0 45,0 - Giá trị lớn nhất 70,0 110,0 - Giá trị trung bình 50,1 75,9 - Độ lệch chuẩn 6,7 13,6 Kết quả trong Bảng 4.11 cho thấy, trong tổng số 230 mẫu nghiên cứu, chỉ số KB(dNDVI) có giá trị nhỏ nhất là 40,0 và có giá trị lớn nhất là 70,0; chỉ số KB(dNBR) có giá trị nhỏ nhất là 45,0 và có giá trị lớn nhất là 110,0. Từ đó, nghiên cứu đã xác định ngưỡng để phát hiện mất rừng tại khu vực nghiên cứu cho trường hợp sử dụng chỉ số NDVI và ảnh Landsat 8 có KB(dNDVI) từ 40,0 đến 70,0. Và ngưỡng để phát hiện mất rừng tại khu vực nghiên cứu cho trường hợp sử dụng chỉ số NBR và ảnh Landsat 8 có KB(dNBR) từ 45,0 đến 110,0. Từ kết quả xác định ngưỡng rừng không thay đổi và ngưỡng phát hiện mất rừng tại khu vực nghiên cứu, nghiên cứu xác định được ngưỡng để phát hiện suy thoái rừng rừng cho trường hợp sử dụng chỉ số NDVI và ảnh Landsat 8 có KB(dNDVI) từ 20,0 đến 40,0. Và ngưỡng để phát hiện suy thoái rừng cho trường hợp sử dụng chỉ số NBR và ảnh Landsat 8 có KB(dNBR) từ 25,0 đến 45,0. 4.2.1.2. Đánh giá độ chính xác phát hiện mất rừng, suy thoái rừng a) Độ chính xác phát hiện mất rừng