Ước tính carbon sinh khối bề mặt cây cao su sử dụng ảnh vệ tinh Landsat 8 tại tỉnh Đắk Lắk

Chia sẻ: _ _ | Ngày: | Loại File: PDF | Số trang:9

Thêm vào BST

Báo xấu

16
lượt xem 6
download

Download Vui lòng tải xuống để xem tài liệu đầy đủ

Bài viết Ước tính carbon sinh khối bề mặt cây cao su sử dụng ảnh vệ tinh Landsat 8 tại tỉnh Đắk Lắk nghiên cứu này ước tính lượng carbon sinh khối rừng (AGB) lưu giữ bởi cây cao su trên địa bàn tỉnh Đắk Lắk.

Chủ đề:

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

Lưu

Nội dung Text: Ước tính carbon sinh khối bề mặt cây cao su sử dụng ảnh vệ tinh Landsat 8 tại tỉnh Đắk Lắk

ƯỚC TÍNH CARBON SINH KHỐI BỀ MẶT CÂY CAO SU SỬ DỤNG ẢNH VỆ TINH LANDSAT 8 TẠI TỈNH ĐẮK LẮK Dương Đăng Khôi Trường Đại học Tài nguyên và Môi trường Hà Nội Tóm tắt Ước tính carbon sinh khối bề mặt rừng và cây cao su là cơ sở cho ước tính lượng lưu giữ carbon của các loại rừng cũng như cây cao su. Mục đích của nghiên cứu này là ước tính lượng carbon sinh khối rừng (AGB) lưu giữ bởi cây cao su trên địa bàn tỉnh Đắk Lắk. Phương pháp phân tích hồi quy tuyến tính và ảnh Landsat 8 được áp dụng để xây dựng mô hình ước tính carbon sinh khối cây cao su tại Đắk Lắk. Kết quả nghiên cứu cho biết AGB cây cao su tương quan với kênh 4 và 5 của ảnh Landsat 8. Các chỉ số thực vật nhìn chung đều thể hiện tương quan với sinh khối bề mặt cao su. Dựa trên mối tương quan này, nghiên cứu đã xác định được 3 mô hinh hồi quy tuyến tính để ước tính phân bố AGB cây cao su trên địa bàn tỉnh Đắk Lắk. Các mô hình hồi quy tuyến tính đều đảm bảo ý nghĩa thống kê với hệ số xác định điều chỉnh cao (Adjusted R2 =0,822 - 0,914) và sai số chuẩn (RMSE) phù hợp. Trong đó, mô hình: AGB = 474,979 - 0,012 × B1 - 0,036 × B4, có sai số chuẩn (RMSE) thấp nhất, là mô hình tối ưu được khuyến nghị áp dụng cho ước tính mật độ phân bố AGB cây cao su tại tỉnh Đắk Lắk. Qua áp dụng mô hình, phân bố mật độ sinh khối cây cao su được dự báo biến động từ 75 tấn AGB/ha đến 153 tấn AGB/ha, bình quân là 103,66 tấn AGB/ha tại tỉnh Đắk Lắk. Từ khóa: Landat 8; Sinh khối bề mặt (AGB); Đắk Lắk; Cây cao su. Abstract Estimating aboveground biomass of rubber tree using landsat 8 in Dak Lak province Estimation of forest aboveground biomass (AGB) and rubber trees is the basis for estimating the amount of carbon stored by natural forests and rubber trees. The purpose of this study is to develop a quantitative method for estimating the AGB of rubber trees in Dak Lak province. Multivariate regression analysis and Landsat 8 satellite data were employed to develop empirical models for estimating the biomass of rubber trees in Dak Lak province. The results show that the AGB of rubber tree is strongly correlated with the bands 4 and 5 of the Landsat 8. Vegetation indices show strong correlation with the rubber AGB. Based on this linear correlation, the study has identified three linear regression models for estimating the AGB of rubber trees in Dak Lak province. These models are statistically significant because their adjusted R2 values are in the range of 0.822 - 0.914 and RMSE is rather suitable. In terms of the lowest RMSE criterion, the model AGB = 474,979 - 0.012 × B1 - 0.036 × B4 is selected as the optimal model that can be applied for mapping the AGB of the rubber trees in Dak Lak province. By the application of the above model, the AGB density map of rubber trees is derived. The statistical summary of the map indicates that the AGB of rubber varies 75 tons AGB per hectare to 153 tons AGB per hectare, with an average AGB value of 103.66 tons AGB per hectare in Dak Lak province. Keywords: Landsat 8; Aboveground Biomass (AGB); Dak Lak; Rubber. 1. Đặt vấn đề Theo công bố hiện trạng rừng thế giới 2020 (FAO, 2020), diện tích rừng thế giới năm 2020 là 4,09 tỉ ha, chiếm 31 % diện tích bề mặt lục địa trái đất. Rừng có nhiều vai trò sinh thái khác nhau. Một trong những vai trò quan trọng là hấp thụ khí CO2, giảm thiểu biến đổi khí hậu (IPCC, 2003; 212 Hội thảo Quốc gia 2022
IPCC, 2006). Những điều tra đánh giá khả năng lưu giữ carbon của rừng đã được chú ý nghiên cứu khá nhiều trong những năm gần đây trên thế giới với hầu hết các loại rừng theo nhiều phương pháp khác nhau, trong đó phương pháp ứng dụng ảnh vệ tinh viễn thám được đặc biệt chú ý vì chi phí điều tra được giảm thiểu và khả năng cập nhật tốt. Nhiều nghiên cứu ước tính carbon sinh khối rừng sử dụng ảnh vệ tinh viễn thám được thực hiện với rừng tự nhiên và cây cao su (IPCC, 2006; Brown, 2002; Nguyễn Ngọc Lung, 1989; Ngô Đình Quế, 2007; Võ Đai Hải, 2009; Vũ Tấn Phương, 2006). Cây cao su là một cây lưỡng dụng vừa cho hiệu quả kinh tế cao đồng thời thực hiện chức năng môi trường như các loại rừng tự nhiên, chính là khả năng hấp thụ và lưu giữ carbon, đóng góp thiết thực giảm thiểu biến đổi khí hậu. Trên thế giới, diện tích cây cao su có quy mô đáng kể, tập trung chủ yếu tại khu vực châu Á như Thái Lan, Indonesia, Malaysia, Việt Nam, Lào, Campuchia, Trung Quốc, Ấn Độ. Ở Việt Nam, diện tích cao su hiện nay xấp xỉ triệu ha, đây là diện tích đáng kể so với rừng tự nhiên. Cao su được trồng chủ yếu tại các tỉnh Đông Nam Bộ và Tây Nguyên. Cây cao su là một trong các cây công nghiệp mang lại giá trị kinh tế lớn cho quốc gia. Ngoải ra, với diện tích trên 1 triệu ha, cây cao su cũng có thể có đóng góp thiết thực trong giảm phát thải khí CO2 từ lĩnh vực nông lâm nghiệp tại nước ta. Mặc dù, cây cao su cũng có chức năng hấp thu và lưu giữ carbon như rừng tự nhiên, nhưng những nghiên cứu ước tính lưu giữ carbon sinh khối cây cao su chưa được quan tâm nghiên cứu tại Việt Nam cũng như tại Tây Nguyên và tỉnh Đắk Lắk. Đắk Lắk là tỉnh có diện tích cây cao su khá lớn, trên 30 ngàn ha, vì vậy nghiên cứu xây dựng mô hình ước tính sinh khối rừng cao su, làm cơ sở cho ước tính khả năng lưu giữ carbon của cây cao su là rất cần thiết phục vụ đề xuất biện pháp chi trả dịch vụ lưu giữ carbon của rừng cao su. 2. Pháp nghiên cứu 2.1. Tiền xử lý ảnh Landsat 8 Ảnh Landsat 8 được thu ngày 27 tháng 01 năm 2020 được sử dụng để xây dựng mô hình hồi quy ước tính sinh khối cây cao su. Phân tích tiền xử lý được tiến hành nhằm hiệu chỉnh sai lệch vị trí và ảnh hưởng của khí quyển. Trong nghiên cứu này, ảnh Landsat 8 được thu thập ở mức xử lý mức 1 (level 1), nghĩa là dữ liệu Landsat 8 khu vực nghiên cứu đã được hiệu chỉnh trực ảnh. Tuy nhiên, để bảo đảm độ chính xác, ảnh được nắn chỉnh lại theo bản đồ địa hình tỷ lệ 1/100.000 do Sở Tài nguyên và Môi trường tỉnh Đắk Lắk cung cấp. Để giảm thiểu ảnh hưởng của khí quyển, các kênh ảnh Landsat 8 đã được hiệu chỉnh theo phương pháp trừ đối tượng tối (DOS) sử dụng môđun SCP (Semi-Automatic Classification Plugin) tích hợp trong phần mềm QGIS mã nguồn mở. 2.2. Ước tính sinh khối rừng ô điều tra Hiện nay, các nghiên cứu xây dựng phương trình sinh trắc với cây cao su chưa được nghiên cứu nhiều tại Việt Nam. Vì vậy, nghiên cứu lựa chọn phương trình sinh trắc của của Kosei và cs (2014). Phương trình sinh trắc ước tính AGB với rừng cây cao su như sau: AGB (kg/cây) = 0,144 × DBH2,4 (1) trong đó, DBH là số đo đường kính ngang ngực. 2.3. Tính các chỉ số phổ ảnh Landsat 8 Hiện nay, rất nhiều chỉ số phổ khác nhau có thể áp dụng. Trong nghiên cứu này, nghiên cứu chọn những chỉ số phổ đã được áp dụng phổ biến cho ước tính AGB rừng từ ảnh vệ tinh viễn thám quang học (Bảng 1). Hội thảo Quốc gia 2022 213
Bảng 1. Công thức tính chỉ số thực vật từ ảnh Landsat 8 TT Công thức Tác giả 1 RVI = Red/NIR (2) Jordan, 1969 2 DVI = NIR - Red (3) Richardson và Weigand (1977) 3 NDVI = (NIR - Red)/(NIR + Red) (4) Kriegler và cs., (1969); Rouse và cs., (1974) 4 MNDVI = (NIR - Red)/(NIR + Red + 2 × Blue) (5) Main và cs., (2011) 5 GNDVI = (NIR - Green)/(NIR + Green) (6) Gitelson, Kaufman & Merzlyak (1996) 6 (7) Huete, (1988) Với L = 0,5 7 OSAVI= (1,16 × NIR - Red)/(NIR + Red + 0,16) (8) Rondeaux, Steven & Baret (1996) 8 CVI = NIR × Red/Green 2 (9) Vincini và cs, (2008); Hunt và cs., (2011) Gitelson và cs., (2003); Raymon Hunt và 9 CI_Green = NIR/BLUE - 1 (10) cs., (2011) 10 CI_Green = NIR/BLUE - 1 (11) Gitelson và cs., (2002) 2.4. Xây dựng mô hình tính toán AGB Để xây dựng mô hình, phân tích tương quan được tiến hành để đánh giá mối quan hệ giữa biến số dự báo AGB cây cao su và các biến số độc lập (chỉ số thực vật, kênh phổ của ảnh Landsat 8). Trên cơ sở phân tích tương quan, các biến số độc lập có hệ số tương quan cao với AGB (r > 0,3) sẽ được lựa chọn để phân tích hồi quy. Quá trình phân tích hồi quy xây dựng mô hình dự báo được thực hiện trong phầm mềm IBM SPSS 20. Phương trình hồi quy tuyến tính tổng quát có dạng: AGB = β0 + ΣβjXij + ε (12) Trong đó, AGB là sinh khối bề mặt rừng, β0 là hệ số (intercept), βj là hệ số mô hình, Xij là các biến độc lập (kênh phổ ảnh Landsat 8, chỉ số thực vật). Các phương pháp được áp dụng cho chọn biến số độc lập của mô hình thực hiện trong phần mềm IBM SPSS 20 là phương pháp Forward và phương pháp Stepwise. Phương pháp Forward là phương pháp chọn biến số độc lập có ý nghĩa nhất đưa vào đầu tiên, tiếp tục thêm biến số độc lập có ý nghĩa nhất trong tập biến số còn lại và tiếp tục tương tự cho đến khi không còn biến nào có ý nghĩa thì quá trình thêm biến dừng lại. Phương pháp Stepwise thêm hoặc bớt từng biến độc lập theo từng bước để đảm bảo các biến số được chọn trong mô hình đều có ý nghĩa thống kê (Sig. < 0,05). Các tiêu chí để chọn biến và đánh giá mô hình dự báo AGB gồm: - Hệ số xác định điều chỉnh của mô hình (Adjusted R2), biến động của biến phụ thuộc (AGB) được giải thích bởi các biến số độc lập (các biến số chỉ số thực vật hay kênh phổ), hệ số > 0,5 thì mô hình đảm bảo ý nghĩa. Nghĩa là, hệ số xác định R2 giải thích sự biến động của AGB bởi biến số độc lập (kênh phổ, chỉ số thực vật). - Mức ý nghĩa thống kê của biến số độc lập đưa vào mô hình (Sig. < 0,05). Nghĩa là, biến số độc lập (các chỉ số thực vật, kênh phổ) có tác động hay ảnh hưởng đến biến phụ thuộc dự báo AGB. Nếu các biến số độc lập có mức ý nghĩa (Sig. > 0,05), thì biến số độc lập không có tác động hay ảnh hưởng đến biến phụ thuộc, vì vậy nó sẽ bị loại ra khỏi mô hình. - Hiện tượng đa cộng tuyến, VIF (hệ số phóng đại phương sai), hệ số VIF < 10 đảm bảo không có hiện tượng đa cộng tuyến, nghĩa là các biến độc lập không có tương quan với nhau. - Sai số (RMSE), chênh lệch giữa giá trị ước tính và giá trị quan sát, là nhỏ nhất. 214 Hội thảo Quốc gia 2022
2.5. Đánh giá kiểm định mô hình và ước tính AGB Đánh giá kiểm định mô hình hồi quy có thể được thực hiện theo nhiều tiêu chí khác nhau, tùy thuộc vào mục đích và ứng dụng của mô hình. Một trong những chỉ tiêu quan trọng nhất thường được áp dụng là sai số tiêu chuẩn (RMSE). Vì vậy, nghiên cứu này đánh giá kiểm định mô hình dựa theo tiêu chí chính là sai số tiêu chuẩn (RMSE). (13) trong đó, là sinh khối bề mặt rừng đo; là sinh khối rừng bề mặt dự báo, N là số mẫu kiểm định. Trên cơ sở đánh giá kiểm định các mô hình, mô hình có sai số nhỏ nhất (RMSE) sẽ được lựa chọn để ước tính sinh khối bề mặt cây cao su trên địa bàn nghiên cứu. 3. Kết quả nghiên cứu 3.1. Tương quan giữa AGB và kênh phổ, chỉ số phổ Hệ số tương quan là chỉ số đo lường mức độ tương quan tuyến tính giữa hai biến. Hệ số tương quan mô tả cách mà một biến di chuyển trong mối quan hệ với một biến khác. Hệ số tương quan có giá trị từ -1.0 đến +1.0. Mối tương quan thuận cho biết rằng cả hai biến di chuyển theo cùng một hướng. Khi hệ số tương quan +1.0, hai biến di chuyển song song. Hệ số tương quan mà âm, thì hai biến số di chuyển ngược hướng nhau. Hệ số tương quan bằng 0 nghĩa là không có tương quan giữa hai biến số. Phân tích tương quan giữa các kênh phổ, chỉ số thực vật với AGB giúp lựa chọn các biến của mô hình hồi quy tuyến tính. Kết quả phân tích tương quan giữa các kênh phổ với AGB thấy rằng các kênh phổ có tương quan với AGB với mức độ khác nhau, trong đó kênh 4 và 5 thể hiện tương quan khá cao. Kênh 4 có tương quan nghịch với AGB, nghĩa là mật độ sinh khối mà cao thì khả năng hấp thụ cao, nên giá trị phổ phản xạ thấp. Kênh 5 có tương quan chặt nhưng là tương quan thuận, nghĩa là mật độ thực vât cao thì mức độ phản xạ phổ cũng cao. Các biến số kênh phổ còn lại có tương quan nghịch với AGB, nhưng mức độ tương quan thấp hơn so với kênh 4 và kênh 5. Ngoài ra, kết quả qua nghiên cứu tương quan cũng thấy rằng các chỉ số thực vật tương quan với nhau. Nghĩa là các biến số độc lập tự tương quan khá cao với nhau. Thông tin này cần chú ý để loại bỏ các biến độc lập trong quá trình xây dựng mô hình. Vì vậy, trong lựa chọn các biến số mô hình hồi quy ta có thể chọn tổ hợp một trong số các chỉ số thực vật kết hợp với kênh phổ ảnh Landsat 8. Việc sử dụng nhiều chỉ số thực vật trong một mô hình hồi quy là không phù hợp và vi phạm giả định mô hình hồi quy là các biến độc lập phải độc lập nhau. 3.2. Các mô hình dự báo AGB cây cao su * Mô hình đơn biến dự báo AGB cây cao su Qua phân tích tương quan cho thấy rằng các biến số độc lập có hệ số tương quan cao với biến số phụ thuộc (AGB) là kênh 4, 5, chỉ số NDVI và OSAVI. Vì vậy, nghiên cứu đã xây dựng các mô hình hồi quy đơn biến với các kênh 4, 5 và 02 chỉ số thực vật NDVI và OSAVI. Kết quả phân tích hồi quy được trình bày tại Bảng 2 và 3. Như kết quả phân tích tương quan từ phần trên, các chỉ số thực vật tối ưu được xác định là NDVI và OSAVI. Hai chỉ số này được lựa chọn trong mô hình đơn biến vì chỉ số NDVI, OSAVI có cơ sở khoa học vững chắc nhất (Kriegler và cs, 1969; Rouse và cs., 1974; Rondeaux, Steven & Baret, 1996) và có mức độ tương quan cao nhất. Tuy nhiên, các Hội thảo Quốc gia 2022 215
chỉ số thực vật khác cũng có tương quan với AGB rừng cao su nên cũng có thể được sử dụng trong mô hình hồi quy đơn biến. Chỉ số MNDVI và GNDVI là biến thể của chỉ số NDVI. Bảng 2. Đánh giá mô hình đơn biến dự báo AGB cây cao su Miền giá trị AGB Hệ số xác Hệ số xác định Sai số Ký hiệu Mô tả mô hình (tấn/ha) định R2 điều chỉnh R2 RMSE CS1.1 AGB_B4 5 - 120 0,907 0,907 11,66 CS1.2 AGB_B5 5 - 120 0,812 0,810 16,62 CS1.3 AGB_NDVI 5 - 120 0,905 0,902 11,82 CS1.4 AGB_OSAVI 5 - 120 0,905 0,904 11,82 Bảng 3. Mô hình hồi quy đơn biến dự báo AGB cây cao su Ký hiệu Mô tả mô hình Mô hình hồi quy đơn biến CS1.1 AGB_B4 AGB = 379,319 + 0,038 × B4 CS1.2 AGB_B5 AGB = 0,025 × B5 - 282,435 CS1.3 AGB_NDVI AGB = 377,477 × NDVI - 32,768 CS1.4 AGB_OSAVI AGB = 349,518 × OSAVI - 60,729 Tất cả các đường hồi quy đơn biến với kênh 4, kênh 5, NDVI, và OSAVI đều kiểm định F với mức ý nghĩa thống kê < 0,05. * Mô hình hai biến dự báo AGB cây cao su Qua phân tích các tổ hợp cặp biến trong phần mềm IPM SPSS 20 đã xác định được các mô hình 2 biến như trình bày Bảng 4. Khá nhiều mô hình 2 biến có các tiêu chí khá tốt, có thể được sử dụng để dự báo sinh khối bề mặt cây cao su trên địa bàn. Đặc biệt, 3 mô hình CS2.1, CS2.3 và CS2.4 có sai số tiêu chuẩn (RMSE) thấp nhất nên coi như mô hình tiềm năng. Bảng 4. Đánh giá mô hình hai biến dự báo sinh khối bề mặt cây cao su Ký Miền giá trị Hệ số xác Hệ số xác định Hệ số Sai số Mô tả mô hình hiệu AGB (tấn/ha) định R2 điều chỉnh R2 VIF RMSE CS2.1 AGB_B1B4 5 - 120 0,916 0,914 1,164 11,17 CS2.2 AGB_CIgreen_B1 5 - 120 0,827 0,822 1,831 16,06 CS2.3 AGB_B1_NDVI 5 - 120 0,914 0,912 1,694 11,26 CS2.4 AGB_B2B5 5 - 120 0,833 0,828 1,589 11,77 CS2.5 AGB_B2_CIgreen 5 - 120 0,831 0,826 1,161 15,87 CS2.6 AGB_B3_CIgreen 5 - 120 0,835 0,831 1,578 15,65 Bảng 5. Mô hình hồi quy hai biến dự báo sinh khối bề mặt cây cao su Ký hiệu Mô tả mô hình Mô hình hồi quy hai biến CS2.1 AGB_B1B4 AGB = 474,979 - 0,012 ×B1 - 0,036 × B4 CS2.2 AGB_CIgreen_B1 AGB = 203,213 × CIgreen - 0,027 × B1 - 312,715 CS2.3 AGB_B1_NDVI AGB = 86,04 + 359,946 × NDVI - 0,012 × B1 CS2.4 AGB_B2B5 AGB = 0,023 × B5 - 0,014 × B2 - 140, 161 CS2.5 AGB_B2_CIgreen AGB = 202,166 × CIgreen + 0,022 × B2 - 253,356 CS2.6 AGB_B3_CIgreen AGB = 200,078 × CIgreen + 0,017B3 - 199,785 Các mô hình hồi quy đều được kiểm định với mức ý nghĩa < 0,05 và các tham số mô hình được kiểm định t với mức ý nghĩa < 0,05. Như vậy, các mô hình này đều có ý nghĩa thống kê. Trong quá trình nghiên cứu tác giả cũng xác định được một số các mô hình 3 biến dự báo AGB rừng cao su, trong đó các tiêu chí hệ số xác định điều chỉnh cao, sai số RMSE thấp. Tuy nhiên, các mô hình hồi quy ba biến đều có hệ số khuếch đại phương sai (VIF) > 10. Như vậy, các biến độc 216 Hội thảo Quốc gia 2022
lập có hiện tượng đa cộng tuyến, tự tương quan với nhau nên bị loại. Như vậy, việc xây dựng mô hình dự báo AGB rừng cao su không xác định được mô hình ba biến với các số liệu về ảnh Landsat 8 trên địa bàn. 3.3. Kiểm định mô hình Trong số các mô hình hồi quy tuyến tính, các mô hình tiềm năng nhất có thể áp dụng cho dự báo sinh khối bề mặt cây cao su là mô hình [14], [15] và [16]. Các mô hình này được lựa chọn kiếm định vì có mức ý nghĩa thống kê cao nhất và sai số chuẩn (RMSE) thấp nhất. AGB = 474,979 - 0,012 × B1 - 0,036 × B4 (14) AGB = 86,04 + 359,946 × NDVI - 0,012 × B1 (15) AGB = 0,023 × B5 - 0,014 × B2 - 140, 161 (16) * Mô hình (14) Kiểm định kết quả dự báo AGB cây cao su với 30 % mẫu kiểm định cho biết RMSE là 11,00. Giá trị dự báo AGB và giá trị AGB quan trắc có quan hệ với nhau khá rõ ràng như được thể hiện tại biểu đồ phân bố dưới đây (Hình 1). Ngoài ra, phần 70 % mẫu được sử dụng xây dựng mô hình [14], phần mềm IPM SPSS 20 tự động tính RMSE là 11,17. Các hệ số xác định điều chỉnh khá cao (0,912), đường hồi quy và các tham số của đường hồi quy đều được kiểm định với mức ý nghĩa thống kê (Sig. < 0,05), hệ số khuếch đại phương sai (VIF)
Phần 70 % mẫu được sử dụng xây dựng mô hình [15], phần mềm SPSS tự động tính RMSE là 11,26. Các hệ số xác định điều chỉnh khá cao (0,914), đường hồi quy và các tham số của đường hồi quy đều được kiểm định với mức ý nghĩa thống kê (Sig. < 0,05) và hệ số VIF < 10. * Mô hình [16] Kênh 2 và kênh 5 của ảnh Landsat 8 cũng thể hiện mối tương qua với AGB cây cao su, đã được lượng hóa qua mối quan hệ tại mô hình [16]. Mô hình [16] được kiểm định với tập dữ liệu của 30 % mẫu AGB điều tra. Kết quả kiểm định cho thấy xu hướng giá trị AGB dự báo và AGB quan trắc có chung xu hướng được thể hiện tại Hình 3. Giá trị sai số chuẩn RMSE là 14,89, cao hơn so với mô hình [14] và [15]. Phần 70 % mẫu được sử dụng xây dựng mô hình [16], phần mềm IPM SPSS 20 tự động tính RMSE là 11,77. Các hệ số xác định điều chỉnh khá cao (0,828), đường hồi quy và các tham số của đường hồi quy đều được kiểm định có ý nghĩa thống kê (Sig. < 0,05) và hệ số VIF < 10. Hình 3: Biểu đồ dự báo AGB của mô hình [16] với 30 % mẫu kiểm định 3.4. Ước tính phân bố AGB cây cao su Hình 4: Dự báo phân bố AGB cao su theo mô hình [14] 218 Hội thảo Quốc gia 2022
Trên cơ sở kết quả kiểm định mô hình, mô hình [14] có sai số chuẩn (RMSE) thấp nhất, vì vậy mô hình [14] được lựa chọn để tính toán dự báo phân bố mật độ AGB cây cao su trên địa bàn nghiên cứu. Cây cao su phân bố rải rác tại các huyện, tập trung nhiều trên địa bàn huyện Ea Súp, Ea H’leo và Cư M’gar. Mặc dù cây cao su thường được phân loại là cây công nghiệp, nhưng theo kết quả tính toán theo mô hình [14], cây cao su thể hiện khả năng lưu giữ carbon như rừng trồng. Cây cao su có sinh khối bề măt dự báo bình quân là 103,66 tấn AGB/ha (Hình 4). Độ lệch chuẩn 28,68. Phần lớn miền giá trị đều có giá trị từ 75 tấn/ha đến 153 tấn AGB/ha. 4. Kết luận Kết quả phân tích tương quan thấy rằng các kênh phổ và chỉ số thực vật đều tương quan với sinh khối bề mặt cây cao su với các mức độ khác nhau. Kênh 4 và 5 tương quan chặt hơn với sinh khối bề mặt cây cao su so với các kênh phổ còn lại. Các chỉ số thực vật nhìn chung đều thể hiện tương quan chặt với sinh khối bề mặt cao su. Từ kết quả phân tích hồi quy đã xác định được một số mô hình hồi quy 2 biến có ý nghĩa thống kê và sai số phù hợp. Trong số các mô hình hai biến, 3 mô hình có thể áp dụng cho dự báo sinh khối bề mặt cây cao su tại tỉnh Đắk Lắk. Tuy nhiên, mô hình [14] là tối ưu vì có sai số chuẩn (RMSE) thấp nhất. Kết quả dự báo áp dụng mô hình (14) cho biết mật độ sinh khối bề mặt cây cao su bình quân là 103,66 tấn AGB/ha, với độ lệch chuẩn 28,68. Phần lớn phân bố mật độ AGB cây cao su tại Đắk Lắk biến động từ 75 tấn/ha đến 153 tấn/ha. Ảnh Landsat 8 là tư liệu hữu ích để phát triển phương pháp định lượng carbon sinh khối bề mặt cây cao su. Phương pháp định lượng carbon rừng sử dụng ảnh Landsat 8 và phân tích hồi quy được thực hiện trong nghiên cứu có thể áp dụng trên các đối tượng rừng tự nhiên khác tại khu vực Tây Nguyên. Bài báo này được hoàn thành với sự tài trợ kinh phí từ Sở Khoa học và Công nghệ tỉnh Đắk Lắk thông qua Đề tài nghiên cứu: “Nghiên cứu định lượng khả năng lưu trữ CO2 của các trạng thái rừng và vùng trồng cao su tỉnh Đắk Lắk sử dụng dữ liệu ảnh vệ tinh viễn thám Landsat”, mã số “97/HĐ-SKHCN”. Tác giả xin cảm ơn những ý kiến mang tính xây dựng của phản biện, đã giúp tác giả nâng cao chất lượng bài báo. TÀI LIỆU THAM KHẢO [1]. Võ Đai Hải (2009). Nghiên cứu khả năng hấp thụ carbon của rừng trồng bạch đàn. Tạp chí Nông nghiệp và Phát triển nông thôn, số 1/2009. [2]. Nguyễn Ngọc Lung (1989). Điều tra rừng thông Pinus kesiya Việt Nam làm cơ sở tổ chức kinh doanh. Luận án Tiến sĩ khoa học. Học viện Kỹ thuật lâm nghiệp Leningrad (Bản dịch tiếng Việt). [3]. Vũ Tấn Phương (2006). Nghiên cứu trữ lượng carbon thảm tươi và cây bụi: Cơ sở để xác định đường các bon cơ sở trong các dự án trồng rừng/tái trồng rừng theo cơ chế phát triển sạch ở Việt Nam. Tạp chí Nông nghiệp và Phát triển nông thôn, số 8/2006. [4]. Ngô Đình Quế (2007). Khả năng hấp thụ CO2 của một số loai rừng trồng chủ yếu ở Việt Nam. Viện Khoa học Lâm nghiệp Việt Nam. [5]. Basso, L.C.P; Pesck, V.A; Roik, M; Filho, A.F; Stepka, T.F; Lisboa, G.S; Konkol, I; Hess, A.F; Brandalize, A. P. (2019). Aboveground biomass estimates of Araucaria angustifolia (Bertol.) Kuntze, using vegetation indexes in worldview - 2 image. J. Agric. Sci., 11, 93. [6]. Brown, S (2002). Measuring carbon in forests: Current status and future challenges. Envioronmental Pollution 116: 363 - 372. [7]. Castillo - Santiago, M. A.; Ricker, M.; De Jong, B. H. J. (2010). Estimation of tropical forest structure from Spot - 5 satellite images. Int. J. Remote Sens., 31, 2767 - 2782. [8]. Clerici, N.; Rubiano, K.; Abd - Elrahman, A.; Hoestettler, J. M. P.; Escobedo, F. J. (2016). Estimating aboveground biomass and carbon stocks in periurban Andean secondary forests using very high resolution imagery. Forests, 7, 138. Hội thảo Quốc gia 2022 219
[9]. Fuchs, H.; Magdon, P; Kleinn, C.; Flessa, H. (2009). Estimating aboveground carbon in a catchment of the Siberian forest tundra: Combining satellite imagery and field inventory. Remote Sens. Environ, 113, 518 - 531. [10]. FAO (2020). Global forest resources assessment 2020. Food and Agriculture Organization of the United Nations, Rome: https://doi.org/10.4060/ca8753en. [11]. Foody, G. M.; Boyd, D. S.; Cutler, M. E. J. (2003). Predictive relations of tropical forest biomass from Landsat TM data and their transferability between regions. Remote Sensing of Environment, 85, 463 - 474. [12]. Gitelson, A.; Kaufman, Y. J.; Merzlyak, M. N. (1996). Use of a green channel in remote sensing of global vegetation from EOS - MODIS. Remote Sensing of Environment 58(3), 289 - 298. Doi:10.1016/ s0034-4257(96)00072-7. [13]. Gitelson, A.; Merzlyak, M. N.; Chivkunova, O. B. (2002). Optical properties and nondestructive estimation of anthocyanin content in plant leaves. Photochemistry and Photobiology, 74, 38 - 45. [14]. Gitelson, A. A.; Gritz, Y.; Merzlyak, M. N. (2003). Relationships between leaf chlorophyll content and spectral reflectance and algorithms for non - destructive chlorophyll assessment in higher plant leaves. Journal of Plant Physiology, 160(3), 271 - 282. [15]. Huete, A. R. (1988). A Soil - Adjusted Vegetation Index (SAVI). Remote Sens. Environ., 25, 295 - 309. [16]. Hunt, E. R.; Daughtry, C. S. T.; Eitel, J. U. H.; Long, D. S. (2011). Remote sensing leaf chlorophyll content using a visible Band index. Agronomy Journal 103, 1090 - 1099. [17]. IPCC (2006). IPCC Guidelines for National Greenhouse Gas inventories. Prepared by the Natinal Greenhouse Gas Inventories Programme, Eggleston H. S., Buendia L., Miwa K., Ngara T., Tanabe K., (eds). Published: IGES, Japan. [18]. Jakubauskas, M. E.; Price, K. P. (1997). Empirical relationships between structural and spectral factors of Yellowstone lodgepole pine forests. Photogrammetric Engineering and Remote Sensing, 63, 1375 - 1381. [19]. Jordan C. F. (1969). Derivation of leaf - area index from quality of light on the forest ﬂoor. Ecology, 50(4), p. 663 - 666. [20]. Kaufman Y. J.; Tanre, D. (1992). Atmospherically Resistant Vegetation Index (ARVI) for EOS - MODIS. IEEE Transactions on Geoscience and Remote Sensing, 30(2), p. 261 - 270. [21]. Kriegler F. J.; Malila W. A.; Nalepka R. F.; Richardson W. (1969). Preprocessing transformations and their efect on multispectral recognition. Remote Sens Environ VI: 97 - 132. [22]. Main, R.; Cho, M. A.; Mathieu, R.; O’kennedy, M. M.; Ramoelo, A.; Koch, S. (2011). An investigation into robust spectral indices for leaf chlorophyll estimation. ISPRS Journal of Photogrammetry and Remote Sensing 66, 751 - 761. [23]. Purnamasari, E.; Kamal, M.; Wicaksono, P. (2021). Comparison of vegetation indices for estimating above - ground mangrove carbon stocks using PlanetScope image. Reg. Stud. Mar. Sci., 44, 10173. [24]. Richardson A. J.; Weigand C. (1977). Distinguishing vegetation from soil background information. Photogrammetric Engineering and Remote Sensing, p. 43. [25]. Rouse J. W., Haas Jr., R., Schell, J., Deering, D. (1974). Monitoring vegetation systems in the Great Plains with erts. NASA Special Publication 351, 309. [26]. Rondeaux, G.; Steven, M.; Baret, F. (1996). Optimization of soil - adjusted vegetation indices. Remote Sensing of Environment 55, 95 - 107. [27]. Raymond Hunt, E.; Daughtry, C. S. T.; Eitel, J. U. H; Long, D. S. (2011). Remote sensing leaf chlorophyll content using a visible band index. Agron. J., 103, 1090 - 1099. [28]. Scott L.; Powell, Warren B. Cohen.; Sean P. Healey.; Robert E. Kennedy.; Gretchen G. Moisen; Kenneth B. Pierce.; Janet L. Ohmann. (2010). Quantification of live aboveground forest biomass dynamics with Landsat time-series and field inventory data: A comparison of empirical modeling approaches. Remote Sensing of Environment 114, 1053 - 1068. [29]. Vincini, M.; E. Frazzi.; P. D’Alessio. (2008). A broad - band leaf chlorophyll index at the canopy scale. Precis. Agric. 9:303 - 319. BBT nhận bài: 29/9/2022; Chấp nhận đăng: 31/10/2022 220 Hội thảo Quốc gia 2022