Kết Luận, Đánh Giá Chung Hướng Sử Dụng Kỹ Thuật So Sánh Sau Phân Loại

Dash, C. J. et al, (2018) [29], đánh giá thay đổi của rừng và tỷ lệ mất rừng cho khu vực Odisha, Ấn Độ trong giai đoạn 1930-2013 bằng ảnh vệ tinh Landsat MSS, TM, ảnh IRS. Để đánh giá thay đổi của rừng theo giai đoạn, các tác giả đã phân chia đối tượng rừng thành 4 loại: rừng dày, rừng thưa, không có rừng và mặt nước. Đồng thời thành lập bản đồ hiện trạng rừng các năm 1973, 1990, 2004, 2013 với độ chính xác lần lượt là 71,8%, 85,2%, 90,7% và 93,3%. Kết quả nghiên cứu đã xác định được tỷ lệ mất rừng ở các giai đoạn như sau: giai đoạn 1932-1973 là 0,38%/năm; giai đoạn 1973-1990 là 3,92%/năm; giai đoạn 1990-2004 là 1,71%/năm và giai đoạn 2004-2013 là 0,63%/năm.

Trần Quang Bảo và Cs (2018)[3], đã xây dựng bản đồ hiện trạng rừng và đánh giá biến động rừng tại Công ty Lâm nghiệp La Ngà, tỉnh Đồng Nai giai đoạn 2010-2016 bàng ảnh Google Earth theo 9 đối tượng phân loại đất lâm nghiệp với độ chính xác 81%. Nghiên cứu cho thấy, giai đoạn 2010-2016, diện tích rừng của Công ty Lâm nghiệp La Ngà tăng 12,6% do nhiều diện tích đất trống chuyển sang đất trồng rừng.

Shisshir, S. et al, (2018), đã sử dụng chỉ số NDVI được trích xuất từ ảnh IKONOS để xác định các loại hình sử dụng đất như sau: mặt nước (0,01 ± 0,01); đất khác (0,14 ± 0,01); đất ở (0,30 ± 0,00); đất nông nghiệp (0,31 ± 0,01); đất

đồng cỏ (0,42 ± 0,02); đất bỏ rừng hoang (0,62 ± 0,01); đất rừng (0,73 ± 0,01).

Nguyễn Minh Kỳ và Cs, (2019) [15], tiến hành lập bản đồ và đánh giá biến động tài nguyên rừng ở huyện Chư Prông, tỉnh Gia Lai giai đoạn 2005- 2016 theo 4 đối tượng phận loại: đất nông nghiệp, đất rừng, đất chưa sử dụng và đất khác với độ chính xác 76,0% bằng ảnh Landsat 7, Landsat 8.Kết quả lập bản đồ và đánh giá biến động cho thấy, giai đoạn 2005-2016, diện tích rừng giảm mạnh từ 60,1% (2005) xuống 26,8% (2016).

Yang, R. et al, (2019) [49], đã sử dụng tư liệu ảnh viễn thám với 3 loại ảnh Landsat 5, 7, 8 để xác định mất rừng tại Myanmar trong giai đoạn

từ năm 1988 đến năm 2017 dựa vào sự phân loại sử dụng đất thành 7 nhóm loại: mặt nước, đất nông nghiệp, đất ngập nước, đất bán ngập, rừng, đất trống và đất băng tuyết và cứu đã xây dựng 9 bản đồ hiện trạng sử dụng đất tương ứng với 9 năm gồm: 1988, 1992, 1996, 2000, 2004, 2008, 2011, 2014, 2017 với độ chính xác phân loại đạt từ 83% đến 93%. Các tác giả đã chỉ ra, trong 30 năm diện tích rừng đã giảm 11.062,1 ha, tỷ lệ mất rừng trung bình hàng năm là 0,87%.

Amani, M. et al, (2019) [24], tiến hành phân loại hiện trạng sử dụng đất trên toàn quốc. Bằng ảnh Landsat 8 đa thời gian, các tác giả đã phân loại hiện trạng sử dụng đất trên phạm vi toàn lãnh thổ Iran thành 13 loại với độ chính xác 74%.

Có thể bạn quan tâm!

Xem toàn bộ 193 trang tài liệu này.

Hościło, A. et al, (2019), thực hiện nhận dạng một số loài cây và phân loại rừng ở Ba Lan bằng ảnh vệ tinh Sentinel 2 và mô hình số độ cao (DEM). Các tác giả đã phân loại được 8 loài cây rừng chính gồm: Vân sơn (Spruce), Thông (Pine), Lanh sam (Fir), Thông rụng lá (Larch), Dẻ gai (Beech), Sồi (Oak), Cáng lò (Alder), Bạch dương (Birch) và lập bản đồ đất rừng và đất không có rừng với độ chính xác lập đạt 98,3%, lập bản đồ rừng lá kim và rừng cây lá rộng với độ chính xác đạt từ 75,6% đến 81,7%.

Yang, Y. et al, (2019) [49], đã dùng chỉ số NDVI được trích xuất từ ảnh vệ tinh landsat 6 để phân loại hiện trạng thảm phủ thực: Ngưỡng chỉ số phân loại đối tượng gồm: không có lớp thực vật che phủ (NDVI ≤ 0,2); khu vực có thực vật che phủ thấp (0,2 < NDVI ≤ 0,5); khu vực có thực vật che phủ trung bình (0,5 < NDVI ≤ 0,8); khu vực có thực vật che phủ cao (NDVI > 0,8).

1.3.1.2. Ở Lào

Cộng hòa Dân chủ Nhân dân Lào, sử dụng tư liệu ảnh viễn thấm và công nghệ địa không gian được nghiên cứu và sử dụng để giám sát tài nguyên rừng (mất rừng, suy thoái, cháy rừng) từ năm 1995 dưới sự hỗ trợ của Đức.

Ammala Keonuchan, (2008) [25], ứng dụng công nghệ GIS và RS giám sát

biến động thảm thực vật rừng ở một số tỉnh miền Nam của Cộng hòa Dân chủ Nhân dân Lào bằng cách sử dụng bản đồ hiện trạng rừng hiện tại năm 2002 và ảnh vệ tinh landsat 7 ETM, tác giả đã đánh gián biến động thực vật rừng trong giai đoạn từ 1997 đến 2002. Kết quả nghiên cứu đã chỉ ra rằng bằng ứng dụng công nghệ địa không gia đã lập bản đồ biến động diện tích rừng cho giai đoạn nghiên cứu.

Chittana Phomphila, (2016) [28], ứng dụng viễn thám để giám sát và lập bản đồ diến biến rừng của Cộng hòa Dân chủ Nhân dân Lào, nghiên cứu nhằm tìm hiểu những hiện tượng thay đổi thảm thực vật rừng nhiệt đới như biến động diện tích đất rừng, biến động diện tích đất sử dụng cho các mục đích khác trên đất trước đây đã có rừng bằng cách sử dụng viễn thám để đánh giá, phân định và nhận biết sự thay đổi diện tích đất rừng. Các chỉ tiêu đánh giá mức độ thay đổi dựa vào chỉ số: Nhiệt độ trung bình nhiều năm bề mặt đất rừng (LST); Chỉ số thực vật (EVI) theo chu kỳ 16 ngày trong gian đoạn từ 2006 đến 2012. Kết quả đánh gia với mức độ chính xác đạt 86% với các nguyên nhân biến động diện tích chủ yếu là do du canh, du cư, làm nương rẫy. Rừng tự nhiên bị biến động chủ yếu là phá rừng trồng cây Cao su. Dựa trên kết quả nghiên cứu, tác giả đã đề xuất một số giải pháp về thể chế và chính sách để hạn chế thấp nhất mức độ biến động diện tích rừng tự nhiên của các tỉnh phía Nam Lào.

Thipphachanh Souphihalath, 2017 [48], sử dụng địa không gian đánh giá biến động hệ sinh thái và biến động diện tích hệ sinh thái tài nguyên tại tỉnh Savannakhet, Cộng hòa Dân chủ Nhân dân Lào. Biến động sử dụng đất tại tỉnh Savannakhet được điều tra bằng cách sử dụng ảnh vệ tinh landsat từ năm 1988 và sử dụng bản đồ hiện trạng sử dụng đất của tỉnh tại thời điểm năm 2010. Kết quả sau khi phân loại đã phân tách được 5 loại hệ sinh thái và hình thức sử dụng đất, diện tích đất rừng biến động lớn, đa phần diện tích đất rừng tại tỉnh chuyển đổi sang đất trồng cây nông nghiệp.

Phavanar Sombanpheng, Baodong Cheng, 2018 [46], ứng dụng GIS và RS

để đánh giá biến động lớp phủ thực vật và sử dụng đất tại huyện Thakhek, Lào. Bằng cách kết hợp công nghệ viễn thám và GIS, sử dụng tư liệu ảnh vệ tinh Landsat theo giai đoạn từng năm để đánh giá biến động lớp phủ thực vật và sử dụng đất giai đoạn 1987-2016 để phân loại bằng cách phân loại không kiểm định. Kết quả đã phân loại được 4 loại đất và 4 loại lớp phủ thực vật với lớp phủ là rừng nguyên sinh chiếm đại đa số. Trong giai đoạn từ 1987-2016, lớp phủ thực vật đã biến đổi 27%, theo hướng tăng tỷ lệ diện tích đất sử dụng cho nông nghiệp, đất xây dựng cho các công trình và tỷ lệ giảm dần cho đất rừng nguyên sinh. Dựa vào ứng dụng công nghệ nghiên cứu các tác giả đã đề xuất xây dựng mô hình giám sát biến động lớp phủ thực vật và sử dụng đất tại khu vực nghiên cứu.

1.3.1.3. Kết luận, đánh giá chung hướng sử dụng kỹ thuật so sánh sau phân loại

Sử dụng kỹ thuật so sánh sau phân loại: Các nhà nghiên cứu đã sử dụng tư liệu ảnh viễn thám, mẫu khóa ảnh tại hiện trường, chỉ số viễn thám (chỉ số thực vật) được sử dụng để phân loại các trạng thái rừng và đánh giá độ chính xác kết quả sau phân loại. Từ kết quả sau phân loại, các tác giả tiến hành xây dựng lớp bản đồ hiện trạng rừng. Sau đó, sử dụng phương pháp chồng ghép hai lớp bản đồ hiện trạng rừng (đầu và cuối giai đoạn đánh giá) để phát hiện những thay đổi từ đó đề xuất các giải pháp quản lý tài nguyên rừng.

Các tư liệu ảnh viễn thám được sử dụng để đánh giá biến động gồm: (1). Landsat; (2). SPOT; (3). Sentinel 2; (4). RIS; (5). ALOS PALSA và (6).

Google Earth. Tuy nhiên, ảnh Landsat được các nhà nghiên cứu sử dụng với tần suất cao hơn cả, chiểm trên 50%, số còn lại là các loại ảnh viễn thám khác như: SPOT, Sentinel 2, v.v. Ảnh viễn thám có độ phân giải cao hơn thường có độ chính xác phân loại cao hơn. Việc sử dụng kết hợp giữa ảnh vệ tinh quang học và ảnh Radar cho kết quả phân loại tốt hơn so với việc sử dụng riêng ảnh quang học hoặc ảnh Radar. Trong các loại ảnh được sử dụng thì ảnh Landsat và Sentinel 2 được sử dụng phổ biến ở Lào cũng nhưng trên thế giới.

Các chỉ số viễn thám được các nhà nghiên cứu sử dụng gồm: NDVI; NBI; EVI; IRSI, v.v. Tuy nhiên, chỉ số được các nhà nghiên cứu sử dụng thông dụng cho các nghiên cứu của mình là chỉ số NDVI, chiếm trên 60%.

Có 2 phương pháp phân loại ảnh đã được các nhà nghiên cứu trên sử dụng để phân loại các trạng thái rừng, các loại hình sử dụng đất để thành lập bản đồ hiện trạng là phương pháp phân loại đa phổ có kiểm định (giá trị phổ phản xạ của Pixel trên ảnh được sử dụng để phân loại các lớp phủ dựa vào các mẫu khóa phân loại) và phương pháp phân loại theo hướng đối tượng (gồm 2 bước phân mảnh ảnh và phân loại các đối tượng). Phương pháp phân loại theo hướng đối tượng thường có độ chính xác phân loại cao hơn do việc phân loại không chỉ sử dụng vào giá trị phổ mà còn sử dụng các yếu tố khác như: hình dạng, cấu trúc, kích thước, v.v, của đối tượng. Phương pháp phân loại hướng đối tượng càng cho kết quả với độ chính xác cao khi áp dụng đối với ảnh có độ phân giải cao, siêu cao.

Kỹ thuật so sánh sau phân loại để xác định biến động nhằm đề xuất giải pháp quản lý tài nguyên rừng đã được sử dụng phổ biến trên thế giới nhưng còn có phần hạn chế tại Lào. Độ chính xác của kết quả phát hiện biến động phụ thuộc vào độ chính xác của kết quả phân loại thường được xác định thông qua ma trận thay đổi và chỉ số Kappa. Độ chính xác phụ thuộc không những vào việc sử dụng các loại ảnh vệ tinh với độ phân giải không gian khác nhau mà còn phụ thuộc vào phương pháp phân loại.

1.3.2. Sử dụng thuật toán phát hiện thay đổi để xác định thay đổi tài nguyên rừng theo thời gian

1.3.2.2. Trên thế giới

Key, C. H. và Benson, N. C. (2005) [38] đã sử dụng chỉ số chỉ số NBR (Normalized Burn Ratio) để phân loại mức độ cháy rừng. Công thức sử dụng để tính toán:

dNBR = (NBRprefire - NBRpostfire) *1000 (1.1)

Trong nghiên cứu này, các tác giả đã xây dựng phương pháp xác định ngưỡng phân loại cháy rừng theo dữ liệu cháy được đo đạc ngoài hiện trường với chỉ số CBI (Composite Burn Index). Căn cứ vào mức độ cháy ngoài hiện trường, CBI được cho điểm theo 4 cấp độ: mức không thay đổi (0-0,1), thay đổi thấp (0,1-1,24), thay đổi trung bình (1,25-2,24) và thay đổi mạnh (2,25- 3,0). Nghiên cứu thiết lập phương trình tương quan giữa dNBR và CBI theo dạng Y = a + b*EXP (CBI*c). Y là giá trị dNBR sẽ được ước lượng thông qua CBI và được phân theo 4 cấp tương tự như CBI với giá trị CBI tương ứng. Kết quả xác định các ngưỡng dNBR cho phép xây dựng bản đồ phân cấp độ cháy từ ảnh vệ tinh.

Miller, J. D. và Thode, A. E. (2007) [42], đã nghiên cứu phát triển chỉ số tương đối RdNBR trên cơ sở thuật toán dNBR của theo Key và Benson (2005) [38], để phân loại mức độ cháy rừng.

RdNBR = (1.2)

Nghiên cứu đã thực hiện phân loại mức độ cháy rừng tại Sierra Nevada, California, USA. Kết quả nghiên cứu cho thấy, áp dụng thuật toán dNBR cho độ chính xác 58,7% và áp dụng thuật toán RdNBR có độ chính xác 59,9%.

Vương Văn Quỳnh, (2013) [22], đã nghiên cứu phát hiện sớm cháy rừng bằng ảnh MODIS ở U Minh và Tây Nguyên. Tác giả đã sử dụng chỉ số K để phân loại tình trạng cháy theo công thức sau:

K = b20 x b21 x b22 * b23 x10- 6 (1.3)

Trong đó: b20, b21, b22, b23 là các kênh phổ của ảnh MODIS.

Kết quả nghiên cứu đã xác định được chỉ số K tương ứng với các tình trạng cháy như sau: ngoài nơi cháy (K < 30); nơi mới cháy xong (30 < K < 250); nơi đang cháy (250 < K < 550). Với kết quả này, tác giả đã xây dựng được phần mềm tự động phát hiện cháy tại U Minh và Tây Nguyên từ ảnh vệ tinh MODIS.

Karnieli, A. et al (2014) [41] đã sử dụng các loại ảnh vệ tinh: Landsat, NOAA- AVHRR, MODIS để nghiên cứu thay đổi sử dụng đất giai đoạn 1987- 2007 tại vùng đất cát Mu Su của Trung Quốc. Các tác giả đã sử dụng phương pháp phân tích vector đa biến với công thức:

∆MG = (1.4)

Band1, Band2 là 2 kênh trên ảnh Landsat; t2, t1 là thời điểm sau và trước.

Kết quả nghiên cứu đã xác định được trong giai đoạn 1987-2007, diện tích đất có rừng che phủ đã tăng khoảng 6% và diện tích đất trống tăng 5,1%.

Parks, S. A. et al (2014), đã nghiên cứu đề xuất chỉ số tương đối RBR trên cơ sở so sánh kết quả với thuật toán dNBR và RdNBR.

RBR = (1.5)

Kết quả nghiên cứu phân loại mức độ cháy theo chỉ số tương đối RBR được thực hiện tại miền Tây của nước Mỹ. Kết quả cho thấy, độ chính xác phân loại mức độ cháy theo RBR (70,5%) cao hơn so với 2 thuật toán dNBR (68,4%) và RdNBR (69,2%). Nghiên cứu cũng chỉ ra rằng, cháy rừng chỉ là một trong số những hình thức xáo trộn của rừng (forest disturbance) và chỉ số tương đối RdNBR có thể áp dụng cho các hình thức khác.

Vorovenci, I. (2014), đã sử dụng ảnh Landsat đa thời gian, chỉ số thực vật NDVI, chỉ số đất trống (BI) để theo dõi thay đổi sử dụng đất giai đoạn 1985-2011 tại Copsa Mica, Romania. Tác giả đã sử dụng phương pháp phân tích vector đa biến theo công thức:

∆MNDVI- BI (1.6)

Date2NDVI, Date1NDVI là giá trị NDVI tại thời điểm t2 và t1. Date2BI, Date1BI là giá trị BI tại thời điểm t2 và t1.

Kết quả nghiên cứu đã xác định được ngưỡng thay đổi sử dụng (∆MNDVI-BI) với 3 mức: thấp (0,03-0,15); trung bình (0,15-0,26); cao (0,26- 0,38). Đồng thời, nghiên cứu đã xây dựng được bản đồ thay đổi sử dụng đất theo 3 cấp đã xác định với độ chính xác 75,0%.

Li. S. M. et al. (2016), đã sử dụng ảnh vệ tinh Gaofen-2, chỉ số NDVI, phương pháp phân tích thành phần chính, bản đồ DEM để phát hiện mất rừng, phục hồi rừng tại Trung Quốc trong khoảng thời gian từ 14/1/2015 đến 24/8/2015. Nghiên cứu đã xây dựng ngưỡng phát hiện mất rừng, tăng rừng và rừng không thay đổi để xây dựng bản đồ ảnh phân loại (mất rừng, tăng rừng, rừng không thay đổi) thông qua việc sử dụng công thức:

NDVIdiff = NDVIpost/sau - NDVIpre/trước (1.7)

Kết quả nghiên cứu đã xác định được tỷ lệ mất rừng là 2,2%, tỷ lệ tăng rừng là 2,4% trong tổng diện tích rừng. Nghiên cứu đã lấy ngẫu nhiên 77 mẫu (18 mẫu mất rừng, 19 mẫu tăng rừng, 40 mẫu rừng không đổi) để kiểm chứng độ chính xác của bản đồ ảnh sau phân loại. Kết quả đạt được với độ chính xác 94,8%.

Liu, S. et al (2017) [44], đã sử dụng ảnh Landsat 5, 7, 8 và chỉ số NBR để xác định diện tích rừng bị mất, tăng rừng tại Trung Quốc giai đoạn 1984- 2015. Nghiên cứu đã xác định được diện tích mất rừng, tăng rừng cho các giai đoạn 1984-1993, 1993-1998, 1998-2004, 2004-2010, 2010-2015 với việc sử

dụng công thức:

dNBR = NBRtruoc - NBRsau (1.8) Mất rừng cao có dNBR ϵ (350, 800); mất rừng trung bình có dNBR ϵ (150, 350); mất rừng thấp có dNBR ϵ (20, 150); tăng rừng cao có dNBR ϵ (-800, - 350); tăng rừng trung bình có dNBR ϵ (-350, -150); tăng rừng thấp có dNBR ϵ (- 150, -5). Kết quả nghiên cứu đã xây dựng được bản đồ ảnh vệ tinh với 5 loại: không có rừng, rừng không thay đổi, mất rừng cao, mất rừng trung bình, tăng

rừng thấp với độ chính xác 75,86%.

Nguyễn Thanh Hoàn và Cs, (2017) [12], đã sử dụng ảnh vệ tinh Landsat 8 và phương pháp phân tích vectơ thay đổi đa biến (MCVA) để xác định vị trí mất rừng tại tỉnh Đắk Nông. Các tác giả đã sử dụng các công thức MCVA:

VCNDVI = NDVI2014 - NDVI2017 (1.9)