Nghiên cứu xây dựng mô hình ước tính sinh khối bề mặt rừng lá rộng rụng lá sử dụng ảnh Landsat 8 tại tỉnh Đắk Lắk

NGHIÊN CỨU XÂY DỰNG MƠ HÌNH ƯỚC TÍNH SINH KHỐI
BỀ MẶT RỪNG LÁ RỘNG RỤNG LÁ SỬ DỤNG ẢNH LANDSAT 8
TẠI TỈNH ĐẮK LẮK
Dương Đăng Khôi
Trường Đại học Tài nguyên và Mơi trường Hà Nội
Tóm tắt
Ước tính sinh khối rừng là cơ sở cho ước tính lượng cacbon lưu giữ bởi rừng, đóng góp thực
thi chi trả dịch vụ lưu giữ cacbon rừng, nhằm giảm thiểu biến đổi khí hậu tồn cầu. Mục đích của
nghiên cứu này là xây dựng mơ hình ước tính sinh khối rừng (AGB) lá rộng rụng lá (rừng Khộp)
trên địa bàn tỉnh Đắk Lắk. Phương pháp phân tích hồi quy đa biến được tích hợp trong phần mềm
IPM SPSS 20, được áp dụng để xây dựng mơ hình ước tính sinh khối rừng lá rộng rụng lá từ ảnh
Landsat 8 và số liệu điều tra AGB rừng. Kết quả nghiên cứu cho biết, AGB rừng lá rộng rụng lá
tương quan với kênh 2, 4 và 5 ảnh Landsat 8; các chỉ số thực vật NDVI, CIgreen. Dựa trên mối
tương quan này, nghiên cứu đã xây dựng được 04 mơ hình ước tính AGB rừng trên địa bàn tỉnh
Đắk Lắk. Các mơ hình hồi quy tuyến tính đều đảm bảo ý nghĩa thống kê với hệ số xác định điều
chỉnh cao (Adjusted R2 = 0,643 - 0,704) và sai số (RMSE) phù hợp. Chúng tôi khuyến nghị áp
dụng 02 mơ hình cho lập bản đồ sinh khối rừng lá rộng rụng lá trên địa bàn tỉnh Đắk Lắk, bao
gồm: AGBB134 = 513,725 + 0,027*B1 - 0,024*B3 - 0,06*B4 và AGBB13CIgreen = 211,19*CI_green +
0,042*B1 - 0,036*B3 - 146,844.
Từ khóa: Sinh khối bề mặt (AGB); Rừng lá rộng rụng lá; Landsat 8; Đắk Lắk.
Abstract
Development of Aboveground biomass estimation model of deciduous broadleaf forest using
Landsat 8 in Dak Lak province
Estimation of aboveground biomass (AGB) is the basis for calculating the amount of carbon
stored by forests, contributing to the payment of forest carbon storage to mitigate global climate
change. The purpose of the study is to develop data based models for estimating the AGB of the
deciduous broadleaf (dipterocarp) forest in Dak Lak province. Multivariate regression analysis
method integrated in the IPM SPSS 20 sofware was employed to fit the models using the Landsat 8
imagery and the AGB measurements. The analysis results show that the AGB are highly correlated
with the bands 2, 4 and 5 of the Landsat 8 imagery; NDVI, CIgreen vegetation indices. Therefore,
the study has produced empirically fitted four models from the field based AGB data and the

Landsat 8 imagery in the region. The adjusted R2 of the models varies between 0.643 and 0.704
and the RMSE level is suitable. Among the four models, the optimum models AGBB134 = 513,725
+ 0,027*B1 - 0,024*B3 - 0,06*B4 and the model AGBB13CIgreen = 211,19*CI_green + 0,042*B1 0,036*B3 - 146,844 can be applied for mapping the AGB of the deciduous broadleaf forest in Dak
Lak province.
Keywords: Aboveground biomass (AGB); Deciduous broadleaf forest; Landsat 8; DakLak.
1. Đặt vấn đề
Một trong những vai trò quan trọng của hệ sinh thái rừng là hấp thụ và lưu giữ cacbon, góp
phần giảm thiểu lượng khí CO2 gia tăng trên khí quyển, gây hiệu ứng nhà kính. Đánh giá trữ lượng
sinh khối rừng cũng như sự tích lũy Cacbon nhằm cung cấp cơ sở cho thực thi chính sách chi trả
dịch vụ hấp thụ cacbon rừng và quản lý rừng bền vững. Theo Tổ chức Nông nghiệp và Lương thực
190

Nghiên cứu chuyển giao, ứng dụng khoa học công nghệ trong sử dụng hợp lý tài nguyên,
bảo vệ môi trường và phát triển bền vững


của Liên Hợp Quốc (FAO), tổng diện tích rừng thế giới năm 2020 là 4,09 tỉ ha, chiếm 31 % tổng
diện tích bề mặt đất liền Trái Đất. Rừng thế giới đạt trữ lượng sinh khối bề mặt (AGB) khoảng 606
tỉ tấn và 59 tỉ tấn sinh khối dạng gỗ chết, thảm mục (FAO, 2020). Yude Pan và cs (2011) ước tính
lượng cacbon thuần tích lũy trong hệ sinh thái rừng thế giới là khoảng 1,1 ± 0,8 tỉ tấn cacbon/năm.
Như vậy, rừng thế giới đóng vai trị rất lớn trong hấp thụ và lưu giữ khí CO2, đóng góp quan trọng
giảm thiểu biến đổi khí hậu tồn cầu.
Việc giám sát đánh giá trữ lượng sinh khối và cacbon rừng là thách thức lớn vì lượng sinh
khối biến động theo phân bố trạng thái rừng (Basuki và cs, 2011). Đánh giá trữ lượng cacbon rừng
thường được thực hiện thông qua điều tra thực địa. Đây là phương pháp tiêu chuẩn và đảm bảo độ
chính xác nhưng chi phí điều tra rất lớn, thời gian điều tra kéo dài và cần nguồn nhân lực lớn. Dữ
liệu ảnh vệ tinh viễn thám là nguồn dữ liệu rất hữu ích, vì vậy, nó là công cụ thay thế hiệu quả để
giám sát biến động sinh khối rừng theo không gian lãnh thổ (Powell, 2010). Ảnh viễn thám không
đo trực tiếp lượng sinh khối rừng, tuy nhiên, dữ liệu ảnh viễn thám thể hiện mối quan hệ với các
tham số quan trắc rừng, nhất là sinh khối rừng. Vì vậy, dữ liệu ảnh viễn thám được nghiên cứu ứng

dụng để ước tính sinh khối rừng dựa theo mối quan hệ này (Zhang và cs, 2014; Clerici và cs, 2016).
Ở nước ta, việc nghiên cứu ứng dụng ảnh viễn thám quang học nói chung và ảnh viễn thám
Landsat nói riêng để đánh giá sinh khối rừng đã bước đầu được các nhà khoa học chú ý nghiên cứu
trong những năm gần đây. Tuy nhiên, các nghiên cứu mới đạt được một số kết quả ban đầu. Phần
lớn các nghiên cứu tập trung vào áp dụng thuật tốn phân lớp có kiểm định để lập bản đồ sinh khối
rừng dựa vào ảnh viễn thám, các nghiên cứu xây dựng các mơ hình dự báo sinh khối rừng cho từng
loại rừng khác nhau chưa được chú ý nghiên cứu nhiều. Vì vậy, nghiên cứu này nhằm mục đích xây
dựng mơ hình dự báo sinh khối rừng tại tỉnh Đắk Lắk để ước tính trữ lượng sinh khối rừng cũng
như cacbon rừng làm cơ sở cho thực thi chi trả dịch vụ lưu giữ cacbon rừng tại địa phương. Trong
nghiên cứu này chúng tôi giới hạn đối tượng nghiên cứu là rừng lá rộng rụng lá (rừng Khộp) trên
địa bàn tỉnh Đắk Lắk.
2. Phương pháp nghiên cứu
2.1. Đặc điểm đối tượng nghiên cứu
Nghiên cứu tập trung vào đối tượng là rừng lá rộng rụng lá (LRRL), thường gọi là rừng Khộp
tại huyện Buôn Đôn, huyện Ea Súp, huyện Ea H’leo. Đây là địa bàn phân bố chủ yếu rừng LRRL
tại tỉnh Đắk Lắk. Đặc điểm khu vực nghiên cứu chủ yếu là dạng địa hình kiểu bình nguyên, bán
bình nguyên, với các loại địa hình địa hình đồi núi thấp, địa hình cao nguyên, địa hình dốc tụ, độ
cao biến động khoảng 170 m - 250 m so với mực nước biển. Rừng LRRL có đặc điểm đặc trưng là
mật độ cây gỗ rất thưa, rụng lá vào mùa khô hàng năm từ tháng 12 đến tháng 04 năm sau. Thành
phần loài thực vật chiếm ưu thế của rừng LRRL tại địa bàn nghiên cứu là các loài thuộc họ Thầu
Dầu (Dipterocarpaceae). Theo kết quả kiểm kê rừng năm 2020, diện tích rừng LRRL ước tính
khoảng 183.303,64 ha trên tồn tỉnh, tập trung nhiều nhất tại huyện Bn Đôn (Sở Nông nghiệp
và Phát triển nông thôn, 2020). Trong đó, trạng thái rừng LRRL nghèo, nghèo kiệt và trung bình
chiếm phần lớn diện tích rừng LRRL, trạng thái rừng LRRL giàu chiếm tỷ lệ diện tích nhỏ.
2.2. Tiền xử lý ảnh Landsat 8
Ảnh Landsat 8 được thu ngày 27 tháng 01 năm 2020 được sử dụng để tính tốn các chỉ số
thực vật. 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
Nghiên cứu chuyển giao, ứng dụng khoa học công nghệ trong sử dụng hợp lý tài nguyên,

bảo vệ môi trường và phát triển bền vững

191


xác, ảnh được nắn chỉnh lại theo bản đồ địa hình tỷ lệ 1/100.000 do Sở Tài ngun và Mơi trường
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 mô đun SCP (Semi-Automatic Classification
Plugin) tích hợp trong phần mềm QGIS mã nguồn mở.
2.3. Ước tính sinh khối rừng ơ điều tra
Số liệu đo sinh khối bề mặt rừng được kế thừa từ số liệu điều tra rừng tỉnh Đắk Lắk, kết hợp
điều tra thực địa. Tổng số ô điều tra (điểm điều tra) là 285 được phân bố trên địa bàn huyện Buôn
Đôn, huyện Ea Súp và huyện Ea H’leo, tỉnh Đắk Lắk. Các ơ điều tra có diện tích 1000 m2, chu vi
tất cả các cây với đường kính > 6 cm, được đo để ước tính sinh khối cây theo phương trình sinh trắc
lựa chọn. Từ số liệu đo chu vi cây tại từng ô điều tra thực địa, tiến hành tính sinh khối cây (AGB)
theo từng ơ điều tra sử dụng phương trình sinh trắc rừng lá rộng rụng lá của tác giả Bảo Huy và
cộng sự, (2016). Phương trình có dạng:
AGB (kg/cây) = 0,04742*DBH2,66663
Trong đó: AGB là sinh khối cây (kg/cây), DBH là đường kính ngang ngực (cm). Vì số liệu đo
tại hiện trường là chu vi cây, do vậy, đường kính ngang ngực (DBH) được ước lượng theo biểu thức:
DBH = C/3,14
Trong đó: C là chu vi cây (cm)

Hình 1: Điểm đo sinh khối rừng lá rộng rụng lá
2.4. Tính tốn các chỉ số thực vật
Nhiều nghiên cứu ứng dụng ảnh viễn thám ước tính sinh khối rừng đã khẳng định rằng, chỉ
số thực vật tương quan với sinh khối rừng (Basuki và cs, 2011; Powell và cs, 2010; Zhang và cs,
2014; Ploton và cs, 2017). Vì vậy, những chỉ số thực vật đã được lựa chọn là những biến độc lập
quan trọng trong xây dựng mơ hình ước tính AGB. Hiện nay, nhiều chỉ số phổ thực vật đã được áp
192

Nghiên cứu chuyển giao, ứng dụng khoa học công nghệ trong sử dụng hợp lý tài nguyên,
bảo vệ môi trường và phát triển bền vững


dụng ước lượng AGB tại nhiều nơi trên thế giới. Trong nghiên cứu này, những chỉ số đã được áp
dụng phổ biến cho ước tính AGB rừng lựa chọn bao gồm: chỉ số RVI, chỉ số DVI, chỉ số NDVI,
chỉ số MNDVI, chỉ số GNDVI, chỉ số SAVI, chỉ số OSAVI, chỉ số CVI, chỉ số CI_green, chỉ số
VARIgreen (Bảng 1).
Bảng 1. Cơng thức tính chỉ số thực vật từ ảnh Landsat 8
TT
1
2
3
4
5
6
7
8
9
10

Công thức

RVI = Red/NIR
DVI = NIR - Red
NDVI = NIR - Red/NIR + Red
MNDVI = (NIR - Red)/NIR + Red + 2*Blue)
GNDVI = (NIR - Green)/(NIR + Green)
SAVI=

(1+L )( NIR-Red )
(NIR+Red+L)

Với L = 0,5

OSAVI= (1,16*NIR - Red)/(NIR + Red + 0,16)
CVI = NIR*Red/Green 2
CI_Green = NIR/BLUE - 1
CI_Green = NIR/BLUE - 1

Tác giả
[1]
[2]
[3]
[4]
[5]

Jordan, 1969
Richardson và Weigand, (1977)
Kriegler và cs, (1969); Rouse và cs, (1974)
Main và cs, (2011)
Gitelson, Kaufman, and Merzlyak, (1996)

[6]

Huete, (1988)

[7]
[8]

[9]
[10]

Rondeaux, Steven và Baret, (1996)
Vincini và cs, (2008); Hunt và cs, (2011)
Gitelson và cs, (2003); Raymon Hunt và cs, (2011)
Gitelson và cs, (2002)

Ngoài ra, các kênh phổ gồm: kênh 2, 3, 4, 5, 7 được chiết xuất giá trị tại các điểm đo AGB
theo tọa độ ghi tại hiện trường. Bộ dữ liệu tọa độ XY điểm điều tra thực địa được ghi lại bằng GPS,
được sử dụng để chiết xuất giá trị chỉ số thưc vật, kênh phổ tại các điểm đo AGB tương ứng, được
thực hiện trong phần mềm ArcGIS 10.3. Tập số liệu chiết xuất được biên tập trong Excel để thực
hiện phân tích hồi quy trong phần mềm thống kê IBM SPSS 20.
2.5. Xây dựng mơ hình tính tốn AGB
Trước khi xây dựng mơ hình, phân tích tương quan được tiến hành để đánh giá mối quan hệ
giữa biến số dự báo AGB 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 quan hệ cao với AGB (r > 0,3) thì được lựa chọn
để phân tích hồi quy. Q trình phân tích hồi quy xây dựng mơ 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
Trong đó: AGB là sinh khối bề mặt rừng, β0 là hệ số (Intercept), βj là hệ số mơ 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 mơ 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 và được 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 khơng cịn biến nào có ý nghĩa thì q 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 mơ hình đều có ý nghĩa thống kê (Sig. <0,05). Các tiêu chí để chọn biến và đánh
giá mơ hình dự báo AGB gồm:
- Hệ số xác định điều chỉnh của mơ 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
mơ 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).
Nghiên cứu chuyển giao, ứng dụng khoa học công nghệ trong sử dụng hợp lý tài nguyên,
bảo vệ môi trường và phát triển bền vững

193


- Mức ý nghĩa thống kê của biến số độc lập đưa vào mơ hình (Sig. <0,05). Nghĩa là, biến số
độc lập (các chỉ số thực vật, kênh phổ) có tác động/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 khơng có tác động hay
ảnh hưởng đến biến phụ thuộc, vì vậy, nó sẽ bị loại ra khỏi mơ hình.
- Hiện tượng đa cộng tuyến, VIF (hệ số phóng đại phương sai), hệ số VIF < 10 đảm bảo
khơng có hiện tượng đa cộng tuyến, nghĩa là các biến độc lập khơng có tương quan với nhau.
- Sai số (RMSE), chênh lệch giữa giá trị ước tính và giá trị quan sát, là nhỏ nhất.
3. Kết quả nghiên cứu
3.1. Tương quan giữa AGB với chỉ số thực vật, kênh ảnh Landsat 8
Phân tích tương quan là bước quan trọng xác định mức độ tương quan giữa AGB với các biến
số chỉ số thực vật, kênh ảnh Landsat 8, đồng thời cũng nhằm đánh giá hiện tượng đa cộng tuyến khi
mà các biến số độc lập tự tương quan với nhau. Trên cơ sở đó, các biến số độc lập được cân nhắc
lựa chọn hay loại bỏ trong q trình xây dựng mơ hình tối ưu. Kết quả tính tốn hệ số tương quan
cho biết các biến số độc lập có mức độ tương quan cao (> 0,5) với AGB bao gồm biến số kênh 2,
kênh 4, kênh 5, các chỉ số thực vật NDVI, OSAVI, CI_green. Các hệ số tương quan này được kiểm
định với mức ý nghĩa đều đảm bảo (Sig.< 0,05). Các kênh 1, 3, 6,7 có tương quan nghịch với AGB
với hệ số tương quan trong khoảng giá trị từ - 0,3 đến - 0,35.
Như vậy, tương quan giữa AGB với các biến độc lập là mối tương quan thuận hoặc nghịch.
Biến số kênh 2, 4, 5 có hệ số tương quan cao với AGB hơn các biến số kênh phổ cịn lại của ảnh
Landsat 8. Trong đó, kênh 5 có tương quan thuận, cịn kênh 2, 4 có tương quan nghịch với AGB.
Các kênh 1, 3, 6, 7 có hệ số tương quan thấp hơn kênh 2, 4 và 5, chủ yếu tương quan nghịch với

AGB. Như vậy, kênh 2, 4, 5 là những kênh phổ có mức độ tương quan ý nghĩa hơn các kênh phổ
còn lại trong việc kết hợp với biến số chỉ số thực vật trong xây dựng mơ hình dự báo AGB.
Về tương quan giữa các biến số độc lập, bản thân các biến số độc lập cũng có tương quan với
nhau. Chỉ số phổ NDVI tương quan chặt chẽ với MNDVI, GNDVI; OSAVI tương quan chặt với
RVI, SAVI. CI_green tương quan chặt với GNDVI, RVI, SAVI. Vì vậy, một số biến số chỉ số thực
vật cần được loại trừ khi xây dựng mơ hình để tránh hiện tượng đa cộng tuyến. Qua phân tích, chỉ
số thưc vật NDVI, OSAVI, CI_green được lựa chọn để xây dựng mơ hình dự báo AGB cùng với
các biến số kênh phổ.
3.2. Các mơ hình ước tính sinh khối rừng lá rộng rụng lá
Kết quả đánh giá thử nghiệm lựa chọn các biến số độc lập đã xác định được các mơ hình hồi
quy 3 biến số là tối ưu nhất, dựa trên tập số liệu mẫu phân tích (285 mẫu). Kết quả phân tích cho biết
hệ số xác định điều chỉnh các mơ hình khá tốt (Adjusted R2 > 0,5), mức ý nghĩa thống kê với các mơ
hình cũng như hệ số của các mơ hình đều bảo đảm mức ý nghĩa thống kê (Sig < 0,05) và hệ số phóng
đại phương sai hợp lý (< 10), nghĩa là các biến số độc lập bảo đảm độc lập với nhau (Bảng 2).
Bảng 2. Đánh giá mơ hình ước tính sinh khối rừng lá rộng rụng lá

1. AGBB123

Miền giá trị AGB
(tấn/ha)
4,66 - 315,80

Hệ số xác
định R2
0,669

Hệ số xác định
điều chỉnh R2
0,665

Hệ số VIF
biến số
1,261 - 4,295

Sai số
(RMSE)
35,62

2. AGBB134

4,66 - 315,80

0,709

0,706

1,198 - 4,114

33,39

3. AGBB135

4,66 - 315,80

0,643

0,639

1,156 - 4,155

37,00

4. AGBB13, CIgreen

4,66 - 315,80

0,703

0,700

1,198 - 4,217

33,72

Mơ hình

194

Nghiên cứu chuyển giao, ứng dụng khoa học công nghệ trong sử dụng hợp lý tài nguyên,
bảo vệ môi trường và phát triển bền vững


Như vậy, qua chạy thăm dị, chúng tơi đã xác định và lựa chọn được 04 mơ hình hồi quy
đảm bảo độ tin cậy và mức ý nghĩa thống kê phù hợp. Trong đó, mơ hình số 2 và 4 là những mơ
hình tối ưu nhất vì nó là mơ hình có hệ số xác định điều chỉnh cao nhất, các hệ số mơ hình được
kiểm định F có ý nghĩa thống kê (Sig.< 0,05) và hệ số mơ hình được kiểm định t đều có mức ý
nghĩa (Sig.< 0,05) và hệ số phóng đại phương sai nằm trong ngưỡng an tồn (VIF < 10). Sai số của
mơ hình 2 và 4 thấp hơn so với cá mơ hình cịn lại.
Bảng 3. Các mơ hình ước tính sinh khối rừng lá rộng rụng lá
Mơ hình

1. AGBB123
2. AGBB134
3. AGBB135
4. AGBB13CIgreen

Mơ hình ước tính AGB rừng lá rộng rụng lá
AGBB123 = 1148,406 + 0,049*B1 - 0,14*B2 - 0,035*B3
AGBB134 = 513,725 + 0,027*B1 - 0,024*B3 - 0,06*B4
AGBB135 = 0,029*B1 + 0,03*B5 + 0,029*B1 - 323,669
AGBB13CIgreen = 211,19*CI_green + 0,042*B1 - 0,036*B3 - 146,844

3.3. Thảo luận
Hiện nay, nhiều nghiên cứu ước tính AGB rừng tại nhiều vùng khác nhau trên thế giới đã ứng
dụng dữ liệu viễn thám cùng với tập số liệu điều tra rừng để ước lượng mơ hình hồi quy tính tốn
AGB, và sau đó, sử dụng mơ hình hồi quy cho ước tính AGB tại vùng lãnh thổ cụ thể. Các nghiên
cứu khẳng định khơng thể xây dựng mơ hình hồi quy phổ dụng ước tính AGB cho mọi vùng lãnh
thổ trên thế giới vì mỗi vùng có các điều kiện về thổ nhưỡng, khí hậu đặc trưng, ảnh hưởng đến
biến động AGB rất đặc trưng (Powell và cs, 2010; Zhang và cs, 2014; Ploton và cs, 2017).
Để đánh giá các mơ hình hồi quy ước tính AGB rừng, nhiều tiêu chí khác nhau có thể sử dụng
để đánh giá độ chính xác của mơ hình. Hầu hết các tác giả đều sử dụng sai số (RMSE) mơ hình như
là tiêu chí chính để lựa chọn mơ hình tối ưu, phù hợp với tập số liệu mẫu (Basuki và cs, 2011; Powell
và cs, 2010; Zhang và cs, 2014; Ploton và cs, 2017). RMSE thấp cho biết giá trị dự báo (AGB) theo
mơ hình hồi quy trên nền tập dữ liệu mẫu có giá trị gần với giá trị quan sát AGB thực tế và ngược lại.
Kết quả nghiên cứu cho biết hệ số R2 điều chỉnh, sai số (RMSE) của mơ hình dự báo AGB
phù hợp với miền giá trị hệ số R2 điều chỉnh khá cao và giá trị sai số mơ hình (RMSE) thấp hơn
một số cơng trình nghiên cứu đã được cơng bố trên các tạp chí khoa học quốc tế. Basuki và cs
(2011) đã áp dụng ảnh Landsat ước lượng AGB rừng lá rộng rụng lá tại Indonesia. Kết quả nghiên
cứu cho biết các mơ hình hồi quy tuyến tính dựa trên các kênh phổ riêng lẻ và chỉ số thực vật có
hệ số xác định khá cao R2 = 0,306 - 0,635. Sai số của các mơ hình (RMSE) biến động trong miền
130,4 - 155,5 tấn/ha (dựa trên tập số liệu đo AGB của 50 ô điều tra với AGB nhỏ nhất là 102,62;

lớn nhất là 839,32 tấn/ha; độ lệch chuẩn 156,61). Powell và cs (2010) đã ước tính AGB rừng sử
dụng dữ liệu ảnh viễn thám Landsat tại Minnesota và Arizona, Hoa Kỳ. Kết quả cho biết sai số
ước tính AGB (RMSE) là 32,19 tấn/ha và 44,43 tấn/ha. Zhang và cs (2014) đã ước lượng AGB tại
Bắc Trung Quốc sử dụng dữ liệu ảnh viễn thám và cho biết hệ số xác định điều chỉnh đạt 0,86 và
sai số (RMSE) là 26,76 tấn/ha. Li Siqi (2019) áp dụng dữ liệu viễn thám Landsat và dữ liệu Lidar
để xây dựng mơ hình hồi quy đa biến ước tính AGB rừng, kết quả nghiên cứu cho thấy, hệ số R2
điều chỉnh đạt 0,57 và sai số mơ hình (RMSE) là 55,19 tấn/ha. Clerici và cs (2016) đã ứng dụng
ảnh viễn thám quang học ước tính AGB, với R2 = 0,58; RMSE = 34,5 tấn/ha. Ploton và cs (2017)
sử dụng ảnh viễn thám quang học ước tính AGB rừng với R2 = 0,47 và RMSE = 98 tấn/ha.
4. Kết luận
Qua nghiên cứu ứng dụng dữ liệu ảnh Landsat 8 cùng với số liệu đo AGB để xây dựng mơ hình
ước tính AGB rừng lá rộng rụng lá trên địa bàn tỉnh Đắk Lắk cho thấy dữ liệu ảnh Landsat 8 là rất hữu
Nghiên cứu chuyển giao, ứng dụng khoa học công nghệ trong sử dụng hợp lý tài nguyên,
bảo vệ môi trường và phát triển bền vững

195


ích cho đánh giá AGB rừng lá rộng rụng lá. Kết quả phân tích cho biết, dữ liệu đo AGB tương quan
thuận hay nghịch với các biến số kênh ảnh Landsat 8, đặc biệt là kênh 2, 4 và 5 và các chỉ số thực vật,
đặc biệt là chỉ số NDVI, CIgreen. Các mơ hình ước tính AGB xây dựng trong nghiên cứu này đều
đảm bảo ý nghĩa thống kê, với hệ số xác định điều chỉnh khá cao (Adjusted R2 = 0,643 - 0,704), nghĩa
là sự biến động của AGB rừng lá rộng rụng lá được giải thích khá rõ với các biến số chỉ số thực vật
và kênh ảnh Landsat 8. Vì vậy, nghiên cứu đã xác định được 04 mơ hình ước tính AGB rừng lá rộng
rụng lá trên địa bàn, trong đó, 02 mơ hình được khuyến nghị áp dụng cho lập bản đồ sinh khối rừng
lá rộng rụng lá trên địa bàn tỉnh Đắk Lắk là: AGBB134 = 513,725 + 0,027*B1 - 0,024*B3 - 0,06*B4
và AGBB13CIgreen = 211,19*CI_green + 0,042*B1 - 0,036*B3 - 146,844.
TÀI LIỆU THAM KHẢO
[1]. Sở Nông nghiệp và Phát triển nông thôn Đắk Lắk (2020). Bản đồ hiện trạng rừng năm 2020.
[2]. Basuki T. M; Skidmore, A. K; van Laake, P. E; van Duren, I; Hussin., Y. A., (2011). The potential

of spectral mixture analysis to improve the estimation accuracy of tropical forest biomass. Geocarto
International, />[3]. 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 2016, 7, 138.
[4]. FAO., (2020). Global Forest Resources Assessment 2020. Food and Agriculture Organization of the
United Nations, Rome: />[5]. 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.
[6]. 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.
Doi:10.1562/0031 8655(2001)074<0038:opaneo>2.0.co;2.
[7]. 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. Doi:10.1078/0176-1617-00887.
[8]. 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. doi:10.2134/agronj2010.0395.
[9]. Huete, A. R., (1988). A Soil-adjusted vegetation index (SAVI). Remote Sens. Environ., 25, 295 - 309.
[10]. Jordan C. F., (1969). Derivation of leaf-area index from quality of light on the forest floor. Ecology,
Vol. 50, No. 4, pp. 663 - 666.
[11]. Kaufman Y. J; Tanre, D., (1992). Atmospherically resistant vegetation index (ARVI) for EOS-MODIS.
IEEE Transactions on Geoscience and Remote Sensing, vol. 30, No. 2, pp. 261 - 270.
[12]. 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.
[13]. Li, Siqi., (2019). Forest aboveground biomass estimation using multi-source remote sensing data in
temperate forests. Dissertations and Theses. 76. SUNY College of Environmental Science and Forestry.
[14]. 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. Doi: 10.1016/j.isprsjprs.2011.08.001.

196

Nghiên cứu chuyển giao, ứng dụng khoa học công nghệ trong sử dụng hợp lý tài nguyên,
bảo vệ môi trường và phát triển bền vững


[15]. Richardson A. J; Weigand C., (1977). Distinguishing vegetation from soil background information.
Photogrammetric Engineering and Remote Sensing, p. 43.
[16]. 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.
[17]. Rondeaux, G; Steven, M; Baret, F., (1996). Optimization of soil-adjusted vegetation indices. Remote
Sensing of Environment 55, 95 - 107. Doi: 10.1016/0034-4257(95)00186-7.
[18]. 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. Doi: 10.2134/agronj2010.0395.
[19]. Powell, S. L; Cohen, W. B; Healey, S. P; Kennedy, R. E; Moisen, G. G; Pierce, K. B; Ohmann, J. L.,
(2010). Quantification of live aboveground forest biomass dynamics with Landsat time-series and field
inventory data: A comparison of empirical modeling approaches. Remote Sens. Environ., 114, 1053 - 1068.
[20]. Ploton, P; Barbier, N; Couteron, P; Antin, C. M; Ayyappan, N; Balachandran, N; Barathan, N; Bastin,
J. F; Chuyong, G; Dauby, G; et al., (2017). Toward a general tropical forest biomass prediction model from
very high resolution optical satellite images. Remote Sens. Environ., 200, 140 - 153.
[21]. Vincini, M; Frazzi, E; Alessio P. D., (2008). A broad-band leaf chlorophyll index at the canopy scale.
Precis. Agric. 9:303 - 319. Doi: 10.1007/s11119-008-9075-z.
[22]. Yude Pan; Richard A. Birdsey; Jingyun Fang; Richard Houghton; Pekka E. Kauppi; Werner A. Kurz;
Oliver L. Phillips; Anatoly Shvidenko; Simon L. Lewis; Josep G. Canadell; Philippe Ciais; Robert B.
Jackson; Stephen W. Pacala; A. David McGuire; Shilong Piao; Aapo Rautiainen; Stephen Sitch; Daniel
Hayes., (2011). A large and persistent carbon sink in the world’s forests. Science, vol 333, p.p. 988 - 993.
[23]. Zhang, Y; Liang, S; Sun, G., (2014). Forest biomass mapping of northeastern China using GLAS and
MODIS data. IEEE J. Sel. Top. Appl. Earth Obs. Remote Sens, 7, 140 - 152.

Ngày chấp nhận đăng: 10/11/2021. Người phản biện: TS. Phạm Thị Thanh Thủy

Nghiên cứu chuyển giao, ứng dụng khoa học công nghệ trong sử dụng hợp lý tài nguyên,
bảo vệ môi trường và phát triển bền vững

197