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 mơ 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 mơ 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, mơ hình: AGB = 474,979 - 0,012 × B1 - 0,036 × B4,
có sai số chuẩn (RMSE) thấp nhất, là mơ 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 mơ 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 qn 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 trị 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; Ngơ 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 mơ 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 nơng 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 mơ 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 ơ 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
trong đó, DBH là số đo đường kính ngang ngực.

(1)

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. Cơng thức tính chỉ số thực vật từ ảnh Landsat 8
TT
1
2
3
4
5

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)

(2)
(3)
(4)
(5)
(6)

Tác giả

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

(7) Huete, (1988)

6
7
8

Với L = 0,5
OSAVI= (1,16 × NIR - Red)/(NIR + Red + 0,16)
CVI = NIR × Red/Green 2

9

CI_Green = NIR/BLUE - 1

10 CI_Green = NIR/BLUE - 1

(8) Rondeaux, Steven & Baret (1996)
(9) Vincini và cs, (2008); Hunt và cs., (2011)
Gitelson và cs., (2003); Raymon Hunt và
(10)
cs., (2011)
(11) Gitelson và cs., (2002)

2.4. Xây dựng mơ hình tính tốn AGB
Để xây dựng mơ 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. 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 qt 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 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 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).
- 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 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 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.

214

Hội thảo Quốc gia 2022


2.5. Đánh giá kiểm định mơ hình và ước tính AGB
Đánh giá kiểm định mơ hình hồi quy có thể được thực hiện theo nhiều tiêu chí khác nhau, tùy
thuộc vào mục đích và ứng dụng của mơ 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 mơ hình
dựa theo tiêu chí chính là sai số tiêu chuẩn (RMSE).
(13)

định.

trong đó, là sinh khối bề mặt rừng đo; là sinh khối rừng bề mặt dự báo, N là số mẫu kiểm

Trên cơ sở đánh giá kiểm định các mơ hình, mơ 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 mơ 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 khơng 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
mơ 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 cịn
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 q trình xây dựng mơ hình. Vì vậy, trong lựa chọn các biến số
mơ 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 mơ hình hồi quy là khơng phù hợp và vi
phạm giả định mơ hình hồi quy là các biến độc lập phải độc lập nhau.
3.2. Các mơ hình dự báo AGB cây cao su
* Mơ 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 mơ
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
mơ hình hồi quy đơn biến. Chỉ số MNDVI và GNDVI là biến thể của chỉ số NDVI.
Bảng 2. Đánh giá mơ hình đơn biến dự báo AGB cây cao su
Ký hiệu

Mơ tả mơ hình

CS1.1
CS1.2
CS1.3
CS1.4

AGB_B4
AGB_B5
AGB_NDVI
AGB_OSAVI

Miền giá trị AGB
(tấn/ha)
5 - 120
5 - 120
5 - 120
5 - 120

Hệ số xác
định R2
0,907
0,812
0,905
0,905

Hệ số xác định
điều chỉnh R2
0,907
0,810
0,902
0,904

Sai số
RMSE
11,66
16,62
11,82
11,82

Bảng 3. Mơ hình hồi quy đơn biến dự báo AGB cây cao su
Ký hiệu
CS1.1
CS1.2
CS1.3
CS1.4

Mô tả mơ hình
AGB_B4
AGB_B5
AGB_NDVI
AGB_OSAVI

Mơ hình hồi quy đơn biến
AGB = 379,319 + 0,038 × B4
AGB = 0,025 × B5 - 282,435
AGB = 377,477 × NDVI - 32,768
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.
* Mơ 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 mơ
hình 2 biến như trình bày Bảng 4. Khá nhiều mơ 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 mơ hình CS2.1, CS2.3 và
CS2.4 có sai số tiêu chuẩn (RMSE) thấp nhất nên coi như mơ hình tiềm năng.
Bảng 4. Đánh giá mơ hình hai biến dự báo sinh khối bề mặt cây cao su
Ký
hiệu
CS2.1
CS2.2
CS2.3
CS2.4
CS2.5
CS2.6

Mơ tả mơ hình
AGB_B1B4
AGB_CIgreen_B1
AGB_B1_NDVI
AGB_B2B5
AGB_B2_CIgreen
AGB_B3_CIgreen

Miền giá trị
AGB (tấn/ha)
5 - 120
5 - 120
5 - 120
5 - 120
5 - 120
5 - 120

Hệ số xác
định R2
0,916
0,827
0,914
0,833
0,831
0,835

Hệ số xác định
điều chỉnh R2
0,914
0,822
0,912
0,828
0,826
0,831

Hệ số
VIF
1,164
1,831
1,694
1,589
1,161
1,578

Sai số
RMSE

11,17
16,06
11,26
11,77
15,87
15,65

Bảng 5. Mơ hình hồi quy hai biến dự báo sinh khối bề mặt cây cao su
Ký hiệu
CS2.1
CS2.2
CS2.3
CS2.4
CS2.5
CS2.6

Mơ tả mơ hình
AGB_B1B4
AGB_CIgreen_B1
AGB_B1_NDVI
AGB_B2B5
AGB_B2_CIgreen
AGB_B3_CIgreen

Mơ hình hồi quy hai biến
AGB = 474,979 - 0,012 ×B1 - 0,036 × B4
AGB = 203,213 × CIgreen - 0,027 × B1 - 312,715
AGB = 86,04 + 359,946 × NDVI - 0,012 × B1
AGB = 0,023 × B5 - 0,014 × B2 - 140, 161
AGB = 202,166 × CIgreen + 0,022 × B2 - 253,356

AGB = 200,078 × CIgreen + 0,017B3 - 199,785

Các mơ hình hồi quy đều được kiểm định với mức ý nghĩa < 0,05 và các tham số mơ hình
được kiểm định t với mức ý nghĩa < 0,05. Như vậy, các mơ hình này đều có ý nghĩa thống kê.
Trong quá trình nghiên cứu tác giả cũng xác định được một số các mơ 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
mơ 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 mơ
hình dự báo AGB rừng cao su khơng xác định được mơ hình ba biến với các số liệu về ảnh Landsat
8 trên địa bàn.
3.3. Kiểm định mơ hình
Trong số các mơ hình hồi quy tuyến tính, các mơ hình tiềm năng nhất có thể áp dụng cho
dự báo sinh khối bề mặt cây cao su là mơ hình [14], [15] và [16]. Các mơ 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
AGB = 86,04 + 359,946 × NDVI - 0,012 × B1
AGB = 0,023 × B5 - 0,014 × B2 - 140, 161

(14)
(15)
(16)

* Mơ 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 mơ 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) <10.

Hình 1: Biểu đồ dự báo AGB của mơ hình [14] với 30 % mẫu kiểm định
* Mơ hình (15)
Kết quả so sánh giá trị AGB dự báo theo mơ hình [15] và AGB đo của 30 % dữ liệu kiểm
định cho thấy rằng RMSE là 11,19. Phần đa các giá trị ước tính AGB rừng cao su có cùng xu hướng
với giá trị quan sát như được trình bày tại Hình 2. Như vậy, các giá trị dự báo và quan trắc đều phân
phố xung quanh đường thẳng thể hiện mối quan hệ tuyến tính. RMSE của mơ hình [15], cao hơn
so một chút với RMSE của mơ hình [14].

Hình 2: Biểu đồ dự báo AGB của mơ hình [15] với 30 % mẫu kiểm định
Hội thảo Quốc gia 2022

217


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 mơ hình [16]. Mơ 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 mơ hình [14] và [15].
Phần 70 % mẫu được sử dụng xây dựng mơ 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 mơ 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 mơ hình [14]
218

Hội thảo Quốc gia 2022


Trên cơ sở kết quả kiểm định mơ hình, mơ hình [14] có sai số chuẩn (RMSE) thấp nhất, vì
vậy mơ hình [14] được lựa chọn để tính tốn 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 tốn theo mơ 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 cịn 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 mơ hình hồi quy 2 biến có ý nghĩa thống kê và sai số phù hợp. Trong số các mơ hình hai biến,
3 mơ hình có thể áp dụng cho dự báo sinh khối bề mặt cây cao su tại tỉnh Đắk Lắk. Tuy nhiên, mơ
hình [14] là tối ưu vì có sai số chuẩn (RMSE) thấp nhất.
Kết quả dự báo áp dụng mơ 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 hồn 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 Nơng
nghiệp và Phát triển nơng thơn, 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
Nơng nghiệp và Phát triển nơng thơn, số 8/2006.
[4]. Ngơ 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: />[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