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

BỘ GIÁO DỤC VÀ ĐÀO TẠO ---

- BỘ NÔNG NGHIỆP VÀ PTNT

TRƯỜNG ĐẠI HỌC LÂM NGHIỆP

NGUYỄN QUỐC HIỆU

ỨNG DỤNG CÔNG NGHỆ ĐỊA KHÔNG GIAN
ĐỂ PHÁT HIỆN SỚM MẤT RỪNG, SUY THOÁI RỪNG Ở VÙNG
TÂY NGUYÊN, VIỆT NAM

Chuyên ngành: Quản lý tài nguyên rừng
Mã số: 9620211

TÓM TẮT LUẬN ÁN TIẾN SĨ LÂM NGHIỆP

HÀ NỘI, 2020


Luận án được hoàn thành tại Trường Đại học lâm nghiệp

Người hướng dẫn khoa học:

1. PGS.TS. PHÙNG VĂN KHOA
2. TS. ĐOÀN HOÀI NAM

Phản biện 1: ......................................................
Phản biện 2:...................................................
Phản biện 3: ...................................................

Luận án sẽ được bảo vệ tại Hội đồng chấm luận án cấp Trường họp tại: Trường
Đại học Lâm nghiệp. Vào hồi … giờ, ngày … tháng … năm 2020.

Có thể tìm hiểu luận án tại thư viện:
-

Thư viện Quốc gia Việt Nam;

-

Thư viện trường Đại học Lâm nghiệp.


DANH MỤC CÁC CƠNG TRÌNH ĐÃ CƠNG BỐ LIÊN QUAN
ĐẾN LUẬN ÁN
1. Nguyễn Quốc Hiệu, Phùng Văn Khoa, Nguyễn Hải Hịa, Lê Văn Hương, Lê Văn
Sơn, Tơn Thất Minh, Trương Quang Cường, Trần Văn Nam (2018). Sử dụng chỉ số
viễn thám để phát hiện suy thoái rừng tại Khu dự trữ sinh quyển thế giới LangBiang,
Lâm Đồng. Tạp chí Khoa học Lâm nghiệp Số 3/2018.
2. Phùng Văn Khoa, Nguyễn Quốc Hiệu, Nguyễn Thị Thanh An, Phí Đăng Sơn,
Phạm Văn Duẩn (2019). Sử dụng chỉ số thực vật khác biệt chuẩn hóa (NDVI) để xác
định nhanh một số trạng thái rừng ở khu vực Tây Nguyên, Việt Nam. Tạp chí Khoa
học và Công nghệ Lâm Nghiệp Số 5/2019.
3. Phùng Văn Khoa, Nguyễn Quốc Hiệu, Nguyễn Quang Huy (2019). Sử dụng ảnh
Landsat 8 và Google Earth Engine phát hiện sớm mất rừng, suy thoái rừng vùng Tây
Nguyên: trường hợp ở tỉnh Đắk Nơng. Tạp chí Khoa học và Cơng nghệ Lâm Nghiệp
Số 5/2019.
4. Phùng Văn Khoa, Nguyễn Quốc Hiệu, Nguyễn Quang Huy (2020). Phát hiện sớm
mất rừng, suy thoái rừng ở tỉnh Đắk Lắk sử dụng chỉ số tương đối KB tính theo chỉ
số NBR (Normalized Burn Ratio) của ảnh Sentinel 2. Tạp chí Khoa học và Cơng

nghệ Lâm Nghiệp Số 2/2020.


1

MỞ ĐẦU
1. Sự cần thiết của luận án
Mất rừng, suy thoái rừng đã được xem như là một hiện tượng thực tế đe dọa đến chất
lượng cuộc sống của con người và đa dạng sinh học trên trái đất. Theo Tổ chức Nông lương Liên
hợp quốc (FAO, 2020), tổng diện tích rừng của thế giới hiện nay là 4,06 tỷ ha, chiếm 31% trong
tổng diện tích bề mặt trái đất. Có khoảng 420 triệu ha rừng đã bị mất từ những năm 1990 đến nay.
Giai đoạn 1990-2000, trung bình mỗi năm mất 7,8 triệu ha rừng; giai đoạn 2000-2010, trung bình
mỗi năm mất 5,2 triệu ha rừng và giai đoạn 2010-2020 trung bình mỗi năm mất 4,7 triệu ha rừng.
Nguyên nhân của mất rừng, suy thoái rừng đã được xác định chủ yếu do yếu tố con người.
Phát hiện sớm mất rừng, suy thối rừng khơng những giúp chúng ta đưa ra các quyết định phù
hợp nhằm ngăn chặn để rừng khơng bị phá thêm mà cịn giúp chúng ta sớm đưa ra các giải pháp
cho việc phục hồi rừng, tăng cường chất lượng rừng tại những nơi đã mất rừng, suy thoái rừng.
Mất rừng, suy thoái rừng thường được phát hiện trực tiếp bởi lực lượng chức năng hoặc
thông qua việc phối hợp giữa lực lượng chức năng và các tổ chức, hộ gia đình, cá nhân có liên
quan…vv. Ngồi ra, với sự phát triển mạnh mẽ của cơng nghệ thơng tin trong đó phải kể đến
cơng nghệ địa không gian bao gồm (hệ thống thông tin địa lý, hệ thống định vị tồn cầu và viễn
thám) đã góp phần quan trọng vào việc phát hiện sớm mất rừng, suy thối rừng.
Ở Việt Nam, cơng nghệ địa khơng gian ngày càng được ứng dụng mạnh mẽ trong lĩnh vực
quản lý tài nguyên rừng như: điều tra, kiểm kê rừng; cập nhật diễn biến rừng hàng năm; giám sát
các hoạt động lâm nghiệp (trồng rừng, khai thác rừng, chi trả dịch vụ môi trường rừng). Tuy nhiên,
thực tiễn đã cho thấy chúng ta còn thiếu cơ sở khoa học cho việc sử dụng các chỉ số viễn thám, các
loại ảnh viễn thám (nhất là các loại ảnh miễn phí) cũng như chưa có những phần mềm có thể tự
động phát hiện, cảnh báo sớm mất rừng, suy thối rừng góp phần khắc phục những sai lệch, tính
chủ quan trong các báo cáo số liệu về mất rừng, suy thoái rừng quốc gia. Do đó, việc thực hiện đề
tài “Ứng dụng công nghệ địa không gian để phát hiện sớm mất rừng, suy thoái rừng tại vùng Tây

Nguyên, Việt Nam” là hết sức cần thiết, có ý nghĩa khoa học ứng dụng.
2. Mục tiêu của luận án
2.1. Mục tiêu tổng quát
Ứng dụng công nghệ địa không gian để phát hiện sớm mất rừng, suy thối rừng góp phần
nâng cao hiệu quả của công tác quản lý và bảo vệ rừng, giám sát, theo dõi diễn biến tài nguyên
rừng ở vùng Tây Nguyên nói riêng và ở Việt Nam nói chung.
2.2. Mục tiêu cụ thể
(1) Thiết lập được cơ sở khoa học cho việc sử dụng các chỉ số viễn thám để phát hiện mất
rừng, suy thoái rừng;
(2) Xác định được ngưỡng chỉ số tương đối để phát hiện mất rừng, suy thối rừng và đánh
giá độ chính xác;
(3) Đề xuất được hướng ứng dụng công nghệ địa không gian để phát hiện sớm mất rừng


2
và suy thoái rừng ở vùng Tây Nguyên.
3. Đối tượng, phạm vi của luận án
Đối tượng nghiên cứu của đề tài là 07 kiểu rừng tự nhiên vùng Tây Nguyên (rừng lá rộng
thường xanh, rừng lá rộng rụng lá, rừng lá rộng nửa rụng lá, rừng hỗn giao lá rộng – lá kim, rừng
lá kim, rừng tre nứa, rừng hỗn giao gỗ - tre nứa) và 01 kiểu rừng phụ nhân tác (rừng trồng).
Nghiên cứu được thực hiện trong phạm vi 5 tỉnh vùng Tây Nguyên (Kon Tum, Gia Lai, Đắk Lắk,
Đắk Nông, Lâm Đồng), từ năm 2015 đến năm 2018.
4. Những đóng góp mới của luận án
- Thiết luận được cơ sở khoa học cho việc phát hiện sớm mất rừng, suy thối rừng thơng
qua việc sử dụng một số chỉ số viễn thám (KB, NDVI, NBR) trên ảnh vệ tinh Landsat 8 và
Sentinel 2 và dữ liệu điều tra thực địa.
- Đề xuất được hướng áp dụng công nghệ địa khơng gian phát hiện sớm mất rừng, suy
thối rừng từ tư liệu ảnh viễn thám Landsat 8 và Sentinel 2.
5. Ý nghĩa khoa học và thực tiễn của luận án
5.1. Ý nghĩa khoa học

Đã xác lập được ngưỡng chỉ số tương đối phản ánh sự thay đổi các chỉ số viễn thám
(NDVI, NBR) trên ảnh vệ tinh Landsat 8 và Sentinel 2 làm cơ sở khoa học cho việc phát hiện
sớm mất rừng, suy thoái rừng ở vùng Tây Nguyên.
5.2. Ý nghĩa thực tiễn
Đã đề xuất được hướng ứng dụng công nghệ địa không gian để phát hiện sớm mất rừng,
suy thoái rừng trong thực tiễn quản lý bảo vệ rừng ở vùng Tây Nguyên.


3
Chương 1
TỔNG QUAN VẤN ĐỀ NGHIÊN CỨU
Những kết quả nghiên cứu trên thế giới và Việt Nam về việc ứng dụng công nghệ địa
không gian trong phát hiện thay đổi rừng đã cho thấy, phát hiện thay đổi rừng thường được thực
hiện theo 2 hướng: (1) sử dụng kỹ thuật so sánh sau phân loại rừng (so sánh bản đồ phân loại
rừng tại 2 thời điểm); (2) sử dụng thuật toán phát hiện thay đổi để xác định những biến động trực
tiếp từ ảnh vệ tinh.
Tác giả thấy rằng, một trong những hạn chế quan trọng về lý luận trong các nghiên cứu
trước sử dụng kỹ thuật so sánh sau phân loại để phát hiện mất rừng, suy thoái rừng là chỉ mới tập
trung phân loại các loại đất có rừng và đất chưa có rừng mà chưa đề cập sâu đến việc phân loại
các trạng thái rừng theo cấp trữ lượng rừng (giàu, trung bình, nghèo, nghèo kiệt, phục hồi). Điều
này cũng đã lý giải phần nào cho việc các kết quả về phát hiện mất rừng là rất phong phú trong
khi đó kết quả về phát hiện suy thối rừng cịn ít được đề cập đến.
Tác giả cũng thấy rằng, một hạn chế khác trong các nghiên cứu trước sử dụng thuật toán
để phát hiện thay đổi rừng là còn thiếu cơ sở khoa học cho việc lựa chọn, áp dụng chỉ số viễn
thám, thuật toán phát hiện thay đổi cho mỗi trường hợp cụ thể trong đó có vấn đề mất rừng, suy
thối rừng. Trong số những nghiên cứu trước theo hướng này, nổi lên nghiên cứu của Miller, J.
D. và Thode, A. E. (2007). Các tác giả đã sử dụng thuật toán tương đối để phân loại các mức độ
cháy bao gồm: không cháy, cháy thấp, cháy trung bình và cháy cao. Các tác giả cũng gợi ý rằng,
cháy rừng là một trong những dạng nhiễu loạn của rừng và chỉ số tương đối có thể ứng dụng cho
việc nghiên cứu các dạng nhiễu loạn rừng khác.

Xuất phát từ những hạn chế ở như trên, tác giả đã lựa chọn hướng tiếp cận nghiên cứu của
luận án với việc sử dụng thuật toán tương đối để phát hiện sớm mất rừng, suy thối rừng. Luận
án có thể được xem như là việc mở rộng nghiên cứu của Miller, J. D. và Thode, A. E. cho một
trường hợp cụ thể khác.
Công nghệ địa không gian đã được ứng dụng mạnh mẽ ở nước ta trong việc điều tra, lập
bản đồ hiện trạng rừng, kiểm kê rừng, cập nhật diễn biến rừng và gần đây nhất là dự án điều tra,
kiểm kê rừng toàn quốc giai đoạn 2013-2016. Có thể nói, cơng nghệ địa khơng gian đã góp phần
đưa ngành lâm nghiệp cả nước đạt được những bước tiến mới trong việc thu thập, quản lý và sử
dụng số liệu tài nguyên rừng phục vụ tốt cho công tác quản lý tài nguyên rừng.
Tuy nhiên, vẫn còn một số vấn đề đang được đặt ra như: làm thế nào có thể kết hợp được
giữa phương pháp truyền thống và ảnh viễn thám trong việc cập nhật diễn biến rừng? làm thế nào
để khắc phục được sự sai lệch, tính chủ quan trong các báo cáo số liệu về mất rừng, suy thoái?
làm thế nào để phát hiện được sớm mất rừng, suy thối rừng phục vụ cơng tác cảnh báo sớm?
Xuất phát từ những vấn đề thực tiễn kể trên, tác giả thấy rằng, thực hiện đề tài “Ứng dụng
công nghệ địa không gian để phát hiện sớm mất rừng, suy thoái rừng tại vùng Tây Nguyên, Việt
Nam” là hết sức cần thiết, có ý nghĩa khoa học ứng dụng.


4
Chương 2
NỘI DUNG VÀ PHƯƠNG PHÁP NGHIÊN CỨU
2.1. Nội dung nghiên cứu
Trên cơ sở xác định mục tiêu, đối tượng và phạm vi nghiên cứu, luận án thực hiện các nội
dung nghiên cứu như sau:
(1) Thiết lập cơ sở khoa học ứng dụng chỉ số viễn thám để phát hiện mất rừng, suy thoái rừng.
(2) Xác định ngưỡng chỉ số tương đối để phát hiện mất rừng, suy thoái rừng;
(3) Đề xuất hướng ứng dụng công nghệ địa không gian để phát hiện mất rừng, suy thoái rừng ở
vùng Tây Nguyên.
2.2. Phương pháp nghiên cứu
2.2.1. Phương pháp luận

a) Câu hỏi nghiên cứu
(1) cơ sở nào cho ta lựa chọn được chỉ số viễn thám phù hợp với việc phát hiện mất rừng,
suy thoái rừng? hay theo cách dễ hiểu hơn là các chỉ số viễn thám trên ảnh vệ tinh có mối liên hệ
như thế nào với hiện trạng rừng ngồi thực địa? (2) làm thế nào có thể xác định được ngưỡng của
các chỉ số viễn thám để phát hiện mất rừng, suy thoái rừng? và (3) làm thế nào để ứng dụng được
kết quả của nghiên cứu vào thực tiễn ở vùng Tây Nguyên, Việt Nam?
b) Chỉ số tương đối
Chỉ số tương đối được tính theo cơng thức sau:
KB = 100x(T1-T2)/T1
(1)
Trong đó: T1 là giá trị của chỉ số viễn thám tại thời điểm trước tác động.
T2 là giá trị của chỉ số viễn thám tại thời điểm sau tác động.
Luận án đã sử dụng chỉ số tương đối KB để xác định các mức độ suy giảm rừng bao gồm:
rừng khơng đổi, suy thối rừng và cháy rừng thông qua việc sử dụng 2 chỉ số viễn thám (NDVI,
NBR).
Chỉ số thực vật NDVI (Rouse, 1974) được xác định theo công thức:
(𝐵𝑎𝑛𝑑

− 𝐵𝑎𝑛𝑑𝑅𝐸𝐷 )
𝑁𝐼𝑅 + 𝐵𝑎𝑛𝑑𝑅𝐸𝐷 )

NDVI = (𝐵𝑎𝑛𝑑𝑁𝐼𝑅

(2)

Trong đó: Đối với ảnh Landsat 8, BandNIR (kênh cận hồng ngoại) là Band 5 và BandRED
(kênh đỏ) là Band 4. Đối với ảnh Sentinel 2, BandNIR (kênh cận hồng ngoại) là Band 8 và BandRED
(kênh đỏ) là Band 4.
Chỉ số NBR (Key and Benson, 2005) được xác định theo cơng thức:
(𝐵𝑎𝑛𝑑

− 𝐵𝑎𝑛𝑑𝑆𝑊𝐼𝑅)
𝑁𝐼𝑅 + 𝐵𝑎𝑛𝑑𝑆𝑊𝐼𝑅 )

NBR = (𝐵𝑎𝑛𝑑𝑁𝐼𝑅

(3)

Trong đó: Đối với ảnh Landsat 8, BandNIR (kênh cận hồng ngoại) là Band 5 và BandSWIR
(kênh hồng ngoại sóng ngắn) là Band 7. Đối với ảnh Sentinel 2, BandNIR (kênh cận hồng ngoại)
là Band 8 và BandSWIR (kênh hồng ngoại sóng ngắn) là Band 12.
c) Giải thích thuật ngữ


5
Trong luận án này, một số thuật ngữ quan trọng bao gồm: rừng khơng đổi, mất rừng, suy
thối rừng, phát hiện sớm cần được làm rõ. Thông qua định nghĩa về nó, người đọc có thể thấy
được một số vấn đề nghiên cứu đã được tác giả giới hạn lại cho phù hợp với năng lực nghiên cứu
của tác giả, cũng như để có cơ sở cho việc xem xét, đánh giá các kết quả của luận án.
(i) Rừng không đổi được hiểu là các diện tích rừng khơng hoặc hầu như khơng có sự tác
động của con người, tự nhiên, lửa rừng dẫn đến việc mất rừng, suy thoái rừng.
(ii) Mất rừng được hiểu là việc chuyển đổi đất có rừng sang mục đích khác (đất nơng
nghiệp, đất trống, đất khác…) hoặc chuyển đổi đất từ trạng thái có rừng sang trạng thái khơng có
rừng, hoặc tác động chặt hạ, khai thác các cây rừng làm cho độ tàn che thấp hơn 0,1 và diện tích
từ 0,3 ha trở lên.
(iii) Suy thối rừng bao gồm nhiều khía cạnh khác nhau như: suy giảm năng suất rừng,
suy giảm đa dạng sinh học, các nhiễu loạn do sâu bệnh hại, suy giảm chức năng bảo vệ (đất,
nước), suy giảm trữ lượng các-bon rừng…vv. Tuy nhiên, trong luận án này, định nghĩa suy thoái
rừng được hiểu là việc chặt phá hoặc khai rừng làm giảm trữ lượng và độ tàn che rừng. Trong
thực tiễn, khi rừng thay đổi trạng thái từ rừng có trữ lượng cao (như rừng giàu) về rừng có trữ

lượng thấp (như rừng nghèo, rừng nghèo kiệt) thì có thể hiểu đó là suy thối rừng.
(iv) Định nghĩa phát hiện “sớm” mất rừng, suy thoái rừng.
Phát hiện “sớm” được hiểu là khả năng phát hiện sớm nhất kể từ khi xảy ra sự kiện mất rừng
hoặc suy thoái rừng. Phát hiện sớm ở đây bao gồm các khía cạnh: về thời gian phát hiện (sớm nhất
có thể), diện tích phát hiện (khơng gian - nhỏ nhất có thể, thơng thường từ 0,3 ha trở lên). Về mặt thời
gian: khi sử dụng ảnh viễn thám, việc phát hiện sớm mất rừng, suy thoái rừng phụ thuộc vào chu kỳ
bay chụp của loại ảnh sử dụng (chu kỳ bay chụp của vệ tinh Landsat 8 là 16 ngày và Sentinel 2 là 6
ngày). Về mặt không gian: phát hiện “sớm” bằng ảnh vệ tinh phản ánh diện tích mất rừng, suy thối
rừng nhỏ nhất mà loại ảnh được sử dụng có thể phát hiện được trên cơ sở nghiên cứu so sánh khả
năng phát hiện mất rừng, suy thoái rừng giữa các loại ảnh khác nhau.
2.2.2. Các phương pháp nghiên cứu cụ thể
Phương pháp nghiên cứu được trình bày theo từng nội dung nghiên cứu của luận án.
2.2.2.1. Nội dung 1: Xác lập cơ sở khoa học ứng dụng chỉ số viễn thám trong phát hiện sớm mất
rừng, suy thoái rừng
a) Nghiên cứu mối quan hệ giữa trữ lượng rừng và chỉ số viễn thám (NDVI, NBR) trên
ảnh Landsat 8 và Sentinel 2
* Mẫu điều tra trữ lượng rừng: tác giả đã lựa chọn 350 mẫu điều tra thuộc kiểu rừng tự
nhiên lá rộng thường xanh với 5 trạng thái (giàu, trung bình, nghèo, nghèo kiệt, phục hồi) được
kế thừa từ bộ số liệu điều tra ô tiêu chuẩn (mẫu) về trữ lượng rừng từ Chương trình Điều tra Kiểm
kê rừng toàn quốc giai đoạn 2013-2016 tại 5 tỉnh (Kon Tum, Gia Lai, Đắk Lắk, Đắk Nông, Lâm
Đồng). Các mẫu điều tra rừng tự nhiên có kích thước là 1.000 m2 (30 m x 33,3 m). Mẫu điều tra
gồm có các thơng tin: chu vi thân cây tại vị trí 1,3 m; chiều cao vút ngọn; tọa độ địa lý (X, Y).


6
* Ảnh vệ tinh sử dụng: luận án sử dụng các cảnh ảnh vệ tinh Landsat 8, Sentinel 2 tại thời
điểm tháng 3, 4 của các năm 2015, 2016. Ảnh vệ tinh Landsat 8, Sentinel 2 được tải về từ GEE.
Ảnh vệ tinh đã được đưa về giá trị phản xạ phổ bề mặt (Surface Reflectance - SR). Các ảnh này
gồm 2 Band (band 1 - ảnh chỉ số NDVI và band 2 - ảnh chỉ số NBR). Các Pixel bị mây trên ảnh
đã được đưa về giá trị bằng 0 thơng qua câu lệnh trong GEE.

* Phương pháp trích xuất giá trị NDVI, NBR cho các điểm mẫu trên ảnh: giá trị NDVI,
NBR được trích xuất tại các điểm mẫu trên ảnh vệ tinh với việc sử dụng công cụ Extract Multi
Values to Points trong phần mềm ArcGIS 10.1.
* Lựa chọn mơ hình tương quan: nghiên cứu sử dụng dữ liệu mẫu đã được xác định trữ
lượng rừng và trích xuất giá trị NDVI, NBR từ ảnh Landsat 8, Sentinel 2 để xây dựng phương
trình hồi quy tương quan đơn biến theo 06 kiểu hàm sau:
+ Hàm tuyến tính (Linear): Y = b0 + (b1 x X)
(4)
+ Hàm logarit (Logarithmic): Y = b0 + b1 x ln(X)
(5)
+ Hàm bậc 2 (Quadratic): Y = b0 + b1 x X + b2 x X2
(6)
2
3
+ Hàm bậc 3 (Cubic): Y = b0 + b1 x X + b2 x X + b3 x X
(7
+ Hàm lũy thừa (Power): Y = b0 x Xb1
+ Hàm mũ (Exponential): Y = b0 + eb1 x X

(8)
(9)

Trong đó: b0 là các hằng số; b1, b2, b3 là hệ số hồi quy; X là biến độc lập (giá trị của chỉ số
viễn thám); Y là biến phụ thuộc (trữ lượng rừng).
Tác giả sử dụng phần mềm SPSS 20.0 để xác định các hằng số, tham số hồi quy của các
mơ hình tương quan. Hệ số xác định (R2) cho biết mức độ biến thiên của trữ lượng rừng được
giải thích bởi các chỉ số viễn thám. Dựa vào hệ số (R2) để đánh giá mối tương quan giữa trữ lượng
rừng và chỉ số viễn thám, R2 càng cao cho thấy mơ hình tương quan càng phản ánh tốt mối quan
hệ giữa trữ lượng rừng và chỉ số viễn thám.
b) Kiểm định sự khác biệt về chỉ số viễn thám giữa các trạng thái rừng với nhau trên ảnh

Landsat 8 và Sentinel 2
* Mẫu điều tra theo trạng thái: luận án đã kế thừa dữ liệu 2.667 mẫu ô tiêu chuẩn điều tra
rừng từ Chương trình Điều tra Kiểm kê rừng toàn quốc giai đoạn 2013-2016 tại 5 tỉnh (Kon Tum,
Gia Lai, Đắk Lắk, Đắk Nông, Lâm Đồng) với 16 trạng thái thuộc 5 kiểu rừng tự nhiên ở vùng
Tây Nguyên.
* Ảnh vệ tinh sử dụng: luận án sử dụng các cảnh ảnh vệ tinh Landsat 8, Sentinel 2 tại thời
điểm tháng 3, 4 của các năm 2015, 2016.
* Trích xuất giá trị NDVI và NBR: tác giả sử dụng công cụ Extract Multi Values to Points
trong phần mềm ArcGIS 10.1.
* Phương pháp kiểm định: luận án sử dụng phương pháp kiểm định Mann-Whitney để
kiểm định sự khác biệt giữa từng cặp (hai trạng thái rừng với nhau): Giả thuyết đặt ra H0 - khơng
có sự khác nhau về giá trị NDVI, NBR giữa 2 trạng thái rừng; H1 - có sự khác nhau về giá trị
NDVI, NBR giữa 2 trạng thái rừng. Sử dụng lệnh “Analyze/Nonparametric Test/Legacy


7
Dialogs/Two – Independent – Samples Test” trong phần mềm SPSS 20.0 để tính giá trị |z| và Pvalue với mức ý nghĩa 0,05. Với giá trị |z| và Sig., tính toán được so sánh với giá trị tra bảng phân
bố chuẩn cho thấy, nếu |z| >1,96 và giá trị Sig. < 0,05 sẽ có cơ sở để bác bỏ giả thuyết H0 và tương
đương với chấp nhận đối thuyết H1 hay nói cách khác giá trị NDVI, NBR có sự khác biệt giữa
các nhóm (với mức ý nghĩa bằng 0,05). Các cặp trạng thái nhận giá trị H0 sẽ được gộp thành
nhóm kiểu rừng, sau đó tiếp tục kiểm định sự khác biệt giữa các nhóm cho đến khi các nhóm kiểu
rừng có sự khác biệt với nhau.
c) Nghiên cứu biến động chỉ số viễn thám theo thời gian và xác định ngưỡng biến động
của các kiểu rừng trên ảnh Landsat 8 và Sentinel 2
* Mẫu rừng không đổi: nghiên cứu thực hiện trên 6 kiểu rừng (rừng lá rộng thường xanh;
rừng lá rộng rụng lá; rừng lá kim; rừng hỗn giao gỗ - tre nứa; rừng tre nứa; rừng trồng). Mỗi kiểu
rừng lựa 60 mẫu thuộc 2 tỉnh có diện tích rừng lớn nhất (mỗi tỉnh chọn 30 mẫu). Mỗi kiểu rừng
lựa chọn 3 trạng thái rừng chính (rừng giàu, rừng trung bình, rừng nghèo). Mỗi trạng thái rừng
lấy 10 mẫu ngẫu nhiên. Tổng số mẫu xác định rừng không đổi là 360 mẫu. Các mẫu này đã được
kiểm chứng trên bản đồ theo dõi diễn biến rừng các năm 2015, 2016, 2017, 2018 đồng thời được

kiểm chứng trên Planet để đảm bảo khơng bị các tác động có thể dẫn đến mất rừng, suy thoái
rừng.
* Ảnh vệ tinh sử dụng: ảnh vệ tinh được luận án sử dụng là ảnh Landsat 8 và ảnh Sentinel
2 trong khoảng thời gian mùa khô (từ tháng 11 đến tháng 4 năm kế tiếp) trong thời gian 4 năm
liên tiếp (2015, 2016, 2017, 2018) trong phạm vi 5 tỉnh Tây Nguyên. Ảnh vệ tinh được sử dụng
trực tiếp trong GEE mà không cần tải về máy.
* Trích xuất giá trị NDVI, NBR cho các mẫu nghiên cứu trong Google Earth Engine: mẫu
rừng không đổi của mỗi kiểu rừng được đưa vào GEE. Các lệnh trong GEE sẽ hỗ trợ trích xuất
giá trị NDVI hoặc NBR trung bình theo tất cả các mẫu của kiểu rừng đó. Giá trị NDVI hoặc NBR
cho mỗi kiểu rừng được lưu trong 1 file .csv trong GEE và được tải về máy để tính giá trị tương
đối KB cho mỗi kiểu rừng.
* Xác định ngưỡng chỉ số tương đối KB cho rừng khơng đổi: tác giả tính tốn ngưỡng KB
trong khoảng thời gian mùa khơ (từ tháng 11 năm trước đến tháng 4 năm sau) cho mỗi kiểu rừng
theo công thức (1). T1 tương ứng với giá trị NDVI, NBR lớn nhất và T2 tương ứng với giá trị
NDVI, NBR nhỏ nhất. Ngưỡng phát hiện rừng không thay đổi được xác định là có giá trị nằm
trong khoảng (a, b), trong đó: a = 0 là giá trị lý tưởng trong trường hợp khơng có sự thay đổi nào
và b là giá trị KB lớn nhất trong các kiểu rừng nghiên cứu.
2.2.2.2. Nội dung 2: Xác định ngưỡng chỉ số tương đối phát hiện sớm mất rừng, suy thoái rừng
trên ảnh Landsat 8 và Sentinel 2
a) Xác định ngưỡng mất rừng, suy thoái rừng
* Thu thập mẫu mất rừng, suy thoái rừng: các mẫu mất rừng, suy thoái rừng được thu thập
từ Chi cục kiểm lâm của 5 tỉnh vùng Tây Nguyên trong thời gian từ 2015 đến 2018. Sau đó các
mẫu mất rừng, suy thối rừng được tác giả đưa vào Planet để kiểm chứng và xác định khoảng


8
thời gian mất rừng, suy thoái rừng. Luận án đã lựa chọn được tổng số mẫu mất rừng là 380 mẫu,
trong đó: 230 mẫu được sử dụng để xác định ngưỡng mất rừng, suy thoái rừng và 150 mẫu để
đánh giá độ chính xác phát hiện mất rừng. Tổng số mẫu suy thoái rừng được lựa chọn là 90 mẫu
được dùng để đánh giá độ chính xác phát hiện suy thoái rừng.

* Ảnh vệ tinh sử dụng: ảnh vệ tinh Landsat 8 và Sentinel 2 được luận án sử dụng để xác
định ngưỡng mất rừng, suy thoái rừng trong khoảng thời gian mùa khô năm 2015-2016 và 20162017. Ảnh Landsat 8 và ảnh Sentinel 2 trong khoảng thời gian mùa khơ năm 2017-2018 được sử
dụng để đánh giá độ chính xác phát hiện mất rừng, suy thoái rừng. Ảnh vệ tinh Landsat 8 và
Sentinel 2 được tải về máy từ GEE.
* Xác định ngưỡng mất rừng:
Bước 1: Lựa chọn ảnh vệ tinh tại thời điểm T1 (trước khi biến động) và thời điểm T2 (thời
điểm phát hiện biến động). Tính giá trị KB theo công thức (1) bằng công cụ Spatial Analyst Tools
trong phần mềm ArcGIS.
Bước 2. Chiết xuất giá trị KB với tham số giá trị trung bình (Mean) cho các mẫu nghiên
cứu, sử dụng công cụ Zonal Statistics As Table trong phần mềm ArcGIS để thực hiện.
Bước 3. Xác định ngưỡng phát hiện mất rừng. Từ kết quả ở bước 2, với bảng số liệu về
giá trị Mean của số lượng vùng mẫu nghiên cứu, ngưỡng phát hiện mất rừng (KBmatrung) được xác
định là có giá trị nằm trong khoảng (c, d), trong đó: c là giá trị KB nhỏ nhất trong tổng số mẫu
nghiên cứu mẫu và d là giá trị KB lớn nhất trong tổng số mẫu nghiên cứu.
* Xác định ngưỡng suy thoái rừng
Nghiên cứu xác định diện tích rừng bị suy thối có ngưỡng KBsuythoairung lớn hơn ngưỡng
KBkhongthaydoi (rừng không thay đổi) và nhỏ hơn ngưỡng KBmatrung (rừng bị mất).
b) Phương pháp đánh giá độ chính xác phát hiện mất rừng, suy thối rừng
Luận án sử dụng 150 mẫu mất rừng và 90 mẫu suy thoái rừng năm 2018 tại các tỉnh vùng
Tây Nguyên để đánh giá độ chính xác bao gồm: độ chính xác phát hiện và độ chính xác về diện
tích.
Tỷ lệ phần trăm (%) phát hiện =

tổng số mẫu phát hiện được
tổng số mẫu kiểm chứng

Tỷ lệ sai lệch diện tích (%): M =

100
𝑛

∑𝑛𝑡=1 |

𝐴𝑡 − 𝐹𝑡
𝐴𝑡

|

𝑥100

(10)
(11)

Trong đó: M là tỷ lệ sai lệch về diện tích (%); n là tổng số mẫu kiểm chứng; At là diện tích
kiểm chứng(ha); Ft là diện tích phát hiện trên ảnh (ha).
2.2.2.3. Nội dung 3. Đề xuất hướng ứng dụng công nghệ địa không gian để phát hiện sớm mất
rừng, suy thoái rừng ở vùng Tây Nguyên.
Kết quả thiết lập cơ sở khoa học và xác định ngưỡng chỉ số tương đối KB để phát hiện
sớm mất rừng, suy thoái rừng được sử dụng làm cơ sở cho đề xuất hướng ứng dụng công nghệ
địa không gian để phát hiện sớm mất rừng, suy thoái rừng ở vùng Tây Nguyên. Luận án đề xuất
các bước ứng dụng công nghệ địa không gian để phát hiện mất rừng, suy thoái rừng với việc sử
dụng các ngưỡng chỉ số tương đối KB đã được xác định.


9
Chương 3
ĐẶC ĐIỂM TỰ NHIÊN, KINH TẾ XÃ HỘI KHU VỰC NGHIÊN CỨU
3.1. Đặc điểm tài rừng vùng Tây Nguyên
3.1.1. Diện tích các loại rừng
Theo Bộ NN&PTNT, đến 31/12/2015 diện tích rừng và đất quy hoạch cho lâm nghiệp 5 tỉnh

Tây Nguyên đến 31/12/2015 là 3.354.194 ha; trong đó: diện tích có rừng là 2.567.118 ha (rừng tự
nhiên 2.253.804 ha; rừng trồng 248.714 ha), độ che phủ rừng 45,8%.
3.1.2. Biến động rừng giai đoạn 2015 – 2018
Theo số liệu công bố hiện trạng rừng của Bộ Nông nghiệp và Phát triển nông thôn, giai
đoạn 2015 – 2018, các tỉnh vùng Tây Ngun có diện tích rừng tự nhiên giảm 39.092 ha trong
khi đó diện tích rừng trồng tăng 34.446 ha. Tỉnh có diện tích rừng tự nhiên giảm mạnh nhất là
Đắk Lắk (-14.537 ha), tiếp đến là tỉnh Đắk Nông (-12.131 ha), tỉnh Gia Lai (-12.092 ha), tỉnh
Kon Tum (-1.132 ha). Riêng tỉnh Lâm Đồng diện tích rừng tự nhiên tăng 800 ha trong giai đoạn
2015 – 2018. Tỉnh có diện tích rừng trồng tăng cao nhất là Gia Lai (+17.272 ha), tiếp theo là tỉnh
Đắk Nông (+12.446 ha), tỉnh Lâm Đồng (+3.785 ha). Số vụ phá rừng trái phép tại 5 tỉnh Tây
Nguyên diễn ra mạnh vào cả mùa khô và mùa mưa. Mùa khô từ tháng 11 năm trước đến tháng 4
năm sau, các vụ phá rừng tập trung vào các tháng 11, 12 và tháng 3. Mùa mưa kéo dài từ tháng 5
đến tháng 10, các vụ phá rừng tập trung mạnh vào tháng 6, 7. Nguyên nhân phá rừng ở Tây
Nguyên được xác định là các vụ khai thác gỗ trái phép tập trung vào mùa khơ trong khi đó các
vụ phá rừng lấn chiếm đất rừng xảy ra mạnh vào mùa mưa.
3.2. Đặc điểm ảnh vệ tinh vùng Tây Nguyên
3.2.1. Ảnh vệ tinh Landsat 8
Tổng hợp số liệu về các cảnh ảnh Landsat 8 bao phủ khu vực Tây Nguyên trong thời gian
từ 01/01/2015 đến 31/12/2018 cho thấy, từ tháng 10 của năm trước đến tháng 4 của năm sau kế
tiếp (mùa khô) là khoảng thời gian các tỉnh khu vực Tây Nguyên có nhiều ảnh Landsat 8 với tỷ
lệ mây thấp dưới 10% (chiếm từ 20 đến 40% tổng số ảnh của từng tháng). Trong khi đó các tháng
5, 6, 7, 8, 9 (mùa mưa) ảnh Landsat 8 ở khu vực Tây Nguyên chủ yếu là có tỷ lệ mây trên 30%
(chiếm từ 60 – 70% tổng số ảnh của từng tháng).
3.2.2. Ảnh vệ tinh Sentinel 2
Tổng hợp số liệu về các cảnh ảnh Sentinel 2 bao phủ khu vực Tây Nguyên trong thời gian
từ 01/01/2015 đến 31/12/2018 cho thấy, đối với ảnh Sentinel 2 có tỷ lệ mây thấp vào mùa khơ và
có tỷ lệ mây cao vào mùa mưa. Từ tháng 11 năm trước đến tháng 4 năm sau kế tiếp là khoảng
thời gian các tỉnh khu vực Tây Nguyên có nhiều ảnh Sentinel 2 với tỷ lệ mây thấp dưới 10%
(chiếm từ 20 đến 40% tổng số ảnh của từng tháng). Trong khi đó các tháng 5, 6, 7, 8, 9, 10 (mùa
mưa) ảnh Sentinel 2 ở khu vực Tây Nguyên chủ yếu là có tỷ lệ mây trên 30% (chiếm từ 70 – 90%

tổng số ảnh của từng tháng).


10
Chương 4
KẾT QUẢ NGHIÊN CỨU VÀ THẢO LUẬN
4.1. Cơ sở khoa ứng dụng chỉ số viễn thám trong phát hiện mất rừng, suy thoái rừng
4.1.1. Xác định mối quan hệ giữa chỉ số viễn thám và trữ lượng rừng trên ảnh Landsat 8 và
Sentinel 2
Trữ lượng rừng là một trong số những nhân tố quan trọng phản ánh mức độ mất rừng, suy
thoái rừng. Xác định mối quan hệ giữa chỉ số viễn thám và nhân tố trữ lượng rừng là cơ sở để lựa
chọn chỉ số viễn thám trong việc phát hiện những thay đổi của rừng như mất rừng, suy thoái rừng.
Để đánh giá mối quan hệ giữa chỉ số viễn thám và trữ lượng rừng, 6 dạng mơ hình tương quan
bao gồm: hàm tuyến tính (Linear), hàm logarit (Logarithmic), hàm bậc hai (Quadratic), hàm bậc
ba (Cubic), hàm lũy thừa (Power), hàm mũ (Exponential) đã được thiết lập với việc sử dụng các
chỉ số viễn thám (NDVI, NBR) và các ảnh vệ tinh (Landsat 8, Sentinel 2).
a) Mối quan hệ giữa trữ lượng rừng và chỉ số NDVI trên ảnh Landsat 8
Bảng 4. 1. Ước lượng tham số các mơ hình tương quan giữa trữ lượng rừng và chỉ số NDVI
trên ảnh Landsat 8
Dependent Variable: M (m3/ha)
Equation
Model Summary
R R Square
F
df1
Linear
.694
.481 322.760
1
Logarithmic

.664
.441 274.846
1
Quadratic
.714
.510 180.798
2
Cubic
.713
.509 179.910
2
Power
.817
.667 695.691
1
Exponential
.829
.688 766.476
1
The independent variable is NDVI.

Parameter Estimates
df2 Sig. Constant
b1
b2
348 .000 -245.757 622.939
348 .000
336.376 374.944
347 .000
169.430 -701.545 1000.439

347 .000
45.024 -74.702
.000
348 .000
411.372
2.478
348 .000
9.563
4.005

b3

512.529

Nghiên cứu đã xây dựng được 06 phương trình tương quan (Bảng 4.1) thể hiện mối quan
hệ giữa trữ lượng rừng (biến Y - m3/ha) và chỉ số NDVI (biến X) trên ảnh Landsat 8 trong đó
phương trình mũ (Exponential): Y = 9,563 x e4,005 x X (R2 = 0,688) phản ánh tốt nhất mối quan hệ
giữa trữ lượng rừng và chỉ số NDVI trên ảnh Landsat 8.
b) Mối quan hệ giữa trữ lượng rừng và chỉ số NBR trên ảnh Landsat 8
Bảng 4. 2. Ước lượng tham số các mơ hình tương quan giữa trữ lượng rừng và chỉ số NBR
trên ảnh Landsat 8
Dependent Variable: M (m3/ha)
Equation
Model Summary
R R Square
F
df1
Linear
.714
.510 362.259

1
Logarithmic
.603
.364 198.979
1
Quadratic
.731
.534 199.072
2
Cubic
.733
.537 133.780
3
Power
.740
.547 420.744
1
Exponential
.831
.691 777.986
1
The independent variable is NBR.

df2
348
348
347
346
348
348

Parameter Estimates
Sig. Constant
b1
b2
b3
.000
-55.694 474.083
.000
310.838 142.491
.000
47.629 -39.670
533.561
.000
90.274 -503.718 1766.487 -937.803
.000
347.114
.940
.000
34.070
2.967

Nghiên cứu đã xây dựng được 06 phương trình tương quan (Bảng 4.2) thể hiện mối quan
hệ giữa trữ lượng rừng (biến Y - m3/ha) và chỉ số NBR (biến X) trên ảnh Landsat 8 trong đó


11
phương trình mũ (Exponential): Y = 34,070 x e2,967 x X (R2 = 0,691) phản ánh tốt nhất mối quan
hệ giữa trữ lượng rừng và chỉ số NBR trên ảnh Landsat 8.
c) Mối quan hệ giữa trữ lượng rừng và chỉ số NDVI trên ảnh Sentinel 2

Bảng 4. 3. Ước lượng tham số các mơ hình tương quan giữa trữ lượng rừng và chỉ số NDVI
trên ảnh Sentinel 2
Dependent Variable: M (m3/ha)
Equation
Model Summary
R R Square
F
df1
Linear
.771
.595 511.748
1
Logarithmic
.736
.541 410.170
1
Quadratic
.804
.647 317.684
2
Cubic
.831
.691 258.207
3
Power
.837
.701 814.762
1
Exponential
.842

.709 846.039
1
The independent variable is NDVI.

df2
348
348
347
346
348
348

Sig. Constant
.000
-99.408
.000 289.615
.000 186.131
.000 -522.891
.000 366.652
.000
23.959

Parameter Estimates
b1
b2
448.980
221.902
-653.979 1001.258
3911.162 -8218.465
1.603

3.109

b3

5912.122

Nghiên cứu đã xây dựng được 06 phương trình tương quan (Bảng 4.3) thể hiện mối quan
hệ giữa trữ lượng rừng (biến Y - m3/ha) và chỉ số NDVI (biến X) trên ảnh Sentinel 2 trong đó
phương trình mũ (Exponential): Y = 23,959 x e3,109 x X (R2 = 0,709) phản ánh tốt nhất mối quan
hệ giữa trữ lượng rừng và chỉ số NDVI trên ảnh Sentinel 2.
d) Mối quan hệ giữa trữ lượng rừng và chỉ số NBR trên ảnh Sentinel 2
Bảng 4. 4. Ước lượng tham số các mơ hình tương quan giữa trữ lượng rừng và chỉ số NBR
trên ảnh Sentinel 2
Dependent Variable: M(m3/ha)
Equation
Model Summary
R R Square
F
df1
Linear
.804
.646
635.404
1
Logarithmic
.742
.551
426.571
1
Quadratic

.828
.685
378.031
2
Cubic
.828
.686
251.444
3
Power
.880
.774 1191.793
1
Exponential
.908
.825 1643.615
1
The independent variable is NBR.

df2
348
348
347
346
348
348

Parameter Estimates
Sig. Constant
b1

b2
b3
.000 -131.942 518.325
.000
295.268 213.752
.000
51.685 -284.783
797.975
.000
73.981 -460.384 1201.769 -285.473
.000
443.482
1.888
.000
11.615
4.365

Nghiên cứu đã xây dựng được 06 phương trình tương quan (Bảng 4.4) thể hiện mối quan
hệ giữa trữ lượng rừng (biến Y - m3/ha) và chỉ số NBR (biến X) trên ảnh Sentinel 2 trong đó
phương trình mũ (Exponential): Y = 11,615 x e4,365 x X (R2 = 0,825) phản ánh tốt nhất mối quan
hệ giữa trữ lượng rừng và chỉ số NBR trên ảnh Sentinel 2.
4.1.2. Kiểm định sự khác biệt về các chỉ số viễn thám giữa các trạng thái rừng trên ảnh Landsat 8
và Sentinel 2
Tác giả đã kiểm định sự khác biệt về chỉ số viễn thám đối với 16 trạng thái rừng bao gồm:
05 trạng thái rừng lá rộng thường xanh (giàu, trung bình, nghèo, nghèo kiệt, phục hồi); 05 trạng
thái rừng lá rộng rụng lá (giàu, trung bình, nghèo, nghèo kiệt, phục hồi); 02 trạng thái rừng lá kim
(giàu, trung bình); 02 trạng thái rừng lá rộng nửa rụng lá (giàu, trung bình); 02 trạng thái rừng
hỗn giao (gỗ - tre nứa và tre nứa – gỗ). Kết qủa kiểm định nhằm xác định ngưỡng chỉ số viễn
thám để phân loại các kiểu rừng như dưới đây:

12
a) Xác định ngưỡng chỉ số NDVI trên ảnh Landsat 8 cho các kiểu rừng ở Tây Nguyên
Nghiên cứu đã kiểm định 120 cặp trạng thái bằng kiểm định Mann-Whitney cho 2 mẫu
độc lập và kết quả cho thấy, có 16 cặp trạng thái có cơ sở để chấp nhận giả thuyết H0 và 104 cặp
trạng thái có cơ sở để chấp nhận giả thuyết H1. Các cặp trạng thái chấp nhận giả thuyết H0 là căn
cứ để nghiên gộp các trạng thái rừng tương đồng thành 5 nhóm kiểu rừng. Sau đó, tác giả tiếp tục
kiểm định sự khác biệt theo phương pháp kiểm định Mann – Whitney, cho 5 nhóm kiểu rừng sau
khi gộp. Kết quả đã cho thấy, tất cả các giá trị |z| lớn hơn 1,96 và tất cả các giá trị (Sig.) là nhỏ
hơn 0,05 do đó ta có thể bác giả thuyết H0 hay có thể nói rằng các nhóm kiểu rừng đã có sự khác
nhau về giá trị trung bình NDVI của mỗi nhóm. Từ đó, cho phép ước lượng ngưỡng giá trị NDVI
trên ảnh Landsat 8 cho các nhóm kiểu rừng như Bảng 4.5.
Bảng 4. 5. Kết quả ước lượng ngưỡng giá trị NDVI cho các nhóm trạng thái rừng
TT
1
2
3
4
5

Nhóm kiểu rừng

Cận dưới
(𝑥̅ − 𝑆𝑡𝑑 ×
1,96)

Giá trị
trung bình
(𝑥̅ )

Cận trên
(𝑥̅ + 𝑆𝑡𝑑
× 1,96)

Rừng gỗ tự nhiên núi đất LRTX (giàu,
0,769
0,825
0,881
trung bình, nghèo)
Rừng gỗ tự nhiên núi đất LRTX (nghèo
kiệt, phục hồi), rừng hỗn giao (gỗ - tre nứa,
0,627
0,693
0,758
tre nứa - gỗ), rừng lá kim (giàu, trung bình)
Rừng gỗ tự nhiên núi đất LRNRL (giàu,
0,494
0,557
0,620
trung bình)
Rừng gỗ tự nhiên núi đất LRRL (giàu,
0,411
0,450
0,489
trung bình)
Rừng gỗ tự nhiên núi đất LRRL (nghèo,
0,243
0,318
0,392
nghèo kiệt, phục hồi)

b) Xác định ngưỡng chỉ số NBR trên ảnh Landsat 8 cho các kiểu rừng ở Tây Nguyên
Nghiên cứu đã kiểm định 120 cặp trạng thái bằng kiểm định Mann-Whitney cho 2 mẫu

độc lập và kết quả cho thấy, có 11 cặp trạng thái có cơ sở để chấp nhận giả thuyết H0 và 109 cặp
trạng thái có cơ sở để chấp nhận giả thuyết H1. Các cặp trạng thái chấp nhận giả thuyết H0 là căn
cứ để nghiên gộp các trạng thái rừng tương đồng thành 5 nhóm kiểu rừng. Sau đó, tác giả tiếp tục
kiểm định sự khác biệt theo phương pháp kiểm định Mann – Whitney, cho 5 nhóm kiểu rừng sau
khi gộp. Kết quả đã cho thấy, tất cả các giá trị |z| lớn hơn 1,96 và tất cả các giá trị (Sig.) là nhỏ
hơn 0,05 do đó ta có thể bác giả thuyết H0 hay có thể nói rằng các nhóm kiểu rừng đã có sự khác
nhau về giá trị trung bình NBR của mỗi nhóm. Từ đó, cho phép ước lượng ngưỡng giá trị NBR
trên ảnh Landsat 8 cho các nhóm kiểu rừng như Bảng 4.6.


13
Bảng 4. 6. Kết quả ước lượng ngưỡng giá trị NBR cho các nhóm trạng thái rừng
TT

Nhóm trạng thái rừng

Cận dưới
(𝑥̅ − 𝑆𝑡𝑑 ×
1,96)

Giá trị
trung bình
(𝑥̅ )

Cận trên
(𝑥̅ + 𝑆𝑡𝑑
× 1,96)

Rừng gỗ tự nhiên núi đất LRTX (giàu,
0,576
0,661
0,745
trung bình, nghèo)
Rừng gỗ tự nhiên núi đất LRTX (nghèo
2
kiệt, phục hồi), rừng hỗn giao (gỗ - tre nứa,
0,484
0,525
0,565
tre nứa - gỗ), rừng lá kim (giàu, trung bình)
Rừng gỗ tự nhiên núi đất LRNRL (giàu,
3
0,220
0,316
0,411
trung bình)
Rừng gỗ tự nhiên núi đất LRRL (giàu,
4
0,067
0,101
0,134
trung bình)
Rừng gỗ tự nhiên núi đất LRRL (nghèo,
5
-0,035
0,021
0,077

nghèo kiệt, phục hồi)
c) Xác định ngưỡng chỉ số NDVI trên ảnh Sentinel 2 cho các kiểu rừng ở Tây Nguyên
Nghiên cứu đã kiểm định 120 cặp trạng thái bằng kiểm định Mann-Whitney cho 2 mẫu
độc lập và kết quả cho thấy, có 20 cặp trạng thái có cơ sở để chấp nhận giả thuyết H0 và 100 cặp
trạng thái có cơ sở để chấp nhận giả thuyết H1. Các cặp trạng thái chấp nhận giả thuyết H0 là căn
cứ để nghiên gộp các trạng thái rừng tương đồng thành 5 nhóm kiểu rừng. Sau đó, tác giả tiếp tục
1

kiểm định sự khác biệt theo phương pháp kiểm định Mann – Whitney, cho 5 nhóm kiểu rừng sau
khi gộp. Kết quả đã cho thấy, tất cả các giá trị |z| lớn hơn 1,96 và tất cả các giá trị (Sig.) là nhỏ
hơn 0,05 do đó ta có thể bác giả thuyết H0 hay có thể nói rằng các nhóm kiểu rừng đã có sự khác
nhau về giá trị trung bình NDVI của mỗi nhóm. Từ đó, cho phép ước lượng ngưỡng giá trị NDVI
trên ảnh Sentinel 2 cho các nhóm kiểu rừng như Bảng 4.7.
Bảng 4. 7. Kết quả ước lượng ngưỡng giá trị NDVI trên ảnh Sentinel 2
cho các nhóm kiểu rừng
TT
1

2

3
4
5

Nhóm kiểu rừng

Cận dưới
̅ − 𝑺𝒕𝒅 ×
(𝒙
𝟏, 𝟗𝟔)

Giá trị
trung
̅)
bình (𝒙

Cận trên
̅ + 𝑺𝒕𝒅
(𝒙
× 𝟏, 𝟗𝟔)

Rừng gỗ tự nhiên núi đất LRTX (giàu,
0,603
0,674
0,744
trung bình, nghèo)
Rừng gỗ tự nhiên núi đất LRTX (nghèo
kiệt, phục hồi), rừng hỗn giao (gỗ - tre
0,503
0,552
0,601
nứa, tre nứa - gỗ), rừng lá kim (giàu, trung
bình)
Rừng gỗ tự nhiên núi đất LRNRL (giàu,
0,358
0,410
0,463
trung bình)
Rừng gỗ tự nhiên núi đất LRRL (giàu,
0,215

0,254
0,294
trung bình, nghèo)
Rừng gỗ tự nhiên núi đất LRRL (nghèo
0,121
0,161
0,201
kiệt, phục hồi)
d) Xác định ngưỡng chỉ số NBR trên ảnh Sentinel 2 cho các kiểu rừng ở Tây Nguyên


14
Nghiên cứu đã kiểm định 120 cặp trạng thái bằng kiểm định Mann-Whitney cho 2 mẫu
độc lập và kết quả cho thấy, có 17 cặp trạng thái có cơ sở để chấp nhận giả thuyết H0 và 103 cặp
trạng thái có cơ sở để chấp nhận giả thuyết H1. Các cặp trạng thái chấp nhận giả thuyết H0 là căn
cứ để nghiên gộp các trạng thái rừng tương đồng thành 5 nhóm kiểu rừng. Sau đó, tác giả tiếp tục
kiểm định sự khác biệt theo phương pháp kiểm định Mann – Whitney, cho 5 nhóm kiểu rừng sau
khi gộp. Kết quả đã cho thấy, tất cả các giá trị |z| lớn hơn 1,96 và tất cả các giá trị (Sig.) là nhỏ
hơn 0,05 do đó ta có thể bác giả thuyết H0 hay có thể nói rằng các nhóm kiểu rừng đã có sự khác
nhau về giá trị trung bình NBR của mỗi nhóm. Từ đó, cho phép ước lượng ngưỡng giá trị NBR
trên ảnh Sentinel 2 cho các nhóm kiểu rừng như Bảng 4.8.
Bảng 4. 8. Kết quả ước lượng ngưỡng giá trị NBR trên ảnh Sentinel 2 cho các nhóm kiểu
rừng khác nhau
Nhóm kiểu rừng

TT

Cận dưới
̅ − 𝑺𝒕𝒅 ×
(𝒙

𝟏, 𝟗𝟔)

Giá trị
trung
̅)
bình (𝒙

Cận trên
̅ + 𝑺𝒕𝒅
(𝒙
× 𝟏, 𝟗𝟔)

Rừng gỗ tự nhiên núi đất LRTX (giàu,
0,529
0,616
0,704
trung bình, nghèo)
Rừng gỗ tự nhiên núi đất LRTX (nghèo
kiệt, phục hồi), rừng hỗn giao (gỗ - tre
2
0,417
0,468
0,519
nứa, tre nứa - gỗ), rừng lá kim (giàu, trung
bình)
Rừng gỗ tự nhiên núi đất LRNRL (giàu,
3
0,173
0,217
0,261

trung bình)
Rừng gỗ tự nhiên núi đất LRRL (giàu,
4
0,081
0,122
0,163
trung bình, nghèo)
Rừng gỗ tự nhiên núi đất LRRL (nghèo
5
-0,177
-0,055
0,065
kiệt, phục hồi)
4.1.3. Xác định ngưỡng chỉ số tương đối với rừng không thay đổi trên ảnh Landsat 8
Mục tiêu của nghiên cứu là đánh giá sự thay đổi chỉ số NDVI, NBR trên ảnh Landsat 8
1

của các kiểu rừng trong 6 tháng mùa khô Mùa khô (từ tháng 11 của năm trước đến tháng 4 của
năm kế tiếp) ở Tây Nguyên nhằm xác định ngưỡng biến động của chỉ số viễn thám trong trường
hợp rừng không đổi làm cơ sở cho xác định ngưỡng phát hiện suy thoái rừng, mất rừng ở vùng
Tây Nguyên.
Bảng 4. 9. Kết quả xác định ngưỡng KB(dNDVI) và KB(dNBR) phát hiện rừng không đổi
trên ảnh Landsat 8
Kiểu rừng

TT

KB(dNVDI)

KB(dNBR)

1

Lá rộng thường xanh

10,2

10,1

2

Lá kim

14,4

25,0

3

Lồ ô tre nứa

11,4

17,4

4

Hỗn giao gỗ - tre nứa

15,4

15,8

5

Rừng trồng

20,0

23,1


15
Giá trị lớn nhất

20,0

25,0

Kết quả trong Bảng 4.9 đã cho thấy, giá trị KB(dNVDI) lớn nhất trong 5 kiểu rừng nghiên
cứu là 20 và giá trị KB(dNBR) là 25. Từ đó, nghiên cứu xác định ngưỡng KB(dNDVI) và
KB(dNBR) phát hiện rừng không đổi trên ảnh Landsat 8 ở vùng Tây Nguyên lần lượt là 0 – 20
và 0 – 25. Ngưỡng KB(dNDVI) và KB(dNBR) phát hiện rừng không đổi được sử dụng để xác
định ngưỡng suy thoái rừng, mất rừng.
4.1.4. Xác định ngưỡng chỉ số tương đối với rừng không thay đổi trên ảnh Sentinel 2
Tương tự như đối với ảnh Landsat 8, Luận án đánh giá sự thay đổi chỉ số NDVI, NBR
trên ảnh Sentinel 2 của các kiểu rừng trong 6 tháng mùa khô Mùa khô (từ tháng 11 của năm trước
đến tháng 4 của năm kế tiếp) ở Tây Nguyên để xác định ngưỡng rừng không đổi.
Bảng 4. 10. Kết quả xác định ngưỡng KB(dNDVI) và KB(dNBR) phát hiện rừng không
đổi trên ảnh Sentinel 2

Kiểu rừng

TT

KB(dNVDI)

KB(dNBR)

1

Lá rộng thường xanh

14,0

16,8

2

Lá kim

20,0

25,0

3

Lồ ô tre nứa

14,3

17,4

4

Hỗn giao gỗ - tre nứa

18,2

16,9

5

Rừng trồng

17,9

22,3

20,0

25,0

Giá trị lớn nhất

Kết quả trong Bảng 4.10 đã cho thấy, giá trị KB(dNVDI) lớn nhất trong 5 kiểu rừng nghiên
cứu là 20 và giá trị KB(dNBR) là 25. Từ đó, nghiên cứu xác định ngưỡng KB(dNDVI) và
KB(dNBR) phát hiện rừng không đổi trên ảnh Sentinel 2 ở vùng Tây Nguyên lần lượt là 0-20 và
0-25. Kết quả này cho thấy, ngưỡng phát hiện rừng không đổi trên ảnh Sentinel 2 tương tự với
trên ảnh Landsat 8.
4.1.5. Thảo luận

a) Về mối quan hệ giữa chỉ số viễn thám và trữ lượng rừng
Thơng qua việc thiết lập 6 mơ hình tương quan giữa trữ lượng rừng và các chỉ số NDVI,
NBR trên ảnh Landsat 8 và Sentinel 2, tác giả đã thấy rằng: những thay đổi về trữ lượng rừng có
thể được giải thích tốt nhất thơng qua sự thay đổi của 2 chỉ số NDVI và NBR theo hàm số mũ.
Trên ảnh Landsat 8 hoặc ảnh Sentinel 2, chỉ số NBR có thể giải thích tốt hơn chỉ số NDVI về sự
thay đổi của trữ lượng rừng. Đối với việc sử dụng chỉ số NDVI hoặc NBR, ảnh Sentinel 2 có thể
giải thích tốt hơn ảnh Landsat 8 về sự thay đổi trữ lượng rừng. Những phát hiện của tác giả phù
hợp với một số nghiên cứu trước đã được công bố bởi: Motlagh, M. G. et al. (2018); Pandey, P.
C. et al. (2018); Muhd-Ekhzarizal, M. E. et al. (2017); Phạm Văn Duẩn và Vũ Thị Thìn (2016);
Laurin G. V. et al. (2016) và Askar (2018).
b) Về sự khác biệt về chỉ số viễn thám giữa các kiểu trạng thái rừng


16
Kết quả kiểm định sự khác biệt 2 chỉ số viễn thám NDVI và NBR trên ảnh vệ tinh Landsat
8 và Sentinel 2 đối với 16 trạng thái rừng thuộc 5 kiểu rừng chính ở vùng Tây Nguyên, tác giả
thấy rằng, có sự tương đồng về kết quả nghiên cứu khi sử dụng chỉ số NDVI hoặc NBR trên ảnh
Landsat 8 và Sentinel 2. Về phân loại các kiểu rừng: có thể sử dụng chỉ số NDVI, NBR để phân
biệt được 3 kiểu rừng trong số 5 kiểu rừng nghiên cứu bao gồm: rừng tự nhiên lá rộng thường
xanh, rừng tự nhiên lá rộng rụng lá và rừng tự nhiên lá rộng nửa rụng lá. Hai kiểu rừng (rừng lá
kim và rừng hỗn giao gỗ - tre nứa) khơng có sự khác biệt về chỉ số NDVI và NBR so với các kiểu
rừng lá rộng thường xanh nên không thể phân loại 2 kiểu rừng này. Về phân loại các trạng thái
rừng theo cấp trữ lượng (giàu, trung bình, nghèo, nghèo kiệt, phục hồi): khơng có sự khác biệt rõ
rệt về chỉ số viễn thám của 5 trạng thái rừng này, nhưng có sự khác biệt về chỉ số viễn thám giữa
2 nhóm trạng thái (giàu, trung bình, nghèo) và nhóm trạng thái (nghèo kiệt, phục hồi). Kết quả
của luận án phù hợp với một số nghiên cứu trước đã được công bố bởi: Yang, Y. et al. (2019);
Koppada, A. G. et al. (2017); Shisshir, S. et al. (2018); Nguyễn Hải Hòa và cộng sự (2019); Phạm
Văn Duẩn và Phùng Văn Khoa (2013).
c) Về ngưỡng chỉ số tương đối phát hiện rừng không đổi
Như đã được đề cập đến trong Phương pháp luận nghiên cứu, không phải mọi thay đổi về

chỉ số viễn thám trên ảnh vệ tinh là liên quan đến mất rừng, suy thối rừng ngồi thực địa. Do đó,
tác giả nghiên cứu biến động chỉ số viễn thám cho các kiểu rừng không đổi theo thời gian đồng
thời xác định ngưỡng chỉ số tương đối để phát hiện rừng không đổi làm cơ sở cho việc xác định
ngưỡng phát hiện mất rừng, suy thoái rừng.
Nghiên cứu đã xác định biến động chỉ số NDVI, NBR của 6 kiểu rừng (rừng lá rộng
thường xanh, rừng lá rộng rụng lá, rừng lá kim, rừng hỗn giao gỗ - tre nứa, rừng lồ ô – tre nứa,
rừng trồng) vào 6 tháng mùa khô (từ tháng 11 năm trước đến tháng 4 năm kế tiếp) của các năm
2015, 2016, 2017, 2018. Tác giả thấy rằng, kiểu rừng lá rộng rụng lá có sự biến động chỉ số viễn
thám cao nhất và kiểu rừng lá rộng thường xanh có biến động chỉ số viễn thám thấp nhất. Đặc
biệt, chỉ số viễn thám của kiểu rừng lá rộng rụng lá có sự biến động rất mạnh có thể nhầm lẫn với
khu vực mất rừng, suy thoái rừng. Với kết quả này, luận án đã giới hạn lại phạm vi xác định
ngưỡng chỉ số tương đối để phát hiện rừng không đổi ở vùng Tây Nguyên với việc không lựa
chọn kiểu rừng lá rộng rụng lá.
Nghiên cứu đã xác định ngưỡng chỉ số tương đối với 5 kiểu rừng không đổi (rừng lá rộng
thường xanh, rừng lá kim, rừng hỗn giao gỗ - tre nứa, rừng lồ ô – tre nứa, rừng trồng) với kết quả
như sau: KB(dNDVI) và KB(dNBR) phát hiện rừng không đổi lần lượt là: 0-20 và 0-25 trên cả
hai loại ảnh Landsat 8 và Sentinel 2. Kết quả này cho thấy, khơng có sự khác biệt về ngưỡng chỉ
số tương đối KB sử dụng chỉ số NDVI hoặc NBR trên cả 2 loại ảnh Landsat 8 và Sentinel 2.
Nhưng có sự khác biệt về ngưỡng chỉ số tương đối KB giữa chỉ số NDVI và NBR trên cùng 1
loại ảnh Landsat 8 hoặc Sentinel 2. Khi sử dụng chỉ số NBR cho ngưỡng phát hiện rừng không
đổi KB(dNBR) rộng hơn so với ngưỡng KB(dNDVI) khi sử dụng chỉ số NDVI. Mặc dù, sự khác


17
biệt là khơng lớn nhưng có thể giải thích như sau: (i) trong cơng thức tính giá trị NBR sử dụng
kênh dải hồng ngoại sóng ngắn (SWIR) trong khi việc tính giá trị NDVI sử dụng kênh đỏ (RED).
SWIR nhạy cảm với các khu vực khô, ẩm, thực vật bị khô, chết hơn so với kênh RED; (ii) kết
quả nghiên cứu cho thấy, các kiểu rừng (lá kim và rừng trồng) có sự biến động về chỉ số viễn
thám cao hơn so với các kiểu rừng (lá rộng thường xanh, rừng hỗn giao gỗ - tre nứa, rừng lồ ô –
tre nứa). Do đó, ngưỡng chỉ số tương đối phát hiện rừng không đổi trị KB(dNDVI) và KB(dNBR)

đã được xác định dựa vào sự biến động chỉ số viễn thám của 2 kiểu rừng này. Vào mùa khô, đây
là hai kiểu rừng có sự sự biến động về tán nhiều hơn so với các kiểu rừng khác (do tính đặc thù
về kiểu rừng, cũng như các hoạt động khác của con người như phát dọn thực bì, áp dụng các biện
pháp giảm thiểu cháy rừng). Do đó, khi sử dụng chỉ số NBR khả năng phát hiện những biến động
từ hai kiểu rừng này nhạy hơn so với việc sử dụng chỉ số NDVI.
4.2. Xác định ngưỡng mất rừng, suy thoái rừng ở vùng Tây Nguyên trên ảnh Landsat 8 và
Sentinel 2
4.2.1. Sử dụng ảnh Landsat 8
4.2.1.1. Xác định ngưỡng phát hiện mất rừng và suy thoái rừng
Nghiên cứu đã sử dụng phần mềm ArcGIS 10.1 để tính tốn và trích xuất giá trị
KB(dNDVI) và KB(dNBR) trên ảnh Landsat 8 theo 230 mẫu mất rừng đã được lựa chọn.
Bảng 4. 11. Xác định ngưỡng phát hiện mất rừng trên ảnh Landsat 8
Kết quả tổng hợp 230 mẫu mất rừng
- Giá trị nhỏ nhất
- Giá trị lớn nhất

KB (dNDVI)
40,0
70,0

KB (dNBR)
45,0
110,0

50,1

75,9

- Giá trị trung bình

- Độ lệch chuẩn
6,7
13,6
Kết quả trong Bảng 4.11 cho thấy, trong tổng số 230 mẫu nghiên cứu, chỉ số KB(dNDVI)
có giá trị nhỏ nhất là 40,0 và có giá trị lớn nhất là 70,0; chỉ số KB(dNBR) có giá trị nhỏ nhất là
45,0 và có giá trị lớn nhất là 110,0. Từ đó, nghiên cứu đã xác định ngưỡng để phát hiện mất rừng
tại khu vực nghiên cứu cho trường hợp sử dụng chỉ số NDVI và ảnh Landsat 8 có KB(dNDVI)
từ 40,0 đến 70,0. Và ngưỡng để phát hiện mất rừng tại khu vực nghiên cứu cho trường hợp sử
dụng chỉ số NBR và ảnh Landsat 8 có KB(dNBR) từ 45,0 đến 110,0.
Từ kết quả xác định ngưỡng rừng không thay đổi và ngưỡng phát hiện mất rừng tại khu
vực nghiên cứu, nghiên cứu xác định được ngưỡng để phát hiện suy thoái rừng rừng cho trường
hợp sử dụng chỉ số NDVI và ảnh Landsat 8 có KB(dNDVI) từ 20,0 đến 40,0. Và ngưỡng để phát
hiện suy thoái rừng cho trường hợp sử dụng chỉ số NBR và ảnh Landsat 8 có KB(dNBR) từ 25,0
đến 45,0.
4.2.1.2. Đánh giá độ chính xác phát hiện mất rừng, suy thối rừng
a) Độ chính xác phát hiện mất rừng


18
Tác giả đối chứng kết quả phát hiện mất rừng trên ảnh Landsat 8 với 150 mẫu mất rừng
đã được lựa chọn để đánh giá độ chính xác phát hiện mất rừng.
Bảng 4. 12. Kết quả đánh giá độ chính xác phương pháp phát hiện mất rừng
trên ảnh Landsat 8
Đánh giá độ chính xác với 150 mẫu

NDVI-Landsat 8

mất rừng

NBR-Landsat 8

- Số mẫu phát hiện được:

113

124

- Độ chính xác phát hiện (%):

75,3

82,7

- Tỷ lệ sai lệch về diện tích (%):

13,5

11,2

- Độ chính xác về diện tích (%):

86,5

88,8

Kết quả trong Bảng 4.12 cho thấy: khi sử dụng chỉ số NDVI, độ chính xác phát hiện mất
rừng là 75,3% và độ chính xác về diện tích mất rừng là 86,5%. Khi sử dụng chỉ số NBR, độ chính
xác phát hiện mất rừng là 82,7% và độ chính xác về diện tích mất rừng là 88,8%.
b) Độ chính xác phát hiện suy thối rừng
Tác giả đối chứng kết quả phát hiện suy thoái rừng trên ảnh Landsat 8 với 90 mẫu suy

thoái rừng đã được lựa chọn để đánh giá độ chính xác phát hiện suy thoái rừng.
Bảng 4. 13. Kết quả đánh giá độ chính xác phương pháp phát hiện suy thối rừng
trên ảnh Landsat 8
Đánh giá độ chính xác với 90 mẫu suy

NDVI-Landsat 8

NBR-Landsat 8

thoái rừng
- Số mẫu phát hiện được
- Độ chính xác phát hiện (%)

50

68

61,1

75,6

- Tỷ lệ sai lệch về diện tích (%)

35,0

27,8

- Độ chính xác về diện tích (%)

65,0

72,2

Kết quả trong Bảng 4.13 cho thấy: khi sử dụng chỉ số NDVI, độ chính xác phát hiện suy
thối rừng là 61,1% và độ chính xác về diện tích suy thối rừng là 65,0%. Khi sử dụng chỉ số
NBR, độ chính xác phát hiện suy thoái rừng là 75,6% và độ chính xác về diện tích suy thối rừng
là 72,2%.
4.2.2. Sử dụng ảnh vệ tinh Sentinel 2
4.2.2.1. Xác định ngưỡng mất rừng, suy thoái rừng
Nghiên cứu sử dụng phần mềm ArcGIS 10.1 để tính tốn và trích xuất giá trị KB(dNDVI)
và KB(dNBR) trên ảnh Sentinel 2 theo 230 mẫu mất rừng đã được lựa chọn.
Bảng 4. 14. Xác định ngưỡng phát hiện mất rừng trên ảnh Sentinel 2
Kết quả tổng hợp 230 mẫu mất rừng

KB (dNDVI)

KB (dNBR)

- Giá trị nhỏ nhất

40,0

45,0

- Giá trị lớn nhất

90,0

120,0

- Giá trị trung bình

61,6

77,8


19
- Độ lệch chuẩn

9,7

14,3

Kết quả trong Bảng 4.14 cho thấy, trong tổng số 230 mẫu nghiên cứu, chỉ số KB(dNDVI)
có giá trị nhỏ nhất là 40,0 và có giá trị lớn nhất là 90,0; chỉ số KB(dNBR) có giá trị nhỏ nhất là 45,0
và có giá trị lớn nhất là 120,0. Từ đó, nghiên cứu đã xác định ngưỡng để phát hiện mất rừng tại khu
vực nghiên cứu cho trường hợp sử dụng chỉ số NDVI và ảnh Sentinel 2 có KB(dNDVI) từ 40,0 đến
90,0. Và ngưỡng để phát hiện mất rừng tại khu vực nghiên cứu cho trường hợp sử dụng chỉ số NBR
và ảnh Sentinel 2 có KB(dNBR) từ 45,0 đến 120,0.
Từ kết quả xác định ngưỡng rừng không thay đổi và ngưỡng phát hiện mất rừng tại khu
vực nghiên cứu, nghiên cứu đã xác định được ngưỡng để phát hiện suy thoái rừng rừng tại khu
vực nghiên cứu cho trường hợp sử dụng chỉ số NDVI và ảnh Sentinel 2 có KB(dNDVI) từ 20,0
đến 40,0. Và ngưỡng để phát hiện suy thoái rừng tại khu vực nghiên cứu cho trường hợp sử dụng
chỉ số NBR và ảnh Sentinel 2 có KB(dNBR) từ 25,0 đến 45,0. Kết quả cho thấy, ngưỡng xác định
suy thoái rừng trên ảnh Sentinel 2 tương tự như trên ảnh Landsat 8.
4.2.2.2. Đánh giá độ chính xác phát hiện mất rừng, suy thối rừng
a) Độ chính xác phát hiện mất rừng
Tác giả đối chứng kết quả phát hiện mất rừng trên ảnh Sentinel 2 với 150 mẫu mất rừng
đã được lựa chọn để đánh giá độ chính xác phát hiện mất rừng.

Bảng 4. 15. Kết quả đánh giá độ chính xác phương pháp phát hiện mất rừng
trên ảnh Sentinel 2
Đánh giá độ chính xác với 150 mẫu
NDVI - Sentinel 2
NBR – Sentinel 2
mất rừng
- Số mẫu phát hiện được
121
136
- Độ chính xác phát hiện (%)
80,7
90,7
- Tỷ lệ sai lệch về diện tích (%)
11,9
9,3
- Độ chính xác về diện tích (%)
88,1
90,7
Kết quả trong Bảng 4.15 cho thấy: khi sử dụng chỉ số NDVI, độ chính xác phát hiện mất
rừng là 80,7% và độ chính xác diện tích mất rừng là 88,1%; khi sử dụng chỉ số NBR, độ chính
xác phát hiện mất rừng là 90,7% và độ chính xác về diện tích mất rừng là 90,7%.
b) Độ chính xác phát hiện suy thối rừng
Tác giả đối chứng kết quả phát hiện suy thoái rừng trên ảnh Sentinel 2 với 90 mẫu suy
thoái rừng đã được lựa chọn để đánh giá độ chính xác phát hiện suy thoái rừng.
Bảng 4. 165. Kết quả đánh giá độ chính xác phương pháp phát hiện suy thối rừng
trên ảnh Sentinel 2
Đánh giá độ chính xác với 90 mẫu
suy thối rừng
- Số mẫu phát hiện được
- Độ chính xác phát hiện (%)

- Tỷ lệ sai lệch về diện tích (%)

NDVI – Sentinel 2

NBR – Sentinel 2

67

73

74,4

81,1
31,2

26,8


20
- Độ chính xác về diện tích (%)

68,8

73,2

Kết quả trong Bảng 4.16 cho thấy: khi sử dụng chỉ số NDVI, độ chính xác phát hiện suy
thối rừng là 74,4% và độ chính xác diện tích suy thối rừng là 68,8%. Khi sử dụng chỉ số NBR,
độ chính xác phát hiện suy thối rừng là 81,1% và độ chính xác về diện tích suy thối rừng là
73,2%.
4.2.3. Thảo luận

a) Về ngưỡng phát hiện mất rừng, suy thoái rừng
Nghiên cứu đã xác định được ngưỡng chỉ số tương đối KB xác định suy thoái rừng, mất
rừng với giá trị lần lượt cho 04 trường hợp đó là: 20 – 40 và 40 – 70 (chỉ số NDVI và ảnh Landsat
8); 25 – 45 và 45 – 110 (chỉ số NBR và ảnh Landsat 8); 20 – 40 và 40 – 90 (chỉ số NDVI và ảnh
Sentinel 2); 25 – 45 và 45 – 120 (chỉ số NBR và ảnh Sentinel 2).
Đất không có thực vật thường có giá trị NDVI <= 0,2 (Yang, Y. et al., 2019), trong khi đó
trạng thái rừng thường xanh có giá trị NDVI cao nhất trong số các trạng thái nghiên cứu với giá
trị NDVI trung bình là 0,74 (Na-U-Dom, T. et al., 2017). Về mặt lý thuyết giả sử trường hợp rừng
thường xanh chuyển sang đất khơng có rừng (xảy ra mất rừng), tức là giá trị NDVI chuyển từ
0,74 về 0,2 (tương ứng với giá trị KB = 73), giá trị này cao hơn so với kết quả xác định ngưỡng
phát hiện mất rừng của nghiên cứu (KB = 40). Tuy nhiên, trong thực tế các diện tích rừng có chỉ số
thực vật cao thường là rừng giàu, trung bình nằm trong các Ban quản lý rừng đặc dụng, phịng hộ nên
ít xảy ra mất rừng hơn. Các vụ phá rừng dẫn đến mất rừng thường xảy ra tại các diện tích rừng nghèo,
nghèo kiệt (có giá trị NDVI trong khoảng 0, 4 – 0,6). Mặt khác, diện tích mất rừng khơng phải lúc nào
cũng trở thành đất trống, khơng có thực vật do đó sau khi xảy ra mất rừng giá trị NDVI thường lớn hơn
0,2 và có thể đạt đến 0,3. Do đó, ngưỡng KB = 40 được xác định để phát hiện mất rừng trong nghiên
cứu này có thể xem là phù hợp với thực tiễn tại khu vực nghiên cứu.
Kết quả nghiên cứu cũng cho thấy, ngưỡng KB(dNDVI) phát hiện mất rừng thấp hơn giá
trị 100 trong khi đó ngưỡng KB(dNBR) lên đến 110 (trên ảnh Landsat 8) và 120 trên ảnh Sentinel
2. Điều này có thể được giải thích như sau: về mặt lý thuyết các khu vực có rừng sẽ có chỉ số
NDVI và NBR với giá trị cao nhất là 1. Khi xảy ra mất rừng, theo kết quả nghiên cứu của luận
án, đối với chỉ số NDVI khơng thấp hơn 0 theo đó giá trị KB sẽ không lớn hơn 100. Tuy nhiên,
đối với chỉ số NBR, khi xảy ra mất rừng đặc biệt tại và vị trí mất rừng do cháy rừng giá trị NBR
sẽ nhỏ hơn 0 (mang dấu âm), nên giá KB sẽ lớn hơn 100. Kết quả phát hiện vị trí rừng bị cháy có
giá trị NBR nhỏ hơn 0 đã được ghi nhận bởi Cansler, C. A et al. (2012)
b) Về độ chính xác phát hiện mất rừng, suy thối rừng
Sử dụng chỉ số tương đối KB để phát hiện sớm mất rừng, suy thối rừng có sai số phát
hiện mất rừng từ 9,3 đến 24,7% và sai số phát hiện suy thoái rừng từ 18,9 đến 38,9% phụ thuộc
vào sử dụng loại chỉ số NDVI hoặc NBR trên ảnh Landsat 8 hoặc Sentinel 2. Sai số trong kết quả
phát hiện mất rừng, suy thối rừng của luận án hay có thể nói cụ thể hơn là trong 150 mẫu mất

rừng và 90 mẫu suy thoái rừng được sử dụng để đánh giá độ chính xác phát hiện mất rừng, suy
thối rừng, đã có những mẫu mất rừng, suy thối rừng khơng được phát hiện trên ảnh vệ tinh


21
thông qua việc sử dụng ngưỡng chỉ số tương đối KB, điều này có thể được giải thích như sau:
thứ nhất, một số mẫu mất rừng, suy thoái rừng bị trùng với vị trí có bóng mây trên ảnh T1 (tức là
ảnh tại thời điểm trước khi xảy ra mất rừng hoặc suy thoái rừng). Trong bước xử lý mây trên ảnh
vệ tinh trong GEE, một số vị trí trên ảnh bị bóng mây đã chưa được xử lý triệt để. Mặt khác, trong
quá trình chọn mẫu để nghiên cứu, tác giả đã loại bỏ được các mẫu trùng với vị trí có mây trên
ảnh mà chưa xem xét được hết những trường hợp mẫu bị trùng với vị trí có bóng mây (18/150
mẫu mất rừng và 14/90 mẫu suy thối rừng bị bóng mây); thứ hai, một số mẫu mất rừng bị phân
loại nhầm sang suy thoái rừng do sau khi xảy ra mất rừng, thảm thực bì của những vùng này vẫn
còn dày nên việc sử dụng ngưỡng chỉ số tương đối phát hiện được là suy thoái rừng; thứ ba, một số
mẫu suy thối rừng khơng phát hiện được do bị phân loại nhầm sang rừng không đổi. Nguyên nhân
có thể do mức độ khai thác rừng trái phép ở những vùng này với mức độ chưa cao, nhưng đã được
lực lượng kiểm lâm thống kê là suy thoái rừng. Sai số phát hiện mất rừng, suy thoái rừng của luận
án thường được gọi là lỗi bỏ sót. Lỗi bỏ sót được tính bằng 100 trừ đi độ chính xác phát hiện. Sai
số này có thể cải thiện được khi áp dụng kết quả của luận án vào thực tiễn bằng cách khắc phục các
hạn chế của ảnh vệ tinh quan học (mây, bóng mây) đồng thời sử dụng ảnh vệ tinh đã xử lý về mức
phản xạ phổ bề mặt (Landsat8-SR hoặc Sentinel 2-SR).
Kết quả phát hiện sớm mất rừng, suy thoái rừng của luận án có độ chính xác phát hiện mất
rừng, suy thối rừng từ 61,1% đến 90,7% phù hợp với một số kết quả nghiên cứu trước đã được
công bố bởi Miller, J. D. và Thode, A. E. (2007), Cansler, C. A. et al. (2012), Parks, S. A. et al.
(2014), Santos, S. M. B et al. (2020).
4.3. Đề xuất hướng ứng dụng công nghệ địa không gian để phát hiện sớm mất rừng, suy
thoái rừng ở vùng Tây Nguyên.
Kết quả của luận án cho thấy, có thể sử dụng các chỉ số tương đối KB, NDVI, NBR trên
các loại ảnh Landsat 8, Sentinel 2 để phát hiện mất rừng, suy thoái rừng ở Tây Nguyên. Ngưỡng
chỉ số tương đối KB đã được xác định cho mỗi trường hợp sử dụng các chỉ số NDVI, NBR trên

các ảnh Landsat 8, Sentinel 2. Đây là cơ sở khoa học để tác giả đề xuất hướng ứng dụng công
nghệ địa không gian trong trong phát hiện sớm mất rừng, suy thoái rừng ở vùng Tây Nguyên với
8 bước cơ bản như sau:
Bước 1. Đăng ký tài khoản Google Earth Engine (GEE). Mỗi người sử cần cần đăng ký
một tài khoản đăng nhập để sử dụng chương trình GEE của Google. Người dùng đăng ký tài
khoản GEE bằng cách truy cập vào đường dẫn: và đăng ký
bằng tài khoản Email.
Bước 2. Tạo ảnh chỉ số viễn thám và xử lý ảnh vệ tinh trong GEE. Người sử dụng GEE sẽ
viết các đoạn chương trình (Script) với việc sử dụng các hàm tạo chỉ số thực vật trong GEE.
Người dùng cần biết đối với mỗi chỉ số thực vật hay chỉ số viễn thám sẽ sử dụng Band ảnh nào
tương ứng với mỗi loại ảnh vệ tinh khác nhau. Khi sử dụng chỉ số NDVI, trên ảnh Landsat 8 có
BandNIR là Band 5 và BandRED (kênh đỏ) là Band 4; trên ảnh Sentinel 2, BandNIR là Band 8 và
BandRED là Band 4. Khi sử dụng chỉ số NBR, trên ảnh Landsat 8, BandNIR là Band 5 và BandSWIR
là Band 7; trên ảnh Sentinel 2, BandNIR là Band 8 và BandSWIR là Band 12.


22
Bước 3. Lựa chọn và tải ảnh vệ tinh trên GEE. Người sử dụng căn cứ vào phạm vi nghiên
cứu, phạm vi sử dụng để xây dựng một lớp bản đồ ranh giới ở dạng vùng (polygon) có định dạng
shapefile (.shp). Lớp ranh bản đồ này được lưu trong một thư mục và được nén lại với định dạng
(.Zip). File Zip này được đưa vào GEE bằng câu lệnh. Người dùng viết mã để GEE hiểu và trả
về tất cả các ảnh vệ tinh trong phạm vi ranh giới đã lựa chọn với khoảng thời gian do người dùng
thiết lập. Ngoài danh sách các ảnh, GEE cung cấp 1 file “Image Properties” chứa thông tin về
mỗi ảnh (tên cảnh ảnh, thời gian chụp ảnh, tỉ lệ mây của anh…).
Bước 4. Cắt ảnh theo phạm vi nghiên cứu trong phần mềm ArcGIS 10.1. Phạm vi nghiên
cứu ở đây chính là tồn bộ các lơ có rừng trên lớp bản đồ cập nhật diễn biến rừng. Việc chỉ lựa
chọn các lơ có rừng để phát hiện mất rừng, suy thoái rừng là phù hợp với mục đích đồng thời
nhằm làm giảm bớt các sai số cho kết quả. Lớp bản đồ phạm vi nghiên cứu được chuyển từ hệ
tọa độ VN2000 sang hệ tọa độ WGS 84 và nó cũng được chuyển từ dạng vector sang dạng Raster
trong phần mềm ArcGIS với lệnh “Polygon to Raster” để sử dụng cho việc cắt ảnh theo phạm vi

nghiên cứu. Sử dụng công cụ “Raster Calculator” trong phần mềm ArcGIS để cắt ảnh vệ tinh theo
phạm vi nghiên cứu.
Bước 5. Tính tốn chỉ số KB trong phần mềm ArcGIS. Ở bước này, người dùng sử dụng
phần mềm ArcGIS để tính tốn chỉ số KB trên ảnh vệ tinh theo công thức như sau:
KB = 100 * (T1-T2)/T1
Trong đó: T1, T2 là giá trị NDVI hoặc NBR tại thời điểm trước và sau xảy ra mất rừng,
suy thoái rừng;
Ảnh chỉ số thực vật tại 2 thời điểm (T1, T2) là các ảnh có sẵn trong cơ sở dữ liệu của GEE.
Các cảnh ảnh Landsat 8, Sentinel 2 đã được chuyển giá trị từ (Digital Number - DN) về giá trị
phản xạ phổ bề mặt (Surface Reflectance - SR).
Bước 6. Xác định điểm mất rừng, suy thoái rừng trong phần mềm ArcGIS 10.1. Ảnh chỉ số
viễn thám (NDVI hoặc NBR) sau khi được tính giá trị tương đối KB sẽ được phân loại theo ngưỡng
mất rừng, suy thoái rừng nhằm xác định các vùng mất rừng, suy thoái rừng. Sử dụng ngưỡng giá trị
tương đối KB từ kết quả nghiên cứu của luận án cho việc phân loại mất rừng, suy thối rừng.
Bước 7. Cập nhật thơng tin cho các điểm mất rừng, suy thoái rừng trong phần mềm ArcGIS.
Các điểm mất rừng, suy thoái rừng sau khi được xác định cần được cập nhật các thông tin như: lô,
khoảnh, tiểu khu, trạng thái rừng, tên chủ rừng…những thông tin này phục vụ công tác thông báo,
xác minh, kiểm chứng ngoài thực địa. Người dùng sử dụng lớp bản đồ cập nhật diễn biến rừng của
khu vực nghiên cứu và sử dụng công cụ “Intersect” trong phần mềm ArcGIS 10.1 để cập nhật các
thông tin từ lớp bản đồ cập nhật diễn biến rừng cho các điểm mất rừng, suy thoái rừng.
Bước 8. Biên tập bản đồ vị trí mất rừng, suy thối rừng. Việc biên tập bản đồ vị trí mất
rừng, suy thối rừng có thể được thực hiện hoặc không thực hiện dựa vào nhu cầu của người sử
dụng. Việc biên tập bản đồ vị trí mất rừng, suy thối rừng có thể thực hiện trên các phần mềm
khác nhau như: Mapinfo, ArcGIS hoặc QGIS…vv.
Những thao tác thực hiện trên phần mềm ArcGIS từ bước 4 đến bước 7 có tính chất lặp đi
lặp lại, do đó người dùng có thể sử dụng cơng cụ ModelBuilder trong phần mềm ArcGIS để xây
dựng một mơ hình cho phép thực hiện lần lượt các bước này trong phần mềm ArcGIS.